报告概述
本报告以蚂蚁集团为研究对象,重点介绍其提出的DKCF大模型应用可信框架。报告覆盖大模型在金融、医疗、安全等专业领域应用面临的可信挑战,如模型幻觉、数据不足、知识缺乏、反馈低效。报告详细阐述了DKCF框架的定义、四大核心模块(充足数据D、专业知识K、能力协同C、高效反馈F)及其协同机制,并结合网络安全告警研判的最佳实践展示框架应用。报告旨在帮助企业理解如何构建端到端的可信AI体系,实现大模型的安全可控落地。
报告的核心结论
DKCF框架系统应对大模型应用四大可信挑战
报告指出,大模型在专业领域落地面临推理核验缺失、知识工程不足、数据工程不足和反馈循环低效四大挑战。蚂蚁集团提出的DKCF框架通过充足数据(D)、专业知识(K)、能力协同(C)和高效反馈(F)四个模块,分别对应解决这些问题,从而提升大模型应用的可信度。
模型幻觉是当前用户最担忧的大模型风险
报告引用IDC调研数据,超过54%的最终用户对大模型幻觉问题表示担忧。幻觉问题源于大模型基于概率的生成模式,导致答案选择错误或虚构内容。DKCF框架通过引入不确定性量化机制和专业知识图谱,有效缓解幻觉现象。
可信AI体系需要从企业战略层面系统规划
报告强调,构建可信AI体系是一项系统工程,需将安全、治理左移,并与业务目标融合。企业应依据AI风险评估,将数据隐私、透明可解释、模型监控等作为核心内容,分阶段对AI应用进行全生命周期安全管控。
能力协同和高效反馈是DKCF框架的关键创新
DKCF框架中的能力协同模块采用HOP技术将复杂任务解构为子任务,发挥多智能体协同优势;高效反馈模块通过HOP核验机制构建闭环流程,实现推理结果驱动数据供给。这两个模块显著提升了大模型在复杂场景下的执行效率与可靠性。
报告回答的关键问题
大模型在行业落地面临哪些可信挑战?
大模型在金融、医疗、安全等行业落地时面临四大可信挑战:推理核验缺失,导致模型在信息不足时输出错误结论;知识工程不足,通用模型缺乏专业领域知识;数据工程不足,关键数据缺失使决策失误;反馈循环低效,传统微调方法时间成本高,难以快速内化场景知识变更。
如何有效应对大模型幻觉问题?
DKCF框架从多维度缓解模型幻觉:通过充足数据模块确保模型依赖充分数据决策;专业知识模块构建高质量行业知识库和知识图谱;能力协同模块将复杂任务分解为可控子任务;高效反馈模块引入HOP核验机制实现闭环修正。同时,框架整合不确定性量化机制,使模型能自我评估输出确定性水平。
DKCF框架如何帮助企业构建可信AI体系?
DKCF框架提供了一套从数据、知识、协同到反馈的完整方法论。企业可参照框架在评估阶段对AI应用进行幻觉、注入攻击等安全评测,在运营阶段利用DKCF进行改造。框架与IDC统一AI治理模型相辅相成,帮助企业实现大模型在训练、推理、执行全流程的安全可信,最终用对、用好大模型和智能体。
DKCF框架在网络安全领域有哪些实际应用?
报告以蚂蚁集团基于DKCF构建的风险研判助手为例,该助手应用于网络安全告警研判,包含切面数据预处理、知识模块、Agent模块、线索模块和反馈循环模块。系统在真实环境稳定运行3个月,显著降低对安全运营人员知识水平的要求,提高了研判效率和准确性,减少了人为调查不足导致的误判。
报告中的代表性数据
生成式AI对全球经济的贡献预测
2030年,IDC预测到2030年,人工智能将为全球带来22.3万亿美元的经济收入,占2030年全球GDP的3.7%。
用户对大模型幻觉的担忧比例
2025年,IDC全球GenAI技术趋势调查显示,超过54%的最终用户对大模型幻觉问题表现出担忧,反映了可信是用户落地大模型的核心诉求。
以上数据根据报告摘要整理,具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 厂商概述:介绍蚂蚁集团的公司概况、发展历程及业务板块,包括数字支付、数字互联、数字金融、数字科技和全球化。
- 市场综述:分析生成式AI技术趋势及大模型应用带来的安全风险,引用IDC预测数据及全球用户风险调研结果。
- DKCF大模型可信应用框架详解:详细阐述框架的提出背景、定义、四大核心模块(数据、知识、协同、反馈)及技术实现原理,包括HOP技术的应用。
- 最佳实践:以网络安全告警研判场景为例,展示基于DKCF框架构建的风险研判助手的具体模块、流程及实际运行成效。
- 公司战略:介绍蚂蚁集团面向未来的三大发展战略:支付宝双飞轮、AI优先和加速全球化。
- 未来展望:讨论大模型落地的信任挑战与AI治理体系构建,提出评估和运营阶段的具体建议,并给出IDC统一AI治理框架。
- 要点提示与建议:向蚂蚁集团提出加速DKCF落地、树立标杆案例、构建技术生态等建议。
- 相关研究:列出IDC在GenAI安全、Agentic AI安全及AI治理方面的其他研究报告以供延伸阅读。
本页内容由川海智库整理,用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限,部分观点、数据、统计口径或表述可能存在偏差,具体内容请以完整报告原文为准。





