随着社会数字化能力的快速升级，金融行业正逐渐迈向数字化转型的新时代。尤其是AI的爆发，数据智能技术正在彻底改变着这个行业的面貌，随着越来越多的金融机构开始将人工智能、机器学习和大数据分析技术应用到其业务中，金融数据的价值正在得到充分的发掘。

(相关资料图)

毋庸置疑，在数字经济时代，数据上升为新的关键生产要素和资产，逐渐超越土地、资本等传统要素，成为社会经济发展和企业创新更加重要的驱动力。

对于金融行业而言，本身就有大量的数据，每一家金融机构都希望成为一个数据驱动的企业，但目前企业仍面临着数据持有成本高、数据孤岛严重、数据治理难度大等挑战，这也导致如何充分释放数据价值成了当下的难题。

一方面，企业与组织逐渐拥有海量数据规模和丰富应用场景，最新数据显示，国内股份制银行每年的数据量增长在30%，这些海量多源异构数据的增长，对于企业的存储与管理带来极大挑战 ；另一方面，数据价值释放、使用也遇到现实困境，权威机构统计表明，当前全球仅仅只有2%的数据被真正分析过，而注入AI模型的数据连1%都达不到。且随着数据越来越繁多，企业在弹性调度、实时调度数据上也将变得更加复杂。

如何破局？尤其是在AI爆发、大模型建设成为主流的大背景下，数字智能化转型已经全面提速，对于企业而言，建设数据驱动型的现代化企业已是刻不容缓。为此，华为为金融业提供了答案：通过云-数-智-算全面融合架构，化繁为简，助力金融人人用数，实现处处智能。

在数字化浪潮中，数据正在重塑企业的运营、管理、决策乃至创新，不过，企业当前在数据价值实现中面临的挑战空前巨大，尤其是企业数据产生的速度、规模和类型，远超当前设备的处理和计算能力，数据价值挖掘效率低下成了一大难题。

事实上，一直以来金融业内对于数据处理都并非易事，就像鄂尔多斯盆地油气田虽然资源丰富，但属于典型的“三低”（低渗、低压、低丰度）油气藏，实现经济有效开发属于世界性难题。数据从产生到发挥要素价值的过程也同样漫长，包括数据采集、数据存储、数据处理加工、数据流通、数据分析、数据应用等，每一个过程都充满大大小小的挑战。

尤其是随着多样性计算的演进，数据库必须支持多种算力。过去以CPU为中心的架构，现已发展到多样性算力协同的对等计算架构，CPU、GPU、NPU甚至包括为特定场景开发的计算单元等都要形成协同关系，从而更好地去处理数据。

不仅如此，多模融合成为主流，多模数据需要协同处理以实现资源集约化管理。从过去主要处理的是结构化数据，到现在处理非结构化数据例如图、时序、流、文档等的数据类型，这对数据整合处理和整合分析提出了更高的要求。

早期企业数字化建设所依赖的基础资源，多为以服务器硬件设备为中心，业务应用随不同厂商设备、操作系统、虚拟化软件的差异化进行定制设备的安装、调试，应用的部署运维基本靠人力完成，自动化程度低，缺乏统一的设备和应用管理能力。虽然后期有虚拟化软件的出现，资源的利用率和扩缩容的灵活性方面得到一定提升，但从未从根本上解决基础设施与软件割裂、运维复杂的问题。

如今华为推出的云原生全面融合架构，其中一点就是在传统架构上进行了云数融合升级，将企业的关注点从以资源为中心转移到以应用为中心，包括应用敏捷交付、快速、弹性、平滑迁移、无损容灾，可以更好地帮助企业实践应用的自动化应用。

举个例子，假设某企业需要在一段时间内处理大量的数据，但是处理量难以预测，需要根据实际情况来进行资源调度。如果企业采用传统的数据处理方法，需要购买足够的硬件设备才能满足一段时间内的处理需求，这会带来很大的成本和资源浪费。而云数融合后，企业可以将数据存储在云端，利用云原生技术架构实现弹性资源调度。当需要处理数据时，系统会自动分配足够的资源来完成任务，处理完成后，系统会自动释放这些资源，从而降低成本，提高效率。

另外，随着数据更新速度加快，当下金融业很多业务对实时性的要求越来越高，而为了保障企业能够将实时数据进行快速计算，华为也在计算层、存储层、缓冲层做了三层池化，加速了云计算数据中心建设的效率，利用虚拟化技术，将资源分享给不同用户，资源的放置、管理与分配策略对用户透明。让用户能够灵活使用、调配想要用到的数据中心资源，并且让基础架构的硬件设备尽可能发挥出最大利用率。

而擅长数据处理的企业，数据价值跃升也更为明显。以营销场景为例，传统的用户标签可能只有几十维，但在完全挖掘数据价值后，数据范围更广，结合外部数据和AI预测引入，可以做到几千维，实现百倍的增长，这种情况下可以更好洞察理解客户。

客观来说，金融业的数据复杂且更新迅速，一些数据的价值很难落地，而华为云数融合的目的，就是希望将更多数据挖掘并且简化处理步骤，让所有的数据都可创造价值。当然，随着智能大模型的爆发，数据与智能的融合在数智化架构中也变得极为重要。

在金融行业早期数字化转型的过程中，为解决某一业务问题，往往按照单一业务逻辑部署信息系统，另外由于政策、业务的不断变化，金融机构不同业务系统建设存在时间差异，各不同业务条线往往根据自身需求独立获取数据、进行数据加工，再进行系统部署应用，最终形成一个个独立的“烟囱式”数据架构，出现数据孤岛、数据与AI架构不互通、业务流程难以穿透等各种问题。

一家银行可能有几百套信息和数据系统，各种架构、软件标准五花八门，数据融通和业务流程困难极大。分散的数据源、海量的数据规模、异构的数据属性都是金融机构数据治理的难题，也导致数据在处理后无法直接利用AI训练。就像是即便拥有全世界最顶级的数据处理师，但无法给到他们数据进行处理，那么就显得毫无价值。

传统的做法是将处理好的数据搬迁到AI架构进行训练，但一组数据是，普通银行在做增量数据搬迁时，大概需要6-8个小时，而做全量数据迁移的时间，往往达到了4-7天，这就导致企业构建、保护和管理数据的过程复杂且耗时，并且需要大量开发和维护成本。

所以区别于这种被动局面，华为数智融合就是打通了数据治理生产线和AI开放生产线之间的互通，基于DataArts、lakeformation，把数仓、数据湖、AI数据的目录、数据权限、事务一致性、多版本管理等能力都融合到一个中心点，构建了满足各种引擎需求的数据湖统一元数据服务视图，支持一份数据在数据湖、数据仓库、AI、开源系统等多个引擎间自由共享，实现了引擎元数据互通，达到了数据与AI共存的效果。

但统一元数据本质是将数据与计算做了分离，这就导致数据库、数据仓库、数据湖、AI引擎不互通，大规模分布式集群节点与节点之间的数据交换时间间隔可能会变长，且需要满足实时性要求，所以降低链路延时，提高计算效率尤为重要。而华为推出的分布式硬件设备擎天加速卡，能够实现的就是使数据与数据之间直接交换，不需要再上升到交换机层面，将路径大大缩短，使数据与集群之间的交换效率大大提升。

事实上，单看数据与计算分离这种架构是十分理想化的，但在实际运用过程中还是存在很多工程化问题需要解决，而华为要做的不仅是将理想架构落地，还会通过擎天加速卡、AI数据治理产线等ICT根技术来支持企业解决落地过程中的诸多问题。所以华为在做的其实就是化繁为简，将复杂的事留给自己，为企业、客户提供更简单、实用的融合架构。

事实上，云数融合和数智融合本质上是基于软件层面的优化，但数智化转型是一个系统性工程，软件和底层硬件的融合至关重要，这也是华为独特的优势。

比如当企业云数智融合达到了一定水准，很难在软件层面实现突破时，还想要再进一步提升效率，那么在硬件上下功夫便是最优解。最常见的像银行的日终跑批、数据分析、监管报送等这些针对数据展开的业务，对时效性均有较高要求。

正常情况下日终跑批是从晚上十点左右开始跑起，一些数据量大的银行可能会跑到第二天早上9点或者10点左右，这就会造成前一天数据还未跑完，第二天的新数据便产生了，影响了正常工作。

还有业务员在做数据分析时，有些数据需要自己提取，但在使用自助分析工具时，会有一个响应时间，对于一些复杂的命令，运行起来可能需要30秒甚至更长时间，对整体效率可能会产生一定影响。

RWA场景、监管报送等复杂场景对数据计算的效率、算法有更高要求。例如银行在做监管报送时，会同时开放给不同分支去批量处理、批量增仓改查，这种既要保证跑批又要平衡数据变动的复杂混合负载要求，显然对后台提出了极高要求。

所以在当前基础上，如何进一步缩短数据处理时长是业内所需解决的问题。华为给出的方案是通过鲲鹏计算底座+RoCE无损网络+数据湖仓之间的协同，并且通过资源池隔离、优化算法等方式去提升复杂场景下的性能。

另外，对于架构本身来说，虽然华为是做了开放处理，湖仓可以适配不同底座，底座也可适配不同厂商的湖仓，但基于华为自身的ICT能力，软硬件的协同、融合也能够达到一加一大于二的效果。

不能否认，大模型的爆发，将金融业带入到了一个全新时代，但同时也给行业带来了一些难题。尤其是大模型的部署，会有一系列复杂的工程化问题，比如数据采集、数据标注、数据清洗、模型的再训练、推理等等，所以企业需要一个端到端的解决方案来实现高效落地。

而华为也是目前为数不多能够实现全栈AI能力的企业，覆盖昇腾芯片、算子CANN、算法框架MindSpore、盘古大模型、开发者平台ModelArts等等，通过华为AI能力和上层应用生态，构筑全栈全场景的AI解决方案。

另外对于大模型来讲，能够看到一个非常显著的区别，便是训练的数据量剧增，例如ChatGPT3和3.5的训练量都为百亿，而GPT-4则达到了千亿级别。数据级别从TB级到PB级甚至未来还有可能达到ZB级。而数据量的爆发也会在计算、存储、通信三个层面产生新的问题。

首先计算层面，目前单卡算力能力5年仅能增加47倍，而算力需求5年增加了百万倍，显然单机已无法满足日益增多的算力需求，业内较为统一的做法是将基础设施分布式集群化。但集群化就会对散热提出更高要求，传统风力方式几乎很难完成散热重任，会导致出现不稳定，出现中断情况，相较之下液冷散热效率更高，正逐渐成为集群散热必选。

当然，在保证稳定性的前提下，如何去提升超大集群算力利用效率以及大模型算法分布式开发效率，这就需要算力架构的优化和算法框架的优化。

存储层面，因为训练数据有一个巨量提升，如果还按照传统的HDD存储方式，那么其效率也会大大降低，全量数据载入可能会需要数天时间，所以全闪存等高性能存储方式将是未来主流的解决方案。

通信层面，集群化下通信系统其实决定了其性能瓶颈，传统100G的交换网络在训练时可能会有较高延时，所以就需要升级到200G或者400G的RoCE网络，以帮助数据中心网络实现大宽带、低时延、高效率的训练。

华为云数智算全面融合架构，解决的就是AI集群系统面临的工程化难题，化繁为简，为企业数智化架构升级提供了可以落地的优质的解决方案。

产业数字化浪潮的推进，必然为金融业带来新的数智化挑战，金融行业数字化转型迫在眉睫。而将云、数、智、算进行有效融合的“数智融合”解决方案，是破题的关键，可让AI和数据释放更多价值。在这个过程中，华为也将持续赋能行业实现高效的数据挖掘、治理和运用，为更多企业进行数字化和智能化升级构筑起坚实的创新基石，推动金融数字化转型迈向全新阶段。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)