一、案例背景
1.1 蚂蚁数科:从金融科技到产业智能的转型之路
蚂蚁数科是蚂蚁集团旗下的科技商业化板块,承载着蚂蚁集团十余年技术积累向产业输出的战略使命。自2020年蚂蚁集团启动”科技商业化”战略以来,蚂蚁数科逐步构建起涵盖区块链、隐私计算、数据库、安全科技和人工智能的产品矩阵,服务对象覆盖金融、政务、零售、物流等多个行业。2024年以来,随着大模型技术的快速演进,蚂蚁数科将”AI+产业”确立为核心增长极,推出了包括DTMaaS(Decision Technology Model as a Service,决策技术模型即服务)平台在内的一系列面向企业决策场景的AI产品。
DTMaaS平台的定位并非通用大模型服务,而是聚焦于”产业决策”这一垂直场景——即帮助企业在客服工单分派、风控审核、供应链调度、合规审查等业务流程中,利用AI模型完成结构化的选择、判断、评分和信息抽取任务。这一定位体现了蚂蚁数科对产业侧真实需求的深刻理解:通用大模型虽然具备强大的生成能力,但在需要高精度、低延迟、可解释的决策场景中,往往面临幻觉、推理成本高、输出格式不稳定等问题。
1.2 决策模型的技术演进与产业需求
决策模型(Decision Model)是近年来AI领域的一个新兴分支,其核心思想是让模型在给定上下文(state)和预定义选项(options)的条件下,输出结构化的决策结果及对应概率。以Jev为代表的第一代决策模型,通过System One协议实现了对单选、多选、判断和评分等题型的形式化支持。System One协议的核心设计理念是”轻量决策”——模型不需要生成自由文本,只需在预设的候选项中计算概率分布,从而大幅降低推理成本并提升输出可靠性。
然而,产业决策的现实远比”从A/B/C中选一个”复杂。以客服工单处理为例:系统不仅需要判断工单应分派给哪个部门(选择问题),还需要从客户的自然语言描述中提取具体金额、订单号、日期等关键信息(信息抽取问题),才能完成后续的核对与处理。传统决策模型在设计上仅支持选择、判断、评分等题型,无法原生处理信息抽取任务。这一能力缺口意味着决策模型在实际产业落地中,往往需要与额外的NER(命名实体识别)模型或生成式大模型配合使用,增加了系统复杂度和部署成本。
……