AI Infrastructure 最新版图、演进趋势与金融行业关注方向调研报告

• 版本：v1.0（定稿）
• 更新日期：2026-10-10
• 证据截止日期：2026-10-10。厂商路线图、出货状态和监管进展只反映截至该日可查到的公开信息。
• 适用对象：以中国境内持牌金融机构（银行、证券、保险）为主，境外监管仅作参照。

标注约定

• 【事实】：有可核查来源，编号对应文末“参考来源”。
• 【判断】：讨论组基于证据作出的推断，成熟度评级和优先级都属于判断。
• 【推测】：路线图类预测，或目前无法核实的论断。

厂商公告只能证明“厂商发布或宣称了某项能力”，不能证明该能力的独立性能、安全性，也不能证明它在金融机构达到了可投产的成熟度。

摘要 #

1. 版图：AI Infra 可以划为十层：物理层、算力、集群网络与存储、训练、推理、模型供给、数据、编排与智能体、LLMOps 与评测，以及贯穿各层的安全治理。安全治理与 AI 网关、路由与成本计量都是横切能力，图中单独绘出；网关不计入十层（见第 2 章）。

2. 重心转移【判断】：行业重心正从“训练规模”转向“推理经济性、数据可信、治理与评测”。数据中心用电快速增长【事实，[R1]】，电力与散热正成为算力扩张的硬约束【判断】。

3. 成熟度分化【判断】：基础软硬件栈已经生产成熟，包括通用 GPU、开源推理引擎和主流训练框架。下列方向仍处于早期采用或实验阶段，不宜直接按“标配”采购：

   • 预填充/解码（PD）解耦与跨节点 KV 缓存：少数大型模型服务商的自研栈已有生产或在线服务部署，开源引擎的实现仍为实验性；无论规模，都须按自有负载验证；
   • 开放互联标准（UEC、UALink）；
   • 智能体协议的授权与安全模型；
   • 生成式 AI 观测标准；
   • 提示注入防御。

4. 金融机构的定位【判断】：多数金融机构是 AI 基础设施的使用方而不是建设方。投入重点应放在三类能力上：

   • 受控推理平台；
   • 可审计的数据与检索；
   • 业务评测与治理。

   自建大规模预训练集群对多数机构不具备投入产出合理性。

5. 监管基线：相关文件均已发布【事实，[F1][F2][F3][F5]】，基线已基本明确【判断】。

   • 2026 年 6 月，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》。据地方金融管理部门转载的发布要点，它要求把 AI 风险纳入全面风险管理体系，实行风险分类分级和高风险应用准入，并在高风险应用的关键环节设置人工监督和干预机制。文号与逐条原文待核（见第 7 章 V2）。
   • 数据安全、生成内容标识等规定已经施行。

6. 下一阶段优先级【判断】：

   • P0：AI 风险治理与模型台账（含高风险场景的上线前业务评测）、数据边界与权限透传（含已上线或拟上线 RAG 的权限过滤与检索留痕）、统一 AI 网关（含基础用量采集），以及已上线场景的可用性与失败恢复。
   • P1：可审计 RAG 的平台化与持续、规模化的业务评测，国产算力的负载分层与双栈验证，新建场景的低时延优化，单位任务成本核算。
   • P2：PD 解耦等高级推理优化、高权限智能体、自主训练。

1. 范围与口径 #

1.1 定义 #

AI Infra 指支撑 AI 系统全过程的底层技术与工程系统。这一过程从数据接入开始，依次经过模型训练、部署和在线推理，直至观测与治理。

1.2 成熟度分级（全文统一口径） #

• 成熟度针对“技术 + 典型负载”评定，不给整家厂商定级。
• 评级反映的是业界整体状况，不代表已通过任何金融机构的验收。
• 金融机构采用某项技术，仍须用自有负载完成两项验证：基准测试，以及失败恢复验收（见 5.4）。

1.3 金融优先级判定标准 #

优先级按三个维度综合排序：

• 监管刚性：有无明确的监管义务或期限；
• 业务影响：出错对客户、资金或业务连续性的后果；
• 落地难度：依赖的技术成熟度与改造成本。

判定规则【判断】：

• P0（上线前提）：满足下列任一条件：
  • (a) 有明确的监管义务，且出错后果严重或不可逆；
  • (b) 影响已上线（或即将上线）业务的连续性；
  • (c) 是其他 P0 事项的前置依赖或落地载体。
• P1（规模化支撑）：不满足 P0 条件，但支撑规模化推广，且有明确业务需求或可核查的收益依据；缺失时不直接造成合规或连续性缺口。
• P2（前瞻评估）：技术成熟度在 L2 及以下，或收益依赖场景实测、尚无明确业务需求。
• 判定顺序：按 P0 → P1 → P2 顺序判定，先满足者为准；P2 的成熟度条件只适用于不满足 P0、P1 条件的事项。

同一方向内，控制措施与平台化建设可以分属不同优先级。例如，RAG 的权限过滤与检索留痕属 P0，可审计 RAG 的平台化建设属 P1（见 5.2）。

2. AI Infra 分层版图 #

flowchart TB
    subgraph X["横切能力"]
        direction LR
        X1["安全与治理<br/>身份权限 · 供应链 · 合规审计"]
        X2["AI 网关<br/>路由 · 限流 · 计量分摊"]
    end
    subgraph APP["应用支撑层"]
        direction LR
        A1["编排与智能体<br/>工作流框架 · MCP/A2A · 工具调用"]
        A2["LLMOps 与评测<br/>链路追踪 · 业务评测 · 发布回滚"]
    end
    subgraph DATA["数据与模型层"]
        direction LR
        D1["数据平台<br/>湖仓 · 向量/混合检索 · RAG · 特征"]
        D2["模型供给<br/>闭源 API · 开源权重自托管"]
    end
    subgraph RUN["运行层"]
        direction LR
        R1["推理服务<br/>引擎 · 量化 · KV 缓存 · PD 解耦"]
        R2["训练<br/>框架 · 并行策略 · 后训练"]
    end
    subgraph INF["基础设施层"]
        direction LR
        I1["集群、网络与存储<br/>调度 · 互联 · 并行存储 · 容错"]
        I2["算力与芯片<br/>GPU · 云厂商 ASIC · 国产 NPU"]
        I3["物理层<br/>电力 · 液冷 · 机房"]
    end
    APP --> DATA --> RUN --> INF
    X -.-> APP
    X -.-> DATA
    X -.-> RUN
    X -.-> INF

2.1 分层总表 #

成熟度与金融相关度均为【判断】。

3. 各方向现状与演进趋势 #

3.1 物理层：电力与散热成为硬约束 #

• 【事实】IEA 估算：2024 年全球数据中心用电约 415 TWh，到 2030 年将增至约 945 TWh，增长一倍以上。AI 是主要驱动因素 [R1]。
• 【判断】机架级系统使单柜功率和液冷成为选址与扩容的前置条件。对于自建机房的金融机构，扩容的瓶颈往往先出现在机房供电与制冷上，而不是采购预算上。
• 【推测】单柜功率的具体数值以厂商规格为准，本报告不引用未核实的数值。

3.2 算力与芯片：机架级集成、异构并存 #

现状

• 【事实】NVIDIA：2026 年 5 月宣布 Vera Rubin 进入全面量产爬坡，量产出货定于 2026 年秋季开始 [C1]。截至证据截止日，尚未核实实际交付情况。
• 【事实】Google：第七代 TPU（TPU7x，Ironwood）于 2025 年 11 月开放预览，2026 年 3 月 31 日正式可用（GA）[C2]。
• 【事实（二手）】AMD：据 2026 年 2 月的报道，AMD 称机架级系统 Helios（72 颗 MI455X）按计划于 2026 年下半年推出 [C3]。后续报道对量产与出货时间说法不一，实际交付尚未核实【推测】。
• 【事实】华为：披露了 CloudMatrix384 超节点（384 颗昇腾 910C）的推理服务架构 [C4]。论文中的性能数据为作者自报。

趋势与不确定性

• 【判断】演进方向是从单芯片峰值转向“整机架互联 + 低精度 + 软件栈”的系统竞争。
• 【判断】国产算力的差距主要在软件栈、算子覆盖和互联，不在单卡峰值。具体情况：
  • 推理侧已在中等规模模型上进入规模采用；
  • 大规模训练仍处于早期采用阶段。
• 【判断】采购评估应比较以下指标，而不是厂商峰值倍数：
  • 同一模型、同一精度、同一负载下的有效吞吐；
  • 尾时延；
  • 功耗；
  • 驱动维护与备件恢复。
• 【推测】新一代产品能否按期大规模交付，取决于 HBM 与先进封装产能。出口管制走向也有不确定性，境内机构的可得性存在变数。

3.3 集群、网络与存储：以太网追赶，容错优先 #

现状

• 【事实】超以太网联盟于 2025 年 6 月发布 UEC 1.0 规范 [C5]。【事实（二手）】此后持续修订，2026 年 7 月发布 1.0.3，版本页本轮未打开核对。UALink 联盟于 2025 年 4 月发布 UALink 200G 1.0 规范，面向纵向扩展（Scale-up）互联 [C6]。
• 【事实】Kubernetes v1.34 的动态资源分配（DRA）核心 API 已转为 GA [C7]。Kubernetes 文档指出，命名空间隔离须配合网络等其他控制，才能实现多租户隔离 [C8]。
• 【事实（二手）】据 Meta Llama 3 技术报告：约 54 天的预训练期间发生 419 次意外中断，约 78% 与硬件相关 [C9]。上述数值据二手转述，原文表格待逐项核对。

趋势与判断

• 【判断】万卡级训练中，容错和检查点效率比峰值算力更能决定有效训练时间。

• 【判断】金融机构的典型规模是数十到千卡，以推理为主。这一层对金融机构的重点是：

  • GPU 池化与多租户调度；
  • 故障域隔离；
  • 独立备份恢复。

  超大规模训练网络不是重点。

• 【判断】扩容与资源共享会扩大故障和攻击的影响范围。副本和纠删码无法恢复被同步删除的数据。

3.4 训练框架与并行策略：重心转向后训练 #

• 【事实】主流栈包括：
  • PyTorch（FSDP2、torchtitan）、Megatron-Core、DeepSpeed、JAX；
  • 昇腾生态的 MindSpore/MindSpeed。
• 【事实】公开技术报告自报已在大规模训练中采用 FP8 混合精度与 MoE 专家并行 [C10]；性能数据为作者自报。
• 【判断】行业重心从“预训练规模”转向“后训练与强化学习”：数据与奖励设计、推理–训练混合负载成为新的工程重点。“预训练收益放缓”本身仍有争议（见第 6 章）。
• 【判断】对金融机构而言，预训练基本不是选项。真实需求是 LoRA/SFT 微调、偏好对齐和蒸馏，因此这一层在金融投入中应降权。

3.5 推理服务与优化：成本主战场，解耦尚未定型 #

现状

• 【事实】PagedAttention（vLLM）、RadixAttention（SGLang）等内存管理技术已成为主流引擎的基础 [C11]。
• 【事实】PD 解耦的研究包括 DistServe（OSDI 2024）、Splitwise（ISCA 2024）、Mooncake（FAST 2025）[C12]。其中 Mooncake 描述的是服务商自身的生产系统，性能数据为作者自报。DeepSeek-V3 技术报告第 3.4 节也写明，其在线服务采用预填充与解码分离的部署策略（预填充最小部署单元 4 节点 32 卡，解码 40 节点 320 卡）[C10]。vLLM 官方文档仍将解耦预填充标为“实验性” [C13]。
• 【事实】vLLM 安全文档指出：多租户部署下，共享前缀缓存构成时序侧信道（CVE-2025-46570），并提供 cache_salt 隔离机制。该机制的代价是缓存复用率下降 [C14]。

趋势与判断

• 【判断】推理是成本占比最高、优化空间最大的一层。引擎、连续批处理、前缀缓存和常用量化已经生产成熟。
• 【判断】PD 解耦与跨节点 KV 缓存的收益取决于多个因素：提示长度、输出长度、并发量和网络条件。在百卡以下的中低并发场景，新增的传输开销和运维复杂度可能抵消收益。无论部署规模，都须用自有负载实测，不作为通用标配。
• 【判断】量化之后，须重新评测金额、日期和工具参数等关键字段的准确性。在多租户场景，缓存边界应由可信网关统一控制。

3.6 模型供给层：闭源 API 与开源自托管并行 #

• 【判断】金融机构的基础设施选型首先取决于模型供给方式：
  • 闭源 API：能力强，但受数据分级、跨境和第三方集中度约束；
  • 开源权重自托管：数据不出域，但要承担推理平台、评测与补丁维护成本。
• 【判断】开源权重模型显著降低了自托管门槛。双轨并存（按数据级别路由）将是常态。
• 【事实】外部引入生成式 AI 服务时，须核对网信部门的备案与适用范围要求 [F4]。《生成式人工智能服务管理暂行办法》第二条区分了面向境内公众的服务和不向公众提供服务的研发应用。

3.7 数据平台：难点在权限与时效，不在检索算法 #

• 【事实】Elasticsearch 等通用检索系统已支持混合检索与重排 [C15]；pgvector 为 PostgreSQL 提供向量检索能力 [C16]。
• 【判断】独立向量数据库的差异化在缩小，向量检索正被既有数据库与搜索系统吸收。超大规模高维检索仍有专用系统的空间。
• 【判断】企业 RAG 的瓶颈在文档解析、权限继承、更新一致性和评测：
  • 权限过滤须在内容进入模型之前执行；
  • 撤权、删除和版本更新须同步覆盖原文、索引、缓存和智能体记忆；
  • 向量化不等于匿名化。
• 【判断】特征平台只在需要在线特征的场景才是必要层，不是所有生成式 AI 应用的必备组件。

3.8 编排与智能体：协议收敛，授权滞后 #

现状

• 【事实】MCP 于 2024 年 11 月发布。2025 年 12 月，Anthropic 将 MCP 捐赠给 Linux 基金会旗下新成立的 Agentic AI Foundation [C17]。
• 【事实】MCP 2026-07-28 版安全最佳实践有三点要求 [C18]：
  • 明确禁止“令牌透传”，服务器不得接受非签发给自身的令牌；
  • 讨论了混淆代理、SSRF、状态句柄劫持等攻击；
  • 要求最小权限、渐进授权。

趋势与判断

• 【判断】协议层快速收敛，但“协议互通 ≠ 业务授权”。工具调用须逐次核验以下四项，故障恢复则须防止重复执行：
  • 用户身份；
  • 业务权限；
  • 参数；
  • 额度。
• 【判断】工作流框架处于规模采用；高权限自主智能体在金融场景属于实验阶段。近期应限定为只读或可人工复核的流程，限制写操作和资金类操作。

3.9 LLMOps、观测与评测：最被低估的一层 #

• 【事实】OpenTelemetry 生成式 AI 语义约定仍为 Development 状态。文档提示，输出消息等属性可能包含个人敏感信息 [C19]。
• 【事实】2026 年 8 月发布的 OWASP LLM 应用十大风险 2026 版有两处变化 [C20]：
  • “过度代理（Excessive Agency）”升至第三位；
  • 面向智能体的风险另有专门清单。
• 【判断】链路追踪、延迟与费用监测已经规模采用。业务正确性、幻觉和智能体长期行为的评测仍须按场景自建数据集，并配合人工抽检。
• 【判断】LLM-as-judge 存在位置偏好、冗长偏好等偏差，只能作为辅助手段。
• 【判断】对金融机构，这一层产出的日志和评测记录就是合规证据，但须做两点区分：
  • 区分普通运行日志与受控审计证据；
  • “日志越全越安全”不成立，留存范围须与个人信息最小化原则协同设计。

3.10 安全与治理：限制能力，而不是只堵输入 #

• 【事实】常用参照框架：
  • NIST AI 600-1《生成式 AI 剖面》（2024）[C21]；
  • OWASP LLM Top 10（2026 版）[C20]；
  • ISO/IEC 42001:2023 管理体系 [C22]。
• 【判断】间接提示注入目前没有完整的防御方案，务实做法是限制能力：
  • 最小权限工具；
  • 输出校验；
  • 外连与资源限制；
  • 人在回路。
• 【判断】以下措施都有边界：
  • 安全网关不能替代下游授权；
  • 制品签名不能证明模型没有后门；
  • 私有化部署只解决数据出域问题，不解决越权检索与日志外传。

4. 总体演进趋势 #

flowchart LR
    T1["训练规模竞赛"] --> T2["推理经济性<br/>低精度 · 缓存 · 解耦"]
    T2 --> T3["数据可信<br/>权限 · 血缘 · 时效"]
    T3 --> T4["治理与评测<br/>运行时控制 · 业务评测"]
    P["约束：电力与散热<br/>供货与出口管制<br/>软件栈成熟度"] -.-> T2

主要趋势

投入产出不确定性

• 【推测】MIT NANDA《The GenAI Divide》（2025）称，绝大多数企业的生成式 AI 试点没有带来可测量的损益影响 [R2]。该报告的样本与口径存在争议，各方转述也不一致（有的指试点，有的指组织），只宜作为风险提示，不宜当作量化结论。

5. 金融行业下一阶段关注方向与事项 #

5.1 监管基线 #

5.2 优先级总览 #

flowchart LR
    subgraph P0["P0 上线前提"]
        A["AI 风险治理<br/>模型台账 · 分级准入 · 高风险上线评测"]
        B["数据边界<br/>分级路由 · 权限透传"]
        C["统一 AI 网关<br/>鉴权 · 限流 · 计量"]
        D["已上线场景<br/>可用性与失败恢复"]
    end
    subgraph P1["P1 规模化支撑"]
        E["可审计 RAG 平台化<br/>持续规模化评测"]
        F["国产算力<br/>负载分层双栈验证"]
        G["单位任务成本核算"]
        K["新建场景低时延优化"]
    end
    subgraph P2["P2 前瞻评估"]
        H["PD 解耦等高级推理优化"]
        I["高权限智能体"]
        J["自主训练"]
    end
    P0 --> P1 --> P2

R3a–R3e 沿用议题任务书的事项编号，与参考来源中的 R1、R2 无关。

以上优先级为通用起点【判断】。银行、证券、保险的适用规定不同，各场景的数据敏感性与决策影响也不同，各机构须按自身业务和第 1.3 节条件调整。

5.3 分项建议 #

R3a 合规监管与模型风险管理（P0） #

1. 扩展管理对象：模型风险管理的对象从“模型”扩展到“模型 + 提示词 + 检索库 + 工具权限”构成的系统，统一登记版本，并建立以下两套台账：

   • “机构—业务—数据—部署—法域”适用性矩阵；
   • 模型台账。

2. 按风险分级：F1 要求实施风险分类分级和高风险应用准入 [F1]。分级维度【判断】：

   • 数据敏感性；
   • 对客户权益或资金的决策影响；
   • 工具与写操作权限；
   • 人工复核是否有效（复核人能否独立核查证据并否决）。

   授信、定价、投资建议等对客决策场景通常属于高风险【判断】。“内部使用”本身不能降低风险等级：例如读取客户敏感数据、直接影响审批结论的内部授信辅助，仍应按高风险管理。内部辅助场景只有经上述维度评估确认为低风险后，才可采用较低强度的验证。

   • 高风险场景须在上线前完成业务正确性评测，并设定质量门槛（P0）；持续、规模化的评测平台建设属 P1。

3. 可解释落实为可追溯【判断】：模型自述的理由不等于忠实解释。审计留痕应覆盖以下内容，并保证可回放：

   • 输入；
   • 检索片段；
   • 提示版本与模型版本；
   • 授权与动作结果；
   • 人工复核记录。

4. 显式设计人工复核点：复核人须检查实际证据，而不是模型的解释。无法形成可靠依据时，退回既有流程。

5. 对外服务合规：根据服务对象、服务性质和机构角色核定适用义务 [F4]。向境内公众提供服务的，适用《暂行办法》；具有舆论属性或社会动员能力的，依法开展安全评估并履行算法备案；使用已备案模型时，按属地要求办理登记等手续【判断，以主管部门要求为准】。生成合成内容按适用规定落实标识 [F5]。

R3b 数据安全与隐私（P0） #

1. 数据分级与调用路由联动：高敏数据只进私有化或专属部署；公有云 API 只用于低级别数据。
2. 扩充数据清单：把以下对象纳入数据清单和分级管理：
   • 提示词与附件；
   • 向量索引；
   • KV 缓存；
   • 智能体记忆；
   • 遥测日志。
3. RAG 权限透传：共享向量索引必须验证逐用户的权限过滤。演练三类情况：跨用户检索、撤权和删除。
4. 防泄漏与合同约束：
   • 提示词与输出做脱敏与数据防泄漏（DLP）；
   • 日志设定保留期；
   • 合同禁止第三方把客户数据用于模型训练，并核查第三方的留存、远程支持与出境链路。
5. 多租户缓存隔离：多租户推理须开启缓存隔离（如 cache_salt），防止前缀缓存时序侧信道 [C14]。vLLM 文档要求把缓存盐当作秘密、使用足够长的随机值，并指出被猜中或获取的盐仍可被用于时序攻击 [C14]。因此，缓存盐宜由可信网关按授权边界生成、保密并逐请求注入，不由最终用户提供【判断】。

R3c 信创/国产化算力适配（P1；涉及明确期限时，由机构合规部门依据第 1.3 节条件重新判定是否提为 P0，未提级的维持 P1） #

1. 双栈 + 负载分层【判断】：
   • 推理与新增负载优先使用国产算力；
   • 大规模训练与精调保留异构；
   • 先迁移离线、经风险分级评估为低风险且人工复核有效的负载。
2. 用抽象层降低绑定：通过推理引擎抽象层（如 vLLM 的昇腾后端、MindIE）和统一的模型交付流程（统一权重格式与评测集）降低迁移成本，避免从单一海外厂商绑定转为单一国产厂商绑定。
3. 固定组合，用自有负载验证：锁定“硬件—驱动—框架—算子—量化”组合，用自有负载验证以下指标，不采信厂商峰值指标，也不把单模型跑通外推为全平台适配：
   • 业务输出精度；
   • 尾时延；
   • 补丁支持；
   • 升级回退。
4. 计入全部成本：成本评估须计入工程人力与迁移工时，不能只看卡价。

R3d 高可用与低时延（已上线场景 P0，新建优化 P1） #

1. 毫秒级路径不用大模型【判断】：交易执行、支付和实时风控等毫秒级关键路径，继续使用规则、传统模型和图模型。大模型用于秒级的交互、辅助决策、客服与投研等场景，且不得成为唯一的执行依赖。
2. 分项定义 SLO：分别定义以下指标：
   • 首 token 时延（TTFT）、单 token 时延（TPOT）、端到端 P99/P99.9；
   • 错误率；
   • RTO/RPO。
3. 降级链：小模型 → 规则 → 人工；配套多模型热备、限流、熔断与队列隔离。备用模型切换前，须验证其输出与工具行为。
4. 排查共同故障点：双活服务如果共用身份系统、KMS、模型仓库或网络出口，仍存在共同故障点。跨可用区部署须纳入灾备演练。

R3e 成本与投入产出（P1；基础用量数据随网关上线采集） #

1. 计量单位：用“每件通过业务验收的任务成本”计量，不用 GPU 小时或 token 单价。
2. 计入全部成本：TCO 须包括以下各项：
   • 设备折旧、电力制冷与冗余；
   • 评测与人工复核；
   • 补丁、迁移与退出；
   • 第三方依赖风险。
3. 按顺序优化：依次尝试模型级联路由、前缀与语义缓存、离线批处理和量化，最后才考虑扩容硬件。
4. 立项设条件：立项前定义可量化的业务指标、预算上限与停止条件，并以既有流程为对照。
5. 规避单价陷阱：单位 token 变便宜，但推理长度、工具调用和复核次数增加，总成本可能反而上升。

5.4 上线前的失败恢复验收清单【判断】 #

6. 少数意见与争议 #

以下意见有一定依据，但未被正文全部采纳；表中逐条注明处理状态（已采纳、部分采纳、未采纳或保留），供读者参考。

本报告与常见业界叙事的分歧【判断】：

1. 峰值算力和代际倍数不能直接进入金融预算。
2. PD 解耦在部分超大规模、高并发、长上下文部署中已有生产采用，但不是通用标配；百卡级部署更须按负载实测。
3. 协议标准化、RAG 和私有化都不会自动带来可信与安全。
4. 国产化宜按负载分层推进，不宜一次性全面替代。
5. 多数金融机构是基础设施的使用方，不必自建训练栈。

7. 证据边界与待核事项 #

• 证据性质：本报告没有取得独立基准、金融机构部署案例或恢复演练数据。性能、成本与 ROI 的结论只给方法，不给具体比例。

• 待核事项：

  编号	事项	状态
  V1	Vera Rubin、AMD Helios 的实际客户交付	截至 2026-10-10 未核实
  V2	金融监管总局 2026 年 6 月指导意见的文号与逐条原文	本报告依据地方金融管理部门转载的要点，正式条文以官方文本为准
  V3	Llama 3 报告中断统计	原文表格待逐项核对
  V4	JR/T 0258-2022《金融领域科技伦理指引》	未能核实，未写入正文
  V5	华为后续超节点路线图（Atlas 950/960 等）	未核实，未写入正文
  V6	欧盟 AI Omnibus 中 Annex I 嵌入式产品的推迟日期	各方解读不一致
  V7	昇腾推理“规模采用”（L3）的多家生产案例	目前只有厂商自报论文 [C4]，独立案例待补
  V8	证券期货机构的数据安全与 AI 应用适用规定	5.1 所列 F1、F2、F9 适用于银行保险机构，F3 适用于人民银行业务领域的数据处理活动；《数据安全法》《个人信息保护法》普遍适用，但本报告未逐条核对原文。证券期货行业另有《证券期货业网络和信息安全管理办法》（证监会令第 218 号）[F10]，本报告只核对了其名称、令号和施行日期，适用条款及与 AI 应用的对应关系待机构逐条核定

参考来源 #

核实方式：

• A：主持人联网打开官方或一手页面核对；转载或解读页不算一手页面，归 B；
• B：主持人联网核对，但依据为二手报道或律所解读；
• C：主持人依据稳定标识（论文号、标准号、法规名称）确认，本轮未逐页打开原文。