日程 › Agentic AI 愿景与软件工厂 › 纪要
蚂蚁 Agentic AI 基建挑战和实践
金句 · 一句话抓重点
写代码只占 20–30%，剩下 70% 是大规模上线；在金融场景，合规是奢侈品，不是花钱就能买到的。
📊 信息图 · 一图读懂
李春介绍自身从业经历后，阐述了 Infa 在 AI 时代面临的挑战，包括计算模式转变、基建约束、成本压力和监管压力等
成本压力：如 10 万张卡成本达 100 亿，支持用户规模的增加会带来巨大成本
①
个人背景与视角
从业经历：李春在阿里体系的 UF 工作 16 年，从业近 30 年，97
②
AI 时代计算模式变化
支付业务计算特点：蚂蚁支付业务单笔支付时间短，成本低，算力消耗少，过去采
③
Infa 面临的挑战
技术与经验冲突：过去的经验和做法在新的 AI 时代不成立，Infa 在
④
使用 AI 面临的问题
适配成本高
⑤
应对策略与工作重点
成本控制：将降低成本作为首要任务，因为涉及百亿、千亿级别的资金，成本降不
智能纪要 （第 1 段，4 分钟）
李春介绍自身从业经历后，阐述了 Infa 在 AI 时代面临的挑战，包括计算模式转变、基建约束、成本压力和监管压力等内容如下：
- 个人背景与视角
- 从业经历：李春在阿里体系的 UF 工作 16 年，从业近 30 年，97 年毕业。目前从 Infa 角度关注整体 AI 的发展。
- 角色职责：身为蚂蚁超算计算人员及基础设施委员会主席，负责规划未来发展方向。
- AI 时代计算模式变化
- 支付业务计算特点：蚂蚁支付业务单笔支付时间短，成本低，算力消耗少，过去采用弹性计算容器将大算力切成小的以降低成本。
- AI 时代计算模式：AI 时代将小的卡整合为机柜（超级节点），再组成超级集群并放置各种服务，与过去模式相反。
- Infa 面临的挑战
- 技术与经验冲突：过去的经验和做法在新的 AI 时代不成立，Infa 在 AI 发展中相对滞后。
- 基建约束：蚂蚁业务对基建要求稳定，强调金融与可信，数据安全是生命线，支付不可靠会面临监管问题。
- 成本压力：如 10 万张卡成本达 100 亿，支持用户规模的增加会带来巨大成本。
- 监管压力：监管技术手段增强，从大厂挖人，对 Infa 形成较大压力。
章节速览
00:06AI时代蚂蚁基建挑战与Infa面临的压力
本章节中，李春介绍自己在阿里体系干了16年，从业近30年，将在10分钟内解释背“拖后腿”锅的原因。他指出蚂蚁支付算力成本低，AI时代做法与过去相反。同时提到蚂蚁基建受稳定、金融可信等约束，还要面对亿级用户成本高、监管技术手段强等挑战，如10万张卡成本达100亿。
智能纪要 （第 2 段，8 分钟）
音频主要探讨了使用 AI 后企业面临的诸多问题及应对策略，内容如下：
- 使用 AI 面临的问题
- 适配成本高
- 国产适配复杂：从芯片到集群的完整过程耗时约一年，且国产环境下各环节适配割裂，需多支团队协作，涉及五六百个任务，导致时间和金钱成本大幅增加。
- 算力电力制约：AI 的电力消耗是一大制约因素，不解决此问题会影响整体运作。
- 架构演进困难
- 架构延续性差：蚂蚁有 20 年历史，早期以通用 CPU 为主，后模型独立训练，但推理时 GPU 与 CPU 部署困难，导致通讯次数增多、成本加剧，架构不延续。
- 基础设施压力大：GPU 主角的切换给基础设施演进带来巨大压力，如机房迁移需数年时间，期间成本高昂。
- 支付链路问题：支付链路长，各环节易出问题，导致失败率增加，金融回款和补偿困难，如数据库曾花费 7 年解决最后一秒数据丢失问题。
- 安全合规成本高
- 监管成本增加：金融业务的安全合规是奢侈品，监管成本高，且无法单纯靠金钱解决，需完善后再上线。
- 数据隐私限制：因监管要求，隐私数据高度隔离，大规模上线存在风险，需谨慎推进。
- 应对策略与工作重点
- 成本控制：将降低成本作为首要任务，因为涉及百亿、千亿级别的资金，成本降不下来工作无法开展。
- 安全生产：借助英保完善安全生产工作，确保监管和 CEO 认可，避免因合规问题遭受重大损失。
- 体系构建：从 CPU 时代以虚拟机或容器为单位构建系统，到 AI 时代以模型为单位，再到 agentic 时代以 agent 体系为单位构建系统和方法论，已进行约两年的 agentic 体系构建工作。
章节速览
00:00芯片国产化适配成本高及算力电力消耗问题
本章节说话人1提出三个关键问题。一是某问题若不解决事情无法开展；二是蚂蚁相关要国产化，从芯片到集群搭建需一年，过程复杂，涉及多团队协作，适配时间产生大量时间和金钱成本，加大单位token成本；三是AI算力的电力消耗是较大制约因素，不解决会很麻烦。
01:47蚂蚁架构演进难题及支付链路失败补偿问题
本章节主要讨论了蚂蚁架构的可演进问题。蚂蚁有20年历史，早期用通用CPU，后模型训练较独立，但推理时GPU与CPU部署遇难题，导致通讯次数增多、成本加剧、架构不延续。AI发展使GPU角色切换，给基础设施演进带来巨大压力。支付链路长易出问题，金融回款补偿复杂，如数据库需解决数据丢失补偿问题。
04:06金融业务安全合规成本高制约企业AI效率
本章节主要探讨了安全合规问题对企业效率的影响。安全合规在金融业务中成本极高，是一种“奢侈品”，监管成本也非常高，原本预计短时间完成的工作可能耗时很久。使用AI后企业效率并未提高，原因在于英法相关的合规问题绕不过去，这些问题是企业发展的最大约束。
05:18数据基建受监管，项目需完善细化再上线
本章节指出数据基建因监管要求，隐私数据高度隔离，若隐私数据外流可能会失去牌照。强调在英法方面，这不是钱能解决的问题，而是真实存在的难题。提出解决办法是将相关内容做完善、做细致后再上线，而非单纯靠花钱解决。
05:53服务一级用户大规模上线的挑战与策略
本章节主要讨论了服务一级用户时规模巨大的情况。做POC、写代码仅占事情的百分之二三十，剩下70%是大规模上线工作。大家对上线agent缺乏经验，且大规模上线不允许失败或出大问题，否则会面临监管。因此策略应是慢慢上线、灰度推进，同时要保证系统可靠运行，这是很大的负担。
06:47解决事情优先级：降成本与完善安全生产
本章节说话人1提出解决事情的优先级有三个。首要的是降低成本，因涉及百亿、千亿级别的资金，成本降不下来事情无法开展；其次是做好安全生产，需英保帮忙完善相关工作，以避免监管或CEO的问责，否则难以在市场立足。
07:24不同时代系统构建单位及两年agentic体系成果
本章节说话人1指出不同时代构建系统的单位不同，CPU时代以虚拟机或容器为单位，AI时代以模型为单位，agentic时代以agent的体系为单位构建整个体系和方法论。还表示团队做了约两年agentic体系，将其当成中间件按体系构建，最后因时间关系结束发言。
🤖 模型解读 · 要点点评AI 生成的第三方点评 · 由大模型 Claude（Opus 4.8）依据本场智能纪要撰写，非主办方 / 演讲者观点，可能有误，仅供参考
蚂蚁的分享是对上午乐观叙事最有力的「刹车」。在金融与超大规模场景下，余锋把真实约束摆上桌：计算模式反转、国产化适配、电力、合规、灰度上线——「写代码只占 20–30%，剩下 70% 是大规模上线」。这是把「agent 革命」从 demo 拉回生产的关键一课。
要点AI 时代计算模式与支付业务相反：从「大切小」变成「小并大」（超级节点 / 超级集群）。
点评这个反转很深刻——过去十年蚂蚁的弹性容器经验，在 AI 训练/推理面前几乎要重来。它提醒我们：基础设施的范式惯性是真实成本，「基建滞后」不是能力问题而是物理与历史包袱。
要点10 万张卡成本达 100 亿；降本是第一优先级。
点评把降本列为压倒一切的第一优先级，与上午「token 价格降 90%」的乐观恰好互补：单价在降，但规模在指数上升，绝对开支仍是百亿千亿级。这才是基建团队的真实处境。
要点金融合规是「奢侈品」，不是钱能解决的；隐私数据外流可能丢牌照。
点评最该被产品经理记住的一句。严肃场景的瓶颈不在模型能力，而在不可逾越的合规边界——这也是孙栋区分「个人助手 vs 岗位智能体」的现实根据。
要点构建系统的单位在演进：CPU 时代是虚机/容器、AI 时代是模型、agentic 时代是 agent 体系。
点评这个「构建单位」的史观很精炼，且蚂蚁已按中间件思路做了约两年 agentic 体系，是少见的「已投入」信号。值得追踪它最终是自研封闭，还是开源对齐到 OAIC。
现场幻灯片 · 1 张
📷 参会者现场拍摄的演讲幻灯片 · 点击放大翻看（支持 ← → ↑ ↓ 键、滑动、自动播放 ▶）。为保护隐私，画面中的人脸已自动打码；按拍摄归集，个别可能串场。
以上为飞书妙记 AI 自动生成的纪要与章节摘要，可能存在识别误差，仅供参考。