低調霸榜全球最難SQL榜單超兩月，國產AI這次選擇高調開源！

• 金磊 發自 凹非寺
• 量子位 | 公眾號 QbitAI
  

不鳴則已，一鳴驚人。

沒想到一個低調霸榜了全球最權威SQL榜單超過兩個月的國產AI，這一次選擇了高調開源

如此反差劇情的主角正是螞蟻數科，在第二屆CCF中國數據大會上，它正式宣布：

• 開源旗下數據智能體關鍵技術——Agentar-SQL系列。

此次開源不僅包含實時文本轉SQL（Text-to-SQL）框架的全套論文、代碼、模型和使用指南，后期還將陸續開源數據庫理解與挖掘、行業知識挖掘、實時多輪交互技術框架，覆蓋意圖理解、業務理解到數據理解的全鏈路數據能力。

如果你關注AI數據分析領域，大概率聽說過BIRD-Bench。這是目前全球公認最具權威性的NL2SQL評測基準。

就在今年9月，螞蟻數科的Agentar-Scale-SQL在BIRD榜單上以執行準確率（81.67%）和執行效率（77%），雙料第一的成績登頂一舉超越了谷歌、亞馬遜等國際科技巨頭。

自然語言轉SQL（NL2SQL）在實際落地中面臨四大嚴峻挑戰：理解模糊多義的人類口語、注入龐大的行業專業知識、解析復雜的數據庫結構與關聯，以及生成準確無誤的復雜SQL語句。這些挑戰意味著，簡單的模型“套殼”遠不足以滿足企業級應用的可靠性與準確性要求。

螞蟻數科的Agentar-SQL核心思想在于，不是追求單一“完美”的SQL生成，而是通過系統化工程方法，真正讓AI賦能生產，讓數據結果懂需求、懂業務。在某頭部城商行試運營期間，螞蟻數科Agentar SQL多個工具的平均查詢準確率超92%，較傳統查詢方案提升超3倍。

但這樣的成績，還不足以形容螞蟻數科。

一直以來，螞蟻數科的AI發展可謂非常“低調”。如果深挖今年的動作會發現，螞蟻數科的AI版圖已經非常成熟與豐富，走出了一條中國AI“非常識”但又價值巨大的新路徑。

螞蟻數科CEO趙聞飆近日在生態伙伴大會上的一番話，道出了螞蟻數科AI布局上的真實“野心”：

• AI的真正價值不僅在于技術的先進性，更在于能否深入產業一線、解決實際問題。

△螞蟻數科CEO趙聞飆

之所以會有這番言論，是因為這個AI誕生的地方，正是在金融行業這個最復雜、數據門檻最高的業務場景，它經受住了比任何公開榜單都嚴酷的考驗——

從登榜到開源，從金融到各行各業，螞蟻數科正在用一套務實的方法論，回答產業AI如何真正用起來。

從一場非共識的死磕說起

讓我們先把時間撥回到2024年初。

那是百模大戰打得最兇的時候，市面上的AI公司大多在做兩件事：要么在刷各種通用榜單，證明自己的模型智商有多高；要么在做Chatbot，試圖讓AI變得更像一個陪聊伙伴。

但螞蟻數科的CEO趙聞飆和他的團隊的做法，卻顯得有些“格格不入”——

一頭扎數據門檻最高、合規要求最嚴的金融領域，這個被普遍認為是AI落地的“深水區”。

這個戰略從表面上來看是一點也不性感的，它意味著團隊必須要與“兩高一長”相伴：高風險、高投入、長回報周期。

因為這里沒有“差不多”，只有“百分百”。一個錯誤的回答不僅僅是用戶體驗下降這么簡單，更可能意味著巨額資金的損失，甚至是監管的紅牌罰下。

金融場景的極端復雜性，體現在三個維度：

• 數據高度敏感且孤島化：客戶資產、交易流水、風控規則等關鍵數據分散在多個系統，互不打通；
• 業務邏輯極其嚴謹：如“重點客戶”不是模糊標簽，而是“本季度活躍度大于80分”的明確定義；
• 合規要求近乎苛刻：所有AI推理必須可解釋、可審計、可回溯，不允許“黑箱決策”。

每一項對AI來說都是老大難的問題。

換言之，一個AI若是能精準地搞定最難領域的問題，那它再身處別的領域時就會變得從從容容游刃有余。

但螞蟻數科偏偏選擇了死磕，事實證明，這場豪賭，他們贏了。

因為最新的成績單顯示：螞蟻數科的服務已經覆蓋了100%的國有股份制銀行，以及超過60%的地方性商業銀行。

可以說中國金融體系的毛細血管里，已經流淌著螞蟻數科的代碼。

不僅如此，他們還悄然躋身了IDC《中國智能體開發平臺2025年廠商評估》的領導者象限，意味著在市場份額和技術實力上，他們已經站到了第一梯隊。

但光有戰略定力是不夠的，AI發展到現在的階段，更看重的好不好用。

在寧波銀行，雙方合作打造的智能化決策系統，便徹底打破了傳統金融服務的知識孤島。

過去，客戶經理面對一個復雜的投資咨詢，需要在多個系統間來回切換，答案常常是模糊的、滯后的。

新系統通過“規劃-檢索-推理”的智能機制，實現了從模糊匹配到精準推理的跨越。復雜問題回答準確率從68%躍升至91%，響應速度進入百毫秒級。

更關鍵的是，系統能清晰呈現推理過程與數據來源，在強監管的金融場景中實現AI黑箱白化。

上海銀行推出的AI手機銀行，則是另一種維度的革新。

它以對話即服務為核心，用戶通過自然語言交互即可辦理轉賬、理財咨詢、養老金查詢等業務。這不再是簡單的功能堆砌，而是體驗的重構，從“人找服務”到“服務找人”。

配合千人千面的個性化推薦與適老化設計，它已經成為了行業數智化轉型的典型樣本。

已經從金融級外溢到了產業級

金融領域的成功實踐，為螞蟻數科積累了可遷移的產業AI方法論，也推動其能力向更多民生領域延伸。

在南京，螞蟻數科與南京公交聯合打造的公交智能體小藍鯨，便是這一能力外溢的典型案例。

它將金融領域驗證過的“規劃-檢索-推理”邏輯，應用到了城市交通的復雜系統中。

從分析客流到生成線路，再到輸出經濟可行性報告，小藍鯨展現的是一種通用的、可遷移的產業AI能力。

210路公交車的開通，可謂是一下子把之前這片區域的公交線網空白給填上了，單日最高客流達2168人次，老年卡使用占比近50%。

不僅如此，類似210路這樣在AI建議下開通的公交，在南京已經有30多個，還新增了84個招呼站！

據悉，這是國內首次將AI智能體技術深度應用于公共交通調度系統，根據站點、客流、線路等多維數據分析，實現從經驗決策到智能規劃的全面升級。

能源領域，這種能力同樣鋒利。

螞蟻數科的 EnergyTS 能源電力時序大模型，能夠精準預測發電量和市場供需變化。

在投前決策環節，它能將原本需要2–3天的人工投資測算，縮短為十余分鐘，決策效率提升超60倍，已助力協鑫能科、霍普等企業實現數智化升級。

由此可見，從最難的場景切入，延伸到更廣的場景，用最硬的指標說話，這就是螞蟻數科在過去一年里上演的非共識劇本。

還敢按效果付費

技術再牛，如果賣不出去，也是白搭。

在To B的軟件市場，傳統的收費模式無非兩種：要么按項目制收費，要么是按訂閱制收費。

但這兩種模式都有痛點：甲方覺得我花了錢，萬一效果不好怎么辦？乙方覺得我投入了這么多人力，利潤薄如刀片。

螞蟻數科在付費模式上采取的做法也是一種非共識的打法——按效果付費。

這種模式，極大地降低了中小機構應用AI的門檻和風險。客戶不再需要為不確定的技術前景買單，而是為確定的業務結果付費。

這就倒逼了技術提供商必須真正深入業務一線，理解客戶的痛點，將技術能力轉化為可量化的商業價值。這是一種對自身能力的極度自信，也是一種對產業伙伴的真誠負責。

要規模化地實現這種模式，單打獨斗是行不通的，螞蟻數科深諳這一道理，因此，生態共榮，成為它必然選擇。

據了解，截至今年，螞蟻數科已與300家合作伙伴建立深度合作，共同服務超13000家終端客戶。

在這次的大會上，螞蟻數科正式升級了“星瀾計劃”，從技術賦能、運營支持、商機共享、資金扶持四個維度，全面提升伙伴能力，推動整個生態的全域升級。

一位合作伙伴在現場分享，今年其30%的營收來自與螞蟻數科的合作業務。這不僅僅是數字，更是市場對這套“技術+生態+商業化”組合拳的有力投票。伙伴們通過合作，沉淀出了一套AI賦能垂直場景的方法論，共同推動產業AI的規模化落地。

這種生態的視野，甚至延伸到了全球。

螞蟻數科的技術方案，已服務南洋商業銀行、渣打銀行等超百家海外金融機構。今年10月，其入選香港金融管理局生成式AI沙盒項目，為沙盒提供AI智能體服務與AI安全產品。

這標志著源自中國嚴苛金融場景打磨出的AI方案，正獲得國際市場的認可，展現出強大的全球競爭力。

在通用AI的喧囂之后，產業AI的務實革命才剛剛開始；而這場革命的主角，必將是那些敢于用效果說話的實干者。

— 完 —