近日，富德数智（FundeAI）自主研发的德明灯（FundeLight）正式投入市场应用。德明灯是面向投资管理场景推出的人工智能产品，以AI+本体为底层数据工具平台，基于从大语言模型（LLMs）到大逻辑模型（LMLMs）的原创框架，广泛覆盖各类企业主体的智能评估。本文将以德明灯1.0版本的实践入手，对其逻辑进行解读。
德明灯（FundeLight）架构全景图
从大语言模型（LLMs）到大数学逻辑模型（LMLMs）
人工智能（AI）的飞速发展主要由一个看似简单的原则所驱动：缩放定律（scaling law）。大语言模型（LLM）已经彻底改变了我们对机器学习系统能达到何种成就的理解，这不是通过革命性的算法创新，而是通过对三个关键因素进行系统性的缩放：
其中，L 代表损失函数（例如交叉熵损失），N 表示模型参数的数量，α和β 是凭场景专业知识校对的参数，而 L∞ 代表不可约损失底限 （即，在给定无限计算资源的情况下，理论上可实现的最小损失模型参数、训练数据和计算资源）。基于缩放定律（scaling law），即模型能力随规模演变的数学关系，引发机器学习系统达到足够大时产生涌现现象（emergence）。大模型不仅是大语言模型，还包括图像合成、视频生成与多模态内容创作，这背后是基于我们所称的大数学逻辑模型（LMLM，以下简称“大逻辑模型”）。这样，扩散形态的数学模型已成为主流范式。这里，我们简要回顾一下扩散模型的发展历史。其实，现代扩散模型的概念可追溯至John Hopfield于1982年在联想记忆网络方面的开创性工作。Hopfield网络引入了将神经计算视为能量最小化的革命性理念，这一概念来自统计物理。在Hopfield网络中，由N个二元神经元（si）构成的集合被赋予一个能量：
其中wij表示对称连接权重，bi为偏置项。网络动态遵循简单的更新规则，即，神经元翻转其状态以降低能量，最终收敛于局部能量极小值，对应着存储的记忆。这个 “能量景观” 类比奠定了现代生成模型的基础。但是，Hopfield网络存在容量有限和确定性动态易陷于局部极小的局限，这个瓶颈是由人工智能杰出学者Hinton 教授（2024年诺贝尔物理学奖获得者）和Sejnowski提出的玻尔兹曼机中通过引入随机性而得到问题的解决而呈现跨越式发展的。事实上，由Hinton与Sejnowski在1985年提出的玻尔兹曼机, 带来了随机性与统计力学的融合，即，从确定性的Hopfield网络到概率性的玻尔兹曼机，代表了神经网络与平衡态统计力学相关联的范式转变。玻尔兹曼机将确定的阈值更新替换为基于玻尔兹曼, 即通过吉布斯（Gibbs算法）分布的随机激活：
其中：
为配分函数，T 是温度参数。这一形式化将神经网络转变为概率模型，其中较低能量的状态具有更高的出现概率。这样，扩散模型就成为主流范式: 这个思想谱系是从Hopfield网络到基于Hinton与Sejnowski提出的玻尔兹曼机中随机性的引入并与热力学体系的融合而发展到今天的扩散模型形态, 她通过基于随机算法模拟的变分推断、评分建模与流式生成，统一于相同的数学框架中, 从而推动人工智能大模型的蓬勃发展。
大逻辑模型演进拓扑图
“基于动态本体论的核心要素（主要包括：对象（Objects）；属性（Attributes）; 关系（Relations）；规则（Rules）; 语义一致性机制; 和动态适应性等方面的内容）, 结合我们理解的真实场景，我们通过整合演变为对应的至少从下面三个维度来展开落地实施的工作：
第一：支持（动态）本体刻画的神经网络提供的“计算能力”；
第二：配合大模型训练的涌现符号结构带来的“抽象规则”；
第三，以及刻画真实场景需要的具身交互所赋予的“现实根基”。
从而对它们进行创造性融合，打造出既拥有大言语模型 （LLMs）那般“深邃内涵”，又具备具身主体那种“敏捷行动”的系统和配套的多模态人工智能功能，这就支持我们实现跨越从最完整意义上的“思考”到“行动”的最后鸿（LMLMs），到达构建人类需要的人工智能体的彼岸。”
多模态框架的扩展到捕获多个缩放维度的联合效应，从上面最佳性能需要的参数数量（N）和训练tokens 数量（D）的平衡缩放支持我们原创的特征提取方法从理论到实践的实现（这里, E, A和B 是对应场景的系/常数)：
目前，我们富德数智（FundeAI）推出的“德明灯”智能体系就是这样一个真实的行业平台的实现。
概括而言，德明灯 （FundeLight） 有几个方面的的原创性工作：
- 基于人工智能（AI）的飞速发展的缩放定律（scaling law）作为工作展开的出发点
- 基于随机抽样的吉布斯（Gibbs）算法的玻尔兹曼机问题的解决，实现从确定性到随机性的范式转变
- 从大语言模型（LLMs）到大数学逻辑模型（LMLMs）理论框架的建立
- 建立了针对金融场景（行业）风险特征提取的创新理论与实践结合的方法
- 基于我们金融科技大数据AI方法在金融业界场景的真实应用介绍概要介绍
结合监管要求及数据可得性，德明灯构建了一套分层分类的企业评估框架，将国内公司划分为实体公司与金融公司两大门类，并细分为八大子类，实现对企业风险的全景式扫描。实体公司类：覆盖上市实体公司、发债实体公司、非上市非发债公司，以及具有富德生态特色的基金和信托类公司。针对实体企业，我们引入多源异构数据融合技术，整合财务报告、经营动态、行业舆情、供应链信息等，构建基于大数据特征提取的评估模型。通过自动化特征工程与机器学习算法，挖掘传统财务指标之外的隐性风险信号，如关联交易异常、经营稳定性波动、行业周期影响等，形成动态、多维的企业信用画像。金融公司类：包括商业银行、证券公司、寿险公司与财险公司。考虑到金融行业的数据规范性和监管要求，我们采用因子分析与聚类分析相结合的方法，提炼出资本充足性、资产质量、盈利能力、流动性等核心风险因子，并通过聚类算法识别不同风险层级的机构群体，实现同类可比、异类区分的精准评估。该框架不仅支持单体机构的风险度量，还能为集团化层面的风险敞口汇总提供统一标尺。
该框架的创新之处在于：一是将基金与信托公司纳入实体大类，充分结合富德生态的业务特点，实现对集团投资标的的全覆盖；二是针对不同类型企业采用差异化的技术路线，既保证了评估的精细化，又兼顾了数据资源的可行性。目前，该框架已全面落地，为德明灯后续的功能延展提供了坚实的底层支撑。未来，德明灯将成为覆盖企业投资 KYC、一级市场、二级市场、固定收益市场的全系列AI 智能体产品，能够实现从企业穿透式风险计量、信用评级，固定收益率市场主体评级、债项评级及收益率曲线和违约概率的精确计算，实现全流程自动化风险评估，为资管业务提供全方位智能支撑。
富德数智（FundeAI）致力于成为数字经济基础设施提供者和产业智能化发展赋能者。我们以“人工智能+动态本体”为技术底座，以“算法、算力、数据、安全”为核心，服务金融保险、能源化工、健康管理、智慧政务等多行业领域。从前沿场景出发，把技术转化为可落地的业务成果，助力风险管控、效率提升与智能决策。我们相信，数智化的价值，在于解决真实世界的复杂问题。
