当支付开始预测未来

“预测的意义，从来不是提前知道答案，而是在答案出现之前，决定今天该怎么做。”

文丨张盒子

出品丨支付之家 · 深度

1944年6月，诺曼底登陆已经进入最后准备阶段。

近16万盟军部队等待投入行动，大量舰艇、飞机和物资已经集结。作战计划极其复杂，但到了最后，还有一个谁也无法控制的变量没有解决，那就是天气。

2026年上映的电影《诺曼底72小时》(Pressure)，把镜头对准了登陆前最后72小时。安德鲁·斯科特饰演盟军首席气象学家詹姆斯·斯塔格，布兰登·费舍饰演盟军最高司令艾森豪威尔。与许多把镜头对准战场的诺曼底题材影片不同，这部电影把登陆前的天气判断和决策压力放到了故事中心。

盟军原计划6月5日发动登陆。英国气象局保存的历史资料显示，这场行动需要潮汐、能见度、风力和低云等多种自然条件配合。到了5月底，天气已经成为整个行动剩下的重大未知因素之一。以当时的知识和工具，人们还无法提供军事规划原本希望获得的可靠七天天气预报。

斯塔格面对的是不断变化的气压、风向、云层和天气系统，不同气象团队之间还存在判断分歧。他无法“看见”未来，只能根据已经掌握的观测和规律，判断未来几十个小时哪一种天气更可能出现。

最后作决定的是艾森豪威尔。

原定6月5日的行动因为恶劣天气预报被推迟一天，盟军最终选择6月6日登陆。

电影英文名Pressure，本意就是“压力”。这种压力既来自天气本身，也来自一个更现实的问题。未来还没有发生，决定却已经必须作出。

预测发生在未来，决策发生在现在。

八十多年以后，需要被预测的早已不只是天气。

对一家全球支付机构来说，它每天面对的问题可能是，未来几个小时会有多少钱流进来，几天之后需要支付多少钱，分别需要准备哪些币种，又可能形成多大的外汇敞口。

天气和资金看起来相距很远，却都在随时间变化。

蚂蚁国际首席创新官杨江明把这类能力概括为“洞察事物随时间演变的规律，预判未来走向”。

北京时间8月20日，蚂蚁国际发布自研时序预测大模型“鹰序TST”（FalconTST）2.0。一项最初用于自身现金流和外汇管理的AI预测能力，已经进入银行和航空场景，并计划进一步向电商、物流等更多行业扩展。据披露，新版本在相关时间序列预测基准中取得领先成绩，在实际业务中的预测准确率稳定超过93%。

AI正在改变预测

人类很早就在尝试预测未来。

天气预报早已存在，企业也长期预测销量、库存、现金流和市场需求。统计模型以及后来的机器学习，都被用来从历史数据中寻找规律。

过去很多预测模型需要围绕具体数据和具体任务进行训练与验证。一家公司的现金流、一种商品的销量，往往各有自己的数据条件、模型和调整过程。

近几年，时间序列领域开始出现“基础模型”。

谷歌的TimesFM、亚马逊的Chronos等模型，都在尝试从大量历史序列中学习可以继续用于新数据和新任务的预测能力。

谷歌最早公开TimesFM时，已经把重点放在对未见时间序列的零样本预测上，后续研究又开始尝试让模型通过少量相关序列完成上下文学习。亚马逊的Chronos则把连续时间序列转化为模型能够处理的离散表示，到Chronos-2又进一步扩展到多变量和协变量预测。

时间序列基础模型正在减少预测对单一任务训练的依赖，让一套预训练模型能够继续处理新的序列和预测任务。

这种思路与基础模型在语言等领域的发展有相似之处，但企业经营中的数据有自己的形态。交易量、现金流、库存、销量、价格、天气和能源需求，都在随着时间不断变化。

鹰序TST 2.0的技术报告同样把跨领域、跨时间频率和缺失数据列为重点问题。面对来自不同行业、不同频率和不同数据分布的序列，模型能否保持预测能力，本身就是时序基础模型需要解决的问题。

此次发布强调的“跨客户、跨行业预测能力复用”，也处在这样的技术发展背景下。

不同对象的可预测性并不相同。

企业现金流通常存在结算周期、工作日与节假日等相对稳定的经营结构。金融市场价格受到政策、新闻、预期和交易行为等更多因素影响，参与者的行动还可能反过来改变市场。

所以，在一些业务现金流上取得较高预测准确度，与可靠预测金融市场未来是两回事。不同系统的规律、噪声和反馈机制不同，基础模型也无法抹平这些差异。

鹰序TST最初面对的，是一个具体得多的问题。

它要预测的是钱。

预测“未来的钱”

对用户而言，一笔支付可能在几秒钟内就已经完成。但对于处理全球支付的机构而言，一笔笔交易最终会形成持续变化的资金流。

不同国家的消费者在不同时间付款，不同商户在不同时间结算，钱以不同币种进入，又以不同币种流出。

支付机构除了知道“今天发生了多少交易”，还需要判断未来几个小时可能流入多少钱、未来几天需要支付多少，哪个市场需要更多流动性，又需要提前准备哪些币种。

交易发生在当下，资金管理却必须面向未来。

前台越实时，后台越需要提前准备。

摩根大通2026年发布的实时支付与资金管理报告，把更高交易限额、24小时结算需求、周末预融资以及资本方面的考量，都列入企业资金管理需要面对的问题。摩根大通在《2026年支付展望》中也讨论了持续在线的流动性和资金管理。

传统批量支付存在相对明确的处理窗口，资金部门可以围绕日终、次日和工作日安排资金。支付逐渐走向7×24小时后，这些边界开始改变。周末仍可能发生结算，不同时区持续产生资金需求，一个市场进入夜间时，另一个市场可能刚开始交易。跨境支付还叠加了币种、账户和地区差异。

支付越来越实时，并没有让流动性管理随之消失。资金流动覆盖的时间越长、市场和币种越多，后台越需要提前判断下一笔资金需求可能在什么时候、什么地方出现。

国际清算银行对大额支付系统的研究显示，在实时逐笔结算中，同一天的资金流入和流出只要存在时间错配，金融机构的日内流动性需求就可能明显高于日终净头寸。资金管理不能只看一天最终流入和流出了多少，资金发生的时间同样重要。

现金流预测本就是企业资金管理长期存在的业务需求。

摩根大通2026年面向约200名亚太地区首席财务官和资金管理负责人的调查显示，38%的受访者把现金流预测列为最大的流动性管理挑战，高于市场波动的35%。44%的受访者把增强数据分析和预测列为AI在财务运营中的主要用途，比例居各项用途首位。

预测偏低，企业可能需要临时补充流动性，也可能面临更多未被提前覆盖的外汇风险。预测过高同样存在成本，过多资金提前准备会形成额外占用，对外汇敞口判断过高也可能带来不必要的套保。

预测最终要解决的，是需求真正出现以前怎样配置资源。

鹰序TST正是从这样的实际问题中产生的。

鹰序TST此前已经用于内部现金流和外汇敞口预测，覆盖小时、日和周等不同时间尺度，并用于全球资金和外汇管理。

到了2.0，新版本进一步处理现实业务中并不规整的数据。

例如，周末没有银行交易，不代表真实资金需求为零。不同业务也存在不同的时间频率，支付数据可能非常高频，资金管理可能按小时或天观察，其他行业又可能按照更长周期运行。

鹰序TST 2.0进一步加强了缺失数据、多时间频率和跨领域泛化等能力，以适应新的数据和业务环境。

这些预测随后还要进入流动性、外汇风险和资本配置等实际决策。

当预测进入决策链

杨江明在谈鹰序TST时提到的几个问题，包括准备多少流动性、如何管理外汇敞口，以及怎样更高效地配置资本。

2025年7月，花旗与蚂蚁国际宣布将鹰序TST与Citi Fixed FX Rates结合，用于航空客户的外汇风险管理。鹰序TST帮助企业预测未来销售和外汇敞口，花旗的外汇产品承接后续风险管理。

花旗披露，双方已经为一家亚洲大型航空公司完成实际外汇交易，并称初期实际交易降低了该公司的外汇套保成本。

销售和交易数据形成的预测由此进入银行外汇产品，企业再据此管理真实的外汇风险。

2025年8月，渣打将鹰序TST与Aggregated Liquidity Engine（SCALE）结合，用于预测蚂蚁国际的外汇敞口。渣打披露，相关预测准确率超过90%，预测结果进一步用于外汇风险和套保成本管理。

据此前披露，巴克莱也已将鹰序TST整合进BARX NetFX相关外汇解决方案。

此次发布同时显示，巴克莱、花旗、德意志银行和渣打均已采用新版本。目前，鹰序TST相关合作已覆盖六家大型银行，其中已公开名称的机构包括花旗、汇丰、德意志银行、渣打和巴克莱。

各家银行目前的合作进度存在差异。花旗已有实际外汇交易案例，渣打已经完成鹰序TST与SCALE的整合。其他合作目前尚未公布同等程度的落地细节。

在鹰序TST之前，大型银行已经开始把AI现金流预测做进资金管理平台。

美国银行2022年上线现金流预测工具CashPro Forecasting，利用客户在美国银行及其他金融机构的账户数据，通过机器学习预测未来现金头寸。到2025年，美国银行披露已有超过3000家公司使用这项能力，预测期限覆盖1天至1年。

2025年，美国合众银行推出由Kyriba支持的资金管理工具Liquidity Manager，把AI现金预测、情景分析、多银行账户信息、现金池和实时资金头寸放进同一套资金管理产品。

美国银行和美国合众银行把预测能力直接做进银行资金管理平台。鹰序TST的路径有所不同，它先在内部的跨境支付、现金流和外汇业务中使用，随后进入银行已有的外汇和资金管理体系。

鹰序TST的这些合作已经让预测能力跨过机构边界，进入不同银行已有的外汇和资金管理产品。

模型仍只是决策输入之一。

即使模型预测一家支付机构第二天需要1亿元流动性，企业最终准备多少，也不能只看这一个数字。预测误差、资金不足的风险、多准备资金的成本、极端情况下需要留下的安全空间，以及风险偏好、业务规则和监管要求，都要进入判断。

预测准确度不等于决策质量。

模型可以给出未来可能出现的状态，企业仍要结合成本和风险决定今天怎么做。

现金流和外汇预测很快会被真实业务检验。预计需要多少资金，实际需求随后就会出现。预测了多大的外汇敞口，最终结果也会留下新的数据。

现实业务不断产生数据，模型据此形成预测。预测参与经营决策以后，实际结果又成为新的数据，继续用于之后的判断。

现金流预测有没有改善，资金占用、外汇风险和套保成本是否真正发生变化，最终会反映这类预测能力在经营中的价值。

当预测进入现实

在金融和航空场景之外，蚂蚁国际还希望把这种预测能力继续带到更多行业。

支付关注资金流，航空关注客流、销售和运营需求，电商关注销量，物流关注货量和运力。它们面对的数据不同，却都可能存在周期、趋势、季节性、事件冲击以及不同时间尺度上的变化。

时间序列基础模型试图从这些变化中学习具有一定通用性的模式。进入具体行业以后，模型仍要面对各自的数据结构和经营规律。

航空已经成为鹰序TST较早进入的外部行业之一。

在Capital A的合作案例中，鹰序TST已用于多币种现金流和外汇敞口预测。Capital A方面表示，相关方案使其外汇套保成本最多下降约40%。

航空连接了现金流、外汇和资金管理，也连接着每天实际发生的运输和运营。

下一步的扩展方向还包括电商供应链需求预测、物流及航空运营管理等领域。电商、物流等目前仍属于扩展方向。

鹰序TST 2.0技术报告显示，它在GIFT-Eval总体点预测中表现领先，在fev-bench也保持较强竞争力，但拆到具体领域后并非项项占优。在GIFT-Eval的经济与金融领域，Toto-2.0表现领先。在fev-bench的零售领域，Chronos-2表现更好。

基础模型追求跨领域泛化，但行业差异仍然存在。

企业自己的数据基础也会直接影响预测系统能走多远。资金信息可能分散在不同银行账户、财务及企业管理系统、地区和币种之间。数据不完整、更新不及时或者系统之间难以连接，都会直接影响预测结果进入实际经营。

毕马威2026年的全球AI财务调查把数据质量视为AI落地的一项结构性约束，36%的受访机构把改善数据质量、整合和系统互操作性列为从AI中释放更多价值的首要机会。

数据基础、系统连接和业务反馈，会与预测精度一起影响模型进入经营流程后的效果。

现代经济中的大量资源，都必须在真实需求发生以前完成配置。

航空公司不能等所有旅客到了机场以后才准备飞机和机组，零售企业不能等商品全部卖空以后再开始补货，物流企业也不能等包裹全部产生以后再决定仓储和运力。支付机构同样不能等资金缺口真正出现以后才准备流动性。

预测的对象看起来是未来，真正被改变的却是今天的资源配置。

2026年8月，谷歌旗下DeepMind公布WeatherNext最新进展。谷歌披露，其AI天气模型在热带气旋预测中获得了约一天的有效预测提前量提升。

八十多年前，斯塔格面对的是有限的气象观测和不同团队之间的判断。今天的模型能够处理更多数据，也能够更快形成不同的未来情景。

普通人通常不会直接接触这些模型。他看到的是天气预警、航班状态、商品库存、配送时间和支付结果。

预测先参与决策，再影响资金、库存、运力等资源怎样配置，普通人最终接触到的往往已经是这些决策形成的服务结果。

未来依然不会变得确定

1944年6月，詹姆斯·斯塔格不知道未来。

即使他的判断最终影响了诺曼底登陆时间，也不意味着他拥有一份来自未来的答案。

今天的AI同样没有这样的能力。

模型会出错，规律会变化，真实世界也会不断出现过去数据中没有发生过的情况。AI能够处理更多数据、识别更复杂的变化，却无法消除这种不确定性。

八十多年前的英吉利海峡如此，今天全球不断流动的资金也是如此。

预测从来不是消灭不确定性，而是在不确定性中争取更好的决策。

人们能做的，是在不确定性中找到足以行动的确定性。

注：本文涉及的历史资料、技术报告、机构调查及企业案例均据公开资料整理。封面图为电影《诺曼底72小时》(Pressure)剧照。本文观点内容仅供参考。