在欧洲，一场关于 AI 主权的静默转向正在发生。
2026 年 10 月 21 日，柏林 GTC 大会期间，英伟达发布了一篇看似平常的行业博客，标题是“领先的欧洲金融服务机构拥抱开放模型，构建专有智能”。真正值得注意的不是标题，而是名单：Revolut、Starling Bank、劳埃德银行集团、桑坦德、荷兰数字银行 bunq、NatWest、Modulr、LSEG、HSBC、Stripe。这些名字横跨数字银行、传统银行、支付清算、金融数据四大板块，却指向同一个结论——欧洲金融业正在把 AI 的命脉，从闭源 API 手里拿回来。
过去两年，金融行业的 AI 叙事被一个简单问题主导：“我们该用 GPT，还是自建？”现在，答案不再是二选一。欧洲银行给出的第三条路是：用开放权重模型，跑在自己的基础设施上，训练和推理都握在自己手里。这不是技术路线的微调，而是一次对“智能所有权”的重新定义。
现象：从 PRAGMA 开始，整条技术栈被推倒重来
最先下重注的是 Revolut。
这家欧洲数字银行巨头正在把自己的整个技术栈重建在一个名叫 PRAGMA 的单一基础模型之上。PRAGMA 由 Revolut 与英伟达合作开发，运行在 NVIDIA Blackwell Ultra GPU 上，底层使用 cuDF 工具包和 Dynamo-Triton 软件。目前它已面向 8000 万用户投入生产，并被设计为可再扩展 3 倍。
“Revolut 处理数十亿笔交易——机会一直在那里，但问题在于，基础模型能否在这样的规模上、跨多个领域运行。PRAGMA 回答了这个问题。”Revolut 人工智能主管 Pavel Nesterov 说，“与英伟达合作打造的 PRAGMA，是迄今为止最清晰的证明：从研究突破到生产级银行系统之间的鸿沟，是可以被填平的。”
注意这句话的分量。过去三年，金融行业对大模型的质疑从来不是“它聪不聪明”，而是“它能不能在银行级的规模、合规和延迟要求下活下来”。PRAGMA 的意义不在于它用了什么模型，而在于它证明了基础模型可以真正进入银行的生产核心，而不是停留在客服聊天机器人的外围。
这不是孤例。劳埃德银行集团推出了 ATUM——一个把数十亿笔银行交易转化为可复用智能的交易基础模型，由 NVIDIA RTX PRO 6000 Blackwell GPU 加速，正在银行内部多个用例中提升效率。Starling Bank 成为首家在英国主权云基础设施上训练智能体模型的银行，其“Starling Intelligence”智能层构建在 Civo 的英国云上，使用的是银行自己的交易数据。SBS 则推出银行主权智能平台，让银行可以在数据不出墙的前提下运行生成式和智能体模型。
当四家机构同时把“主权”“自有数据”“生产级”挂在嘴边时，这不是巧合，而是一个行业的集体转向。
分析一：开放模型不是目的，数据主权才是
为什么是欧洲？为什么是现在？答案藏在两个词里：主权和成本。
先看主权。欧洲是全球金融监管最密集的大陆之一，GDPR、数据本地化、跨境传输限制层层叠加。对银行而言，把客户交易数据喂给一家美国云厂商的闭源模型，从来不只是技术选择，更是合规风险。Starling Bank 特意强调自己是“首家在英国主权云基础设施上训练智能体模型的银行”；SBS 的平台卖点直接就是“数据不出墙”。这些不是营销话术，而是欧洲银行生存的基本条件。
但主权叙事有一个老问题：自建模型太贵，效果追不上闭源。这正是开放权重模型在过去一年发生质变的地方。
荷兰数字银行 bunq 的智能体助手 Finn 已经切换到开放权重模型，部署在 Nebius 云上，由英伟达加速计算驱动。结果是：在答案质量与领先闭源模型相当的前提下，单次回答成本只有对方的 60%。60%，不是 90% 也不是 95%——这意味着开放模型已经跨过了“便宜但难用”的临界点，进入了“既便宜又好用”的区间。
Modulr 基于 NVIDIA Nemotron-3-Ultra-550B 开放模型，为支付运营的不同环节构建专用模型。桑坦德成为英伟达全新 Kumo 开放权重基础模型家族的早期采用者，用结构化金融数据构建核心银行业务的专用智能。NatWest 则与英伟达的语音模型（包括 Nemotron 3.5 ASR）合作，训练能识别英国各地口音、方言和金融术语的系统。
这些案例的共同点很清晰：开放模型不是用来“替代”闭源的廉价方案，而是用来把银行自己的数据，蒸馏成别人拿不走的专有智能。闭源模型给你的是通用能力，开放模型给你的是把通用能力压进自己业务流程的通道。
分析二：开放模型越火，英伟达的铲子卖得越好
这里有一个最容易被误读的地方。
乍一看，银行拥抱开放模型像是在“去英伟达化”——既然模型是开放的，是不是就可以摆脱对单一芯片厂商的依赖？答案恰恰相反。
把这篇博客里的硬件清单列出来：Revolut 用 Blackwell Ultra GPU；劳埃德和 LSEG 用 RTX PRO 6000 Blackwell GPU；欺诈检测加速用 RTX PRO 6000 Blackwell Server Edition；bunq 部署在 Nebius；Stripe 用 GPU 加速的 Ray Data；HSBC 用 Starburst 的 GPU 引擎；LSEG 用 Polars GPU 引擎。整篇文章里，“开放”指的是模型权重，而跑这些模型的“地”，几乎全是英伟达的加速计算平台。
这就是英伟达真正的护城河。当模型变成开放的、可移植的，竞争会从“谁的模型更好”下沉到“谁能以最低成本、最低延迟把模型跑起来”。而 cuDF、Dynamo-Triton、Ray Data、Polars GPU、Starburst GPU Engine——这些加速数据管道和推理的软件栈，才是把开放模型变成生产力的关键。模型可以开源，但让模型在银行级数据规模上跑得动的工程能力，很难开源。
换句话说，开放模型的普及不会削弱英伟达，反而会把它从“模型供应商的房东”变成“整个智能经济的水电煤”。银行越是要把智能握在自己手里，就越需要英伟达的铲子。
分析三：真正的战场不在聊天机器人，而在数据管道
如果只盯着“银行用 AI 做什么”，你会错过这篇文章里最有杀伤力的一组数字。
Stripe 的 Stripe Radar 欺诈检测平台，在离线测试中实现了数据管道 42 倍加速、成本降低 92%。HSBC 通过 Starburst GPU 引擎实现 5 倍数据处理加速，获得近实时的客户洞察。LSEG 与英伟达合作，用 Polars GPU 引擎和 cuDF 分析海量历史 tick 数据，速度最高提升 10 倍。RavenPack 在 Bigdata.com 上构建了数据集生成流水线：输入一句自然语言的研究假设，返回标注好、可直接回测的数据集，背后是微调过的 Nemotron 模型。
这些数字指向同一个事实：金融行业 AI 竞争的胜负手，正在从“模型参数规模”转向“数据到决策的速度”。
一家银行用多聪明的模型，已经不再是决定性差异。真正的差异是：你能不能在毫秒级内，从 TB 级的孤立、受监管数据源里抽出信号，做出欺诈判断、信贷决策或交易执行。模型是开放的，大家都能拿到；但把多 TB 的孤岛数据变成可训练、可推理的燃料，这套工程体系抄不走。
这也解释了为什么 Revolut 要把整个技术栈压在一个基础模型上。当 PRAGMA 能同时服务风控、交叉销售、信用评估、产品推荐时，它积累的就不是一堆零散的 AI 功能，而是一个共享的行为智能层。这个层越厚，后来者要追的就不是一款模型，而是整个数据飞轮。
结论：谁在赢，谁在危险
这场转向的赢家已经浮现。
第一类赢家，是那些敢于把 AI 压进生产核心的机构。Revolut、劳埃德、Starling 的共同点，是它们没有把基础模型当成锦上添花的外挂，而是当成重建技术栈的轴心。这类机构的风险是投入巨大、周期长，但一旦跑通，护城河也是结构性的。
第二类赢家，是提供“主权基础设施”的玩家。Civo 的英国主权云、SBS 的银行主权智能平台、Nebius 的部署环境——它们卖的不是模型，而是“数据不出境”的确定性。在欧盟和英国的监管框架下，这种确定性本身就是商品。
第三类赢家，是英伟达这样的“铲子商”。开放模型越普及，推理和训练的工程复杂度越高，对加速计算平台的需求就越刚性。
危险的一方也很清楚：还在用“调 API 做聊天机器人”来定义金融 AI 的机构。当欧洲同行已经把基础模型变成交易级的生产系统时，停留在应用层的玩家会发现，自己既没有数据飞轮，也没有成本优势，更没有合规主动权。
开放模型给欧洲银行的不是一套更便宜的 AI，而是一把拿回智能所有权的钥匙。当模型变成水电，真正的护城河就不再是谁拥有模型，而是谁拥有把数据变成智能的管道——以及，谁握着铺管道的铲子。
快报