今天三则 AI 新闻看起来差非常远。
一则在华尔街。
一则在购物付款。
另一则甚至跑到月球。
但它们都开始碰到同一个问题：
AI 真的要替人做重要事情时，光「很聪明」已经不够。
金融分析要知道：
数据从哪里来。
AI Agent 花钱时要知道：
到底是谁授权它。
科学研究则要知道：
模型看了哪些观测数据，结果能不能被别人重新检查。
AI 下一阶段真正稀缺的能力，可能开始从：
回答能力
往前变成：
可信任能力。
第一则：OpenAI 推出 ChatGPT for Financial Services
OpenAI 9 月 10 日推出：
ChatGPT for Financial Services。
这不是单纯把一般 ChatGPT 换一个金融名字。
Reuters 报导，这个产品主要锁定：
Investment Banking。
Equity Research。
也就是：
投资银行。
股票研究。
OpenAI 找来 Morgan Stanley 与 Evercore 担任 Design Partner，一起协助设计真正的金融工作流程。
背后使用的则是：
GPT-6 Astra。
金融 AI 最大问题不是不知道财务知识
金融分析其实早就可以用一般大型语言模型做。
例如：
整理财报。
解释公司。
比较竞争者。
做产业研究。
真正麻烦的是：
答案到底根据哪一份数据？
一家公司的营收可能同时出现在：
财报。
电话会议逐字稿。
券商数据。
新闻。
第三方数据库。
不同来源的更新时间也不一样。
如果 AI 把几个来源混在一起：
最后只给你一句漂亮结论。
对一般聊天可能还可以。
到了投资银行：
就可能完全不够。
所以 OpenAI 这次直接把金融数据拉进工作台
Reuters 报导，新产品内置或集成多种金融数据源。
包括：
LSEG。
PitchBook。
Daloopa。
Crunchbase。
Quartr。
以及其他公司与市场数据。
金融机构原本已经订阅：
FactSet。
S&P Global。
Preqin。
Datasite。
等服务时，也能透过 Integration 连接。
目的不是叫分析师：
「再多问 AI 一个问题。」
而是把原本散落在很多数据库的信息：
拉进同一个 Research Workflow。
它能拿来做什么？
OpenAI 表示，金融团队可以利用这类工具：
研究公司。
分析财务数据。
创建 Financial Model。
整理 Earnings Transcript。
准备 Pitchbook。
使用公司自己的 Template 制作客户材料。
例如一个分析师原本可能要：
开公司财报。
开数据库。
找最新 Transcript。
整理数字。
开 Excel。
重新核对。
再制作演示文稿。
AI 现在想开始接手的是：
数据搬运、搜索、整理与第一版分析。
不是把最后的投资判断变成：
「AI 说可以，所以就买。」
为什么金融业需要另外做一个版本？
因为金融业除了「答案对不对」：
还多了很多一般聊天没有那么强的要求。
例如：
谁看得到数据？
公司数据有没有加密？
不同职位能不能看到不同内容？
AI 做过什么有没有 Log？
合规部门能不能追查？
OpenAI 表示，产品创建在 ChatGPT Enterprise 既有的：
Role-based Access。
Encryption。
Audit Controls。
等企业治理能力上。
合规团队也能把 Workspace Log 导出到既有 Audit Workflow。
也就是：
AI 不只要会工作，还要留下纪录。
这其实是金融 AI 真正进入 Production 的信号
金融公司以前也可以自己买 API。
自己接数据。
自己做内部工具。
现在不同的是：
AI 公司开始把：
模型。
数据。
权限。
工作流程。
Audit。
直接包成产业产品。
这代表大型模型市场开始从：
「大家共用同一个 Chatbot。」
转向：
「每一个高价值产业，都有自己的 AI 工作环境。」
法律。
医疗。
金融。
可能都会走这条路。
但有金融数据，不代表答案就一定正确
这点一定要分开。
数据源比较可靠：
只能降低其中一类错误。
AI 还是可能：
选错期间。
读错字段。
混淆公司。
错误解释会计项目。
把相关性当成因果。
甚至创建一个公式看起来合理、实际上假设错误的 Financial Model。
所以真正成熟的金融 AI 工作流，不应该是：
数据可信 → AI 结论自动可信。
而是：
数据可信 → 引用可追 → 计算可查 → 人再判断。
第二则：Visa、Mastercard、Ant 开始替 AI Agent 做「身份证」
第二则新闻更接近一般人的日常生活。
AI Agent 已经开始可以：
找商品。
比价格。
填购物车。
甚至准备付款。
接下来最大的问题不是：
AI 会不会买东西。
而是商家看到一个自动程序进来时：
怎么知道它到底是正常顾客授权的 Agent，还是恶意 Bot？
9 月 10 日：
Ant International。
Mastercard。
Visa。
宣布合作创建一套：
Know-Your-Agent，KYA。
KYA 可以理解成「先搞清楚这个 Agent 是谁」
金融业本来就很熟悉：
KYC。
Know Your Customer。
也就是确认客户身份。
现在当真正运行交易的可能不是人类本人：
而是一个 AI Agent。
市场开始多出另一题：
这个 Agent 到底是谁？
它代表：
哪一个人？
哪一家公司？
有没有被授权？
可以花多少？
正在做什么？
这就是 KYA 想处理的问题。
三家公司不是重新做一个共同信用卡网络
这里不能误解。
Visa 本来就有自己的：
Trusted Agent Protocol。
Mastercard 有：
Verifiable Intent。
Ant International 有：
Agentic Mobile Protocol。
这次三家公司不是宣布：
从今天开始全部改成同一套系统。
而是开始合作找：
跨网络共同可以理解的 Trust Signal。
让 Agent 在不同：
Card Network。
Wallet。
Marketplace。
Agent Platform。
之间移动时：
不要每到一个地方就重新证明一次身份。
第一个核心：知道 Agent 背后到底代表谁
三家公司提出的其中一个原则叫：
Operator Traceability。
意思是每一个 Agent 都要能追到：
经过验证的人。
持卡人。
企业。
或者组织。
例如你跟 AI 说：
「帮我买一双 3,000 元以下的跑鞋。」
真正到商家那一刻：
商家不能只看到：
「某个 Bot 发送付款要求。」
还需要知道：
这是一个有身份的 Agent。
它代表一个真实、经过验证的用户。
第二个核心：Agent 本身也要接受认证
不只人要是真的。
Agent 也要被评估。
三家公司提出：
Shared Certification Requirements。
也就是对 Agent 的：
安全。
行为。
运作方式。
创建共同认证条件。
因为一个会替人花钱的 Agent：
如果今天按照用户要求。
明天更新模型之后行为完全不一样。
支付网络就很难只做一次检查后：
永远相信它。
第三个核心：交易之后还要持续看
另一项原则是：
Continuous Transaction Monitoring。
也就是持续监控。
不是 Agent 第一天验证完：
以后所有付款都直接放行。
系统还会根据：
身份信号。
交易信号。
Agent 行为。
持续重新评估。
这和现在信用卡防诈逻辑其实有点像。
一张真的信用卡：
也不代表每一笔交易都一定是真的。
同样地：
一个真的 AI Agent，也不代表每一个动作都一定符合用户原意。
为什么现在急着处理这件事？
因为 Agentic Commerce 正开始从 Demo 走向真正付款。
Visa 自己最新调查显示：
72% 的受访美国消费者曾使用过 AI Assistant。
但是只有：
23%
愿意信任 Generative AI 直接替自己处理付款。
这是一个非常大的落差。
大家可能愿意让 AI：
推荐鞋子。
比较饭店。
找最便宜商品。
但真正到了：
「帮我按下付款。」
信任突然下降。
所以 Agentic Commerce 真正的瓶颈可能不是：
AI 不会操作购物网站。
而是：
人、商家和银行还不知道该怎么相信它。
KYA 也不代表以后 Agent 可以随便花你的钱
相反。
真正可用的 Agent Payment 应该愈来愈需要：
身份。
Intent。
Permission。
Limit。
Audit。
例如：
你授权谁？
买什么？
最多多少钱？
只用这一次？
还是未来都有效？
如果 Agent 最后买了错误商品：
可以不能追查当时到底拿到了什么授权？
这些问题才是「AI 自动付款」真正的基础设施。
而不是：
在 Chatbot 旁边放一张信用卡。
第三则：IBM＋NASA 把 Foundation Model 搬到月球
第三则新闻完全离开金融。
IBM 与 NASA 9 月 10 日正式发布：
NASA-IBM Lunar Foundation Model。
这是一个：
Open-source AI Model。
目的不是：
写月球介绍文章。
而是直接理解：
月球本身。
NASA 的问题其实不是没有数据
人类已经观测月球很多年。
不同任务。
不同卫星。
不同 Sensor。
累积大量：
图片。
高度。
地形。
热数据。
矿物与其他地球物理信息。
真正的问题反而是：
数据太多，而且格式与分辨率不同。
研究人员如果每次研究一个问题：
都重新把几个数据源对齐。
再另外训练一个专门模型。
非常花时间。
Foundation Model 想解决的，就是：
先创建一个理解多种月球数据的共同底层。
这个模型不是只看一种卫星照片
IBM 与 NASA 同时整理出一套新的 Machine-learning-ready Lunar Dataset。
里面包含超过：
30 个对齐的数据 Layer。
数据来自：
9 种 Instrument。
跨：
4 个任务。
其中包括 NASA：
Lunar Reconnaissance Orbiter。
GRAIL。
以及日本 JAXA：
SELENE／Kaguya。
也就是模型不是只看：
「这张月球照片长什么样。」
而是把不同种类、不同分辨率的观测数据：
放到同一个空间理解。
AI 可以拿来找什么？
其中一个重要用途是：
找月球冰。
月球永久阴影区域几乎照不到阳光。
如果里面存在 Water Ice：
对未来长期月球基地非常重要。
因为水不只是：
喝。
还可以拆成：
氧。
氢。
甚至可能支持未来 Rocket Fuel。
所以未来选基地：
「哪里可能有水？」
会变成非常实际的问题。
第二个用途：找适合降落的位置
模型也可以协助：
Map Craters。
分析：
坡度。
巨石。
地形。
其他 Landing Hazard。
未来太空人真的要长期回到月球：
不能只回答：
「这里看起来很平。」
需要大量不同尺度的数据一起判断。
IBM 与 NASA 表示，在部分 Benchmark 中：
新模型辨识月球重要地理特征的表现，比常用方法最高提高：
23%。
但这里要注意：
这是「最高」。
不是每一个任务都统一提高 23%。
第三个用途：理解月球以前发生过什么
模型也能协助研究：
Volcanic Features。
例如特殊的 Lunar Volcanic Formation。
这些结构可以帮科学家理解：
月球过去的：
热历史。
火山活动。
地质演化。
所以这个 AI 不只是为了：
「帮 NASA 找下一个停车位。」
它同时是一个科学研究工具。
为什么要 Open Source？
这可能是这则新闻最重要的一点。
IBM 与 NASA 没有只做一套：
NASA 内部专用 AI。
而是把模型：
公开。
也把新的 Lunar Dataset 一起开放。
目的就是让其他：
大学。
研究机构。
科学家。
工程团队。
可以直接在共同 Foundation 上继续：
Fine-tune。
创建新的研究任务。
比较结果。
甚至找到原本团队没有想到的用途。
这和一般封闭 Chatbot 的价值完全不同。
它真正想创建的是：
Scientific Infrastructure。
Foundation Model 不一定非得是一个会聊天的 AI
这也是一般人最容易误解的地方。
今天一讲 Foundation Model：
很容易想到：
ChatGPT。
Claude。
Gemini。
但 Foundation Model 的概念其实可以用在：
地球。
天气。
太阳。
月球。
Scientific Data。
IBM 与 NASA 之前合作的 Prithvi 系列就已经包含：
Geospatial。
Weather。
Heliophysics。
现在再加上：
Moon。
所以未来 AI 的重要发展，很可能有很大一部分：
你根本不会在聊天框里看到。
它可能藏在：
气象研究。
卫星数据。
材料研究。
医疗图像。
工厂 Sensor。
太空任务。
里面工作。
今天三则新闻，到底连在什么地方？
重新看一次。
OpenAI：
把金融数据、企业权限与 Audit 带进 AI。
真正问的是：
这个答案从哪里来，而且公司能不能追查？
Visa、Mastercard、Ant：
替会花钱的 AI Agent 建共同身份与信任框架。
真正问的是：
这个动作到底是谁授权的？
IBM＋NASA：
把月球模型与数据开源。
真正问的是：
这个科学结果能不能让别人重新研究与验证？
三个产业完全不同。
但都开始出现同一个要求：
AI 不能只交答案。
它还要留下：
来源。
身份。
权限。
纪录。
以及可以被检查的路径。
这对一般人有什么用？
以后看到一个 AI 说：
「我可以帮你做。」
不要只问：
做不做得到。
可以再加四个问题。
第一个：
数据从哪里来？
第二个：
它现在代表谁行动？
第三个：
它到底被授权做到哪里？
第四个：
做完之后，我能不能回头查？
如果一个 AI 越来越强：
但这四题越来越难回答。
那它可能很惊艳。
却不一定适合进真正重要的工作。
相反地：
当 AI 开始能清楚回答：
数据源。
身份。
Permission。
Audit Trail。
它才真正有机会从聊天工具：
走进金融。
支付。
科学。
以及更多不能随便出错的地方。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
AI 今日早报｜2026/09/02：印度据报准备让 AI Agent 用 UPI 小额付款、ChatGPT 接上 Epic 病历、欧盟追问 Google AI Search 退出机制
今日 AI 工具｜2026/07/31：Claude Science，把论文、数据分析、程序与科学图表放进同一个可追溯研究空间
