中文内容
金融机构多年来一直在构建 AI：欺诈模型、信贷模型、推荐引擎和风险系统。尽管这些任务专用模型的扩张一直有效，但也受到孤岛式系统的制约。
孤岛式系统阻碍机构形成对消费者金融行为的统一理解。随着企业数据集持续增长，机构所掌握的信息与其 AI 能够推理的信息之间的差距也在扩大——这为行业利用专有数据构建智能创造了重大机遇。
NVIDIA 的《2026 年金融服务 AI 现状》报告显示，65% 的机构如今使用 AI，近 90% 正在部署或评估 AI，几乎所有机构都维持或增加支出。但随着 AI 规模扩大，复杂性也随之上升，碎片化的模型架构成为限制因素。
领先企业正在通过重新思考架构本身来应对这一挑战。过去，行业依赖为各业务线专门构建的统计和机器学习算法；如今，基于 transformer 的交易基础模型使得完全基于专有数据训练、学习消费者行为的单一统一表征成为可能。
交易基础模型是基于数十亿金融事件训练的大规模 AI 系统，这些事件包括支付、转账、产品交互和行为信号等；它们将原始数据转化为智能，帮助企业更好地服务客户。
这一转变具有结构性。传统欺诈模型评估孤立信号。基础模型则在情境中解读行为，其中时间、设备、地点和既往活动共同塑造含义。更重要的是，它将 transformer 架构的能力带到表格数据中，提取传统算法此前看不见的信号。
午夜发生的一笔支付，如果是在 10 分钟内的第四笔、使用陌生设备、且位于客户此前从未交易过的城市，其含义就会不同。这种情境深度不仅提升单一任务内部的表现，也提升跨任务表现。
在与 NVIDIA 的合作中，Revolut 构建了 PRAGMA——一组基于 transformer 的基础模型，基于覆盖 100 多个国家、2600 万用户记录中的 240 亿个事件进行训练。该模型由运行在 Nebius 云上的 NVIDIA 全套 AI 技术栈提供支持，包括 NVIDIA Hopper GPU、NVIDIA cuDF 库和 NVIDIA Nemotron 开放模型；一个单一基础模型在信用评分、欺诈检测和产品推荐等领域优于强大的任务专用模型，同时减少对手工特征的依赖。
Revolut 集团信贷数据科学负责人 Tadas Kriščiūnas 表示：“我们从过去需要数周、甚至在某些情况下需要数月的特征工程，转变为完全不再需要这一步。”
现在，任何机构都可以通过 NVIDIA 新推出的 Build Your Own Transaction Foundation Model 开发者示例采用这种方法。该示例使团队能够开始在表格交易数据上构建 transformer 嵌入，并可集成到现有流水线中，无需从头重建。
碎片化的成本
问题不在于今天的模型，而在于其发展轨迹。每增加一个新用例，就会增加另一个模型。每进入一个新市场，就需要重新训练。无法共享上下文的模型会让价值流失。
Mastercard 正在为支付开发专有的大型表格基础模型，该模型目前基于数十亿笔匿名交易训练，并设计为可扩展到涵盖欺诈、授权、拒付、商户位置和忠诚度数据等额外数据集的数千亿级规模。
该模型采用 NVIDIA、AWS 和 Databricks 的能力构建，包括 NVIDIA NeMo AutoModel 开放库（NVIDIA NeMo 框架的一部分）以及加速计算，旨在减少跨市场、客户和用例对大量 AI 模型的依赖。早期测试显示，其表现优于标准机器学习技术，并在网络安全、欺诈检测、忠诚度、个性化、投资组合优化和分析方面展现出有前景的应用。
Adyen 也已大规模部署交易基础模型，处理了 1 万亿美元的支付。Adyen 使用强化学习，为商户最大化转化率并最小化风险。
Adyen 首席 AI 产品经理 Dhruv Ghulati 表示：“即便是 0.1% 授权率提升这样的微小改进，也可能转化为巨大的增量总商品交易额和可观的成本降低。”
代理式商务的语义层
42% 的金融公司已经在使用或评估代理式 AI。随着这些系统开始执行交易——例如管理订阅、路由支付和进行购买——金融行为的性质正在发生变化。
Stripe 正在使用 NVIDIA 和 AWS 平台构建基础模型，以理解交易行为的完整上下文，而不是对单个信号作出反应；去年拦截了接近 1120 亿美元的欺诈，并实现平均 38% 的欺诈率降低。
交易数据是竞争对手无法复制的专有历史。数据已经存在。架构已经得到验证。基础设施已经就绪。
通过生态系统合作伙伴实现规模化
Build Your Own Transaction Foundation Model 开发者示例可供客户在 Amazon Web Services（AWS）上运行，并通过 Amazon SageMaker HyperPod 部署，也可在由 NVIDIA 加速计算提供支持的 Nebius AI Cloud 上运行。
Nebius AI Cloud 支持交易基础模型的完整生命周期——从部署开发者示例，到多节点训练，再到 Token Factory 上的托管推理——均由 NVIDIA 加速计算提供支持。
金融服务企业还可以与服务合作伙伴 EXL、GFT IT Consulting 和 Thoughtworks 合作，将该开发者示例应用于各自的特定用例。
EXL 正在将交易基础模型集成到其 EXLerate.ai 平台中，把孤岛式金融数据统一为由专有交易数据驱动的可扩展企业智能层。在与 NVIDIA 的合作中，EXL 正在使用这一架构帮助金融机构加速模型开发、增强情境化决策，并大规模落地代理式 AI。
Thoughtworks 正在帮助金融机构在复杂银行环境中将交易基础模型投入运行，把它们集成到支付、服务和风险领域，同时建立必要的治理和 AI 运营模型。该公司将在即将于 6 月 17 日星期三在纽约市举行的 AWS Summit 上展示有关交易基础模型的演示和报告。
GFT IT Consulting 正在将交易基础模型集成到其旗舰解决方案中：Wynxx，一个代理式 AI 平台，被 100 多家金融机构用于在信用风险等领域安全采用 AI；以及 Smaragd，一个可为大型银行将误报率降低最高 75% 的合规引擎。
6 月 2 日至 4 日，欢迎在 Money20/20 Europe 期间参加 NVIDIA 活动，了解交易基础模型如何驱动下一代金融服务 AI。
请在 build.nvidia.com 上探索 Build Your Own Transaction Foundation Model 开发者示例。
