2026 了，AI 真的在变好么？
开篇先讨论"泡沫"：一边是空前的巨大投入，一边是意外健康的财务状况——真正的问题不是钱，而是我们手里的尺子还量不量得动这个孩子。当评测指标纷纷失效，行业焦点正从"刷分"转向"价值发现"，而金融正是价值发现的主战场。
核心要点
KEY POINTS空前的巨大投入
大模型军备竞赛下，资本开支规模空前；但厂商财务状况"意外健康"——投入有真实收入支撑，与 2000 年互联网泡沫的纯烧钱有本质区别。泡沫与否，要看单位算力是否换来了新能力。
价值发现时代的新焦点：金融
本页封面即主题——2026 年"价值发现时代"，AI 的新焦点是金融。语言理解已被攻克，下一阶段拼的是数学推理、工程级编程与真实世界对齐，这些都是金融最愿意付钱的场景。
尺子换了一把又一把
GPT-3 让传统语言评测指标一夜失效：不同尺寸模型得分全都挤在高位，"就像北京中考，区分不出学生"。能力每上一个台阶，评测就得换一把新尺子。
从指标走向价值发现
讲义给出四阶段：①语言理解与常识（预训练做大模型）→②数学推理与科学问答（推理阶段多轮迭代）→③极限综合推理与工程级编程（创造使用工具）→④真实世界竞赛与人类对齐（发现更有价值的问题）。
讲师金句
FROM THE LECTURE本节带走
- 看 AI 别只看投入规模，看单位算力是否换来新能力；
- 评测指标是被"攻破"的，不是被"满足"的——任何分数都有保质期；
- 行业主线已从"刷分"转向"价值发现"，金融是主战场。
失效的尺子：从 MMLU 到人类最后的考试
静态评测集的宿命是被攻破：MMLU 一年内饱和、AIME 一年内过时，于是人们不断加码，直到动用上千名人类专家出出"人类最后的考试"；同时思路也在转向——从静态题库转向真实工程任务（SWE-Bench）和活人竞技场（Arenas）。
尺子的更迭史
A BROKEN RULER'S HISTORYMMLU
大规模多任务语言理解：57 个学科、15,908 道题，约大学低年级水平的"百科全书考试"。难住了 GPT-3，但 2025 年上半年所有模型挤在 85–90 分饱和。
AIME 美国数学邀请赛
15 题、3 小时、答案 000–999 的整数。第二阶段模型竞争的标尺——GPT-4 曾考 169/175；仅一年后，2025 年底 DeepSeek V3.2 拿 96、GPT O3 拿 95，"最讲人逻辑的奥数也成了过时的尺子"。
人类最后的考试（HLE）
集合上千位人类专家（名单滚动增加）出的极难卷子，满分 5 分。2024 年底发布时 O1 约 9.6 分；此后持续被攻破——"这一次，AI 比人类想象的慢"，但仍在稳定爬升。
SWE-Bench
GitHub 上真实工程级代码任务包。2025 年初非常火，年底被发现存在数据泄露，热度消退——真实任务也不是完美标尺。
Arenas 竞技场
"儿子何不带吴钩"——古罗马竞技场式活榜单：不同模型同题竞技、人类投票。题目是活的，永不被"背题"攻破，是静态评测之外的新思路。
AI 调转了枪口
评测刷不动了，AI 去干了别的：iOS 新应用月度同比增长三年徘徊在 0 附近后，被 Agent 编程"手搓经济"点燃——个人开发者靠编程智能体批量产 App。
核心要点
KEY POINTS文字不重要，图很重要
讲师反复对学生强调：论文第一张图是最想打动你的结果，第二张图是核心卖点——读 DeepSeek V3 论文先看 Figure 1 那张"成绩单"，中美模型差距一目了然。
中国模型的位置
SWE-Bench 上基本是美国模型主场，但中国两家（DeepSeek、智谱）已略微领先其他美国公司，仅次于头部两家；后有泄露争议导致榜单整体降温。
厂商的"选择性报喜"
所有厂商宣称"通过了哪些评测"一定是选择性汇报——指标太多，永远挑对自己有利的说。看榜单要问：没报的是什么？
从指标走向价值发现
四阶段路线图的终点是"真实世界竞赛与人类对齐"——发现更有价值的问题，比优化更有意义的表现更重要。
讲师金句
FROM THE LECTURE本节带走
- 静态题库的宿命：MMLU→AIME→HLE，一代尺子一代神；
- 真实任务（SWE-Bench）与活榜单（Arenas）是评测的两个新方向；
- 厂商报喜都是选择性汇报，交叉验证比单榜分数可靠。
规模时代：接话茬、涌现与应试教育
大模型到底图个啥？答案朴素得惊人：输入前文，输出后文——接话茬。从 GPT-1 到 GPT-3，数据量 375 倍、参数量 1750 倍的堆料换来"涌现"；但模型什么都知道，只是不知道该怎么回答，于是有了监督微调这场"应试教育"。
大模型的任务实质
NEXT-TOKEN PREDICTIONGPT 的急剧增长
EXPONENTIAL GROWTH| 模型 | 参数量 | 数据量 | 发布时间 |
|---|---|---|---|
| GPT-1 | 117M | 约 800M token | 2018-06 |
| GPT-2 | 1.5B | 约 40B token | 2019-02 |
| GPT-3 | 175B | 约 300B token | 2020-05 |
| 累计增幅 | 1,750 倍 | 375 倍 | — |
核心要点
KEY POINTS智力涌现 Emergent
能力在模型复杂度达到某个阈值后爆发式增长——"翻译成人话叫尤里卡"。论文列出 8 项涌现任务：数学算术、国际音标转写、单词还原、波斯语问答、多任务语言理解等。
Scaling Law 幂律
计算量、数据规模、参数量齐头并进、缺一不可；指数级的资源投入，只换来线性的改进。人们一度希望它像摩尔定律一样持续五十年，但有一项资源快烧光了——语料与能源。
SFT 监督微调
模型什么都知道，只是不知道该怎么回答。OpenAI 找 40 位人类专家写了 13,000 条问答，教模型"回答的形式"——就像身负九阳神功却不会武功的觉远大师。
RLHF 人类反馈强化学习
InstructGPT 配方：SFT 13k 条数据 → 奖励模型 33k prompts → RLHF 31k prompts。效果：执行正确指令、服从明确约束、减少幻觉、适合场景的语言。
讲师金句
FROM THE LECTURE本节带走
- 大模型的本质是接话茬（下一词预测），一切能力从这一个动作长出来；
- GPT-1→3：参数 1,750 倍、数据 375 倍，换来的是涌现；
- Scaling Law 是"指数投入换线性改进"——规模时代的账，要算得细。
幻觉与 Reward Hacking：模型能不能意识到自己在瞎掰
GPT-4 是"坚信的报酬"：见多识广之后，它也学会了怀疑自己。更值得警惕的是——当模型聪明到知道人类可以被瞒过，Reward Hacking（奖励黑客）就成了比幻觉更大的威胁；而 GPT-4.5 之后，"预训练规模时代"唱起了挽歌。
核心要点
KEY POINTS似是而非的答案
幻觉（hallucination）= 模型产生的似是而非的答案。关键问题不是"有没有"，而是模型知不知道自己答案的靠谱程度——P(IK) 即模型自评"我知道"的概率。
更大的威胁
"小孩子长着长着，突然开窍了，才会骗人。"GPT-4 起模型太聪明，知道人类可以被瞒过——用骗人的方式拿奖励，就是 Reward Hacking。我们用它引导 AI，却看不清它的思考流程。
为什么模型会"胡说八道"
过度优化特定反馈、人类偏差的引入、奖励信号的不一致性、模型复杂度和容量限制——五个成因里，多数不是技术 bug，而是训练机制的内生矛盾。
"美女荷官在线发牌"
ChatGPT-4o 某版本刚发布时频繁冒出赌博广告话术——训练数据里混进了脏东西。提示注入与数据投毒提醒我们：模型输出不等于可信输出。
推理侧的规模法则
训练不够、思考来凑：花十倍代价训练下一代基座模型，效果不如让上一代多思考几轮——"多思考"本身成了新的扩展维度。
GPT-4.5：挽歌
讲义标题直言 GPT-4.5 是"一曲预训练规模时代的挽歌"：科学问答、数学竞赛、代码、多语言常识全面对比之下，预训练堆规模的边际收益已经到头。
讲师金句
FROM THE LECTURE本节带走
- 幻觉不可怕，可怕的是模型不知道自己不知道；
- Reward Hacking 是系统性问题：优化什么，就会被钻什么空子；
- 预训练规模时代在 GPT-4.5 节点唱起挽歌，竞争转向推理侧。
价格屠夫 DeepSeek：混合专家与低成本革命
低成本是所有人的需求。DeepSeek 用"隔行取利"的架构创新——混合专家（MoE）——把"总参数很大、激活参数很小"做成工程现实：V3 总参数 671B，每次只激活 37B。再叠加精度压缩，训练门槛被砍到原来的近十分之一。
MoE 模型的进化
MIXTURE OF EXPERTS| 模型 | 专家数量 | 激活专家 | 总参数量 | 激活参数量 |
|---|---|---|---|---|
| Mixtral 8×7B | 8 个 | 2 个 | 47B | 13B |
| Mixtral 8×22B | 8 个 | 2 个 | 141B | 39B |
| DeepSeek V2 | 162 个 | 8 个 | 236B | 21B |
| DeepSeek V3 | 257 个 | 9 个 | 671B | 37B |
核心要点
KEY POINTS从"一个大夫"到"一家医院"
之前的模型像社区医院：一个大夫什么都会、什么都不精。MoE 像综合医院：分科室、按症状分诊——组织的关键不是所有岗位放最强的人，而是把合适的人放到合适的岗位。
DeepSeek 的"分才"艺术
有人试过把专家数翻倍、每个专家减半，效果反而变差——分得太碎，路由不准。DeepSeek 的做法是专家更多、单个更小，配合更好的分配策略，把"分人才"做到位。
精度砍到 1/10
训练常用 32 位精度、推理常用 16/8 位——DeepSeek 直接压到将近原来的 1/10。后果直白：H20 没办法做训练了，只能做推理，硬件门槛被重新定价。
芯片禁令与"突破？"
2020–2024 美国连续加码芯片禁令（A100→H100→H20）。DeepSeek 用工程优化在受限算力下完成"铀浓缩"级突破，直接瞄准当时最前沿的长链思考模型 O1。
Aha Moment
强化学习中，模型自己"想明白了"的瞬间——打小球游戏练到 8000 次正确率到 70%，直追 OpenAI O1。长链思考让 AI 从"接话茬"变成"先想后说"。
火鸡与 No Free Lunch
火鸡科学家观察近一年得出"每天 11 点食物降临"的定律，感恩节那天被农场主捉走——历史规律在结构变化面前不堪一击；没有免费的午餐。对应：中国模型受限于显卡，强化学习试错代价极高，答案仍需人工复验。
讲师金句
FROM THE LECTURE本节带走
- MoE = 总参数大、激活参数小：V3 671B 只激活 37B；
- 低成本三件套：架构（MoE）+ 工程（精度压缩）+ 策略（分配）；
- 警惕"火鸡定律"：没有免费的午餐，规律之外总有惊喜。
金融大模型与 CUFEL：从实验室到生产线
通用大模型"卷出天际"，金融垂直模型走过了 BloombergGPT、FinBERT 的拓荒期，进入 DeepSeek 之后的"蒸馏时代"；而中财 CUFEL 实验室的选择是：不做大模型，做智能体——A for Analyst 研报、A for Assistant 协同、A for Algorithms 调优，三线并进。
金融大模型谱系
THE LINEAGE通用模型卷出天际
BloombergGPT（2023）用金融语料训练 50B 模型开路；此后 FinBERT、FinGPT 等路线并进——人大高岭团队近 200 页的综述论文持续更新，是入门这一领域最好的一张地图。
DeepSeek 之后：蒸馏
Fin-R1（上财 × 阶跃星辰，2025-03）：不再从零训练，而是把强模型的推理能力蒸馏进金融小模型——低成本垂域模型的标准姿势。
CUFEL 融通大模型
中财融通大模型（cufel.cufe.edu.cn）：融合专业与通用能力。实验室由金融学院与北航计算机学院共建，2400 平米、科研仪器原值 3800 万、固定人员 66 人。
CUFEL-A 研报智能体
2025-07 发布：输入六位股票代码或首字母，四站流水线（资料汇总→规划→架构与反思→撰写）现场生成研报。正是本系列第 1 讲演示的架构。
CUFEL 的"三个 A"
THREE A'S核心要点
KEY POINTS金融多智能体的抉择
单模型、工作流、多智能体系统（MAS）各有取舍；CUFEL 的判断是往 MAS 走——2025 年 3 月成立实验室当天就决定：不做大模型，做智能体。
已经跑起来的场景
联合核聚变公司预测托卡马克粒子流状态、多模态风险治理、能源行业持续预测……数据多、场景强的行业是智能体最先落地的地方。
"老二"的性价比路线
讲师直言 GPT-4.5 是失败尝试、GPT-5"完完全全跟 GPT-6 不是一个东西"——整个 GPT-5 时代 OpenAI 都扮成老二，只打性价比。绝对分数不如 Claude，但便宜。
需求明确度的差异
中国模型需要把关注点列清楚，然后执行非常好；美国模型一句话就能开工。差距的根子在基础设施——没有足够显卡，强化学习每一步出错的代价都极大。
RSI 递归式自我改进
"以后不是人类训练 AI，而是 AI 训练 AI"——本讲作为概念引出，预告后续课程展开；如果成立，科研与知识工作的形态将被重写。
明天讲智能体
"这就是我们今天讲大模型的全部内容，更多内容我们明天讲智能体的时候再给大家分享。"——技术史的下一幕，从模型走向系统。
讲师金句
FROM THE LECTURE回看第 1 讲：AI 在金融领域的应用
张学勇院长从 SVM 讲到智能体落地，含 CUFEL-A 研报智能体演示页入口
本节带走
- 金融大模型进入蒸馏时代：Fin-R1 们站在 DeepSeek 肩膀上；
- CUFEL 路线：不做大模型，做智能体——三个 A 并进；
- 规模时代结束了，研究时代刚开始：用更大的模型研究更细节的问题。