如何构建符合金融行业技术发展的算力系统？杜夏威：关注自由数据的生产或已有数据的打磨和提炼

　　12月22日金融一线消息，国民财富发展研究合作平台 “AI+金融”峰会今日在北京召开。副总裁杜夏威出席并参加圆桌论坛“人工智能在金融领域应用的机遇与挑战”。

　　对于人工智能在金融领域应用，杜夏威从算力建设层面介绍了以下三点认知：

　　第一点，首先我认为在金融领域应该是绝对具备了去实现大模型为代表的前瞻人工智能技术落地的土壤。在整个这样的过程中，由于我们经历了这样一个全流程的发展，其实今天金融行业才有这样的能力和基础去谈及如何去实现大模型的垂类落地，这个也是我们有非常多的信心和期望，金融行业作为我们未来行业垂类模型落地的一个典型代表，能够去率先完成这样一个闭环。

　　第二点，在整个大模型技术或者说AI技术快速发展的今天，其实金融行业应该更多地去关注于我们自身行业内部的闭环。一个层面是在过往我们去谈及扩展规律带来的收益的同时或者说条件下，我们已有的数据可能马上要面临到没有新的数据可用了，几乎我们能看到的数据都用于到了大模型的研发或者生产的过程中。基于这样一个问题，反过来在金融行业里面我们今天要更加多的去思考，我们在金融行业这样一个数据富集的领域里面，我们如何去关注我们自由数据的生产或者是已有数据进一步的打磨和提炼，这个可能会是一个实现AI技术在金融领域闭环的关键点。

　　另一个层面，就是我们如何结合我们金融行业自身的发展，去寻找到我们自身内部已有的高价值数据，来用于投放到我们的AI技术在金融行业里面的应用。所以这个可能会是一个关键点。

　　作为算力建设的参与者，我们也迫切的需要结合AI的行业应用，去看清楚我们的数据特点是什么、我们的业务特点是什么？围绕着这样的特点，我们如何构建符合金融行业技术发展的算力系统。所以这样一个闭环的逻辑其实应该是一个非常重要的点，既是我们算力或者说计算技术建设方所需要的，也是我们金融行业建设所迫切需要看清的。

　　第三点，总结起来叫做我们应该去重视今天技术工程化落地所带来的挑战。因为大家可能更多的是在谈论今天的算力如何、模型如何、我的数据积累如何，但其实我们作为计算技术或者说算力建设方的切身感知是，即便今天我们具备了丰富的数据资产，具备了智能化的大模型，具备了充盈的算力基础设施，但其实如何把它们三者形成一个有机的耦合依然会是一个最大的挑战，这是工程化带来的挑战。

　　最简单的例子，就是即便我们一直在谈论这样的大模型相关的问题，包含了训练，包含了推理，以及高并发所带来的算力需求，但其实今天如何去发挥一个万卡级，暂且不要谈安老师提到的十万卡级，如何发挥万卡级这样一个算力系统的价值，如何保证它的稳定性？我们真正万卡的任务如何高效的发起，这依然会是一个非常非常严峻的问题。