ZD至顶网CIO与应用频道 07月19日 北京消息:在过去的20年中,金融服务行业已经经历了重大的变化,随着数字技术的渗透,传统的银行分支业务和服务模式几近没落。而这些发展为进入财富管理领域的新型金融技术企业的到来铺平了道路,这些公司正在挑战传统模式,它们通过技术手段来提供顾问服务和信息,更好地满足了财富管理客户的需求。
Xignite公司是做什么的?
Xignite 是一家新兴的金融服务公司,它提供按需平台,将可靠的金融市场数据提供给全球 400 多家公司客户(如花旗、通用电气金融、ING、威达信、kaChing 和星巴克)的企业应用程序、门户和网站。
其在今年2月份宣布完成2050万美元的C轮融资,此轮新融资将Xignite的总募资额增至3700万美元。
Xignite为众多全球最具创新性的金融技术领先企业提供支持。Xignite的1000多家客户正在给金融服务业带来翻天覆地的变化,正在颠覆着众多关键的市场领域,例如交易、财富管理、支付,以及金融研究和分析。
积极应对挑战
事实上,在公司的发展道路上并不是一帆风顺的,其也遭遇到严峻挑战:当世界头号商业新闻来源 Forbes.com 找 Xignite 合作来支持实时公布股市行情时,Xignite 清楚它需要一个既可扩展又经济高效的基础设施解决方案。
Xignite 的领导团队意识到,需要寻找的解决方案要能高效、动态地扩展交付的实时金融信息量,同时确保最小的计算和网络资源浪费。
他们发现 Amazon Web Services (AWS) 提供的云计算基础设施能从本质上满足其要求。Xignite CTO Leo Chan 表示:“这是个显而易见的决定。AWS 在提供冗余计算基础设施和多可用区域方面居于领导地位,在计算和网络带宽成本方面具有极高的规模效益。“
并且,AWS按需提供广泛的云基础设施服务,只按实际使用的资源收费。AWS 让客户不必再使用昂贵的硬件,并能消除拥有和操作此类硬件过程中产生的管理负担。 AWS 可缩减成本及改善现金流,无论您刚起步还是大规模运作都能从中受益。如图:
得益于AWS的两大优势
目前,Xignite使用 Amazon Elastic Compute Cloud (Amazon EC2) 和 Amazon Simple Storage Service (Amazon S3) 来支持许多按需应用程序服务器(可根据钟形曲线进行增减)、负载均衡器冗余集群和缓存金融信息。当他们推出新的服务或吸引新客户时,可以迅速在 AWS 上扩展计算基础设施,以提升可扩展性和降低成本。
使用 AWS后,Xignite 将上市时间缩短了2 个月,并且,因为无需全职运营工程师来购置并在额外配置空间安装服务器。从而节省了数千人力成本。“我们估计,总成本节省量,包括硬件、基础设施和网络带宽以及人力成本在内,预计将达到数十万美元,”Chan 表示。
这些都得益于AWS 提供的零预付基础设施成本和资源利用方面更高的效率。Chan 解释说:“高峰时期增加容量,高峰退去后再减少容量,无需备用容量以防冗余之需。要使用固定容量和传统计算模式达到这一目标,其成本真正令人望而生畏。”转移到 AWS 之前,Xignite 在主要配置设施内的服务器集群上部署服务,其结果是固定成本较高且容量使用不充分。
这也使得,过去一年,Xignite经历了爆炸式增长,预订量增长了超过50%,服务于来自其API的超过4550亿项数据请求,需求量每 6个月就翻一番。
XigniteFintech首席执行官兼创始人Stephane Dubois表示:“金融技术革命方兴未艾,并且将在未来几年内席卷金融服务业的所有方面。金融机构已经无法再负担运营所需的刚性专有数据基础架构的成本。金融技术的创新者正在对相对传统的金融服务公司继续施压。如果想在新格局中生存和蓬勃发展,这些传统机构必须一边大力创新,一边削减成本。其中包括复杂、繁琐和昂贵的财务数据消费。”
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。