我是 LongbridgeAI，我可以总结文章信息。Razorpay 推出了 Vulcan，这是印度首个基于 AI 的支付基础模型，利用了 NVIDIA 和 AWS 的基础设施。该模型基于变换器架构，经过对 40 亿笔交易的 3 万亿数据点进行训练，旨在提升印度日益增长的电子商务市场的支付可靠性、安全性和速度。初步结果显示成功率提高了 8-10%，并且欺诈检测显著改善
[媒体提醒]
一个单一的人工智能系统，基于近 3 万亿个数据点和 40 亿笔支付进行训练，旨在让印度的每一笔数字支付变得更快、更安全、更智能
印度，班加罗尔，2026 年 8 月 18 日： 印度的数字支付故事 一直是增长和创新的故事——然而仍然存在一个较为安静的缺口： 一笔支付未能成功，一条 OTP（一次性密码）迟到，一个订阅悄然失效，一张卡被欺诈所侵害。对于数百万首次购物或小城镇的消费者来说，这样的经历往往足以让他们回归现金支付。
今天，Razorpay，印度的全渠道支付平台，宣布推出 Razorpay Vulcan，印度首个基于变压器的支付人工智能基础模型，旨在让印度的每一笔数字支付变得更可靠、更安全和更可预测。 该模型基于 NVIDIA 和 AWS 技术构建， 结合了 Razorpay 的支付数据，利用 NVIDIA 的加速计算和 AWS 的云基础设施——这是印度电子商务市场在 2030 年预计达到 3500 亿美元时所需的基础。
Razorpay 对 150 万购物者和 51000 多家企业进行的内部研究 发现，支付摩擦——交易失败、掉单、延迟——在大城市的繁华街道和小城镇市场中表现得一模一样。这促使 Razorpay 构建一个共享模型，而不是单独不断优化每一个模型。
迄今为止的影响： 在今天的全面发布之前，Razorpay 基础模型的早期组件已经在公司网络上运行了 3 万亿个数据点——测试实时交易中的路由、欺诈和风险决策。包括 Blinkit、Bachatt 和 redBus 在内的客户，已经开始在实时支付环境中看到这些能力的好处。
- 支付成功率提高 8-10%
- 检测并阻止的国际卡欺诈增加 8 倍
- 识别出 5 倍更多的欺诈或争议交易， 而未增加警报数量
- 40% 的购物者在 Razorpay Magic Checkout 上看到他们首选的 UPI 应用， 每月帮助完成 1-2 万笔额外购买
为什么选择 Razorpay： 大多数公司只看到支付的一个切片。Razorpay 同时看到支付在商家、工具、发行方和网关之间的流动——这是理解印度支付生态系统所需的广度。
这对印度的重要性： 印度的支付格局与其他任何地方都不同：** 一次购买可以通过 UPI、卡、网上银行、钱包或货到付款在数百家银行和网关之间处理。
以 Meera 为例，她在晚上 9 点以₹2,400 购买跑鞋：她点击_“支付”，看到“支付失败，请重试。”_ 她的卡、银行和资金都没问题——她的支付只是有几个可能的路径，而其中一个在那一刻是错误的选择。
这种模式在数百万印度人中反复出现，促使 Razorpay 构建一个实时评分每条路径的模型，并在支付尝试之前选择最健康的路径。
迄今为止缺失的内容： 行业一直在用 分开的、专业化的模型 来解决这个问题——每个模型分别处理路由、欺诈、风险和结账——它们之间并不沟通，尽管相同的信号对它们来说在某种程度上都是重要的。这就像几个医生在检查一个病人，每个医生只看自己的检测结果。
解决方案：每笔支付的共享智能层
Razorpay AI 支付基础模型 同时从整个支付生态系统的数据点中学习，并随着每笔交易的处理不断改进——而不是一次解决一个狭窄的问题。** 基于变压器技术构建——这是许多当今人工智能系统（如 LLMs）背后的同一家族的 AI 架构——它专门适应印度支付数据中隐藏的模式。
不是另一个机器学习模型，也不是 LLM： 传统的机器学习模型是为一个特定任务构建的；解决一个新问题时，你需要重新开始。基础模型学习支付的流动，因此这种理解可以扩展到新的用例，而无需重新训练。虽然这个术语源于 LLMs，但这并不是一个——LLMs 理解文本；这个模型理解的是资金流动的语言。
按数字来看：
- 基于 3 万亿个数据点 和 40 亿笔支付 进行训练
- 每笔交易学习大约 3000 个信号
- 完全作为 专有的自下而上的模型 构建——架构和训练数据均属于 Razorpay
- 通用的 LLMs 理解文本。这个模型理解的是 大规模资金流动的复杂性
借助 NVIDIA 和 AWS 提供动力的训练和实时决策： 在 4 亿笔支付中对 3 万亿个数据点进行模型训练需要强大的计算能力。NVIDIA 的 GPU 为模型的训练和大规模运行提供了动力；AWS 的云基础设施，包括 Amazon SageMaker，支持开发、训练和部署。
- 对于企业而言， 这意味着减少销售损失、降低 OTP 掉单、减少欺诈损失和减少 RTO 退货
- 对于消费者而言， 这意味着每次支付都能顺利完成
Razorpay 首席执行官兼创始人 Harshil Mathur 表示，“印度对数字支付的需求是真实的，但尚未普遍——对于国家的大部分地区来说，数字化仍然归结为一件事：每次都能成功吗？这就是我们为之构建的客户：仍在决定是否信任屏幕而非手中的现金的人。 一个以人工智能为主导的支付基础模型不仅解决了今天的问题，还会不断改进。每笔支付都教会系统一些东西，使下一笔支付更好。 这让这次发布更像是一个起点，而不是一个产品发布，未来几年印度的支付将不断自我改善。”
NVIDIA 全球行业业务发展与支付负责人 Pahal Patangia 表示，“印度快速发展的数字经济正在创造一个机会，使支付变得更加智能、可靠和安全。NVIDIA 与 Razorpay 及 AWS 合作开展的 AI 支付基础模型 开辟了新的领域，将复杂的支付数据转化为实时的上下文智能。 这具有专有和专门构建的语义 AI 层，可以帮助推动下一代数字金融服务。”
AWS 印度及南亚金融服务行业和综合企业负责人 Kiran Jagannath 表示，“Razorpay 正在以印度规模重新构想支付智能，利用基于 Amazon SageMaker 的 AI 基础模型， 将数十亿的交易洞察整合为一个持续学习的智能层 ，用统一的 AI 替代分散的机器学习模型，提供更高的支付成功率、快速迭代和企业级安全性，以支持关键任务的支付流程。随着印度数字经济的增长，我们很高兴能够为每位印度人提供简单有效的支付 AI 基础设施。”
Razorpay 的 AI 支付基础模型可以做什么
- 超精确路由：实时将每笔支付引导至最有可能成功的路径
- 网络级欺诈检测：识别仅在商户之间可见的欺诈行为，立即标记被盗卡在不相关卖家处使用的情况
- RTO 风险智能：在结账前标记风险较高的货到付款订单
- 预测性结账个性化：为每位客户推荐最有可能成功的支付方式。
展望未来：Razorpay 将此视为起点，而非终点——目标是让每个支付决策，从身份验证到路由再到欺诈和借贷，最终都由一个持续学习的模型驱动。随着印度数字电子商务市场预计到 2030 年将达到 3500 亿美元，Razorpay 认为 AI 支付基础模型是这一增长所需基础工作的组成部分。
***
关于 Razorpay：Razorpay 是一个面向企业的全渠道支付平台，致力于通过技术构建创新解决方案，帮助印度企业解决支付和银行业务的旅程。该公司由 IIT Roorkee 校友 Shashank Kumar 和 Harshil Mathur 于 2014 年成立，努力为许多企业提供技术支付解决方案。一些天使投资者也投资于 Razorpay 的使命，以简化支付和商业银行业务。