鄧聲興:英偉達雙軌並行布局AI金融 鄧聲興
英偉達(Nvidia)對金融產業鏈的影響,正沿兩條路徑同時展開。一條是融資端的「算力資產化」,另一條是業務端的「交易智能化」。前者試圖將圖像處理器(GPU)算力從企業資本開支轉化為可抵押、可證券化的金融資產;後者則以交易基礎模型(Tran
saction Foundation Model, TFM)為載體,將英偉達的加速計算與統一計算架構(CUDA)生態嵌入金融機構的核心風控與定價流程。兩條路徑的進展節奏並不相同,但方向一致:英偉達正從金融機構的硬件供應商,逐步轉變為其基礎設施架構與智能決策流程的規則制訂者。
算力資產化交易遇瓶頸
融資端的嘗試最具野心,也最先遭遇阻力。今年8月英偉達聯合阿波羅全球管理、貝萊德、黑石集團、Brookfield、高盛及KKR,宣布建立規模達5,000億美元的AI算力融資平台,目標是將英偉達算力包裝為「可投資資產類別」,讓第三方資本以接近基礎設施資產的方式為AI工廠提供長期資金。英偉達承諾的信用支持上限為25%,惟截至11月中旬,該平台迄今零交易落地。核心障礙在於擔保比例的分歧:貸款方要求英偉達提供超過25%的擔保覆蓋率,而英偉達拒絕提高比例。
黃仁勳辭任行政總裁(CEO)後,市場對平台走向的疑慮進一步加深,相信新交易可能需要更長時間或更高補償條件方能推進。這意味著算力資產化的金融工程尚未完成從「框架」到「交易」的跨越,英偉達在融資鏈條中的信用角色,正面臨貸款方風險定價的現實約束。
CUDA生態嵌入金融機構
業務端的滲透則更為紮實,且已進入生產環境。英偉達今年的金融服務AI現狀報告顯示,65%的金融機構已使用AI,近90%正在部署或評估,幾乎所有機構維持或增加支出。真正的結構性變化在於架構層面:傳統金融機構依賴分散的任務專用模型──欺詐檢測、信用評分、推薦引擎各自為政,形成數據孤島與模型碎片化。交易基礎模型則以Transformer架構對數十億筆交易事件進行統一預訓練,學習消費者行為的單一表徵,從而在不同任務間共享上下文智能。
Mastercard正結合NVIDIA NeMo AutoModel與Databricks開發支付領域的專有TFM;金融科技公司Revolut基於24億筆事件、2,600萬用戶紀錄訓練的PRAGMA模型,已進入生產環境服務8,000萬初始客戶,欺詐檢測精度提升20%,交叉銷售準確率提升9.6%;勞埃德銀行集團的ATUM模型將數十億筆銀行交易轉化為可複用的智能,由NVIDIA RTX PRO 6000 Blackwell GPU加速。
這些案例的共同點在於,英偉達提供的不僅是晶片,而是從GPU、cuDF、Nemotron到Build Your Own TFM開發框架的全棧工具鏈,金融機構的模型架構、數據管道與推理部署,正圍繞CUDA生態逐步收斂。
宜關注TFM標準配置進度
英偉達在金融產業鏈中的角色正面臨一次關鍵壓力測試。融資端的停滯說明,算力要成為真正的可投資資產,需要跨越信用增強、殘值定價與監管資本認可等多重門檻,單靠技術生態的敍事不足以說服貸款方承擔風險。至於業務端的發展,交易基礎模型正在成為金融機構智能化的新底層架構,而這一架構的算力底座與軟件工具鏈,在很大程度上仍由英偉達定義。
兩條路徑的溫差,恰恰勾勒出英偉達在金融領域影響力的真實邊界──它在業務流程中的滲透遠比在資產負債表上的槓桿更為深入,也更難被替代。對於關注AI金融產業鏈的投資者而言,值得跟蹤的不是融資平台的交易何時落地,而是TFM在更多金融機構中從「試點」走向「標準配置」的速度,以及英偉達的全棧方案在多大程度上成為監管合規框架的事實參照。
香港股票分析師協會主席 鄧聲興(作者為證監會持牌人士,未持有上述股份)
專家點評 - 鄧聲興 舊文
本文作轉載及備份之用 來源 source: http://hk.on.cc