从交易能力到算力底座：陆家嘴金融沙龙第三十七期解码AI时代金融基础设施系统重构

当前，人工智能大模型、智能算力正在重塑金融基础设施的发展逻辑。金融业高水平对外开放与科技自立自强双向并行，既要对接全球市场规则，也须夯实安全可控的金融信创底座。

10月23日，陆家嘴金融沙龙2026年第37期以“AI时代金融基础设施的创新与信创实践”为主题，围绕智能资金运营、多资产数据底座、全球交易所数字化连接、国产算力与金融核心系统建设等方向，邀请政府部门、金融机构、交易所、科技企业代表开展深度交流，共同探讨AI时代金融基础设施的创新路径与实践经验。

从“人找信息”到“系统驱动”：FICC交易能力的AI化重构

中国债券市场的体量在过去十年间经历了跃迁式增长。平安银行资金运营中心总经理钱鑫提供了一组数据对比：2014年债券托管存量约35万亿元，如今已接近209万亿元。但在他看来，规模不等于深度——大额交易能否以合理成本成交，市场承压时报价是否持续，买入后能否融资、对冲并顺利退出，才是衡量市场深度的重要标尺。

谈到AI对FICC交易的价值和影响，钱鑫表示，市场规模扩张，需要与之匹配的报价、执行和风险管理能力，而这首先要求交易生产方式发生变化。FICC市场以OTC（场外市场）为主，过去交易员依靠点对点沟通，解决了早期市场中的信任与信息问题，也积累了宝贵经验；但当客户、品种和渠道不断增加，依靠人工串联和线性扩员的处理方式逐渐遇到瓶颈。技术因此开始进入交易生产核心：定价引擎直接产出报价，执行系统连接行情、库存与风险，更多检查前移到报价和执行环节，原本依靠人工衔接的信息与判断，逐步沉淀为系统可以持续调用的规则、模型和流程，由机器处理标准环节、人工守住关键节点。

AI的作用也不止于对客询价。钱鑫介绍，机构内部正在探索从个人助手到协同工作流，再到交易闭环的能力建设：个人助手帮助交易员查找资料、总结信息、形成建议；工作流进一步连接数据、模型、控制、执行与反馈；交易闭环则将信息获取、信号生成、策略制定、策略执行与复盘优化贯通，让真实交易结果进入下一轮决策，持续改进模型、策略与执行。

在他看来，复盘是闭环中最容易被低估的环节。交易记录不能只保留时间、价格、数量和盈亏，还要保存当时可见的信息、观点、仓位安排与交易成本。他将决策质量与交易结果严格区分，在金融市场这一高噪声、低信息的环境中，回传信息必须包含是否成交、滑点、约束条件等完整维度，模型与流程的更新则应经过验证与审批后再进入生产。

钱鑫进一步提出，FICC交易需要Q-Quant与P-Quant两类能力互补：Q-Quant侧重专业定价与风险管理，从现金流、收益率曲线和风险因子出发，回答合理价格、风险敞口与对冲安排等问题；P-Quant则利用价格、成交和盘口等数据，研究市场变化、交易信号、流动性与成交概率。前者判断价值，后者判断可成交条件，两类能力结合，共同服务交易决策、智能做市与执行优化。

从“重复开发”到“可复用能力”：多资产管理的数据与计算底座

如果说钱鑫回答的是“交易端如何用AI”，DolphinDB创始人、CEO周小华聚焦的则是更底层的问题：当金融机构同时管理股票、债券、外汇、商品和衍生品，数据、计算与业务逻辑如何在同一个底座上协同？

周小华将思路概括为三个层次：统一的数据与计算底座，解决多资产数据组织、海量计算与实时业务处理；将定价、回测、风险等共性逻辑沉淀为可复用的中间件；由业务专家与工程师指导AI Agent灵活组合这些能力，快速构建满足不同机构需求的业务应用。

“数据层的核心挑战不在于‘存’，而在于‘理解’”。周小华表示，多资产数据不能简单堆砌成数百张关系表或一张包含数百个字段的大宽表，股票、债券、利率互换、期权具有不同的属性、现金流规则和定价方法。更合理的方式是采用面向金融资产的对象模型，将差异封装在对象内部，通过标准化接口提供定价、现金流计算与风险度量等能力。

“AI不会替代金融基础设施，但会改变其使用方式与金融应用的建设方式”，在周小华看来，未来，AI Agent不仅能回答问题，还可查询数据、调用工具、执行计算，并将多个步骤组织成完整业务流程。

他介绍，其公司在重点推进几方面工作。首先，让AI找得到数据，也理解数据。公司支持关系、时序、文本、向量、特征等多种数据类型，数据既可汇聚到平台使用，也可保留在原有系统中通过接口访问。公司的平台正在建设全局数据目录，统一组织内外部数据资源，让AI发现数据的来源、位置、结构与访问方式。但他强调，找到数据不等于理解数据。为此，公司正与头部金融机构共同探讨金融本体，通过金融语义层统一描述金融对象、业务关系、指标口径与计算规则，让AI不仅理解数据结构，也理解背后的业务含义。

他指出，金融业务对准确性和可靠性要求极高，AI临时生成的代码即便能够运行，也不代表计算方法符合业务规则。因此，更稳妥的做法是让AI直接调用经过验证的金融函数与业务中间件。例如，完成一次组合风险分析时，AI可一次调用数据查询、曲线构建、定价估值与风险计量等能力：AI负责需求理解与流程组织，底层平台负责高效、可靠地执行计算，这样既能减少重复开发和计算错误，也能满足生产系统对性能的要求。

从数智化到区块链融合：债券基础设施的科技赋能新路径

中央结算公司上海总部运营支持部副总经理鲍欢琛则围绕人工智能与区块链两类技术，带来《金融科技赋能债券业务--金融基础设施的实践与探索》的主题分享。

人工智能如何赋能债券发行管理？他指出，随着市场规模扩大、交易复杂度提升，发行前、中、后各环节都需提升质效、增强风险防控。人工智能在数据处理、模式识别和自主学习方面优势明显，可探索推动应用从单一场景向多场景耦合延伸，贯通债券发行管理的全流程。

在区块链应用方面，鲍欢琛提出以“三个融合”为切入点。

首先，探索推动链上数字债券体系与传统簿记体系融合。探索在现有债券发行环节应用区块链的基础上，进一步向交易结算、登记托管、担保品管理、付息兑付等业务延伸，构建由智能合约全链条驱动的数字金融基础设施新形态。同时，研究区块链技术在不同券种、境内外业务中的应用，深化自贸离岸债、绿债、科创债等品种实践，建立传统系统与区块链平台之间的数据同步和业务衔接机制。

其次，探索推进数字债券与数字货币融合。鲍欢琛表示，两者同属广义数字资产，在技术架构和交收逻辑上天然契合。他建议，未来可以研究推动区块链数字债券平台与央行数字货币系统对接，并在自贸离岸债等场景下开展验证。通过标准化接口和模块化设计，一点接入，按需定制，逐步丰富数字人民币应用场景；并依托智能合约实现券款实时同步交收，提升结算效率。

此外，探索推动“中债链”与实物链融合。随着数字债券从单一链上场景向多业务生态延伸，可研究探索“中债链”与国家区块链网络（上海枢纽）等跨链连接，拓展区块链在融资、抵质押、担保品管理、供应链金融等场景的应用，推动金融资产、资金和业务数据在不同基础设施之间安全可信流转。同时，探索“中债链”与实物链、企业身份认证、金融数据可信验证、司法存证等城市级服务有序衔接，在依法合规、数据安全和隐私保护前提下，推动金融业务与城市级数字基础设施协同联动，更好服务上海国际金融中心和数字城市建设。

可信数据是可信AI的必要基础，但不是充分条件

伦敦证券交易所集团北亚太区董事总经理兼中国区总裁陈芳带来的则是一个更具约束性的前提：在金融行业，AI时代金融行业更应强调的关键词不是“智能”，而是“信任”。

陈芳直言，金融行业有一个非常特殊的要求——“AI可以生成答案，但金融机构需具备核验和解释能力；AI可以辅助决策，但最终责任仍由金融机构承担”。在她看来，衡量AI的价值不能仅关注处理速度，更要聚焦分析质量、使用成本和风险控制是否得到有效改善。金融基础设施正从“数据基础设施”迈向“智能基础设施”，但这一跃迁的前提是可信数据。

她将可信数据拆解为四个维度：金融语义的清晰度；数据的来源的可追溯性；数据使用的授权；关键计算的可验证性。

在陈芳看来，可信数据是可信AI的必要基础，但不是充分条件。从可信数据走到可信AI，还需要模型验证、持续监测、人工监督与清晰的责任分工。她强调，信任不是标签，而是一套贯穿数据、模型、流程和问责的机制。

结合中国市场业务特点，陈芳认为AI应用面临三方面机遇：一是财富管理、移动支付、普惠金融等丰富场景提供了实践空间，已有数字化基础有助于机构寻找人机协同的切入点；二是数据能力须与模型能力同步建设，机构需重视数据资产、数据质量、金融知识组织和数据治理；三是自主创新、开放合作与风险治理需统筹推进，信创建设不仅涉及技术选型，更涉及业务适配和关键能力可控性。

在她看来，AI正在为金融机构带来新的国际化机遇。投研团队借助AI降低跨市场、跨资产类别的信息整理成本，把更多时间留给专业判断与验证；高质量全球数据和专业分析能力，正成为理解市场差异、识别风险与机会的重要支撑。

她同时提醒，信息处理更便捷，并不意味着市场差异、数据许可和监管要求会自动消失。为此，她建议金融机构建设可信数据体系，从高价值业务流程切入，坚持开放合作与自主可控并重。

从“模型竞赛”到“Token经济”：国产算力底座的协同进化

当AI从模型能力竞争进入以Token产出效率为核心生产要素的新阶段，算力基础设施的形态也在发生深刻变化。

海光信息智能计算产品副总经理张君威作出如下判断：在Agent时代，CPU（中央处理器）正在成为任务的大脑，承担任务规划、工具调用、多轮推理与长上下文管理，而这些任务需要CPU与GPU（图形处理器）协同完成。客户不再只询问“是否支持某个框架”，而是追问芯片算力、带宽、互连能力、PD分离部署方案，以及不同时延下的吞吐表现。

在产品布局中，这一判断对应着两条并行推进的芯片路线。张君威介绍，其所在企业同时拥有C86架构的CPU与GPGPU架构的DCU（深度计算处理器），两者均通过国家测试认证。他坦言，去年公司参加DCU国测时，从应用场景到软件栈兼容与实现，再到芯片架构与设计的层层分析，让他印象深刻。“这不仅是一个名单，也是对自主可控技术能力的认可。”

在张君威看来，AI时代的竞争不只是芯片算力的竞争，更是芯片、软件与生态综合能力的竞争。其所在企业构建了从底层驱动到模型服务的完整软件栈：DTK提供底层驱动与统一内存管理，兼容ROCm与CUDA编程接口；DAS作为面向AI的算子库与框架优化层，支持训练与推理任务，并采取全面开源策略；DAP则实现模型开箱即用，提供Token服务与调用API。三层软件栈之上，其所在企业已具备大模型训练能力，其CPU与DCU已应用于全国产十万卡AI超集群，与国内模型厂商合作开展后训练，收敛相对误差小于千分之一，有效训练时间超过96%。在推理侧，公司支持PD分离、AFD分离等多种部署方案，并可通过量化为企业压降算力成本。

张君威透露，海光的算力产品已在多家金融机构落地。面对模型厂商每一两个月就发布新模型的快速迭代节奏，他强调，未来的竞争不是一次性的性能竞争，而是持续跟随模型演进、持续优化软件、持续服务客户。“模型、软件、芯片三者协同，才能形成完整的AI计算基础设施。”

“陆家嘴金融沙龙”由上海市委金融办、浦东新区人民政府指导，陆家嘴金融沙龙秘书处主办，第一财经、财联社提供媒体支持。该系列活动将构建与“陆家嘴论坛”相呼应的常态化交流平台，通过机制化、场景化、国际化运作，持续输出金融改革“浦东智慧”，深度赋能浦东经济高质量发展，全力助推上海国际金融中心核心区建设迈向新高度。