网商银行产业链金融模型

AI 行业的产业链大致可分为上游的基础设施层（数据与算力）、中游的技术层（模型与算法）、下游的应用层（应用与分发）。 上游基础设施层：布局投入确定性强，但涉及海量资金投入，入行资源门槛高，未来国内可能更多由“国家队”承担重任。普通人若无强资源，可考虑“合作生态”的切入机会。 中游技术层：处于技术爆炸阶段，迭代速度极快。规模不大的团队或个人需慎重考虑技术迭代风险，基础通用大模型非巨无霸公司不建议考虑，竞争激烈，最终赢家通吃。 下游应用层：是广阔蓝海，尽管从业者增加并涌现出一些产品，但针对行业/细分领域的成熟应用产品不多，“杀手级”应用稀少。普通个体和小团队强烈推荐重点布局，拥有超级机会和巨大发展空间。 此外，据 SensorTower 统计，2024 全年全球 AI 移动应用内付费收入预计为 30 亿美元，图像和视频类 AI 应用占据主导地位，对话机器人类别排名第二。从地区分布来看，北美和欧洲贡献了三分之二的市场份额。 美国红杉资本指出，AI 供应链从下到上分为六层，各层盈利能力存在显著差异。第一层的芯片代工厂和第二层的芯片设计商保持高利润水平；第三层的工业能源供应商受益良多；第四层云厂商处于重金投入阶段；第五层的 AI 模型开发商面临亏损；第六层的应用服务商充满潜力，但市场规模有限。大型云厂商是整个供应链的“链主”。行业格局方面，头部阵营基本稳定。

以下是 2024 年美国融资金额超过 1 亿美元的部分 AI 产业链上市公司（截止 2024.10.15）： |项目名称|融资时间|融资金额（亿美元）|轮次|估值（亿美元）|主营|产业链标签|话题标签|投资方|其他信息| ||||||||||| |Augment|20240424|2.27|B|10|AI 编码辅助|应用|编程|Lightspeed Venture Partners, Index Ventures, Sutter Hill Ventures| |Cognition|20240424|1.75||20|端到端软件 Agents|应用|编程|Founders Fund, Ramp 联合创始人 Eric Glyman, Stripe 联合创始人 Patrick 和 John Collison, DoorDash 联合创始人 Tony Xu| |Xaira Therapeutics|20240423|10|A||AI 药物研发|应用|医学|Foresite Capital, ARCH Venture Partners| |Cyera|20240409|3|C|14|AI 数据安全平台|应用|数据|Coatue, Sequoia, Redpoint, Accel| |Celestial AI|20240327|1.75|C||用于 AI 存储和计算的光互连技术平台|基础设施|芯片、硬件和云平台|Thomas Tull 美国创新技术基金, M Ventures, 淡马锡, Tyche Partners| |FundGuard|20240325|1|C|4|AI 投资会计系统|应用|金融|Key1Capital, Hamilton Lane, Blumberg Capital, Team8| |Codeium|20240829|1.5|C|12|AI 编码平台|应用|编程|General Catalyst, Kleiner Perkins, Greenoaks| |Groq|20240805|6.4|D|30|AI 芯片|基础设施|芯片|贝莱德, Type One Ventures, Verdure Capital Management, Neuberger Berman| |DevRev|202408|1|A|11|AI 支持代理|应用|企业服务|Khosla Ventures, Mayfield, Param Hansa Values| |Abnormal Security|202408|2.5||50|电子邮件安全|应用|数据|Wellington Management, Menlo Ventures, Greylock, Insight Partners| |Harvey|20240723|1|C|15|法律科技|应用|法律|Google Ventures, OpenAI, Kleiner Perkins, Sequoia| |Skild AI|20240709|3|A|15|机器人技术|应用|机器人|Lightspeed Venture Partners, Coatue, Bezos Expeditions, Sequoia, Menlo Ventures, General Catalyst| |Hebbia|20240708|1.3||7|生成式 AI 搜索|应用|企业服务|Andreessen Horowitz, Peter Thiel, Index Ventures, Google Ventures| |Zephyr AI|20240313|1.11|A||AI 药物发现和精准医疗|应用|医学|Revolution Growth, 礼来公司基金会, EPIQ Capital Group, Jeff Skoll| |Together AI|20240313|1.06|A|12|AI 基础设施和开源生成|模型|硬件和云平台|Salesforce Ventures, NEA, Kleiner Perkins, Lux Capital| |Glean|20240227|2.03|D|22|AI 驱动企业搜索|应用|企业服务|Lightspeed Venture Partners, Kleiner Perkins, Sequoia, Databricks Ventures| |Figure|20240224|6.75|B|27|AI 机器人|应用|机器人|Nvidia, OpenAI, 微软| |Abridge|20240223|1.5|C|8.5|AI 医疗对话转录|应用|医学|Redpoint, Lightspeed Venture Partners, USV, IVP, Spark Capital| |Recogni|20240220|1.02|C||AI 接口解决方案|基础设施|芯片|GreatPoint Ventures, Celesta Capital, Pledge Ventures, Mayfield, DNS Capital| 信息来源：Techcrunch

AI 产业链大致可分为上游的基础设施层（数据与算力）、中游的技术层（模型与算法）、下游的应用层（应用与分发）。 上游基础设施层布局投入确定性强，但涉及海量资金，入行资源门槛高，未来更多由“国家队”担当重任，普通人可考虑“合作生态”切入机会。 中游技术层处于技术爆炸期，迭代速度快，技术迭代风险高。基础通用大模型研发烧钱，竞争激烈，非巨无霸公司不建议考虑。 下游应用层是广阔蓝海，尽管从业者增加，涌现出一些产品，但成熟应用产品不多，“杀手级”应用稀少。普通个体和小团队强烈推荐重点布局，发展空间巨大。 2024 年美国融资金额超过 1 亿美元的 AI 公司（截止 2024.10.15）有： |项目名称|融资时间|融资金额（亿美元）|轮次|估值（亿美元）|主营|产业链标签|话题标签|投资方|其他信息| ||||||||||| |Zephyr AI|20240313|1.11|A||AI 药物发现和精准医疗|应用|医学|Revolution Growth,礼来公司基金会,EPIQ Capital Group,Jeff Skoll|| |Together AI|20240313|1.06|A|12|AI 基础设施和开源生成|模型|硬件和云平台|Salesforce Ventures,NEA,Kleiner Perkins,Lux Capital|| |Glean|20240227|2.03|D|22|AI 驱动企业搜索|应用|企业服务|Lightspeed Venture Partners,Kleiner Perkins,Sequoia,Databricks Ventures|| |Figure|20240224|6.75|B|27|AI 机器人|应用|机器人|Nvidia,OpenAI,微软|| |Abridge|20240223|1.5|C|8.5|AI 医疗对话转录|应用|医学|Redpoint,Lightspeed Venture Partners,USV,IVP,Spark Capital|| |Recogni|20240220|1.02|C||AI 接口解决方案|基础设施|芯片|GreatPoint Ventures,Celesta Capital,Pledge Ventures,Mayfield,DNS Capital|| 信息来源：Techcrunch

AI 产业链大致可分为上游的基础设施层（数据与算力）、中游的技术层（模型与算法）、下游的应用层（应用与分发）。 在基础设施层，布局投入的确定性最强，但入行资源门槛较高，涉及海量资金投入，未来更多由“国家队”承担重任，普通人可考虑“合作生态”的切入机会。 技术层当前处于技术爆炸时刻，迭代速度极快。对于规模不大的团队或个人，需慎重考虑技术迭代风险，基础通用大模型非巨无霸公司不建议考虑。 应用层是一片广阔蓝海，当前针对行业/细分领域的成熟应用产品不多，“杀手级”应用更是稀少，对于普通个体和小团队，强烈推荐重点布局，拥有巨大发展空间。 据 SensorTower 统计，2024 全年全球 AI 移动应用内付费收入预计为 30 亿美元，图像和视频类 AI 应用占据主导，对话机器人类别排名第二。北美和欧洲是主要消费市场，这是中国 AI 公司积极出海的重要原因。 美国红杉资本指出，AI 供应链分为六层，各层盈利能力不同。芯片代工厂和芯片设计商是主要赢家，云厂商是供应链核心承载方，处于重金投入阶段，是整个供应链的“链主”，AI 模型开发商目前面临亏损，应用服务商市场规模有限。行业格局方面，头部阵营基本稳定。

人工智能产业链包括以下四个部分： 1. 基础层：主要涵盖算力、算法和数据。算力为人工智能的运行提供计算能力支持；算法是实现人工智能功能的核心逻辑；数据则是训练和优化模型的基础。 2. 框架层：指用于模型开发的深度学习框架和工具，有助于提高模型开发的效率和质量。 3. 模型层：主要是大模型等技术和产品，是实现各种人工智能应用的关键。 4. 应用层：将人工智能技术应用于行业场景，如医疗保健、工业生产、金融服务等领域。 近年来，我国人工智能产业发展迅速，在技术创新、产品创造和行业应用方面都取得了显著成果，形成了庞大的市场规模。同时，以大模型为代表的新技术不断迭代，产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，但也亟需完善人工智能产业标准体系。 以下是一些关于 AI 训练模型的相关信息： |排名|产品名|分类|6 月访问量（万 Visit）|相对 5 月变化| |||||| |1|prolific.com|AI 训练模型|1818|0.075| |2|Appen|AI 训练模型|357|0.223| |3|ai.google|AI 训练模型|248|0.139| |4|Llama 2|AI 训练模型|222|0.475| |5|火山方舟|AI 训练模型|190|0.526| |6|Roboflow|AI 训练模型|129|0.189| |7|魔搭社区阿里达摩院|AI 训练模型|107|0.103| |8|Lightning AI|AI 训练模型|92|0.308| |9|scale AI|AI 训练模型|47.6|0.025| |10|modular|AI 训练模型|33|0.276| 此外，AI 正在使生物制药和医疗保健产业化，被应用于从药物设计、诊断到医疗保健交付和后勤功能的各个方面。

人工智能产业链通常包括以下四个部分： 1. 基础层：主要涵盖算力、算法和数据。算力为人工智能的运行提供计算能力支持；算法是实现人工智能功能的核心方法；数据则是训练和优化模型的基础。 2. 框架层：指用于模型开发的深度学习框架和工具，有助于提高模型开发的效率和质量。 3. 模型层：主要包括大模型等技术和产品，是人工智能实现各种应用的关键。 4. 应用层：指人工智能技术在行业场景的应用，应用场景横向划分主要分为 ToC（面向消费者）和 ToB（面向企业）。ToC 端能带来的数据飞轮效应，可能是在 AI 早期决胜的关键。同时，下游提供者指集成了人工智能模型的人工智能系统，包括通用人工智能系统的提供者。 近年来，我国人工智能产业在技术创新、产品创造和行业应用等方面发展迅速，形成了庞大的市场规模。伴随以大模型为代表的新技术加速迭代，人工智能产业呈现出创新技术群体突破、行业应用融合发展、国际合作深度协同等新特点，不过也亟需完善人工智能产业标准体系。前 Google 创始人 Eric Schmidt 认为未来会是多个垂直模型或者多个垂直助理，包括各种高价值、专业化的 AI 系统，因为很多高价值、特定领域的工作流程特别且必须依赖于丰富的专有数据集。

大模型的系统提示词主要包括以下方面： 1. 在“五津：一键生成‘摸鱼打工猫’视频”中，针对用户选择的主题和回答，总结用户的创作意图，如“打工猫摸鱼的 2 小时，在巴厘岛能看一场日落”，并根据此生成 4 组体现幽默风趣、以宫崎骏风格描绘主角为摸秋刀鱼橘猫的绘图提示词，以数组形式输出到“tishici”，将用户意图输出到“biaoti”。 2. 在“云中江树：智能对决：提示词攻防中的 AI 安全博弈”中，系统提示词的相关防御措施分为输入侧、模型侧和输出侧三个部分。输入侧可进行意图识别、语义匹配等综合判断用户输入是否恶意；模型侧对于有能力的厂商应增强安全性并平衡性能，开发者则要在开发中带着安全意识优化系统提示词，加入安全引导和禁止内容等；输出侧可使用传统防御和内容过滤手段，并针对大模型特点进行私有数据泄露等检查。此外，还提到间接注入和提示词泄露的情况，间接注入常发生在应用获取依赖外部数据资源时，攻击者通过隐藏恶意指令完成攻击；提示词泄露指试图操纵模型输出获取部分或全部系统提示词，大模型输出内容可分为系统提示词、用户提示和助手提示词三段，通过攻击手段可获取系统提示词。

以下是对通义千问 Qwen2.5VL 模型的介绍： 版本：有 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai 然而，对于阶跃星辰 step1.5vmini 和 Gemini2.0Flash 模型，目前提供的信息中未包含其与通义千问 Qwen2.5VL 模型的直接对比内容，因此无法确切判断哪个模型在视觉理解方面最厉害。但从通义千问 Qwen2.5VL 模型的上述特点来看，其在视觉理解方面具有较强的能力和优势。

目前在视频视觉理解能力方面表现出色的大模型有： 1. 昆仑万维的 SkyReelsV1：它不仅支持文生视频、图生视频，还是开源视频生成模型中参数最大的支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其具有影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等优势。 2. 通义千问的 Qwen2.5VL：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。擅长万物识别，能分析图像中的文本、图表、图标、图形和布局等。

目前全世界较为厉害的视频视觉理解大模型有以下几个： 1. 昆仑万维的 SkyReelsV1：不仅支持文生视频、图生视频，是开源视频生成模型中参数最大且支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其优势包括影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等。 2. 腾讯的混元：语义理解能力出色，能精准还原复杂的场景和动作，如特定品种的猫在复杂场景中的运动轨迹、从奔跑到跳跃的动作转换、琴音化作七彩音符等。 3. Pixverse V3.5：全球最快的 AI 视频生成模型，Turbo 模式下可在 10 秒内生成视频，最快仅需 5 6 秒。支持运动控制更加稳定、细节表现力强、首尾帧生成功能，具备顶尖动漫生成能力。

目前在视觉理解大模型方面，较为突出的有 DeepSeek 的 JanusPro 模型，它将图像理解和生成统一在一个模型中；还有通义千问的视觉理解模型，其价格有较大降幅。此外，Pixverse V3.5 是全球最快的 AI 视频生成模型，在某些方面也展现出了出色的能力。但很难确切地指出全世界最厉害的视觉理解大模型，因为这取决于不同的评估标准和应用场景。

大模型对话产品具有以下优点： 1. 具有强大的语言理解和生成能力。 2. 能够提供类似恋爱般令人上头的体验，具有一定的“想象力”和“取悦能力”。 3. 可以通过陪聊建立人和 AI 之间的感情连接，产品粘性不完全依赖技术优越性。 4. 能够为用户提供产品咨询服务，适用于有企业官网、钉钉、微信等渠道的客户。 5. 具有多种应用场景，如私有领域知识问答、个性化聊天机器人、智能助手等。 大模型对话产品也存在一些缺点： 1. 存在记忆混乱的问题。 2. AI 无法主动推动剧情，全靠用户脑补，导致用户上头期短，疲劳度高，长期留存低。 3. 无法回答私有领域问题（如公司制度、人员信息等）。 4. 无法及时获取最新信息（如实时天气、比赛结果等）。 5. 无法准确回答专业问题（如复杂数学计算、图像生成等）。

在金融业中，AI 有以下应用场景和技术： 1. 风控和反欺诈：用于识别和阻止欺诈行为，降低金融机构的风险。 2. 信用评估：评估借款人的信用风险，帮助金融机构做出更好的贷款决策。 3. 投资分析：分析市场数据，辅助投资者做出更明智的投资决策。 4. 客户服务：提供 24/7 的客户服务，回答客户常见问题。 例如，Hebbia 获得近 1 亿美元 B 轮融资，其 AI 技术能够一次处理多达数百万份文档，在短时间内浏览数十亿份包括 PDF、PowerPoint、电子表格和转录内容等，并返回具体答案，主要面向金融服务公司，如对冲基金和投资银行，同时也适用于律师事务所等其他专业领域。

消费金融方面的场景应用包括以下几个方面： 1. 个性化的消费者体验：大语言模型（LLMs）能更好地理解和导航消费者的金融决策，回答诸如“为什么我的投资组合中有一部分在市政债券中？”“我应该如何看待期限风险与收益率？”等问题，并将人类背景纳入决策中，帮助消费者优化整个金融生活。 2. 风控和反欺诈：AI 可用于识别和阻止欺诈行为，降低金融机构的风险。 3. 信用评估：用于评估借款人的信用风险，协助金融机构做出更优的贷款决策。 4. 投资分析：分析市场数据，辅助投资者做出更明智的投资选择。 5. 客户服务：提供 24/7 的客户服务，回答常见问题。

以下是一些关于金融交易的 AI 工具： 1. Composer（免费可用）：可以用 AI 构建、回测和执行交易算法，在无代码拖放编辑器中进行定制，无需编码技能。 2. 摩根大通公司的人工智能驱动模型：旨在破译央行的信息传递并发现潜在的交易信号。 3. Stripe Agent Toolkit：让 AI 代理具备自动支付等财务能力，支持嵌入支付和财务服务功能，AI 可以实现自动购物、订票、开票等金融交易。

AI 在金融领域有以下应用与场景： 1. 风控和反欺诈：用于识别和阻止欺诈行为，降低金融机构风险。 2. 信用评估：评估借款人的信用风险，辅助金融机构做出贷款决策。 3. 投资分析：分析市场数据，帮助投资者做出更明智的投资选择。 4. 客户服务：提供 24/7 的服务，回答常见问题。 金融服务业接纳生成式 AI 可能带来重大变革。与传统 AI/ML 侧重于基于现有数据进行预测或分类不同，生成式 AI 能创造全新内容，结合对大量非结构化数据的训练和无限计算能力，有望成为金融服务市场数十年来最大的变革。 在金融投资领域，Coze bot 可发挥重要作用。金融分析师和投资者能通过它自动接收最新市场动态、股市新闻和财务报告，从多个金融资讯平台抓取数据并生成分析报告，推送到常用交流平台，实现实时跟踪市场动向、捕捉投资机会、自动生成财务报告和方便团队协作等效果。

以下是关于如何用 AI 建立金融模型的相关内容： 金融服务公司拥有大量历史金融数据，可利用这些数据微调大型语言模型或从零开始训练模型，从而迅速回答各类金融问题。例如，经过特定数据训练的模型能回答产品相关问题或识别洗钱交易。金融服务行业准备借助生成式人工智能实现五个目标：个性化消费者体验、成本效益高的运营、更好的合规性、改进的风险管理以及动态的预测和报告。 在现有企业与初创公司的竞争中，现有企业因拥有专有金融数据访问权限在使用 AI 推出新产品和改进运营时有初始优势，但受准确性和隐私高标准限制；新进入者最初可能用公开金融数据训练模型，随后会生成自己的数据并以 AI 作为新产品分销突破口。 以摩根大通为例，其模型显示美联储鹰鸽派评分变化对加息可能性的影响。摩根大通通过与大学和国际合作培育生态系统，采用开源合作推动知识产权发展。政策制定者和主要国际机构可融合不同模型等投入制定预测，人工智能能处理大量数据集完善经济和货币预测，为政策决策提供信息。摩根大通已任命专人领导新的数据和分析部门，有众多数据管理人员、科学家和工程师专注于相关工作，人工智能已在多方面为公司增加巨大价值。 需要注意的是，生成式 AI 在金融领域的输出有局限性，尤其在需要判断或精确答案的领域，目前不能完全依赖其准确性，至少需要人工审查。新进入者和现有参与者在将生成式 AI 用于金融服务时面临两个主要挑战：一是使用金融数据训练模型，新进入者可能先使用公开数据再用自身收集的数据，现有参与者可利用专有数据但往往过于保守，新进入者可能有竞争优势；二是模型输出准确性，金融问题答案影响重大，不能产生错误，一开始人类常作为最终验证环节。生成式 AI 对金融服务公司是巨大变革，现有参与者和初创公司将争夺关键挑战的掌控权，最终受益的是未来金融服务的消费者。

以下是金融行业落地大模型的相关路径： 1. 从整体行业情况来看： 2024 年被称为国内大模型落地元年，国内大模型项目增长迅速，中标项目数量和金额大幅增长。 大模型中标项目数前五的行业包括金融。 厂商方面，百度在金融行业的中标数量和金额排名领先。 2. 具体应用案例： 彭博发布了金融领域的大模型 BloombergGPT，并应用于其所在的垂直领域。 3. 行业人士观点： 通用模型适用不同产业，垂直模型类似于单领域专家，垂直大模型的发展有助于提升各领域模型性能。 商汤科技联合创始人杨帆认为，当模型足够大时，可能加速商业化落地，带来更好的技术能力，缩短产业应用周期。 360 公司创始人周鸿祎表示，大模型是工业革命级的生产力工具，能赋能百行千业。 4. 相关赛事推动： 举办「2024 金融行业·大模型挑战赛」，整合公开金融数据，打造多轮问答评测赛题，提供基础数据表，参赛选手可采用 GLM4 系列模型 API 并运用多种技术手段完成赛题，有多个单位提供支持。