六大國際銀行全面採用螞蟻國際 FalconTST 2.0：中國金融科技 AI 悄悄接管外匯預測部門

本週全球銀行業最重要的 AI 部署，不是來自 OpenAI、Anthropic 或 Google，而是來自螞蟻國際（Ant International）——從阿里巴巴支付帝國分割出來、總部設於新加坡的金融科技公司。這項部署於 2026 年 8 月 20 日正式落地，名字樸素得近乎無趣：Falcon 時間序列 Transformer 模型 2.0（Falcon Time-Series Transformer Model 2.0）。

根據路透社報導，已有六家大型國際銀行——包括花旗（Citi）、匯豐（HSBC）、德意志銀行、渣打（Standard Chartered）與巴克萊（Barclays）——將該模型整合進外匯與流動性預測作業。巴克萊將其接入 BARX NetFX 平台；花旗搭配自家 Fixed FX Rates 產品使用；渣打則配合 SCALE FX 系統運行，並納入新加坡金融管理局（MAS）主導的 PathFin.ai 計畫。螞蟻國際表示，目前部署的預測準確率持續保持在 93% 以上。

對一家源自中國的科技公司而言，其模型被嵌入西方大型銀行的財務基礎設施，幾乎是史無前例。這也是最明確的訊號：企業 AI 的真正大錢，流向的不是聊天機器人，而是預測。

FalconTST 到底是什麼

FalconTST 是一個時間序列基礎模型（time-series foundation model）——它不是用文字或圖片訓練，而是用隨時間變化的數值序列：支付流量、貨幣曝險、流動性需求、需求曲線。大型語言模型學習的是人類語言的統計結構，FalconTST 學習的則是「時間」本身的統計結構：週期、趨勢、季節性，以及跨產業的突發轉折。

它的發展脈絡值得注意。螞蟻國際最初是為自己打造這個模型——用來在龐大的跨境支付業務中，以小時、每日與每週的週期管理現金流與外匯曝險。2025 年底開源的 1.0 版（近 20 億參數）即宣稱超過 90% 的業界領先準確率，之後陸續與銀行夥伴整合。8 月 13 日隨 arXiv 技術報告發布、本週正式對銀行推出的 2.0 版，則是一次大幅度的深層重建。

技術細節上，Falcon 2.0 記錄於論文《Into the ORBIT for Time Series: Training Regimes for Foundation Models》（arXiv:2608.13262）。其核心貢獻與其說是新架構，不如說是新的訓練範式——ORBIT（Omni-Range Bootstrap Incremental Training，全範圍自舉增量訓練），它讓預訓練資料分布在資料集曝光、上下文視窗、預測視野與缺失值等維度上變得明確且可控。模型本身是一個刻意保持簡潔的單變量編碼器（encoder-only）Transformer，採用具備缺失值感知的三通道 patch tokenization，並引入 Rank-Guided Cross-Depth Alignment 訓練目標——以深層表徵作為淺層的教師訊號，且不增加任何推論成本。

這些工程選擇都有針對性。金融時間序列充滿缺口，模型明確區分「真正的零」與「缺失資料」，並能在單一架構中處理多種時間頻率——從秒級的支付遙測資料到月度經濟指標，一體適用。

真正關鍵的數字：0.666 MASE

2.0 版在全球頂尖的時間序列基礎模型公開評測基準（GIFT-Eval）上錄得 0.666 的 MASE（平均絕對比例誤差），登上該指標的排行榜之首，領先各大科技集團的競爭模型。MASE 低於 1.0 代表模型優於樸素預測；0.666 意味著它比多數企業財務部門仍在使用的方法基準，精準了大約三分之一。

這個基準成績，加上 93% 的持續性生產準確率，解釋了銀行為何願意簽約。在財務作業中，預測的價值極其具體：該持有多少流動性、何時避險、用哪種貨幣。高估外幣收入會導致過度避險的成本；低估則會讓企業暴露於風險。預測準確率提升幾個百分點，在每日數十億級的資金流中，直接換算為省下的基點成本。

檯面下的地緣政治

這個故事不僅是技術故事。西方銀行採用源自中國的 AI 基礎設施，在任何領域都極為罕見，而出現在交易作業核心的基礎模型上更是聞所未聞。三個因素讓它成真。

第一，螞蟻國際是以新加坡為基地的實體，與阿里巴巴保持一臂之遙——這個架構正是為了贏得這種國際信任而刻意設計。

第二，模型是開放的。Falcon 1.0 以 Apache 2.0 授權上架 Hugging Face，整個模型家族的程式碼在 GitHub 上提供 pip 可安裝的客戶端，技術報告也公開。銀行不需要盲目信任黑箱，可以自行跑基準測試。

第三，切入點是預測，而非生成。監管機構與風險委員會對產出分量估計（quantile estimates）的預測模型，遠比對在交易決策附近寫文章的生成式系統放心。部署介面狹窄、可衡量、可稽核。

為什麼是現在：預測式 AI 的轉向

螞蟻國際首席創新官楊江明（Jiang-Ming Yang）將這次發布定位為一個明確的命題：「大型語言模型展示了 AI 能夠理解與生成資訊。FalconTST 關乎企業日益需要的另一種能力：理解世界如何隨時間變化，並預判接下來會發生什麼。對我們而言，AI 的價值不只是在預測分數上做得更好，而是把預測智慧轉化為真實決策——該準備多少流動性、如何管理外匯曝險、如何更有效率地配置資本。」

這段話抓住了企業 AI 的轉折點。2023 到 2025 年的那波浪潮，關乎理解與生成內容；正在成形的下一波，關乎決策基礎設施：嵌入財務、供應鏈、定價與資本配置作業循環中的模型。時間序列基礎模型——Google（TimesFM）、Amazon（Chronos）與一群資金充足的新創都在追逐的品類——正是這波轉向的最前沿，而銀行業是預算最大、資料最肥的場域。

螞蟻國際平台技術總經理、資深副總裁李新奇（Kelvin Li）點出了進程：「FalconTST 1.0 讓客戶從更好的預測中獲得實質的營運價值與成本節省。FalconTST 2.0 憑藉更高的準確率與精度，讓我們把這些效益延伸至銀行夥伴，以及電商、旅遊、金融科技等快速變動產業的更廣泛客戶。」

後續觀察

部署足跡早已跨出銀行業。螞蟻國際表示，該模型已用於航空業的流動性與外匯管理——航空公司收入與成本分散於多種貨幣，是天然客戶——並正擴展至電商與物流，跨境交易的規模在消費者端創造了相同的曝險結構。

未決的問題同樣清楚。六家銀行會不會變成十六家，取決於模型能否撐過真正的市場劇烈動盪，而不只是在平穩市況中表現良好。美國與歐盟監管機構對系統性財務基礎設施中的中國模型會有多安心，是政治問題而非技術問題——而當前環境下，任何一方都沒有樂觀的本錢。Google、Amazon 或某家西方新創能否推出 MASE 匹敵 0.666、企業通路更深的时间序列基礎模型，將決定這是一道護城河，還是一扇先發優勢的時間窗。

已經確定的是：2026 年 8 月 20 日，一家中國金融科技公司的时间序列 Transformer，成為全球最大銀行外匯部門裡的生產基礎設施。生成式 AI 的競賽佔據頭條；預測式 AI 的競賽，正在悄悄地賺進營收。