为什么金融机构正汇聚于交易基础模型以构建自身智能

NVIDIA Blog 2026/06/02 06:00 新闻

financial-services foundation-models transformer-models nvidia ai-adoption tabular-data fraud-detection

摘要

金融机构正从孤立的AI模型转向基于Transformer架构的统一交易基础模型，如NVIDIA的报告和Revolut的PRAGMA模型所示，该模型改善了欺诈检测、信用评分和推荐，同时减少了特征工程工作量。

<div id="bsf_rt_marker"></div>金融机构多年来一直在构建AI：欺诈模型、信用模型、推荐引擎和风险系统。虽然这种特定任务模型的泛滥是有效的，但也受到孤立系统的制约。 孤立系统阻止机构对消费者的金融行为形成统一理解。随着企业数据集不断增长，机构所知与其AI所能推理之间的差距也在扩大——这为行业利用专有数据构建智能创造了重大机遇。 NVIDIA的<a target="_blank" href="https://www.nvidia.com/en-us/industries/finance/ai-financial-services-report/">《2026年金融服务业AI现状》</a>报告显示，65%的机构现在使用AI，近90%正在部署或评估AI，几乎所有机构都在维持或增加投入。但随着AI规模扩大，复杂性也随之增加，而碎片化的模型架构成为限制因素。 领先企业正通过重新思考架构本身来应对这一挑战。以前行业依赖为每条业务线专门构建的统计和机器学习算法，而现在基于Transformer的交易基础模型使得学习一个完全基于专有数据训练的、单一的、统一的消费者行为表示成为可能。 交易基础模型是大型AI系统，在数十亿金融事件（如支付、转账、产品交互和行为信号）上进行训练，将原始数据转化为智能，帮助企业更好地服务客户。 这种转变是结构性的。传统的欺诈模型评估孤立的信号。而基础模型在上下文中解释行为，其中时间、设备、位置和先前活动塑造了含义。更重要的是，它将Transformer架构的能力引入表格数据，提取传统算法之前无法看到的信号。 午夜的一笔支付，如果是10分钟内的第四次，且在不熟悉的设备上，在客户从未交易过的城市，其含义就不同了。这种上下文深度提高了跨任务的性能，而不仅仅是任务内部。 在与NVIDIA的合作中，Revolut构建了<a target="_blank" href="https://arxiv.org/pdf/2604.08649">PRAGMA</a>——一个基于Transformer的基础模型系列，在超过100个国家的2600万用户记录的240亿事件上训练。由NVIDIA的完整AI堆栈驱动——包括<a target="_blank" href="https://www.nvidia.com/en-us/data-center/technologies/hopper-architecture/">NVIDIA Hopper GPU</a>、<a target="_blank" href="https://developer.nvidia.com/topics/ai/data-science/cuda-x-data-science-libraries/cudf">NVIDIA cuDF</a>库和<a target="_blank" href="https://www.nvidia.com/en-us/ai-data-science/foundation-models/nemotron/">NVIDIA Nemotron</a>开放模型——运行在Nebius云上，一个单一基础模型在信用评分、欺诈检测和产品推荐等领域超越了强大的特定任务模型，同时减少了对人工特征工程的依赖。 Revolut集团信用数据科学主管Tadas Kriščiūnas表示：“我们从事先需要数周甚至数月进行特征工程，到现在完全不需要花费时间。” 任何机构现在都可以使用NVIDIA新的<a target="_blank" href="https://build.nvidia.com/nvidia/build-your-own-transaction-foundation-model">Build Your Own Transaction Foundation Model</a>开发者示例来采用这种方法，该示例使团队能够在表格交易数据上开始构建Transformer嵌入——集成到现有流水线中，无需从头重建。 <h2>碎片化的代价</h2> 问题不在于今天的模型，而在于发展趋势。每一个新用例都增加一个模型。每一个新市场都需要重新训练。无法共享上下文的模型会遗漏价值。 <a target="_blank" href="https://www.mastercard.com/global/en/news-and-trends/stories/2026/mastercard-new-generative-ai-model.html">Mastercard</a>正在开发一个用于支付的专有大型表格基础模型，目前基于数十亿匿名交易进行训练，并设计扩展到数千亿，涵盖欺诈、授权、拒付、商户位置和忠诚度数据等其他数据集。 该模型利用NVIDIA、AWS和Databricks的能力构建——包括<a target="_blank" href="https://docs.nvidia.com/nemo/automodel/latest/index.html">NVIDIA NeMo AutoModel</a>开放库（属于<a target="_blank" href="https://github.com/NVIDIA-NeMo/">NVIDIA NeMo框架</a>）以及加速计算——旨在减少对众多跨市场、客户和用例的AI模型的依赖。早期测试显示，它优于标准机器学习技术，在网络安全、欺诈检测、忠诚度、个性化、投资组合优化和分析方面具有前景广阔的应用。 <a target="_blank" href="https://www.nvidia.com/en-us/on-demand/session/gtc26-s82115/">Adyen</a>也已大规模部署交易基础模型，处理了1万亿美元的支付。通过使用强化学习，Adyen为商家最大化转化率并最小化风险。 Adyen首席AI产品经理Dhruv Ghulati表示：“即使是像授权率提升0.1%这样微小的改进，也能转化为巨大的增量商品总值和可观的成本节约。” <h2>代理商务的语义层</h2> <a href="https://blogs.nvidia.com/blog/ai-in-financial-services-survey-2026/">42%</a>的金融公司已经在使用或评估代理AI。随着这些系统开始执行交易——如管理订阅、路由支付和进行购买——金融行为的性质正在发生变化。 <a target="_blank" href="https://www.nvidia.com/en-us/on-demand/session/gtc26-s82252/">Stripe</a>正在使用NVIDIA和AWS平台构建能够理解交易行为完整上下文而非对个别信号做出反应的基础模型——去年阻止了近1120亿美元的欺诈，并将欺诈平均减少38%

查看原文

查看缓存全文

缓存时间: 2026/06/02 15:46

# 金融机构为何纷纷采用交易基础模型构建自有智能来源：https://blogs.nvidia.com/blog/financial-institutions-transaction-foundation-models/ 多年来，金融机构一直致力于构建各种人工智能模型：欺诈模型、信贷模型、推荐引擎和风险系统。虽然这种针对特定任务的模型拼凑方式行之有效，但也受到孤立系统的限制。孤立系统使得机构无法形成对消费者金融行为的统一理解。随着企业数据集不断增长，机构已知的信息与其AI能够推理的内容之间的差距也在扩大——这为该行业利用专有数据构建智能创造了重大机遇。 NVIDIA的《2026年金融服务AI现状》报告（https://www.nvidia.com/en-us/industries/finance/ai-financial-services-report/）显示，65%的机构目前已使用AI，近90%的机构正在部署或评估AI，几乎所有机构都在维持或增加投入。但随着AI规模扩大，复杂性也随之增加，碎片化的模型架构成为制约因素。领先企业正通过重新思考架构本身来应对这一挑战。过去，行业依赖为每个业务线专门构建的统计和机器学习算法，而如今，基于Transformer的交易基础模型使得仅凭专有数据即可学习消费者行为的单一统一表示成为可能。交易基础模型是规模庞大的AI系统，在数十亿个金融事件（如支付、转账、产品交互和行为信号）上进行训练，将原始数据转化为智能，帮助企业更好地服务客户。这一转变是结构性的。传统的欺诈模型评估的是孤立的信号。而基础模型则从上下文角度解读行为——时间、设备、地点和过往活动塑造了行为的含义。更重要的是，它将Transformer架构的强大能力引入表格数据，提取出传统算法无法察觉的信号。凌晨的支付行为，如果是在10分钟内的第四次，来自陌生设备，且位于客户从未交易过的城市，那么其含义截然不同。这种上下文深度不仅提升了单一任务的性能，而且跨任务受益。在与NVIDIA的合作中，Revolut构建了PRAGMA（https://arxiv.org/pdf/2604.08649）——一个基于Transformer的基础模型家族，在覆盖100多个国家的2600万用户记录的240亿个事件上进行训练。该模型由NVIDIA的完整AI堆栈驱动，包括NVIDIA Hopper GPU（https://www.nvidia.com/en-us/data-center/technologies/hopper-architecture/）、NVIDIA cuDF库（https://developer.nvidia.com/topics/ai/data-science/cuda-x-data-science-libraries/cudf）和NVIDIA Nemotron（https://www.nvidia.com/en-us/ai-data-science/foundation-models/nemotron/）开放模型，运行于Nebius云上。一个单一的基础模型在信用评分、欺诈检测和产品推荐等多个领域超越了强大的任务特定模型，同时减少了对人工特征工程的依赖。 Revolut集团信用数据科学主管Tadas Kriščiūnas表示：“我们从需要数周甚至数月的时间进行特征工程，变为完全无需花费任何时间。” 现在，任何机构都可以采用这种方法，通过NVIDIA新的“构建自有交易基础模型”开发者示例（https://build.nvidia.com/nvidia/build-your-own-transaction-foundation-model），使团队能够在表格交易数据上开始构建Transformer嵌入，并集成到现有流程中，无需从头重建。 ## **碎片化的代价** 问题不在于今天的模型，而在于发展趋势。每一个新的用例都会增加一个模型。每一个新市场都需要重新训练。无法共享上下文的模型会白白浪费价值。 Mastercard（https://www.mastercard.com/global/en/news-and-trends/stories/2026/mastercard-new-generative-ai-model.html）正在开发一个专有的大型表格基础模型用于支付，该模型目前基于数十亿笔匿名交易进行训练，并计划扩展到数千亿笔交易，涵盖欺诈、授权、拒付、商户位置和忠诚度数据等额外数据集。该模型借助NVIDIA、AWS和Databricks的能力构建——包括NVIDIA NeMo AutoModel（https://docs.nvidia.com/nemo/automodel/latest/index.html）开放库（属于NVIDIA NeMo框架（https://github.com/NVIDIA-NeMo/）的一部分）和加速计算——旨在减少对跨市场、客户和用例的大量AI模型的依赖。早期测试表明，该模型在网络安全、欺诈检测、忠诚度、个性化、投资组合优化和分析等领域表现优于标准机器学习技术，具有广阔的应用前景。 Adyen（https://www.nvidia.com/en-us/on-demand/session/gtc26-s82115/）也已大规模部署交易基础模型，处理了1万亿美元的支付。通过使用强化学习，Adyen在为商家最大化转化率的同时最小化风险。 Adyen首席AI产品经理Dhruv Ghulati表示：“即使是0.1%的授权提升这样微小的改进，也能转化为巨大的增量商品交易总额和显著的成本降低。” ## **智能体商业的语义层** 42%（https://blogs.nvidia.com/blog/ai-in-financial-services-survey-2026/）的金融公司已经在使用或评估智能体AI。随着这些系统开始执行交易——如管理订阅、路由支付和进行购买——金融行为的本质正在发生变化。 Stripe（https://www.nvidia.com/en-us/on-demand/session/gtc26-s82252/）正在使用NVIDIA和AWS平台构建基础模型，以理解交易行为的完整上下文，而非对单个信号做出反应——去年阻止了近1120亿美元的欺诈，平均降低欺诈率38%。交易数据是竞争对手无法复制的专有历史数据。数据已经存在。架构已经验证。基础设施已经就绪。 ## **通过生态系统合作伙伴扩展规模** “构建自有交易基础模型”开发者示例可供客户在亚马逊云服务（AWS）上运行，使用Amazon SageMaker HyperPod部署，也可在Nebius AI Cloud上运行——两者均基于NVIDIA加速计算。 Nebius AI Cloud支持完整的交易基础模型生命周期——从开发者示例的部署，到多节点训练，再到基于Token Factory的管理推理——均由NVIDIA加速计算提供支持。金融服务公司还可以与服务合作伙伴EXL、Infosys、GFT IT Consulting和Thoughtworks合作，将开发者示例应用于其特定用例。 EXL正在将交易基础模型集成到其EXLerate.ai平台中，将孤立的金融数据统一为可扩展的企业智能层，由专有交易数据驱动。与NVIDIA合作，EXL正在利用这一架构帮助金融机构加速模型开发、增强上下文决策，并大规模落地智能体AI。 Thoughtworks正在帮助金融机构在复杂的银行环境中将交易基础模型投入运营，将其集成到支付、服务和风险领域，同时建立必要的治理和AI运营模式。该公司将在6月17日（周三）于纽约市举行的AWS峰会上展示交易基础模型的演示和演讲。 GFT IT Consulting正在将交易基础模型集成到其旗舰解决方案中：Wynxx，一个被超过100家金融机构用于安全采用AI（如信用风险领域）的智能体AI平台；以及Smaragd，一个能将主要银行的误报率降低高达75%的合规引擎。 *欢迎参加6月2日至4日的Money20/20欧洲大会，与NVIDIA一同了解交易基础模型如何为金融服务领域的下一代AI提供动力。* *在 **build.nvidia.com**（https://build.nvidia.com/nvidia/build-your-own-transaction-foundation-model）上探索“构建自有交易基础模型”开发者示例。*

为什么金融机构正汇聚于交易基础模型以构建自身智能

相似文章

Model ML 帮助金融企业利用 AI 从零开始重构业务

@vasuman: 参见第1点。如果你直接与模型提供商合作，你就会被坑。你的AI转化层需要…

金融服务业中代理型AI的数据准备就绪

金融服务

金融合规基础设施作为AI代理问责制的蓝图——包含现有技术调查

提交意见反馈