他预判，AI 算力需求格局将发生关键转变：推理算力将超过训练算力，成为未来主导。

面对这一趋势，张翅提出，金融行业应用 AI 的核心范式需从单点工具升级为系统生态。他认为，成功的金融 Agent 并非简单的流量消耗或外部挂载，其关键在于构建大飞轮驱动意图理解、小飞轮落实执行的协同体系。

这一“双轮”架构旨在让 AI 从辅助角色，深度融入并协同专业工作流程，最终通过完整的解决方案支撑生产级场景的规模化落地。这一判断，为金融机构在“十五五”期间布局 AI 战略提供了清晰的技术演进框架。

推理需求超越训练

张翅关于“推理算力超过训练算力”的判断，揭示了 AI 产业落地进入深水区后的必然趋势。

这一现象的背后，是基础大模型技术逐渐成熟并进入大规模应用部署阶段。当各行各业，特别是金融这类高价值、高并发的行业，开始将大模型广泛嵌入实际业务流程时，持续不断的在线交互、实时分析与决策支持所产生的推理计算需求，将远远超过周期性、阶段性的模型训练需求。

对于金融机构而言，这一转变具有深刻的实践意义。它意味着基础设施的投资重点和资源调配逻辑需要前瞻性调整。算力体系必须能够支撑高并发、低延迟、高稳定的实时推理服务，同时兼顾成本效率。

张翅曾指出，金融 AI 落地面临算力工程挑战，头部机构需应对高并发推理，而中小机构则受限于算力碎片化。推理算力成为主角，将迫使行业更加关注算力的精细化管理和普惠化获取。

阿里云等厂商提出的通过“全栈AI云”提供从底层芯片到模型服务的完整体系，正是为了应对这种从集中训练到分布式深度应用的全新算力需求。

“双飞轮”体系破解难题

面对推理普及化带来的海量、碎片化、高实时性的需求，如何让 AI 真正理解复杂业务意图并可靠执行，成为关键挑战。张翅提出的“大小飞轮”协同体系，正是阿里云针对此难题给出的架构性答案。

所谓“大飞轮”，侧重于宏观意图理解与复杂任务规划。它基于对金融领域专业知识和企业全域数据的深度学习，能够精准解析用户或业务系统提出的复杂、模糊的指令，并将其拆解为结构化的、可执行的任务序列。

而“小飞轮”则专注于垂直场景的极致执行与快速进化。它由众多嵌入在具体业务环节中的专业化小模型或智能体构成，例如专门负责信贷审批、合规审查、数据治理或客户服务的模型。

这些“小飞轮”在“大飞轮”调度下行动，利用其领域专精能力高效完成任务，并将执行结果与反馈实时回流，从而驱动整个系统持续优化。

一个典型的成功案例是南京银行与阿里云合作的数据安全分级分类项目。该项目运用“模型飞轮”范式，仅用 6000 条训练数据就使模型准确率达到 94.6%。

其核心正是通过大模型理解冗长的合规标准文档生成知识，再驱动轻量化的小模型精准执行数据识别与分类任务，形成了高效的数据治理“小飞轮”。

这印证了张翅的观点：金融AI需从“局部试点”转向“系统化布局”，构建自我进化的智能体生态，而非依赖孤立的点状工具。

参考资料：

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