AI原生： 重塑金融業的未來范式與實踐路徑

人工智能正重塑證券業，從效率工具升級為業務模式創新。本文從 ⁶+AI³³ 與 ⁶AI+³⁹ 范式的理論辨析出發，利用五層演進模型說明了如何實現自主智能的終極目標，深入剖析了AI原生為證券行業帶來的革新探索，進一步聚焦于如何務實地應對自主可控、準確性與可解釋性這三重挑戰，系統性探討了AI驅動證券行業轉型的路徑。

人工智能（AI）是新一輪科技革命和產業變革的重要驅動力量，將對全球經濟發展和人類文明進步產生深遠影響。證券公司也應利用AI技術促進業務轉型，更好地服務大眾。

2023年，國內大模型生態起步，圍繞對話機器人、知識問答、編程輔助、搜索等主要場景，以提示工程、檢索增強作為核心的技術方案初步落地實踐。2024年，國內大模型不斷突破，開始出現面向投研、投資、投行、投顧等行業特色業務開展的創新實踐，技術方案朝單智能體、多智能體協同、深度研究（DeepResearch）、多路召回等更復雜的方向演進。2025年，深度求索（DeepSeek）推出DeepSeekR1，國產大模型通過算法創新實現技術反超，在多項性能指標上達到世界領先水平，以深度思考、知識蒸餾、強化學習為代表的技術成為新范式，出現了諸如“氛圍編程（VibeCoding）”這樣新的AI使用形式。

盡管AI技術不斷突破，但其更多停留在輔助層面，所觸及核心業務的不多。例如檢索增強生成（RetrievalAugmentedGeneration，簡稱RAG）知識問答，其核心任務是解決信息獲取效率的問題。但這并未徹底發揮AI的深度思考能力，其運行邏輯仍被嚴格限制在人類預設的流程中。

因此，有兩個問題自然浮現：第一，是否存在一種全新的AI應用模式，使得AI潛能得到最天發揮的同時也能釋放人類的價值創造力？第二，技術演進的翻新勢必對過去的技術投資造成沖擊，怎樣的頂層設計才能適應AI技術的快速演進，讓企業的AI轉型之路更加穩健？

對金融證券行業而言，亟須回歸金融服務的第一性原理，以“AI原生”（AINative）的思想重構頂層設計。本文將圍繞這一問題，系統探討AI驅動的證券行業轉型路徑。

AI原生的五個層次定義

一層至三層：“+AI”的賦能模式。“ + AI”即“通過AI進行賦能”。然而，該模式本質上仍以優化流程效率為核心，輔助技術改良而非業務重構，“+AI”的發展可以分為三個層次。第一層次表現為局部提效，將光學字符識別（OCR）、自動語音識別（ASR）等成熟技術作為高效的工具嵌人現有流程，替代某些重復的手工操作。第二層將這些工具串聯成機器人流程自動化（RPA）或智能外呼等自動化流程，讓AI成為人類員工的助手，在預設的精密流程中解決一些重復性、模式化的作業。人類從任務執行者變為流程設計者，注意力得到部分釋放。第三層次則通過智能體（AIAgent）實現人機協同，人類在關鍵的環節負責確認與監督。然而，“ + AI”模式仍受限于現有流程，人類仍只作為監督者，專注于執行是否精準，而非戰略與價值思考，AI潛力未完全發揮。

四層至五層：“ AI⁺ ”的原生模式。“ + ”即“AI原生”，是以AI為核心的流程與場景的徹底重構。人與AI的角色在第四層次根本性反轉。人類只負責定義業務問題與驗收標準；而AI則主動創造價值，擁有了理解復雜意圖、自主規劃解決方案并調度資源執行的能力。金融服務的設計也首次能夠超越人的既有經驗。第五層次則是AI原生的終極形態一一AI的“自組織運營”。此層次中，人只須設定頂層目標，AI系統便能演化為一個自適應、自進化的“數字組織”，為實現目標而動態地自我迭代、自我組合、自我創造。

大模型的定位是“思考機器”。在AI原生的設計里，大模型是一種思考機器。設計一個能更大限度發揮大模型思考能力的架構，是AI原生方案在設計層面與現有方案的本質區別。在大模型出現之前，所有的思考工作都是先于軟件運行時完成的，具體體現為產品經理對產品的定義思考、開發者對軟件的實現思考。這些提前思考的結果決定了用戶在使用軟件時可獲得的功能和體驗。大模型的出現讓軟件一邊服務一邊思考的形態成為可能，這意味著以大模型為核心的應用可以解決的問題不再是提前設定好的封閉問題域，而是包含各種用戶意圖和使用場景的開放問題域。如果擴大思考定義的外延，給大模型提供更多可以輔助思考或驗證思考的工具，將能更大程度發揮思考的力量。

目前，越來越多原本用于分析和優化人類思維模式的工具被吸收進大模型應用的設計中，未來大模型的進化將聚焦于豐富“思考素材”和擴展“行動能力”兩個方向，這也是AI原生應用的重要特征。

證券行業的AI原生之路已經開啟

AI原生給用戶帶來全新的財富管理體驗。2025年，證券金融行業陸續啟動了AI原生的超級助手建設，旨在打破舊有服務范式，構建以智能認知為核心的新型財富管理生態，推動行業從功能型工具向“主動型認知伙伴”跨越。

AI原生的首要突破在于交互模式的根本性重構，實現從圖形用戶界面到語言交互界面的代際升級，從圖形用戶界面（GUI）到語言用戶界面（LUI）的范式重構。傳統證券應用程序以圖形界面為核心，用戶需在層級菜單中手動查找功能，在碎片化信息中自主拼湊決策依據，本質仍是“人找內容”的被動模式。而語言驅動的原生交互徹底顛覆這一邏輯：未來，日常語言成為服務入口，用戶通過“如何構建抗通脹組合”“某股三季度毛利率變動原因”等自然表達即可觸發服務，系統會自動拆解需求、調動資源，無須用戶按固定流程操作；同時，場景化服務能力實現了服務的主動適配，當用戶瀏覽個股頁面時自動推送深度分析，進人賬戶界面時觸發風險診斷，刷資訊時生成事件解讀，讓服務從“用戶找功能”轉向“功能追用戶”；此外，多形式交互融合打通了語音、圖文與數據的協作通道，語音提問可即時聯動財報數據、分析師觀點與可視化圖表，形成閉環解答。用戶從低效地搜集信息轉變為決策核心，重新定義了財富管理服務的新模式。

支撐這種交互模式革新的是底層架構的突破性設計一一多智能體系統（MAS）協同引擎驅動的“自主員工”體系。該架構通過分層自治實現從需求理解到問題解決的全流程閉環，包括任務規劃、任務執行、輸出檢查三個核心部分。任務規劃將投顧邏輯內化為思維鏈（CoT），可自主完成風險評估、現金流分析與工具匹配；任務執行以記憶機制為核心，基于用戶畫像動態訂制策略并聯動核心交易系統；輸出檢查則融合結構化與非結構化數據交叉驗證，確保結論可靠。由此，智能服務實現從被動響應到自主決策，是真正的AI原生。

AI原生架構支撐的智能服務，不僅讓效率提升，更重塑了財富管理的價值邊界，讓大規模基金分析與優選組合易如反掌，將機構策略平民化為移動端智能指令，并在市場波動時提供情緒安撫與即時專業解讀，成為兼具智慧與溫度的可信賴的投資伙伴。當AI能夠深度理解用戶需求、自主整合所有相關知識并動態生成決策方案時，財富管理業務的核心競爭力就從比拼“誰能提供好產品”轉向“誰能提供更強大的智能服務能力”。

AI原生重建高效的業務工作流程。人工智能正深刻重塑賣方分析師的工作流程與價值實現路徑。傳統模式下，分析師耗費大量精力在數據挖掘、信息碎片拼接、多金融終端頻繁切換等工作上，導致深度思考與市場洞察的時間被擠壓。

AI原生架構的投研體系則可以將AI融入資訊獲取、深度分析、成果產出與質量控制全流程。首先，整合海外權威機構、國內三方渠道、互聯網動態及內部研報等多源信息，經圖文識別優化與非結構化數據解析切塊，并由微調模型完成元數據標注與結構化人庫，結合企業內部數據平臺的結構化數據接口與智能問數功能，實現自然語言的精準檢索與高效召回。其次，智能問答模塊自主規劃數據調用路徑，整合檢索、運算與自然語言轉譯工具，支持指標提取、同業橫向對比及數據與觀點融合分析，助力分析師快速形成深度結論。成果產出環節引入AI驅動的智能撰寫，自動完成框架生成、數值運算、邏輯推演與多場景適配，如財報撰寫可在分鐘級完成。最終，智能審核通過數據準確性、邏輯因果性與合規性三維校驗，將行業標準與監管要求內化為執行準則，大幅提升研報嚴謹度與生成效率，實現從信息碎片到結論洞察再到價值交付的高效閉環。

智能投研平臺重構了研究業務的工作流程，不僅能幫分析師處理瑣事，還可解放人類員工的思考空間與信息處理，專注高階價值創造。機器處理“已知的已知”可助力人探索“已知的未知”。在智能時代，研究業務核心競爭力正轉向對系統產出的再加工能力與金融邏輯的再創造能力。

AI原生創造軟件開發新模式。傳統開發模式依賴“問題定義一方案設計一原型開發一測試迭代一功能交付”的線性路徑。這其中就存在流程多、耗時長，信息損耗、交付周期長等問題，而AI原生將大模型置于核心，開發流程的各個環節將共同協作，人類僅須定義清晰的問題和驗收標準。例如IT團隊手動設計數據庫、規則引擎和用戶界面，耗時久且易出錯。而AI原生的革新使操作者僅須定義目標，通過提供歷史工單數據和模擬操作環境，AI大模型即可結合強化學習（RL）自主設計系統架構，探索出最優工作流和交互邏輯。

強化學習是AI原生開發的核心驅動力。AI通過強化學習在模擬環境中自迭代，模型以工單數據和員工反饋為“環境”，以處理效率和滿意度為“獎勵函數”，取代了傳統的手動迭代。這一模式降低了對領域專家的依賴，使非技術人員也能通過高層次目標驅動研發，顯著提升效率。AI原生可以模擬沙箱（如虛擬數據集、物理模擬器）抑或真實世界接口（如API接人）作為環境自迭代。此外，AI會反復嘗試不同策略、評估結果，并調整參數。這種自迭代能力使研發從靜態功能開發轉向持續優化的動態過程，更加適應金融市場的復雜性和不確定性。

AI原生將金融證券研發從功能交付推向“收益交付”，不斷學習，實時優化策略，確保收益最大化。不僅縮短了研發周期，還能支撐個性化的靈活迭代，助力機構快速響應客戶需求。

AI原生帶來新的業務增長機會。傳統量化分析依賴數學模型與統計方法，難以捕捉市場的復雜動態與非結構化信息。而AI原生可幫助投資平臺融合大語言模型的深度推理、自主規劃與專業金融工具，挖掘新的Alpha來源。核心目標是構建具備“金融認知智能”的系統，不僅能處理海量數據，更要深度理解市場邏輯、反思決策路徑并自主探索策略。

AI原生投資平臺的終極價值在于將金融認知轉化為可持續的Alpha生產能力。當前領先機構已從單點技術應用（如因子挖掘）轉向覆蓋“時序預測一因子合成一策略生成”的全鏈路智能體系。未來競爭焦點將集中于探索性任務的解決深度，例如通過DRI ⁺ DRR技術提升反思密度，使模型在無明確路徑問題中自主發現套利機會以及跨場景知識的協同效率，例如記憶體系對多資產量化策略隱式關聯的挖掘。唯有將人類的金融先驗、工具的精準執行與AI的探索能力熔為一爐，新Alpha源才能從技術愿景轉化為持續領先的業績壁壘。

AI原生路徑上的三大挑戰

挑戰一：底層基礎設施如何自主可控。隨著AI原生場景的逐步增加，證券行業須應對業務連續性所面臨的重大挑戰。當前國內算力產業尚處于追趕階段，硬件能力與供給能力仍然存在差距。

對此，金融企業應從“硬件采購方”轉型至“生態培育參與者”。首先，以證券行業高標準的金融應用場景為牽引，為國產芯片提供最寶貴的“試驗場”，用真實、嚴苛的業務需求反饋，助力其持續迭代成熟。通過推理框架優化與算子優化，華為昇騰卡單卡推理性能已接近英偉達A800的 80% 水平，并通過引人并行專家推理（EP）技術，以集群推理方式進一步大幅提升MoE模型的推理性能，實現單卡吞吐量提升3.4倍、單并發成本降低 60% 的性能突破。此外，通過針對性優化，在Flux.1-dev多模態模型上實現30秒級推理延遲的響應能力。其次，積極推動軟硬件協同優化，倡導構建穩定、高效的自主國產開源的軟件生態，認識到生態系統的豐富性遠超單一硬件參數的重要性。最后，通過長期的戰略規劃，為國內的AI硬件產業鏈提供穩定清晰的需求“錨點”。

挑戰二：金融服務的準確性要求引發的智能服務的適當性問題。面對大模型天然的“幻覺”問題和金融業務的低容錯率挑戰，不斷使用更先進的模型和算法、采用更準確可信的數據、打磨更精細的提示詞、搭建端到端的工程體系等技術措施是所有從業者的共識。然而，該問題的深層次原因在于，大模型的幻覺與大模型的創造力同根同源。金融服務場景中，要讓大模型根據可信的數據做出準確的判斷，同時也要在部分開放式思考域充分發揮大模型的創造力，讓大模型來啟發人類的思維。

我們提出借鑒金融風險適當性原則，構建“AI服務分層治理”體系，將AI服務按風險與復雜度分為“輕度、中度、深度”三級，同時將客戶按其對AI的理解能力分為“初學者、普通用戶、專家用戶”三類。AI服務匹配于客戶訴求，可最大程度上平衡大模型的創造力與幻覺。此外，基于全局安全目標構建的安全圍欄，還可以根據客戶的風險承受能力匹配不同的安全檢查策略，同時支持穩健偏好的用戶與高風險偏好用戶對AI的需求。

挑戰三：如何確保AI決策邏輯的可解釋性。復雜模型的“黑箱”特性是AI獲得客戶信任的天然障礙，而解決這一問題的關鍵是信息開放透明。

為此，提出分層可解釋性框架：對客戶提供簡潔、直觀、非技術性的“決策理由”，通過透明化展示推理過程以增強信任；對內部業務與風控部門提供詳盡的決策因子及其數據權重分析，以供審查；對模型開發者提供深度的技術歸因工具，以支持模型迭代。AI決策應具備清晰的定位與修正能力，從而構建多維度的信任體系。

總結：AI原生是新的北極星

“優化舊世界”與“構建新世界”是金融機構的必經之路，這關乎企業未來競爭力戰略性發展。

未來，AI原生所帶來的變革將遠不止于效率的提升，更將在深層次上重構金融機構的核心價值體系：提供更契合人類認知習慣、更具個性化與便捷性的金融服務；同時持續解放生產力、釋放創造力，進而產生更高效的生產組織形態。

AI原生之路雖充滿挑戰，但其潛在價值不容忽視。證券業應共同推動技術標準的建立、人才生態的培養和監管框架的創新。以開放、審慎而堅定的步伐，共同迎接由AI驅動、更加普惠的金融新時代。

（胡滔為招商證券首席數字官。石國忠、萬國英、唐鋮、張甜瑾、胡斐然、姜瑞對本文亦有貢獻。實習編輯/何佳霖，責任編輯/周茗一）