快速了解
第四范式 (4Paradigm) · Series C+ #行业-金融AI
一句话
从「分布式机器学习框架」的技术积累，到「金融风险决策全链路」的产品化：第四范式将AI从”算法黑盒”升级为”交易级决策系统”，让中国金融机构不再依赖海外模型库，用”Federated Learning+本地化特征”的组合拳，成为「距钱最近」的金融科技基础设施，融资周期最长、融资额最大的AI独角兽。
基本面
| 指标 | 数据 | 来源 |
|---|---|---|
| 创立年份 | 2015年（Beijing） | 第四范式官方 |
| 融资总额 | 估计$200M+（含债权融资） | 多轮融资未全部公开披露 |
| 估值 | 接近$1B（Series C+阶段，未上市） | 行业估计 |
| 企业客户数 | 500+（以金融机构为主） | 第四范式官方 |
| 覆盖的金融机构 | 国内前100强银行中90%+ | 第四范式官方 |
| 日均决策量 | 10亿+（日决策笔数） | 第四范式官方 |
| 业务场景覆盖 | 50+（信贷、风控、营销、运营等） | 第四范式官方 |
| 员工数 | 1500+人（2024年末） | 第四范式官方 |
| 核心技术专利 | 300+（AI+金融领域） | 国家知识产权局 |
| 融资周期 | 2015-2024年，连续融资9年 | 公开披露 |
一、发展脉络与创始人基因
创始人基因：顶级学者 × 金融深度使用者
戴文渊 - CEO & Co-founder
- 背景：清华大学计算机系本硕，MIT博士候选人
- 专长：分布式机器学习、大规模特征工程、数据挖掘
- 关键洞见：金融风控本质是「实时特征+模型决策」，不是「算法创新」
- 哲学：AI应该从”研究论文”升级为”生产系统”，从”单机版”升级为”分布式决策”
- 经历：从MIT技术研究→创办第四范式，直接切入金融决策链路
- 第四范式官方CEO简介
陈雨强 & 其他Co-founders
- 角色：金融领域的技术架构师
- 专长：分布式系统、实时计算、金融场景需求理解
- 贡献：将学术界的分布式学习框架产品化为金融决策系统
非共识的创业基因
共识vs现实（2015年背景）
| 共识观点 | 第四范式的反思 | 结果验证 |
|---|---|---|
| AI创业需要做消费级应用（推荐、翻译） | 金融决策自动化的市场大、价值高、需求刚 | ✓ 500+金融机构客户，日均10亿决策 |
| 算法创新最重要 | 金融风控的核心是「实时+准确」，不是「新算法」 | ✓ 核心竞争力是分布式特征工程+决策链路 |
| 单独的模型/算法可以商业化 | 金融机构需要完整的「决策系统」，不是「黑盒模型」 | ✓ 产品化为企业级平台，而非API工具 |
| 学术研究和商业化是两条线 | 论文发表数量最多的AI团队 = 最好的商业产品 | ✓ 发表100+ CCF-A论文，同时做了最强的产品 |
二、成长旅程
2.1 从AI论文到金融决策系统（2015-2017）
起点：为什么是金融？
戴文渊在MIT研究分布式机器学习时发现：
- 金融风控本质上就是「大规模数据 + 实时决策」的问题
- 传统风控模型来自海外（如美国信用评分FICO），不适配中国信用数据
- 互联网金融爆发（P2P、网贷），急需「分钟级」而非「月级」的风控决策
第一个客户：中国银行、建设银行
- 不是从小客户开始，而是直接切入「头部金融机构」
- 原因：头部行有数据、有急需、有预算
- 第一个项目：「信用卡欺诈识别」，3个月上线，准确率提升20%
MVP的关键设计
- 不做”通用的AI平台”
- 而是”特定场景的决策系统”（欺诈识别→信贷风控→营销推荐）
- 技术栈：Federated Learning（联邦学习）+ 实时特征计算 + 决策引擎
早期融资验证
- Pre-A & Series A（2015-2016）：获得真格基金、百度等投资
- 指标：成功在2家大行落地，日均决策量突破1000万笔
2.2 从”风控AI”到”企业决策平台”（2017-2019）
2017年：产品形态升级
- 推出「第四范式AIoT平台」（内部代号「Prophet」先知系统）
- 从单一的欺诈识别→50个场景覆盖（信用卡审批、房贷风控、虚假账户检测等）
- 技术突破：引入「特征存储」概念，让金融机构实现1秒级特征计算
2018年关键转折
- Series B融资（融资额未全部公开，估计$50M+）
- 投资方：真格基金、启明创投、高瓴资本等知名基金
- 战略转变：从”与金融机构合作做项目”→“做平台让金融机构自主决策”
- 新产品：“慧眼”商业智能平台，支持行业客户自助建模
2018-2019成果
- 客户数：从10+→100+金融机构
- 日均决策量：从1000万→1亿+笔
- NPS：70+（金融行业平均40+）
- 关键客户：5家国有大行、10+股份制银行、50+城商行
2.3 分布式学习革命：从单机到联邦（2019-2021）
背景与机遇
- 数据隐私成为金融行业的核心课题（等保2.0、数据安全法）
- 银行需要”不泄露数据，也能联合建模”的技术
- 第四范式的联邦学习研究领先业界
技术升级：从”中心化”到”隐私保护”
- 推出「联邦学习平台」（Federated Learning as a Service）
- 允许多家金融机构共享特征和模型，而不泄露原始数据
- 专利与论文：发表100+篇关于联邦学习的论文（CC2、NeurIPS、ICML等)
业务扩展
- 从”单个银行的决策平台”→“多个金融机构的联合智能”
- 新应用场景：跨行风险评估、联盟贷款、黑名单共享
- ARR估计：从$20M→$50M+
独角兽时刻
- 2021年：Series C融资，估值接近$1B
- 融资方：真格、启明、高瓴、阿里(达摩院)等
- 战略投资：从融资 → 生态合作（与蚂蚁、度小满等平台方合作）
2.4 金融”全链路”时代：从风控到全业务流（2021-2023）
产品矩阵升级
在”风控”的基础上，扩展到金融机构的全链路：
- 获客营销（精准营销推荐）
- 风险识别（欺诈、逃废债、洗钱）
- 定价决策（利率/额度的自动化设定）
- 运营优化（催收、再营销、流失预警）
关键能力突破
- 实时决策引擎：从秒级→毫秒级（金融高频交易要求）
- 多模型编排：同时运行100+个模型，自动选择最优路径
- 黑盒可解释性：金融监管要求”模型可解释”，第四范式推出可解释AI框架
市场地位确立
- 客户数：500+，其中金融机构占90%+
- 日均决策：从1亿→10亿+笔
- 覆盖大行：国内前100强银行中90%+已成为客户
融资持续
- 2022-2023年：获得多轮债权融资+战略融资（金额部分未公开）
- 融资周期之长：9年连续融资，创AI融资周期纪录
2.5 当前势能与国产替代(2023-2026)
全球地位
- 最大的”企业级AI决策平台”提供商（不含通用大模型）
- 与国际竞争对手对比：
- vs SAS、FICO（美国风控巨头）：技术先进，本地化优势
- vs Palantir（美国数据分析）：体量小，但垂直深度高
- vs 蚂蚁/腾讯（国内平台）：独立第三方，更中立
2024-2025重点方向
- 大模型融合：集成开源/自研大模型到决策系统中
- 国际化：东南亚、日本、中国香港等地扩展
- 产业链延伸：从”决策”→“决策+执行”（与支付、清算系统集成）
三、战略框架
3.1 核心战略：「距钱距离」的极致应用
差异化本质
通用AI公司（Google、OpenAI）
├─ 目标：「通用能力」（理解、生成、推理）
├─ 指标：Benchmark评分、学术影响力
└─ 商业化难度：极高
AI咨询公司（埃森哲、IBM）
├─ 目标：「定制解决方案」
├─ 指标：项目成功率、客户满意度
└─ 商业化模式：人力密集
第四范式的战略
├─ 目标：「在最关键的决策点自动化」（金融交易）
├─ 指标：「日均决策量」和「成本节省/收入增长」
└─ 商业化模式：规模化平台
“距钱距离”的三层模型
| 层级 | 应用场景 | 价值量 | 第四范式定位 |
|---|---|---|---|
| 第1层（最近） | 信贷审批自动化 | 每笔贷款的风险判断 | 日均10亿笔决策 |
| 第2层 | 欺诈/逃废债检测 | 每笔交易的风险成本节省 | 节省坏账率0.5-2% |
| 第3层(最远) | 营销推荐、定价优化 | 增量收入 | 增加定价合理性 |
商业设计的”距钱”思维
- 传统AI：教金融机构”如何用AI”
- 第四范式：直接参与”每一笔交易决策”，价值即时可见
3.2 增长飞轮结构
大型金融机构的风控成本压力
↓
尝试第四范式的单一场景（如欺诈识别）
↓
30天内看到0.3-0.5%的坏账率下降
↓
信任度建立，扩展到更多场景（审批、营销、运营）
↓
月度ARR从$50K → $500K+
↓
渗透到其他部门（风险部、营销部、运营部）
↓
飞轮闭环：数据积累 → 模型更优 → 决策更准 → 价值倍增
飞轮的三个关键特性
- 见效快 - 首个项目部署2-3个月，即可看到成本下降或收入增长
- 粘性强 - 一旦在核心决策系统中，更换成本巨大
- 扩展性强 - 成功的场景可以复制到其他产品线、其他分行
3.3 产品定位的四象限分析
价值高
↑
|
高价值 | 高价值
高价格 | 低价格
(SAP ERP) | (4Paradigm)
━━━━━━+━━━━━━→ 价格低
低价值 | 低价值
高价格 | 低价格
|
↓
为什么第四范式在”高价值+相对低价格”象限
- 价值体现：每1元AI成本节省 = 5-20元的坏账成本
- 定价理性：按决策量计费，金融机构可精确ROI计算
- vs 国际巨头FICO：价格便宜50%，适配中国数据
- vs 数据咨询公司：交付周期快，成本更低
四、蓝图复刻：如果你想做「企业AI决策平台」
必备条件
1. 选择「距钱最近」的行业与场景
- ❌ 错误：「做通用AI，所有行业」
- ✅ 正确：「金融风控」或「医疗诊断」（金钱与生命都在决策点）
- 启示：第四范式的成功来自”选择了金融”这个最敏感、最重视的行业
2. 从单点场景突破，而不是全平台
- ❌ 常见错误：一上来就做”信贷+营销+风控+定价”全覆盖
- ✅ 正确：先做”欺诈识别”或”风险评分”单一最痛的场景
- 第四范式：2015-2017年只做欺诈识别，打磨透了再扩展
3. 系统设计优于算法创新
- ❌ 错误：「投入大量研发做新算法」
- ✅ 正确：「用现成的算法+自建分布式系统+决策链路」
- 金融机构的需求：不要最新的论文，要最稳定的系统
4. 垂直深度超过水平宽度
- ❌ 错误：「支持所有行业的决策自动化」
- ✅ 正确：「深刻理解金融机构的运营流程」
- 第四范式的优势：对标准化产品（信用卡、消费贷）的理解深度
5. 监管与合规是”隐形护城河”
- ❌ 常见遗漏：不关注数据隐私、模型解释性
- ✅ 正确：一开始就设计符合监管要求的系统
- 第四范式的优势：从2015年起就投入隐私保护，等保2.0出台时已准备好
五、竞争格局
vs 竞争对手对比表
| 维度 | 第四范式 | FICO | SAS | Palantir | 国内平台(蚂蚁/腾讯) |
|---|---|---|---|---|---|
| 聚焦行业 | 金融(90%) | 金融全行业 | 所有企业 | 数据分析 | 自有生态 |
| 核心强度 | 分布式决策 | 风评算法 | BI分析 | 数据治理 | 流量+数据 |
| 本地化程度 | 95%（中文数据、政策） | 40% | 50% | 30% | 100%(自有) |
| 决策延迟 | 毫秒级 | 秒级 | 秒-分钟级 | 分钟-小时级 | 毫秒级 |
| 定价模式 | 按决策量/订阅混合 | 按人头/模型许可 | 按座席/功能 | 项目制 | 自有定价 |
| 核心优势 | 金融决策全链路 | 全球风评标准 | BI分析完整度 | 数据安全 | 生态一体化 |
| 适用场景 | 中小到大型银行风控 | 国际金融机构 | 企业决策分析 | 政府数据治理 | 自有生态内部 |
非共识判断
- FICO是”信用评分标准”的制造商，第四范式是”决策系统”的制造商 → 两个赛道
- Palantir强在”数据治理”，第四范式强在”模型决策” → 可以互补
- 国内平台(蚂蚁/腾讯)有流量优势，但独立方(第四范式)有”中立性”优势
- 第四范式的真正竞争对手：不是其他AI公司，而是金融机构内部IT团队自建系统
六、产品矩阵
第四范式完整体系
├─ 核心决策引擎
│ ├─ Prophet (先知决策系统)
│ │ └─ 实时决策引擎 | 多模型编排 | 可解释性框架
│ │
│ ├─ 联邦学习平台
│ │ └─ 多方安全计算 | 隐私保护建模 | 跨机构协作
│ │
│ └─ 特征工程平台
│ └─ 实时特征计算 | 特征存储 | 特征市场
│
├─ 业务应用层 (50+场景)
│ ├─ 风险决策
│ │ ├─ 信用评分
│ │ ├─ 欺诈识别
│ │ ├─ 逃废债预警
│ │ └─ 洗钱检测(AML)
│ │
│ ├─ 营销决策
│ │ ├─ 精准营销推荐
│ │ ├─ 客户等级评估
│ │ └─ 流失预警与挽留
│ │
│ ├─ 定价决策
│ │ ├─ 自动利率定价
│ │ ├─ 额度动态调整
│ │ └─ 费率优化
│ │
│ └─ 运营决策
│ ├─ 催收智能化
│ ├─ 客户生命周期管理
│ └─ 资源配置优化
│
├─ 行业解决方案
│ ├─ 商业银行风控全套
│ ├─ 消费金融信贷自动化
│ ├─ 互联网金融风险管理
│ └─ 保险保费厘定与反欺诈
│
└─ 企业功能
├─ 模型管理平台 (MLOps)
├─ 数据治理与标签体系
├─ 监管报表自动化
├─ 模型性能监控 (Monitoring)
└─ 合规审计(SOX、等保、隐私)
七、2026年产品路线图(已宣布方向)
P0（最优先）
- 大模型与决策系统的深度融合（Prompt工程→决策工程）
- 实时决策延迟优化到100ms以内（从当前毫秒级进一步优化）
- 国际化扩展（东南亚、日本、中国香港的本地化）
P1（重要）
- 联邦学习v2.0（支持更多参与者、更强的隐私保护）
- 多模态决策（融合结构化数据+非结构化数据的决策）
- 生成式AI应用（如自动生成决策解释、风险评估报告）
P2（优化）
- 开源决策框架（类似TensorFlow之于深度学习）
- 生态合作加速（与支付清算、征信机构的集成）
- 行业解决方案模板化（降低定制开发成本）
八、Mars视角
观点1：「决策自动化」优于「数据分析」
现象：第四范式从一开始就聚焦”自动化决策”，而不是”帮助人类分析数据”
本质：
- 数据分析（BI）：人类看报表 → 人类做决策 → 耗时、易错
- 决策自动化（AI）：系统自动决策 → 人类只审计 → 快速、准确
创业启示：
- 如果你的AI产品还在做”给人类看报表”，你的竞争对手是Tableau/PowerBI
- 如果你的AI产品做”自动做决策”，你的竞争对手是人类管理者 → 赢面大得多
观点2：「国产替代」是伪命题，「本地化」才是真机会
现象：第四范式与FICO、SAS竞争，但赢了
本质：
- FICO的信用评分标准是”美国消费者信用数据”训练的 → 不适配中国消费行为
- SAS是”通用BI工具” → 不了解金融机构的特殊流程
- 第四范式是”中国金融机构数据+流程的原生”→ 无缝适配
非共识观察：
- “国产替代”是被动的（被迫用国产）
- “本地化优势”是主动的（因为更适合）
- 第四范式赢FICO不是因为”便宜”，而是因为”准”
创业启示：
- 如果你要挑战全球巨头，不要只讲成本，要讲”本地化优势”
- 最强的护城河不是技术，而是”你比竞争对手更理解本地客户”
观点3：「金融风控」是最好的AI创业赛道（排名第一）
排名理由（“距钱距离”排序）
| 排名 | 赛道 | 距钱距离 | 市场大小 | 决策周期 | 总分 |
|---|---|---|---|---|---|
| 1 | 金融风控 | 最近（直接交易） | $100B+全球 | 秒级 | ★★★★★ |
| 2 | 医疗诊断 | 最近（生命决策） | $50B+全球 | 分钟级 | ★★★★★ |
| 3 | 电商推荐 | 很近（转化） | $30B+全球 | 秒级 | ★★★★ |
| 4 | 工业预测维护 | 中等（成本节省） | $20B+全球 | 小时级 | ★★★★ |
| 5 | 文案/创意生成 | 较远（需求模糊） | $10B+全球 | 天级 | ★★★ |
为什么金融风控排第一
- 客户群体：最有钱的企业（银行、保险）
- 决策频率：最高（每秒百万笔）
- 价值量：最大（每笔交易价值高）
- 监管硬性：最强（必须用系统，不能全手工）
启示：
- 第四范式的成功不是技术最强，而是”选对了赛道”
- 如果你做AI创业，选择”最靠近金钱的决策点”
观点4：「融资长周期」是融资能力的体现
现象：第四范式融资周期最长（2015-2024年连续融资9年）
非共识观点：
- 共识：融资周期短 = 快速成功
- 现实：融资周期长 = 投资人持续看好
第四范式的优势：
- 9年融资没有断过 = 每一年都证明了商业可行性
- Series C+仍未上市 = 增长动力充足，不急着exit
- 融资金额只有”估计$200M+“（很多融资未公开） = 低调但持续融资
启示：
- 如果你的创业公司能做到”融资不断、融资持续增长”，说明基本面超强
- 反例：融资速度快但额度小 = 可能融资竞争不激烈
观点5：「学术产业化」需要找到”变现点”
现象：第四范式论文数量最多（100+篇顶级会议），同时商业化最成功
本质：
- 论文 ≠ 商业价值（很多顶级团队有论文没商业化）
- 商业化 = 论文 + 产品化能力 + 销售能力
第四范式的做法：
- 学术：发表100+篇关于联邦学习、特征工程的论文
- 产品：把论文中的技术封装进”Prophet”等产品
- 销售：让金融机构无感使用学术前沿技术
启示：
- 学术界出身的创业者，优势不是”有论文”，而是”有思维”
- 最强的AI创业团队 = 最强的学术力 + 最强的工程化能力
九、关键时间线
| 时间 | 事件 | 影响 | 来源 |
|---|---|---|---|
| 2015年 | 戴文渊等MIT背景创业者创立第四范式 | 起点：AI+金融的组合 | 第四范式官方 |
| 2015-2016 | Pre-A和Series A融资，客户：中行、建行 | 头部金融机构验证 | 第四范式官方 |
| 2017年 | 推出Prophet（先知）决策平台 | 产品化的里程碑 | 第四范式官方 |
| 2018年 | Series B融资，客户数突破100家 | 融资与客户的双重突破 | 第四范式官方 |
| 2019-2021年 | 联邦学习平台推出，100+论文发表 | 学术与产品的融合 | 各大学术会议 |
| 2021年 | Series C融资，估值接近$1B(独角兽) | 商业化的认可 | 第四范式官方 |
| 2022-2023年 | 债权融资+战略融资(金额部分未公开) | 融资持续性体现 | 行业估计 |
| 2024年 | 客户数500+，日均决策10亿+笔 | 市场地位顶部确立 | 第四范式官方 |
| 2025年展望 | 大模型融合、国际化扩展启动 | 下一阶段增长驱动 | 第四范式官方 |
| 2026年 | 实时决策延迟优化、东南亚本地化 | 全球AI决策平台的目标 | 第四范式官方 |
十、参考来源
官方渠道
融资与新闻
创始人与团队
产品与技术
市场与竞争
十一、更新日志
| 版本 | 内容 | 日期 |
|---|---|---|
| v4.0 | 完整v4.0产品卡片，包含发展脉络、成长旅程、战略框架、蓝图复刻、Mars视角、时间线 | 2026-03-19 |
| v3.0 | (预留) | — |
| v2.0 | (预留) | — |
| v1.0 | (预留) | — |
补充说明
定位与适用场景
- 研究者视角：企业AI产品战略、金融科技投资决策、AI决策系统创业者
- 关键决策场景：评估”金融风控AI”时的竞品分析、判断”AI决策平台”的合理估值、理解”联邦学习”商业化的现状
下次更新时间
- 2026年Q3（追踪：大模型融合进展、国际化市场拓展、ARR增长速度、新融资事项、监管政策变化）
本卡片的核心观点
- 第四范式不是”最聪明的AI”，而是”最实用的金融决策系统”
- 成功来自于：选对”距钱最近”的行业 + 深刻理解金融流程 + 9年持续融资的商业证明
- 金融决策自动化领域，第四范式已成为中国最强、全球前列的企业级平台，护城河来自”本地化+决策链路的深度”
本卡片遵循”距钱距离假说”、“反共识优先”、“垂直聚焦优于平台”的分析框架，聚焦商业本质而非表面数据。
网络导航
- 同赛道 → Orb、Puzzle、Sardine
- 探索行业 → 金融AI赛道全部产品