NVIDIA 開放模型推動歐洲金融業邁向專有智能
NVIDIA 正展示歐洲金融機構如何在自己控制的基礎設施上建立智能，同時共享模型亦令每間銀行承擔更大的責任。其 10 月 21 日在 GTC Berlin 發布的公告，將 NVIDIA 開放模型與專有銀行系統並列，包括 Revolut 的 PRAGMA。當中的張力相當實際：對金融智能的控制權愈大，營運、評估及更新它的責任亦愈大。
該公告以共同的「所有權」論點串連不同活動。銀行希望其營運數據能產生競爭對手無法直接購買的能力。開放權重，即可下載的模型參數，提供部署靈活性。專有模型則透過針對機構自身的訓練帶來差異化。
這種組合挑戰了對外部營運模型的依賴，但並不代表不再需要外部供應商。它亦延續了 BloombergGPT 所示範的一項較早策略：金融機構利用自身資訊發展專門智能。現時的問題在於，這種智能會在多大程度上融入日常營運。
NVIDIA 開放模型與為生產環境而建的銀行系統相遇
Berlin 公告將部署控制置於金融 AI 討論的核心。
NVIDIA 在其金融智能公告中表示，Revolut 正在生產環境中擴展 PRAGMA，初期服務 8,000 萬名客戶。該公司形容，這套系統的工程設計可支援三倍於此的規模。這些數字分別代表該公司的部署說法及設計目標。
NVIDIA 亦提到 Lloyds Banking Group 的 ATUM 交易模型，以及利用 Starling 的交易數據、在 Civo 的英國雲端開發的 Starling Intelligence。這些例子把模型開發與機構數據及指定基礎設施連結起來，但並不能證明每間參與銀行都採用相同架構。
這個區別相當重要，因為「開放模型」只描述故事的一部分。可下載模型、私有訓練的金融模型，以及加速數據處理，分別解決不同問題。把它們放在同一個會議公告中，並不代表它們可以互換。
一家銀行可能使用開放語言模型分析文件，同時維持另一套系統評估交易。兩套系統都可支援客戶旅程，但其輸入、評估方法及權限仍然不同。
同樣地，由機構控制的基礎設施，並不必然意味伺服器由該機構實體擁有。受合約規範的雲端環境可提供部署控制，同時保留對託管、硬件及軟件供應商的依賴。談所有權時，需要明確界定其所指對象。
因此，理解 Berlin 公告最有用的角度，是金融機構希望在哪些範疇保留酌情權。它們希望能選擇如何調整模型、處理敏感資訊、作出營運變更，以及讓內部團隊取得能力。當每項改進都取決於外部產品路線圖時，這些選擇便會變得更困難。
對企業買家而言，該公告改變了值得提出的問題。單靠模型存取權，幾乎無法說明對完整服務的控制程度。周邊系統決定誰可以檢視故障、批准更新，或還原至先前版本。
這亦解釋了為何生產環境聲稱比示範更值得仔細審視。示範展示的是在選定條件下的指定互動。生產環境則要求同一項核心能力，能夠與持續變化的數據、維護時程、客戶期望及營運例外情況共存。
Berlin 透過具名的部署及開發計劃，提供了這一方向的證據。但它並未提供一套涵蓋各機構、經獨立審核的共同評分表。讀者應將這些計劃的存在，與其相對成功與否的更廣泛說法分開看待。
Revolut PRAGMA 改變 AI 投資的單位
Revolut 的策略是將共享模型本身視為投資，並在其周邊建立個別應用。
Revolut 在 Berlin 之前已正式確立這個方向。其 8 月 25 日發布的金融 AI 研究公告，圍繞專有能力成立 Revolut Research，其中包括 PRAGMA。該公司描述的是一套統一的金融行為方法，而非拼湊多個彼此孤立的專用模型。
這個時間脈絡避免了誤導性的發布敘事。GTC Berlin 為既有計劃提供更新的生產環境說法，並不標誌著 PRAGMA 或 Revolut 對金融基礎模型興趣的首次公開亮相。
從應用層面看，經濟理據更容易理解。設想一家假設中的銀行同時開發詐騙偵測及產品推薦。不同團隊可能反覆準備相關資訊、維護重疊的轉換流程，並重建相似的行為訊號。
共享表徵提供另一種安排。團隊可以從對客戶活動的共同理解出發，再按各自目標作出調整。潛在好處在於減少重複工作，同時保留針對應用的決策。
這改變了管理層資助及衡量的對象。應用預算通常獎勵可見功能的交付。共享模型需要的投資，其回報會在多個團隊之間出現，有時正是體現在它們不再需要重複進行的工作。
這會為內部科技組織帶來壓力。它們必須決定中央模型團隊是服務供應者、研究職能，還是平台擁有人。當某項應用表現欠佳時，每種安排都會帶來不同責任。
這亦改變了專業供應商的位置。當一間機構已維護可重用的行為表徵時，出售獨立預測服務的供應商便面對不同類型的買家。其價值必須來自額外專業知識、覆蓋範圍、工具，或可量度成果。
這種壓力並不表示所有外部產品都變得不必要。有些能力採購起來仍比自行維護更容易。共享模型可以強化銀行的內部基礎，同時為周邊的專門服務留下空間。
對規模較小的機構而言，同一策略帶來一個令人不安的問題：擁有有價值的數據，並不自動代表具備維護基礎模型所需的人手或營運紀律。評估時，組織承諾應與技術機遇一併考慮。
因此，相關比較不應只在於內部模型是否在某個指定任務上勝過採購模型。買家需要比較每種方法如何支援變化，包括新產品、不熟悉的客戶行為，以及現有業務政策的修訂。
Revolut 所表明的方向令這個比較更具體。它把金融智能視為持續性的機構能力。這種做法能否帶來持久優勢，取決於其他團隊能否有效使用它，而不必承受不必要的複雜性。
共享智能以共享依賴換取減少重複工作
重用模型可簡化開發，但亦令協調變得更重要。
基礎模型是經廣泛訓練、可支援多項下游任務的模型。在銀行業，這不一定意味著對話式助理。系統可以從結構化活動中學習有用模式，而毋須生成面向客戶的文字。
PRAGMA 研究論文描述一種編碼器式架構，即旨在產生輸入表徵的系統。作者評估的應用包括詐騙偵測、信貸評分及產品推薦，並報告其相對於內部任務專用基準的優勢。
論文描述在來自 2,600 萬名用戶紀錄的 240 億項事件上進行預訓練。預訓練是針對特定任務調整前的初始學習階段。這些研究數字應與 Berlin 公告中提到的較大客戶群體分開看待。
實際機制涉及嵌入向量，即總結輸入數據中已學習關係的數值表徵。應用可使用這些表徵，而非各自重建每一個有用訊號。這正是研究架構與組織承諾之間的連結。
已發表研究仍屬項目作者的工作，並非對生產環境表現的獨立認證。論文亦討論了在高度關聯的反洗錢任務上的限制，提醒讀者不應假設它具普遍適用性。
對考慮此架構的銀行而言，首要吸引力是重用。經改進的共享表徵可讓多項應用受惠。團隊獲得共同起點，而機構亦可將研究資源投向具更廣泛關聯性的能力。
相應的取捨是協調。若模型更新有助某一應用，就需要在任何使用該表徵的地方進行評估。共享基礎設施把一項本地開發決策，轉變成涉及多個營運擁有者的問題。
設想某項更新改善了辨識異常交易的能力，卻改變應用對既有客戶的理解方式。機構需要有方法分辨有益調整與不受歡迎的改變。單靠平均表現無法解決這個問題。
合理的部署流程應保留應用層面的評估。共享模型的每個使用者，都需要與其用途相關的證據。共同骨幹並不會令詐騙偵測、借貸及營銷成為等同的決策。
同一推理亦適用於版本管理。團隊需要知道哪個模型產生了某項表徵，以及較新版本是否改變其含義。否則，跨時間比較可能把客戶行為變化與系統本身變化混為一談。
回退亦成為一項業務能力。只有當依賴該模型的應用仍能與較早版本配合運作時，還原模型才有用。技術上的可逆性，需要與模型周邊的數據及決策協調。
這些是共享依賴所帶來的分析結果，而非證明 PRAGMA 曾經歷此類故障。重點是指出，買家在假設重用會自動減少營運工作前，應評估哪些因素。
該架構亦改變了機構知識的含義。有價值的模式會連同說明其限制的文件，一併嵌入在持續維護的技術系統中。維持這些文件的可用性，是保存該能力的一部分。
對處理這些紀錄的團隊而言，可搜尋知識庫提供了另一種整理技術證據的方法。它與交易建模的用途不同，但同樣回應保留可用內部脈絡的需要。
因此，關於共享模型的最有力論點，必須包含嚴謹的區分。應在有助益時重用底層學習成果，同時為每個依賴它的應用保留不同的目標、審批流程及證據。
金融專業化已有先例，但工作負載並不相同
專有數據可支持差異化，毋須令每個金融模型都成為直接競爭對手。
Bloomberg 提供了一個具參考價值的歷史例子。其於 2023 年 3 月首次提交的 BloombergGPT research，描述了一個以金融及通用文本訓練的語言模型。作者同時評估了金融語言任務及較廣泛的基準測試。
這項比較確立了一個策略先例：機構可運用領域資訊發展專門能力。但這並不構成 BloombergGPT 與 PRAGMA 之間的效能競賽。兩者已發表的研究針對不同的輸入及預定用途。
這一區分有助釐清更廣泛的 NVIDIA 開放模型故事。金融機構可透過訓練數據、應用設計、營運整合或部署選擇實現專業化。下載模型只是取得一項要素，並不等於已獲得完整優勢。
對語言應用而言，專業化可能涉及理解文件或術語。對交易應用而言，相關資訊則關乎結構化活動中的模式。兩者皆屬金融 AI 範疇，但其效用需要不同證據支持。
當以實際工作衡量時，競爭的重要性便更為清楚。用於在研究材料中尋找資訊的模型，應按該項任務評估。為付款篩查提供參考的模型，則需要根據其篩查決定的後果加以評估。
通用排名會掩蓋這些差異。它可能獎勵與銀行當前目標無關的能力，同時忽略在實際營運中重要的限制。買家需要以其預定應用為依據的比較。
這亦是既有的任務專用系統仍然重要的原因。設計較為專門的模型可提供清晰的責任歸屬及充分理解的評估歷史。共享基礎模型需要證明，為何應取代或補充這種安排。
決策不應假設較新的架構理應獲得更廣泛權限。機構可逐步引入共享表徵，並在既有系統持續表現合宜時予以保留。比較仍應在應用層面以實證為本。
開放部署帶來另一個維度。在內部維持模型運作，可讓機構對更新及自訂有更大酌情權。但這亦會把原可由外部服務承擔的工作，交由該機構負責。
兩種途徑都不會消除供應商關係。內部營運的系統仍依賴設備、軟件維護及專業人員。外部營運服務可減少部分內部工作，但會在其他地方引入合約及營運上的依賴。
對金融買家而言，這些都是資源配置選擇。保留哪些責任可創造優勢？哪些責任消耗資源，卻無助改善客戶結果？答案可因機構而異，亦可在同一機構的不同應用之間有所不同。
柏林的發展顯示，部分銀行愈來愈認為值得保留行為智能。這比宣稱外部模型已過時，是一個更狹窄卻更有用的結論。它描述了機構對何謂策略重要性之看法正在轉變。
這也為混合架構留下空間。銀行可維持專有的交易智能，同時在其他功能使用外部模型。一致性應來自管治及業務目標，而非要求在任何地方都使用同一模型。
對部署的控制並不能解決問責問題
模型所在位置，僅回答銀行能否依賴它這個問題的一部分。
獨立監管證據為供應商的說法提供了重要制衡。英格蘭銀行及金融行為監管局的 financial AI survey 發現，2024 年有 75% 的受訪企業使用 AI。這是較早期的調查結果，並非對 2026 年 10 月採用情況的量度。
該調查把數據私隱、質素、安全及偏見列為較突出的感知風險。受訪者亦預期，第三方依賴及模型複雜性將日益受關注。這些發現涉及整個行業，而非對柏林公告的評估。
這些證據支持對控制權作出更嚴格的詮釋。在選定環境內維持部署，可處理特定的風險暴露問題。但這並不能證明輸入資料合適、輸出公平，或決定已獲充分解釋。
開放權重同樣留下多項未解問題。買家仍須了解授權、維護責任、存取控制，以及支持建議用途的證據。模型參數的可用性不應取代這項評估。
同樣地，專有訓練本身並不能驗證一項應用。內部數據可反映歷史選擇及不均衡的覆蓋範圍。機構需要檢視這些特性如何影響模型所服務的用途。
假設性的貸款應用說明了其中利害關係。在整體基準上獲得更佳預測會是有用證據。機構仍須理解模型在相關客戶群組中的表現，以及輸出如何進入其決策流程。
欺詐偵測提供另一個例子。偵測到更多可疑活動，只有連同被中斷的合法交易一併考量才有價值。營運評估需要計及預測結果所涉及的客戶旅程。
這些例子說明，效能與問責必須並行。模型可改善某項技術指標，卻同時增加額外覆核工作或客戶摩擦。機構需要在把結果視為業務收益前辨識這些後果。
共享模型帶來另一項管治問題：跨應用出現意外影響時，誰擁有責任？平台團隊可維護模型，但業務擁有人仍須對其決定負責。責任需要跨越這道界線相互連接。
數據控制亦涉及機構內部的存取權。共同表徵不應自動向每個團隊開放。即使部署維持在選定環境中，資訊的預定目的及獲准用途仍然重要。
供應商集中度亦值得同樣精確地看待。離開託管模型服務可改變一種依賴，卻不能消除依賴。硬件供應、軟件相容性及雲端營運仍可影響機構提供服務的能力。
當金融機構採用 NVIDIA 的運算平台時，NVIDIA 可從中獲得商業利益。這令其部署相關說法提供有用技術背景，同時亦帶有明確推廣利益。買家應把這些說法視為需要檢視的證據，並配合自身評估。
這一切並不否定部署控制的價值，而是界定該控制權必須支持甚麼：知情的變更、可追溯的決定、受限的存取，以及可信的復原能力。擁有權透過這些營運能力才具實質意義。
柏林之後值得關注甚麼
下一項有用證據，將把架構主張連繫至可重複的營運結果。
第一個訊號是更清晰的部署範圍。在 10 月底至 1 月期間，留意機構會否說明哪些應用正在實際營運中使用共享模型。有用的披露應區分研究、有限部署及廣泛營運使用。
單靠客戶總數無法作出這種區分。為擁有龐大客戶群的機構提供服務的模型，可能只支援指定功能，而非每一次互動。對應用覆蓋範圍的描述，會令生產環境的主張更易評估。
更精確的範圍將強化以下論點：專有智能正成為共享基礎設施。若持續依賴廣泛採用的表述，這項轉變的深度仍會不明確。這是觀察準則，並非對定期披露的預測。
第二個訊號是把質素與營運工作連繫起來的評估。留意結果是否說明比較了甚麼、量度了哪些工作負載，以及團隊之間轉移了哪些責任。這些細節比單獨的改善數字更重要。
具說服力的比較應同時處理應用結果，以及維護所需的資源。當多個團隊毋須反覆重建支援流程便能使用共享智能，其可信度便會提高。未解釋的例外情況將削弱該經濟論點。
關於更新的證據尤其有用。機構能否在改善共享模型的同時，為其各個使用方保留可接受的行為？有關該過程的公開說明，比另一個精選示範更能揭示成熟程度。
第三個訊號是圍繞變更的可見問責。留意描述模型擁有權、驗證及復原的技術出版物、營運披露或監管討論。此處並不假設會有任何特定監管行動。
這類證據將強化機構正在獲得實際控制權的主張。若只有廣泛的主權措辭，卻欠缺相應營運細節，買家便無法判斷自己實際獲得多少酌情權。位置與問責需要相互連接。
對開發者而言，這些訊號提供一種方法，以評估平台是否支持其工作。對買家而言，它們有助區分可重用的機構能力與昂貴的中央依賴。對客戶而言，相關結果仍是可理解的服務及可靠的決定。
在把 NVIDIA 開放模型視為採購結論前，先識別你的機構希望保留的決定權。問問哪些資訊能創造優勢、哪些應用應共享學習成果，以及誰會批准變更。然後要求提供完整工作流程的證據，包括失效及復原。比較應維持在相同任務及部署條件之下。把客戶覆蓋、基準質素及營運效率視為獨立指標。持續留意其後披露，以尋找把它們連繫起來的證據。柏林帶來的機會，是對金融智能擁有更大酌情權。應透過檢視模型變更、應用行為出乎意料，或客戶需要解釋時，這種酌情權如何運作來評估它。
