云栖大会 2026 金融观察：从“AI 原生金融”到“可信智能”，三条主线重塑银行业技术栈

云栖大会 2026 金融观察：从"AI 原生金融"到"可信智能"，三条主线重塑银行业技术栈

2026 云栖大会（9 月 22–24 日，杭州）以 Agentic AI 为核心锚点：超 1000 家企业、5 万平方米展区，首创 Agent Native 参会方式；金融内容呈现三条主线——AI 原生金融、数据 AI-Ready、可信智能。

上海交通大学严骏驰教授指出，金融行业正经历从"金融+AI"外挂式工具向"AI 原生金融"的范式转移；恒生聚源首席产品官张洋洋判断，数据消费主体正从"人"迁移到"AI Agent"，机构不缺数据、缺的是 AI 能直接消费的数据。 这两个判断分别从应用形态与数据底座给出了金融技术栈重构的方向。

蚂蚁密算在"密算织域 融数成智"专题论坛发布企业级可信智能云服务平台"密算一号"并启动定向邀测：以密态计算（端到端耗时仅为明文计算 1.21 倍、通过等保四级）与 HOP 可信原生智能体（探索与提交分离、HOP 3.0 已开源）为双底座。 这是本届云栖金融领域分量最重的发布。

投研实战样本同样具体：汇正财经"快与深"双模型——诊股小模型 ≤300ms 支撑单日 10 万+次盘中查询、深度解读大模型把单股分析从 30 分钟压缩到 1 分钟，八大场景合规平台重度违规召回率达 100%。 下文按三条主线逐一拆解，并给出对银行业的深度分析。

一、大会金融内容全景

本届大会三大主论坛（云栖主论坛、技术主论坛、"为了无法计算的价值"主论坛）与 140 余场分论坛围绕"探索智能边界、重塑计算底座、催生万业新局"展开；全栈发布包括真武 V900 国产高性能 AI 芯片、2032 年全球数据中心 20GW 目标、Agentic Computer 与 AI 可穿戴。金融内容主要落在两个论坛：汇正财经主办的金融专场（"产学研共融：AI 大模型赋能金融投研新范式"，9 月 24 日）与蚂蚁密算专题论坛（9 月 22 日）。

二、主线一：从"金融+AI"到"AI 原生金融"

严骏驰在主题演讲中系统阐述了 AI 原生金融基础设施的建设方向、技术路径与服务形态。核心判断是：过去两年金融机构的 AI 多为"外挂式工具"——在既有流程上叠加聊天窗口、问答助手；而 AI 原生金融要求从底层技术、数据架构到服务模式按智能体的工作方式重新组织。

这一判断在行业实践中已有呼应：某头部机构披露其智能体驱动的新版本"不是增加一个聊天窗口，而是把分散在菜单、页面和流程中的知识、功能与服务按客户需求重新组织"——梳理超 4 万条专业金融知识、连接 100 余项功能、建成 18 个自然语言办理流程，客户用自然语言说出需求，数字员工理解意图、编排流程、直达办理。"AI 原生"的本质是流程围绕智能体重构，而非智能体迁就旧菜单。

三、主线二：数据从"可用"走向"AI-Ready"

恒生聚源张洋洋的发言给出了数据侧的关键命题：数据消费主体正从"人"迁移到"AI Agent"。 传统数据治理服务于人的阅读与报表，而 Agent 需要的是机器可直接消费的结构——口径统一、语义明确、权限清晰、可被检索与调用。"金融机构不缺数据，缺的是 AI 能直接消费的数据"，意味着数据治理与底层架构需要围绕 Agent 需求重新设计。

数据底座的演进同步发生：OceanBase 湖库一体（Lakebase）AI 数据库定位为多模态数据处理与服务中枢，统一连接异构数据源、解析研报与制度文件等非结构化内容，通过 API 与 MCP 向上层 Agent 提供服务；其 Data Agent 在 Data Agent Benchmark（DAB）上得分 90.62%、首个突破 90%（基于开源 GLM-5.2 的"模型+智能体+数据系统"全栈，厂商标注口径）。数据库正在从"存数据"变成"直接向智能体供数"。

四、主线三："可信智能"成为生产前提（最重头发布）

1. 企业 AI 落地的三重障碍（韦韬）

蚂蚁密算董事长韦韬在云栖媒体沟通会上指出，企业 AI 走出"试用期"面临三道难关：

• 算力关：金融、医疗、法律等专业领域及国央企因数据敏感无法使用公有云算力；大模型时代数据一旦被提取，后果远超传统泄漏；
• 智能关：通用大模型的知识储备相当于"优秀本科生"，与专业实践存在显著差距；他给出一个尖锐数据——大语言模型对红线的违背率超过 80%，单纯依靠自然语言描述无法保障执行可靠性；
• 数据关：单一机构数据难以支撑智能体全面转型，多方融合又陷入"想用别人数据、不敢拿出自己数据"的"治理孤岛"。

2. 双底座：密态算力 + HOP 可信原生智能体

• 密态计算：融合密码学、可信硬件（TPM）与系统安全，基于"四纵两横"体系（可信密钥管控、可信账号、可信应用、可信日志 + 硬件密态与数据链路层），确保数据在存储、网络与内存中均不出明文，密钥仅由数据源方与可信系统持有，管理员和开发者均无法获取。据国家权威机构评测，TPC-DS 标准测试集 1TB 任务端到端耗时仅为明文计算的 1.21 倍、成本控制在 1.5 倍以内，已通过等保四级；保护范围扩展至提示词、知识库及智能体运行中的上下文、记忆与中间结果（相关技术获 2024 年度浙江省科技进步一等奖）。
• HOP（High-Order Program，高阶程序）：作为"智能体原生语言"，把任务目标、探索、检查、提交结构化为人和智能体都易理解的规约，将"探索"与"提交"分离——智能体在沙盒中可自由探索，只有通过严格核验才能提交，防止不可逆错误；HOP 1.0 发布于 2025 年、3.0 于 2026 年 9 月外滩大会开源。其针对的三类失控是意图对齐、执行控制、资产保护。

3. "密算一号"平台（刘前伟）

企业级可信智能云服务平台，三大核心能力：跨机构数据合作（联合分析、建模与加工，无需交付原始数据）、云上 AI 安全使用（数据在 AI 全程"可用不可见"）、业务经验持续沉淀（已验证的数据、规则、模型、流程沉淀为可复用服务，"一次建设、持续复用"，从项目交付转向能力运营）。落地进展：已接入国家数据要素枢纽节点，建成全国首个密态计算中心，承建江西省数据汇聚流通平台；金融场景包括"医保+商保"清分结算，以及三农普惠——蚂蚁密算、网商银行与农业农村部大数据发展中心联合建设密态时空计算平台，将农业数据用于信贷评估。

五、投研实战样本与圆桌共识

汇正财经周荣圣给出的落地数据：面对 2 亿投资者与 10 万持牌从业者的结构性供需失衡，构建"快与深"双模型——诊股小模型 ≤300ms 响应、单日 10 万+次盘中查询，深度解读大模型将单股全维度分析从 30 分钟压缩至 1 分钟；八大场景统一智能合规风控平台实现全量质检替代人工抽查、重度违规召回率 100%，"让合规从刹车变为护栏"。

圆桌（财联社喜扬、阿里巴巴姚旭平、汇正顾晨浩、融量科技章子恒）形成的共识值得记录：金融 AI 下一轮竞争是"数据主权 × 专用模型 × 可信治理"的综合竞争；让 AI 承担计算、让人承担判断。 同时，上海交大计算机学院与汇正财经宣布共建金融大模型联合实验室，聚焦金融数据集、评测标准与复合型人才培养。

六、对银行业的深度分析（风险管理视角）

1. 技术栈方向：全栈 + AI 原生重构。 "芯—云—模—智"全栈（真武芯片、Agentic Cloud、千问、通义点金）与数据底座（湖库一体、MCP 供数）共同指向一个判断：银行智能体竞争的终局不是单点模型，而是"模型+智能体+数据系统"的体系能力。银行在规划中应区分"外挂增强"（短期见效）与"原生重构"（长期方向）两条路线，避免把试点成果误当成体系能力。
2. 数据治理要为 Agent 重写标准。 "AI-Ready"对银行的直接要求：数据资产目录需增加机器可读的语义层、权限层与调用审计；信贷、客户、交易数据在入湖时即按 Agent 消费口径治理——这与数据治理、数据资产入表的政策方向一致，可统筹推进。
3. 可信进入"可商用区间"，但仍需实测。 密态计算 1.21 倍的性能口径若在银行场景复现，意味着"可用不可见"从试点概念进入成本可接受区间——对跨机构联合风控、银政数据合作、隐私计算平台升级有直接价值；但该数据来自 TPC-DS 标准测试与厂商口径，银行应在自身负载（含推理场景）下 PoC 验证，不宜直接采信。
4. HOP 与银行智能体治理同构。 "探索与提交分离"用工程语言重述了我在 VERA 论文解读与越狱事件分析中的结论：智能体在沙盒内自由行动、提交前必须过验收关卡、关键操作留痕可回滚。银行可将 HOP 类结构化规约纳入智能体开发规范，与"谁使用谁负责"的监管要求对接，使岗位责任可落到具体执行步骤。
5. 风险提示同行。 "密算一号"仍处定向邀测阶段；DAB 得分、召回率等为厂商或特定测试口径；银行须防范"概念先行、效能滞后"——监管与市场已进入"效能验证期"，所有 AI 投入最终要回到可核验的业务指标。

结语

云栖大会 2026 的金融内容，可以压缩成一句话：银行业的 AI 正在同时回答三个问题——应用如何为智能体重构（AI 原生）、数据如何被机器消费（AI-Ready）、智能体如何被信任（可信智能）。 三条主线的交汇点，正是"让智能体安全地走进生产"。对银行风险管理者而言，真正的功课不是追逐发布，而是把这些方向转译成自己技术栈上的路线图、验证清单与治理台账。

（注：本文事实与引语均来自文末列出的论坛报道与官方资料，标注日期；性能、得分等数据为特定测试或厂商口径，已在文中分别说明。）