Zhang Lei, Chef-AI-Wissenschaftler und stellvertretender Senior-Vorsitzender von Yixin: Aufbau einer ganzheitlichen AI-Fähigkeit für ein "chinesisches Modell" im Automobilfinanzierungssektor | 36Kr 2025 AI Partner Konferenz für verschiedene Branchen

Am 27. August fand in der Zhongguancun Software Park in Peking die 2025 AI Partner Branchenkonferenz statt, die gemeinsam von 36Kr und der China-Europa International Business School organisiert wurde. Das Thema dieser Konferenz war "Chinesische Lösungen". Sie war in zwei Kapitel unterteilt: "Chinesische Lösungen" und "Wer wird die nächste Ära der Künstlichen Intelligenz definieren". Rund um die vier Themen "Der goldene Moment des chinesischen Innovationsansatzes", "Kann der Superintelligent Agent die zentrale Form der nächsten Generation von KI werden?", "Chinesische Lösungen formen das globale Wettbewerbsgeschehen in der Technologie neu" und "Die florierende Landschaft der integrierten Innovation von KI und allen Branchen" wurden die neuesten Durchbrüche und das Ökosystem der chinesischen KI umfassend präsentiert. Es wurden der Wachstumspfad und die zukünftigen Aussichten der chinesischen KI geteilt, und es wurde nach innovativen Modellen für chinesische Lösungen gesucht.

An diesem Tag hielt Zhang Lei, Chef-KI-Wissenschaftler und stellvertretender Vorstandsvorsitzender von Yixin, einen Vortrag mit dem Titel "KI transformiert das Ökosystem der Automobilfinanzdienstleistungen".

Im Folgenden finden Sie den Inhalt des Vortrags, der von 36Kr bearbeitet wurde:

Sehr geehrte Gäste und Lehrer!

Guten Morgen! Es ist mir eine große Ehre, hier mit Ihnen über die Praktiken und Überlegungen von Yixin im Bereich "KI transformiert das Ökosystem der Automobilfinanzdienstleistungen" zu teilen.

Zunächst möchte ich Yixin kurz vorstellen: Wir sind eine von KI angetriebene Finanztechnologieplattform und auch ein führendes börsennotiertes Unternehmen in der Automobilfinanztechnologie in China - mit einem Jahresumsatz von etwa 70 Milliarden Yuan und einer kumulativen Investition von über 2 Milliarden Yuan in die Forschung und Entwicklung sowie in die KI. In Bezug auf die technische Stärke ist unser Large Language Model das einzige im Bereich, das die nationale Zertifizierung und Registrierung erhalten hat. Wir sind auch das erste Unternehmen, das die lokale Implementierung, die umfassende Anwendung und die Offenlegung des Modells von DeepSeek erreicht hat. Wir glauben immer, dass man für die Transformation der Branche und des Dienstleistungsökosystems eine starke KI-Infrastruktur benötigt. Die KI-Fähigkeit ist der Schlüssel.

Wenn wir uns die Entwicklung der KI ansehen, können wir sie in verschiedene Phasen einteilen:

Zu Beginn der 1.0 Diskriminative AI-Phase basierten alle Geschäftsentscheidungen auf Regeln. Beispielsweise wurden in der Finanzbranche häufig Experten-Scorecards verwendet. Auch in den frühen Tagen der Suchmaschinenwerbung und -empfehlung (z. B. Anfangs bei Taobao) war man stark auf Regeln angewiesen, und der Geschäftsprozess war statisch. In der späten Phase der Diskriminative AI wurden zwar kleine Modelle wie traditionelles maschinelles Lernen eingeführt, aber der Prozess blieb immer noch statisch.

In die 2.0 Deep AI-Phase trat das Large Language Model in die Geschäftsentscheidungen ein, einschließlich der Merkmalsanalyse und der Modellierung. Aber der Prozess konnte die statischen Beschränkungen immer noch nicht überwinden. Es ist leicht zu erkennen, dass in den Phasen 1.0 und 2.0 das Muster der Mensch-Maschine-Kooperation immer "Mensch im Vordergrund, KI im Hintergrund" war. Die KI beeinflusste hauptsächlich die Geschäftsabläufe der Menschen.

Auf der Grundlage unserer Praktiken glauben wir, dass ein Unternehmen für die umfassende Anwendung von KI eine ganzheitliche KI-Fähigkeit benötigt: Sowohl die KI-Infrastruktur (einschließlich Rechenleistungshardware und Software für Training und Inferenz) als auch die Fähigkeit zur KI-Anwendung. Mit diesen Ressourcen können wir Pre-Training- und Post-Training-Modelle aufbauen und dann auf der Grundlage der Basis verschiedene Domain-Modelle erzeugen, um schließlich Plattformprodukte zu entwickeln - diese Produkte sind wie "Baukastensteine", und die Front-End-Geschäftsanwendungen können einfach flexibel kombiniert werden.

Die von uns aufgebauten branchenspezifischen Modellmatrizen umfassen von unten nach oben Pre-Training- und Post-Training-Modelle sowie vier verschiedene Größen von Domain-Modellen. Der Grund für die Aufteilung in verschiedene Größen liegt darin, dass die Domain-Anwendungen sowohl Effektivität als auch Effizienz verlangen. Beispielsweise in Szenarien mit hoher Echtzeitfähigkeit würde eine zu große Modellgröße die Reaktionszeit beeinträchtigen. Darüber hinaus haben wir ein 7B Akustikmodell (für hochwertige Sprachsynthese und -klonierung), zwei Inferenzmodelle (mit Schwerpunkt auf logischer Inferenz) sowie Multimodalmodelle und ein Agentic Model, das die Zusammenarbeit mehrerer intelligenter Agenten unterstützt.

Warum brauchen wir Domain-Modelle? Zwischen General-Modellen und Domain-Modellen besteht ein "Kompromiss": General-Modelle haben zwar einen breiten Anwendungsbereich, aber sie verbrauchen viele Ressourcen und haben nur eine oberflächliche Einsicht in die Domäne. Domain-Modelle können dagegen die Bedürfnisse des Szenarios präzise verstehen. Wenn ein Benutzer beispielsweise fragt: "Ich habe ein Benzinauto zehn Jahre lang gefahren und möchte jetzt auf ein Elektroauto umsteigen, aber ich befürchte die Batteriesicherheit von unbekannten Herstellern", antworten General-Modelle in der Regel überwiegend über den Vergleich zwischen Benzin- und Elektroautos. Unser branchenspezifisches Modell für die Automobilfinanzierung kann jedoch die zentrale Sorge des Benutzers, nämlich die Angst vor einem Brand, präzise erfassen und die Risikopunkte gezielt erklären, was die tiefe Branchenkenntnis w， zeigt.

Im März dieses Jahres haben wir auf der Grundlage eines 72B-Modells und in Kombination mit unserer selbst entwickelten Trainingsmethodik ein Inferenzmodell mit Domänenwissen veröffentlicht. Seine mathematischen und logischen Fähigkeiten sind mit denen der besten General-Modelle zu der Zeit vergleichbar. Wir bieten auch zwei Versionen: eine in voller Größe und eine quantifizierte Version, um die Branche bei der gemeinsamen Entwicklung der KI-Fähigkeit zu unterstützen.

Unser zentrales Ziel ist es, einen "End-to-End KI-Entscheidungsmechanismus" aufzubauen und von Anfang an die Geschäftsprozesse in Form von Produkten zu unterstützen: 2018 haben wir die Entscheidungsflussplattform veröffentlicht, die traditionelle maschinelle Lernmodelle wie LR und XGBoost unterstützt und die Risikokontrolle stärkt. 2019 haben wir die Modellplattform eingeführt, um den Bedürfnissen des Massen-Deep-Learnings gerecht zu werden. 2020 haben wir die Roboterplattform ins Leben gerufen, um die Algorithmen und Modelle in Produkte umzuwandeln. 2022 haben wir aus Anpassung an die KI-Entwicklung das System des Drittanbieters aufgegeben und ein eigenes KI-natives Telefonatssystem entwickelt. Seit 2023 haben wir nacheinander ein 7B Kleinmodell, ein Text-to-Text- und ein Multimodal-Large Language Model, das die nationale Registrierung erhalten hat, veröffentlicht. Im Jahr 2024 haben wir das Large Language Model umfassend in die Verbesserung der Roboterprodukte integriert und auch eine Plattform für die Neuen Medien-Kreation eingeführt, die Marketing-Szenarien wie Kurzvideos und Livestreams abdeckt.

Die Essenz der Finanzbranche ist die "Kommerzialisierung von Risiken". Wir haben die Automobilfinanzgeschäfte in drei Hauptschritte aufgeteilt und mit KI stark unterstützt:

Vor der Finanzierung (Kanal + Antrag): Mit der KI-Suchfähigkeit wird automatisch ein Kanalanalysebericht erstellt, um die Entscheidungsfindung zu unterstützen. Beim Antrag werden die Benutzerdaten automatisch durch das Multimodal-Modell gesucht und extrahiert, um die automatisierte Eingabe zu ermöglichen.

Während der Finanzierung (Risikokontrolle + Intelligenter Kette): Neben dem individuellen Risikomodell wird die Roboterplattform in alle Schritte der Risikokontrolle integriert. Wir haben ein eigenes "Intelligenter Kette"-Modell und -Algorithmus entwickelt, um den besten Finanzierungsplan für die Benutzer zu finden. Wir haben auch die "End-to-End Risikokontrolle" eingeführt, bei der die Originalinformationen wie Texte, Bilder, Audio- und Videodateien direkt in das Modell eingegeben werden, damit das Modell die Merkmale selbst extrahieren kann. Gleichzeitig wird das traditionelle interpretierbare Modell integriert, um den Informationsverlust bei der manuellen Merkmalsgewinnung zu vermeiden.

Nach der Finanzierung (Kundenservice + Vermögensverwaltung): Auf der Kundenservice-Seite werden nicht nur Anrufe und IM-Fragen automatisch beantwortet, sondern auch die Stimmfarbe und der Tonfall der Benutzer analysiert, um das Risiko eines Beschwerdes vorauszusagen und die Bearbeitung vorzeitig zuzuweisen. Auf der Vermögensverwaltungsseite werden mit KI individuelle Strategien entwickelt, um die entsprechenden Pläne für verschiedene Risikostufen zu finden.

Die Automobilfinanzbranche hat seit langem das Problem "Komplexe Entscheidungen + niedrige Effizienz bei langfristigen Geschäftsprozessen". Wir glauben, dass man erst in der 3.0 Agent AI-Phase diese Schwierigkeiten überwinden kann - in dieser Phase übernimmt das Large Language Model die Entscheidungsfindung, der Geschäftsprozess wird von statisch zu dynamisch, und die KI entwickelt sich in Echtzeit durch die Interaktion mit den Kunden und der Umgebung, um den besten Prozess anzupassen. Die Mensch-Maschine-Kooperation wandelt sich auch von "Mensch im Vordergrund" zu "Maschine im Vordergrund", und die Geschäftsprozesse werden um die Maschine herum entworfen.

Derzeit setzen wir die Agentifizierung in Form von Produkten um. Der Kern ist "KI-Agent Geschäftsseite + KI-Risikokontrolle Intelligenter Kette". Nehmen wir den Antrags-Vorprüfungsschritt als Beispiel: Wir haben drei intelligente Agenten abstrahiert: "Anrufassistent, IM-Assistent, Prüfungsassistent". Der Anrufassistent kontaktiert automatisch die Benutzer, um die Absicht und die Qualifikation zu bestätigen. Gleichzeitig bringt der IM-Assistent die Benutzer als Freunde hinzu und verfolgt den gesamten Prozess der Datensammlung (Texte, Bilder, Videos usw.). Wenn die Daten die Anforderungen erfüllen, arbeiten der IM-Assistent und der Prüfungsassistent zusammen, um die Prüfung abzuschließen. Wenn zusätzliche Materialien erforderlich sind, wird der IM-Assistent diese beschaffen. Der gesamte Prozess erfordert keine menschliche Intervention und wird durch die Zusammenarbeit der intelligenten Agenten organisiert. Obwohl der Prozess einfach ist, mussten wir viele technische und algorithmische Herausforderungen bewältigen.

Heute hat die Finanztechnologie-Lösung von Yixin sowohl in China als auch weltweit Anwendung gefunden. Weltweit sind die Vereinigten Staaten und China in der KI-Stärke führend. Unsere KI-Fähigkeiten in der Automobilfinanzierung haben sich auf dem Markt bewährt und sind in der globalen Branche sehr konkurrenzfähig.

Das war mein Vortrag. Vielen Dank!