Razorpay 發表 Vulcan：印度首個支付 AI 基礎模型

基礎模型的競賽，早已不再局限於聊天機器人。2026 年 8 月 18 日，總部位於班加羅爾的印度支付巨頭 Razorpay 正式發表 Vulcan——一個專為支付場景打造、以 Transformer 架構為基礎的 AI 基礎模型。Vulcan 與 NVIDIA 及 Amazon Web Services（AWS）合作開發，使用近 3 兆個資料點、涵蓋 40 億筆交易的資料集訓練而成，被定位為印度首個支付 AI 基礎模型，也是全球范围内少數將前沿模型架構實際應用於金流基礎設施的認真嘗試。

一個模型，統合路由、防詐與結帳

Vulcan 背後的核心洞見在於：支付系統長期以來是破碎的。智慧路由（routing）、詐欺偵測、風險評分、結帳個人化——每一項功能過去都各自運作於獨立的系統：不同的模型、不同的規則引擎、彼此孤立的資料筒倉。一筆在防詐層看來高風險的交易，可能恰恰是路由層應該改走另一條銀行通道重試的交易，但兩套系統彼此無法對話。

Vulcan 將這些功能收攏進單一、統一的智慧層。由於它是以 Razorpay 完整交易史訓練的 Transformer 模型——成功付款、失敗付款、拒付（chargeback）、爭議交易，全部一網打盡——模型能學習到傳統系統視為獨立變數的訊號之間的關聯。Razorpay 共同創辦人兼執行長 Harshil Mathur 形容這是一個「理解金錢語言」的模型，並指出推動這個專項的關鍵發現正是：成功率與詐欺其實是深度相互糾纏的問題，而非兩件獨立的事。

早期實測數據

Razorpay 以實際部署的數據為這次發表背書，而這些數字若能在規模化後維持，對一個支付失敗是日常摩擦的市場而言相當可觀：

• 支付成功率提升 8–10%——這是「一筆付款到底有沒有成功」最直接的衡量指標
• 國際信用卡詐欺偵測量提升 8 倍
• 整體詐欺與爭議交易的辨識量提升 5 倍

成功率 8–10% 的相對提升需要一些背景才能理解其分量。印度透過 UPI、信用卡與網路銀行處理全球數一數二的交易量，但卡片與部分銀行通道的成功率長期落後國際水準，依支付方式與發卡行不同，失敗率往往落在 10–20%。哪怕只挽回幾個百分點的失敗交易，對數百萬商家而言就是直接挽回的營收。以 Razorpay 與 AWS 在發表時引用的、2030 年達 3,500 億美元的電商市場規模來估算，幾個百分點的成功率，就意味著數十億美元得以完成的交易。

在印度本土打造、訓練、部署

這個故事另一個值得注意的部分，是 Vulcan 在哪裡運作。這個模型完全在印度境內打造、訓練並部署，使用 NVIDIA 與 AWS 提供的基礎設施。這個細節在三個層面上意義重大。

第一，資料落地（data residency）。印度金融監管機關對支付資料的儲存位置與處理方式日趨嚴格，一個在本土訓練、本土部署的模型，直接繞開了跨境資料摩擦——這類摩擦曾讓不少金融科技基礎設施專案在印度市場踢到鐵板。

第二，主權 AI 能力。Vulcan 加入了一個規模不大但持續成長的名單：以印度本土資料、在印度本土訓練的大型模型。這反映了從政府政策到大型企業的一致方向——在金融等關鍵領域推動主權 AI 基礎設施。

第三，NVIDIA 與 AWS 的結盟。對 NVIDIA 而言，支付正是能展現加速運算價值的典型垂直領域——其價值遠超通用 LLM 訓練。對 AWS 而言，讓印度首個支付基礎模型落腳在自家的印度區域，等於在其成長最快的市場之一拿到指標性案例。

垂直基礎模型才是真正的趨勢

剝開發表週的行銷話術，Vulcan 其實印證了 AI 部署方式的結構性轉變。基礎模型時代的第一波是水平的：OpenAI、Anthropic、Google 的通用 LLM 在基準測試與 token 定價上競爭。下一波是垂直的：以專有、非公開資料訓練的領域模型——這些資料是任何通用聊天機器人都看不到的。

支付很可能是商業價值最高的垂直領域。交易圖譜、詐欺模式、發卡行行為、路由歷史——這些資料專有、時效敏感、且源源不絕地補充，是完美的訓練素材。通用模型無法複製這條護城河，因為這些資料無法從網路上爬取。Razorpay 並不是第一家把機器學習用在防詐與路由的支付公司——每一家認真的處理商都做過——但把它包裝成跨功能統一架構的「基礎模型」，在企圖心上是一個明顯的升級。

競爭格局的解讀很直接。Adyen 與 Stripe 都已在 ML 驅動的路由與防詐上重兵投資（如 Stripe Radar、Adyen 的單一堆疊風險引擎）。Razorpay 的 Vulcan 把同樣的邏輯——一個模型、一個資料基底、多種功能——應用在印度獨有的問題上：發卡行高度異質、UPI 與卡片並存的支付生態，以及隨跨境電商爆發而日益猖獗的詐欺樣態。

後續觀察重點

三個開放性問題將決定 Vulcan 是里程碑還是新聞稿。其一，8–10% 的成功率提升能否在模型泛化到早期流量商家之外後持續，還是只是精心挑選的部署樣本。其二，模型如何應對對抗性漂移——詐欺集團的演化速度遠快於模型面對的幾乎任何對手，而統一模型一旦被攻破，就是單一故障點。其三，Razorpay 是否會把 Vulcan 的能力開放到自家軌道之外——以 API 形式服務銀行與其他處理商——那將使它從內部優勢蛻變為平台級基礎設施。

這些疑問都不減損已經完成的工程。以 3 兆個支付資料點訓練一個 Transformer，並讓它上線處理即時交易流，是紮實的技術成果；而全程在印度完成，更標誌著該國 AI 基礎設施故事的成年禮。基礎模型時代的競爭，已經不只是誰的文章寫得最好——而是誰能為經濟真正賴以運轉的系統，建出最好的模型。有了 Vulcan，這條前沿線現在也涵蓋了你按下「付款」的那一瞬間。