先说结论

9月23日下午，云栖大会「汇正财经专场：产学研共融，AI大模型赋能金融投研新范式」在杭州国际博览中心开了两个多小时，把高校、数据商、投顾机构、模型厂、信源媒体和量化平台凑到了一个台上。全场唯一的共识：模型能力已经跨过"可用"的门槛，金融AI的瓶颈不在模型，而在数据、责任和评价体系。上海交大严骏驰教授判断金融正从"外挂工具"转向"AI原生基础设施"；恒生聚源张洋洋交底——两年前NL2SQL只有五六成准确率，问题不在模型在数据，于是把数据库按"主谓宾"重画了一遍；汇正财经周荣圣给出机构侧的答案：小模型管快、大模型管深，但合规链路的AI化速度只能比业务快、不能慢。圆桌上融量科技章子恒把最尖锐的问题留到了最后：当agent帮你做了一万个因子，其中一个表现特别好，你分不清它是发现了真实的规则，还是纯粹做得够多碰上了运气——执行越廉价，“如何评价AI的研究"就越稀缺。本文按全程转写（约8745秒）复盘，自报数字均标注来源层级。

两亿股民与不到九万张牌照：这场会为什么此刻开

主持人郑楚怡在开场就把基调定了：今年云栖的主题是「知以致用」，把芯片、云、模型到智能体串成完整链路，而金融是这条链路里最不好走、也必须走通的行业——“答案只要错一次，都要付出代价”，模型再流畅，说不出依据、经不起复核，客户用不了，机构也扛不住。汇正财经执行总经理周荣圣在致辞里给自己的行业画了一张供需图：中国号称两亿股民，全国持有证券投顾资质的个人不到九万人（凤凰网口径"两亿投资者与十万持牌从业者”，量级一致）。服务能力与需求差着两个数量级，这是投顾行业被"逼着"走向科技侧的结构性原因——周荣圣自己的用词就是"被逼出来的"。

但"被逼"不等于"能做"。周荣圣强调汇正现在敢做，是因为此前已有数据、研发人员、客户和多年积累打底；这家公司1997年成立，是证监会首批颁牌的证券投资咨询机构（官网口径，“生根二十九年"与之吻合）。他致辞点到的嘉宾——上海交大严教授、恒生聚源张总，以及阿里、财联社、融量科技（转写误作"容量科技”）——正是圆桌"产学研"的具体化。严骏驰补上学术侧动机：高校在AGI时代"很有求生欲"，没有数据算力的学院派必须靠真问题立足，而金融恰是标准基础模型解决不了、又不在大厂战略主方向上的那类真问题；他透露交大已与汇正成立面向大模型和智能体的校级联合实验室（嘉宾自报），并称今年11月将在上海与证监会相关方面发起AI原生数据的行业联盟、交大和清华都是理事单位（嘉宾陈述，笔者未能独立核实）。

严骏驰的主线判断：金融IT几十年前就存在，新的地方在于基础设施正在被"重写"——不是狭义算力，而是算力、存储、调度、中间件到数据层的广义infra：数据层会最先完成改造，因为数据将不再为肉眼设计，Excel会让位给Markdown、半结构化与向量化形态；服务入口从"打开APP翻半天"变成原生对话；能力边界和治理（审计、harness）决定成败；交付结果从"决策辅助"延伸到决策友好乃至交易指令，但每一步都必须可解释、可追溯、可审计。他还给了一笔token账：便宜token"量大管饱"，能力不够时返工反而更贵；打开文件这类简单任务用便宜token，财报里3.3%与1.3%增速之别这类关键信息要用更强的模型，动态调配——“划算不等于便宜”。他同时拆掉两个常见误会：一是垂直模型已死——2023年BloombergGPT曾号称首个金融大模型，后来确实被通用模型吞掉大半优势，但如何定义、训练和使用决定垂直模型是否还有生存空间；二是榜上第一名等于能用——他区分"正经榜单"与"野榜"，并引用OpenAI的GDPval评测（约1320项真实经济任务，转写误作"GDP value"）说，当前主要瓶颈是指令遵循和格式规范，金融的胜负手不在模型规模，而在领域数据、专用模型与任务优化的协同，某种意义上是"小而美"。C端竞争逻辑也随之改变：从"争账户"转向"争决策入口"，用户以后可能直接在对话框里完成交易。

“产学研"在这里是方法而非口号：高校出前瞻与评价，数据商出底座，机构出场景与合规，模型厂出能力，信源出原料。后面三段演讲和圆桌，正是这个分工的现场合练。

数据可用不等于AI Ready：把数据库"重画成地图"的改造

如果说严骏驰讲的是"为什么”，恒生聚源首席产品官张洋洋讲的就是"哪里疼、怎么治"，核心命题被主持人一语点破：数据可用和AI Ready不是一回事，前者是人能不能看懂报表，后者是模型能不能直接使用，中间隔着数据治理和加工的整个环节。

张洋洋给三个断层起了名字。格式断层：当下数据绝大多数仍以数据库表、PDF、API文档的格式设计与存储，对AI消费并不友好。路径断层：机构内部业务人员要调一份数据，得先写业务描述，科技人员排期写存储过程，等待返回，链路很长。价值断层：原始数据到可执行的业务洞察之间隔着人工清洗、对账、验证、治理一整套环节——头部机构采买数据动辄千万级，但买回来的数据并没有被各业务部门真正调用起来。他的结论是：不是数据没价值，是消费路径太曲折；“过往是人找数据，当下是数据让人来用”，消费主体从人变成了agent。

关键证据是一组失败数据：2024年他们做NL2SQL、NL-API，准确率只有百分之五六十，“不管我们自己怎么去训练模型、调模型，也很难达到很好的效果”。根因不在模型，在于数据从一开始就是面向人设计的。于是恒生聚源把数据层重画了一遍，思路朴素得近乎语言学：一句自然语言的主谓宾，对应数据设计里的实体、维度和指标；把这三样做得规范统一，再建一张关系表，输入实体维度指标就能自动定位数据存在哪张表；存储上用宽表加JSON字段——过去分析一家公司的主营业务要在一张表里分产品、分行业、分地区地存，现在把主营业务设计成一个指标、用一个JSON字段兼容货币单位、多币种、量纲等属性，过去要写复杂SQL才能取出的数据，现在从一个字段就能取出。再把金融黑话里的常量与数字编码还原成自然语言描述，铺一层MCP接口，让agent语义路由选工具、直接消费返回数据。他用地图作比：数据字典像二十年前的纸质地图，AI时代的数据要做成数字地图——图例标准化、关系表与核心索引支撑路径规划。这套东西他叫AIDB"三表范式"，并认为不限于金融、适用于所有结构化数据。

改造之后，数据质量的定义也被改写。过去讲准确、时效；面向AI，张洋洋给出四个新维度：取得到且对（MCP要支撑AI取准数据）、响应快（agent等不起慢数据，会自己换路径）、问得到（覆盖面要够）、描述清晰。最后一条藏着全场最生动的坑：恒生聚源历史上约两千张数据表，压缩后还有五百多个API，AI靠API描述定位数据——过去说一张表能覆盖什么，习惯性加个"等"字，现在这个"等"字千万不能加，它会让模型高估接口能力、不停来查；五百多个API之间还不能交叉，工具"正交性"是极痛苦的设计约束。“描述不清楚，基本上等同于不存在，因为模型不会去选择它。”

商业模式的含义同样被点破：过去机构要消费数据得整库采买，几百万元的门槛；AI时代机构愿意为定向需求付出token成本，让AI自己选择用什么数据，计费因此要走向按用量、按量级的灵活模式。恒生聚源把计量单位做成了最小颗粒的"聚粒"（自报概念），希望"不用就没有成本"。目前他们对外供给五百八十多个API、八十多个skill、十个专家agent（自报），多数已上架技能集市；公司约一千人、累计约900T数据。产品端推出了名为"OneQ"的智能终端（转写音近，疑为WarrenQ系列，未独立核实），支持营销获客、资产配置、投研上会等场景——其中客户交易记录的处理被刻意做成完全本地化：只告诉agent本地路径，不上云、不出域。

第一条传导链：数据消费主体从人变成agent（变化），NL取数五六成的准确率和三断层证明旧数据形态撑不住（原因），数据商失去整库采买的旧收入、换取按量计费的新市场，机构用数门槛从百万级降到接近零（谁得失），二阶影响是数据竞争从"谁家最全"转向"谁最懂金融约束"、MCP描述质量本身成为竞争力（二阶影响），可观察指标是MCP服务的API与skill上架数量、按用量计费模式的普及（观察指标）；启发：与其先买模型，先把核心数据拆成实体、维度、指标并做宽表化、JSON化，让机器能直接消费。

双模型与合规先行：投顾机构自己交的底

第三场演讲，周荣圣从使用者角度交了底稿。架构上汇正走"两条腿"：要快用小模型，要深就用大模型。诊股场景的小模型把算法与响应压在三百毫秒内（凤凰网报道口径为"单日10万+次盘中查询"，转写只给了三百毫秒与并发充足），承担可溯源的标准投研策略；大模型负责语义分析与生成式应答——金融监管有溯源要求，策略性输出留在可解释的小模型一侧。数据层两年前专门成立数据部把全公司口径拉齐；算法层用图数据库刻画产业链"边的权重"，周荣圣的解释是量化趋同之后，市场对同一事件的反应不再一样，平铺的企业数据不够用了；此外汇正有一块独有数据——投顾与客户的聊天记录，被纳入了整个体系。效果口径是：诊股把投顾老师每天三到四个小时释放出来，碎片化工作交给AI后，人可以拿出整块时间做深度判断。

更有信息量的是合规部分——AI提效和企业风控谁先谁后，周荣圣给出少见的明确排序：合规先行，“AI要关在笼子里”，而且AI对合规风控链路的赋能速度只能比销售链路快、不能慢，否则企业整体提效带来的是隐含风险。细节比原则更值得记：第一，同一句话，投顾老师能讲、普通从业者不能讲、非从业者更不能讲，判罚依赖讲话人身份——交给AI后，身份成了必须显式建模和自动标注的新维度；第二，重度违规（判罚尺度明显的）容易识别，轻度违规和擦边球最难判，人与AI都难；第三，真实业务流程（他举了退票的例子）在AI审核之后仍保留两道人工审核，理由是"给到人决策的依据，但最后做出决策的是人"。汇正称合规标注效果对照基线有明显提升（转写未给具体数字；凤凰网报道引用了"八大场景统一智能合规风控平台、全量质检替代人工抽查、重度违规召回率100%“的说法，属企业自报经媒体转述，未独立核验）。

工程化层面周荣圣还坦白两条容易被峰会叙事抹掉的现实。一是产学研的研究和落地是两回事，实际应用要做蒸馏压成本，“效果打的折扣没有那么多”；二是他借Claude Code打比方：研发用了编码工具效率确实提升，但到某个点就进入瓶颈——假设开发完全不花时间，会发现沟通、产品设计、业务驱动的时间一点没省，机构还得改架构、改SOP、改跨工种沟通。他对智能体的定性与此一致：不是替代投顾，而是放大——汇正的目标是让投顾服务于等量乃至更少的客户，但让每个客户的感受更好；在低端服务侧把成本打下来做"金融平权”，在高端侧保住服务质量。

第二条传导链：AI从业务工具变成合规基础设施（变化），误判漏判带来重复人力浪费、近百人合规团队的标准难统一，而监管要求事后追溯（原因），机构得到全量质检与响应提速，失去的是"人工抽查"时代对规模的天然刹车（谁得失），二阶影响是合规从成本中心变成AI落地的第一入口、事实上决定业务智能化的速度上限（二阶影响），观察指标是合规AI覆盖率与业务链路速度之比、监管备案材料要求的细化程度（观察指标）；启发是，把红线写进harness和流程里，比寄望模型自己"懂事"可靠得多。

圆桌四方：token会降价，“信不信"不会自动解决

圆桌把"产学研共融"拉到最具体处。主持人把四位嘉宾摆成一条链路：阿里巴巴ATH的姚旭平代表模型能力，财联社喜扬代表信源与数据，汇正首席投资官顾晨浩代表业务流程，融量科技章子恒代表工具与平台——“一个AI产品要进入金融证券行业，要过这四道关”。

四方对"规模化落地最大瓶颈"的排序有共识也有分歧。顾晨浩的排序是合规第一（红线，划定边界）、数据质量第二（它直接决定输出是"好模型还是特别好的模型”）、技术第三（会持续迭代）。姚旭平基本同意，但从模型厂角度补了两个判断：模型能力"不是好用，但基本上是个可用的状态"；成本未来一定不是瓶颈，因为千问一个月一个版本、新版本的小参数模型能达到旧版本大参数的效果，token价格必然往下走。他还指出金融客户区别于互联网客户的特殊性——极度关注安全：持仓数据能不能上传、如何脱敏，为此阿里在做机密计算与加密。章子恒的排序则是数据第一、业务适配第二，理由是大模型的智能程度已不再是瓶颈，真正的问题是喂给模型的数据是否准确、及时、符合当时的信息环境，以及模型能不能接入机构既有的投研、风控、合规流程——“金融机构不可能因为出了一个更聪明的对话模型，就把积累多年的流程推翻重做”。

章子恒的发言是全场技术密度最高的部分。他把AI金融落地归纳为四个关键词：PIT时点数据、可复现、工具化调用、可审计。PIT（point-in-time）的意思是数据准确有两个概念——数值准确，以及在正确的时间出现：让模型模拟2025年一季度做投资决策，它只能用当时已公布的信息，背后是年报发布时点、业绩快报与正式财报的切换规则、财报多次调整的口径等一整套工程问题；“不能简单把数据做成向量库，执行任务时一股脑丢给模型”。工具化意味着模型只做拆解、规划与结果解释，确定性计算交给真实系统——用户问"过去五年低波动低估值组合表现如何"，模型应调用数据与分析系统得出确切答案，而不是从上下文推测。从"给出准确答案"走向"记录完整过程"，则是因为投研场景里，一个因子好不好，第一反应是数据用的什么、公式是什么、标的和回撤区间是什么、有没有行业暴露——“跟数学很像，只有结果不行，中间过程更有价值”。最后，概率模型必须被放进确定性环境：给模型明确的许可边界，数据经过审核、算子与计算环境确定。他的公司已经把找数据、写代码、算因子、跑回测、迭代优化这套完整流程开放给AI，研究员只需要说一句"我想做一个换手率反转的因子"。

信源侧喜扬的数字勾勒出另一条战线：财联社近一千名员工、记者大几百人，传统模式下日产原创稿件几千篇、真正呈现给市场约一千篇；上线智能采编平台（转写音近"库编"，未核实）之后每天生产的数据源达到一万篇以上，每天处理的信源超过十万条——其中有个专门的"小作文库"，每天收录的市场传闻超过一千条，流出的虽是少数，但对市场确有影响。他的原则因此非常干脆：真实性永远第一，因为语料会被模型记忆，衍生和发散的结果不可控制；广度则被重新定义为"场景化广度"——个股新闻、公告、研报、财报、互动易、公众号各自成维度，再加权整合。基金经理的需求是信源价值的标尺：持仓的几千家上市公司有任何信息变动就要异动提醒，这要求的不只是监控而是处理后的结构化内容。“未来市场上最有价值的，是非结构化数据的结构化”；编辑的角色从内容生产者变成了"AI市场的共建者"。

主持人随后抛出圆桌最漂亮的三角悖论：AI越强越需要数据，数据越流动安全边界越模糊，安全管得越严数据价值释放越受限。四位的回应都绕向同一个出口——分工与共建。喜扬说未来两三年行业核心是构建可信信源基座，“地基是坏的，上面的结论都会是错的”，并期待监管细化大模型备案材料；姚旭平说阿里最想做的是与行业客户共建评测集——把一个场景的任务、环境、harness、轨迹和好结果定义清楚，“怎么落地、怎么评估就清楚了”；顾晨浩强调深度融合不能有短板，服务机构自身则要数据完整性加市场理解力，“数据是冰凉的”，决策还得人来转化；章子恒呼应了评测集，并抛出本场标题里那个问题。

边界与启发：评价体系才是下一块稀缺品

章子恒的原话值得放大：随着执行变得廉价——国产token价格低、性价比高——一个agent可以帮你做一万个因子或一万个策略，其中一个表现非常好，“到底是因为AI发现了一种规则、找到了真实的金矿，还是因为它做得足够多、运气好就碰到了？“这不是新问题：样本内外划分、规避数据窥探、避免未来数据造成的前视偏差，都是传统量化一直要过的关；新问题在于规模——生成数量放大几个量级，多重检验的陷阱同步放大，而行业缺一套评价金融agent的能力与体系。他的结论是，未来两三年比"构建金融agent"更有价值的是"如何评价金融agent”；理想的分工是模型厂商提供更强的通用智能，金融科技公司把通用模型接入数据、工具与真实投研环境，金融机构提供业务场景、风控规则与业务验证，高校负责评价方法、基础研究与独立算法——这种协作的价值"远远高于几家一起训练出一个新模型”。

第三条传导链：执行的边际成本趋近于零（变化），千问等模型月度迭代、小参数达到大参数效果、国产token价格持续下行（原因），得的是中小机构与个人的投研平权、信源与工具吞吐量放大十倍，失的是初级研报、人工质检等岗位的议价力，以及"多做多错"被规模化放大的统计风险（谁得失），二阶影响是瓶颈从"做得起"整体迁移到"信不信"——PIT数据、过程记录、可审计性、评价体系成为新的稀缺品（二阶影响），可观察指标是行业评测集共建进展、备案材料标准细化、以及"如何评价agent"类研究在产学研间的分工落地（观察指标）；对读者的启发：机构应把预算从"买更大的模型"挪到"治理数据与建立评价"；从业者应换一把尺子，从人日转向驾驭token的产出效率（张洋洋原话）；普通投资者应记住周荣圣的提醒——AI给的是决策依据，最终做决策、也承担后果的仍是人。

收束全场，主持人说四个方向打通凑齐，“AI投研在金融证券行业就算跑通闭环了”。这个闭环的每一环都有人认领：模型厂认领便宜与专用化，数据商认领AI Ready底座，信源认领真实性，机构认领合规与场景，高校认领评价与独立研究。真正没有答案的恰恰是章子恒那个问题——闭环跑通之前，先得有人告诉我们，跑出来的东西凭什么可信。论坛没有解决这个问题，但把它从直觉变成了议程。

来源说明：本文依据云栖2026官方议程页与全场转写（约8745秒）写成，讲者姓名与头衔已对照官方议程及公开报道校正（转写人名多处音误：严俊池→严骏驰、周荣胜→周荣圣、喜阳→喜扬、张子恒/容量科技→章子恒/融量科技、会证→汇正等）。文中企业自报数字（五六成准确率、900T、580个API、召回率100%等）未经第三方核验；鄂维南院士加盟交大、11月数据联盟、蚂蚁FinRe、彭博终端AI等说法未能独立核实，以"嘉宾称/转写疑似"呈现。