他預判，AI 算力需求格局將發生關鍵轉變：推理算力將超過訓練算力，成為未來主導。

面對這一趨勢，張翅提出，金融行業應用 AI 的核心范式需從單點工具升級為系統生態。他認為，成功的金融 Agent 并非簡單的流量消耗或外部掛載，其關鍵在于構建大飛輪驅動意圖理解、小飛輪落實執行的協同體系。

這一“雙輪”架構旨在讓 AI 從輔助角色，深度融入并協同專業工作流程，最終通過完整的解決方案支撐生產級場景的規�；�落地。這一判斷，為金融機構在“十五五”期間布局 AI 戰略提供了清晰的技術演進框架。

推理需求超越訓練

張翅關于“推理算力超過訓練算力”的判斷，揭示了 AI 產業落地進入深水區后的必然趨勢。

這一現象的背后，是基礎大模型技術逐漸成熟并進入大規模應用部署階段。當各行各業，特別是金融這類高價值、高并發的行業，開始將大模型廣泛嵌入實際業務流程時，持續不斷的在線交互、實時分析與決策支持所產生的推理計算需求，將遠遠超過周期性、階段性的模型訓練需求。

對于金融機構而言，這一轉變具有深刻的實踐意義。它意味著基礎設施的投資重點和資源調配邏輯需要前瞻性調整。算力體系必須能夠支撐高并發、低延遲、高穩定的實時推理服務，同時兼顧成本效率。

張翅曾指出，金融 AI 落地面臨算力工程挑戰，頭部機構需應對高并發推理，而中小機構則受限于算力碎片化。推理算力成為主角，將迫使行業更加關注算力的精細化管理和普惠化獲取。

阿里云等廠商提出的通過“全棧AI云”提供從底層芯片到模型服務的完整體系，正是為了應對這種從集中訓練到分布式深度應用的全新算力需求。

“雙飛輪”體系破解難題

面對推理普及化帶來的海量、碎片化、高實時性的需求，如何讓 AI 真正理解復雜業務意圖并可靠執行，成為關鍵挑戰。張翅提出的“大小飛輪”協同體系，正是阿里云針對此難題給出的架構性答案。

所謂“大飛輪”，側重于宏觀意圖理解與復雜任務規劃。它基于對金融領域專業知識和企業全域數據的深度學習，能夠精準解析用戶或業務系統提出的復雜、模糊的指令，并將其拆解為結構化的、可執行的任務序列。

而“小飛輪”則專注于垂直場景的極致執行與快速進化。它由眾多嵌入在具體業務環節中的專業化小模型或智能體構成，例如專門負責信貸審批、合規審查、數據治理或客戶服務的模型。

這些“小飛輪”在“大飛輪”調度下行動，利用其領域專精能力高效完成任務，并將執行結果與反饋實時回流，從而驅動整個系統持續優化。

一個典型的成功案例是南京銀行與阿里云合作的數據安全分級分類項目。該項目運用“模型飛輪”范式，僅用 6000 條訓練數據就使模型準確率達到 94.6%。

其核心正是通過大模型理解冗長的合規標準文檔生成知識，再驅動輕量化的小模型精準執行數據識別與分類任務，形成了高效的數據治理“小飛輪”。

這印證了張翅的觀點：金融AI需從“局部試點”轉向“系統化布局”，構建自我進化的智能體生態，而非依賴孤立的點狀工具。

參考資料：

https://finance.sina.cn/bank/yhgd/2026-01-04/detail-inhfcpht8954843.d.html?vt=4

https://www.sohu.com/a/886036491_411876?scm=10001.325_13-109000.0.0.5_32&spm=smpc.channel_248.block3_308_NDdFbm_1_fd.4.1744944938936JJNjYHY_324

https://www.cnfin.com/hb-lb/detail/20251028/4324822_1.html