我是 LongbridgeAI，我可以總結文章信息。Razorpay 推出了 Vulcan，這是印度首個基於 AI 的支付基礎模型，利用了 NVIDIA 和 AWS 的基礎設施。該模型基於變換器架構，經過對 40 億筆交易的 3 萬億數據點進行訓練，旨在提升印度日益增長的電子商務市場的支付可靠性、安全性和速度。初步結果顯示成功率提高了 8-10%，並且欺詐檢測顯著改善
[媒體提醒]
一個單一的人工智能系統，基於近 3 萬億個數據點和 40 億筆支付進行訓練，旨在讓印度的每一筆數字支付變得更快、更安全、更智能
印度，班加羅爾，2026 年 8 月 18 日： 印度的數字支付故事 一直是增長和創新的故事——然而仍然存在一個較為安靜的缺口： 一筆支付未能成功，一條 OTP（一次性密碼）遲到，一個訂閲悄然失效，一張卡被欺詐所侵害。對於數百萬首次購物或小城鎮的消費者來説，這樣的經歷往往足以讓他們迴歸現金支付。
今天，Razorpay，印度的全渠道支付平台，宣佈推出 Razorpay Vulcan，印度首個基於變壓器的支付人工智能基礎模型，旨在讓印度的每一筆數字支付變得更可靠、更安全和更可預測。 該模型基於 NVIDIA 和 AWS 技術構建， 結合了 Razorpay 的支付數據，利用 NVIDIA 的加速計算和 AWS 的雲基礎設施——這是印度電子商務市場在 2030 年預計達到 3500 億美元時所需的基礎。
Razorpay 對 150 萬購物者和 51000 多家企業進行的內部研究 發現，支付摩擦——交易失敗、掉單、延遲——在大城市的繁華街道和小城鎮市場中表現得一模一樣。這促使 Razorpay 構建一個共享模型，而不是單獨不斷優化每一個模型。
迄今為止的影響： 在今天的全面發佈之前，Razorpay 基礎模型的早期組件已經在公司網絡上運行了 3 萬億個數據點——測試實時交易中的路由、欺詐和風險決策。包括 Blinkit、Bachatt 和 redBus 在內的客户，已經開始在實時支付環境中看到這些能力的好處。
- 支付成功率提高 8-10%
- 檢測並阻止的國際卡欺詐增加 8 倍
- 識別出 5 倍更多的欺詐或爭議交易， 而未增加警報數量
- 40% 的購物者在 Razorpay Magic Checkout 上看到他們首選的 UPI 應用， 每月幫助完成 1-2 萬筆額外購買
為什麼選擇 Razorpay： 大多數公司只看到支付的一個切片。Razorpay 同時看到支付在商家、工具、發行方和網關之間的流動——這是理解印度支付生態系統所需的廣度。
這對印度的重要性： 印度的支付格局與其他任何地方都不同：** 一次購買可以通過 UPI、卡、網上銀行、錢包或貨到付款在數百家銀行和網關之間處理。
以 Meera 為例，她在晚上 9 點以₹2,400 購買跑鞋：她點擊_“支付”，看到“支付失敗，請重試。”_ 她的卡、銀行和資金都沒問題——她的支付只是有幾個可能的路徑，而其中一個在那一刻是錯誤的選擇。
這種模式在數百萬印度人中反覆出現，促使 Razorpay 構建一個實時評分每條路徑的模型，並在支付嘗試之前選擇最健康的路徑。
迄今為止缺失的內容： 行業一直在用 分開的、專業化的模型 來解決這個問題——每個模型分別處理路由、欺詐、風險和結賬——它們之間並不溝通，儘管相同的信號對它們來説在某種程度上都是重要的。這就像幾個醫生在檢查一個病人，每個醫生只看自己的檢測結果。
解決方案：每筆支付的共享智能層
Razorpay AI 支付基礎模型 同時從整個支付生態系統的數據點中學習，並隨着每筆交易的處理不斷改進——而不是一次解決一個狹窄的問題。** 基於變壓器技術構建——這是許多當今人工智能系統（如 LLMs）背後的同一家族的 AI 架構——它專門適應印度支付數據中隱藏的模式。
不是另一個機器學習模型，也不是 LLM： 傳統的機器學習模型是為一個特定任務構建的；解決一個新問題時，你需要重新開始。基礎模型學習支付的流動，因此這種理解可以擴展到新的用例，而無需重新訓練。雖然這個術語源於 LLMs，但這並不是一個——LLMs 理解文本；這個模型理解的是資金流動的語言。
按數字來看：
- 基於 3 萬億個數據點 和 40 億筆支付 進行訓練
- 每筆交易學習大約 3000 個信號
- 完全作為 專有的自下而上的模型 構建——架構和訓練數據均屬於 Razorpay
- 通用的 LLMs 理解文本。這個模型理解的是 大規模資金流動的複雜性
藉助 NVIDIA 和 AWS 提供動力的訓練和實時決策： 在 4 億筆支付中對 3 萬億個數據點進行模型訓練需要強大的計算能力。NVIDIA 的 GPU 為模型的訓練和大規模運行提供了動力；AWS 的雲基礎設施，包括 Amazon SageMaker，支持開發、訓練和部署。
- 對於企業而言， 這意味着減少銷售損失、降低 OTP 掉單、減少欺詐損失和減少 RTO 退貨
- 對於消費者而言， 這意味着每次支付都能順利完成
Razorpay 首席執行官兼創始人 Harshil Mathur 表示，“印度對數字支付的需求是真實的，但尚未普遍——對於國家的大部分地區來説，數字化仍然歸結為一件事：每次都能成功嗎？這就是我們為之構建的客户：仍在決定是否信任屏幕而非手中的現金的人。 一個以人工智能為主導的支付基礎模型不僅解決了今天的問題，還會不斷改進。每筆支付都教會系統一些東西，使下一筆支付更好。 這讓這次發佈更像是一個起點，而不是一個產品發佈，未來幾年印度的支付將不斷自我改善。”
NVIDIA 全球行業業務發展與支付負責人 Pahal Patangia 表示，“印度快速發展的數字經濟正在創造一個機會，使支付變得更加智能、可靠和安全。NVIDIA 與 Razorpay 及 AWS 合作開展的 AI 支付基礎模型 開闢了新的領域，將複雜的支付數據轉化為實時的上下文智能。 這具有專有和專門構建的語義 AI 層，可以幫助推動下一代數字金融服務。”
AWS 印度及南亞金融服務行業和綜合企業負責人 Kiran Jagannath 表示，“Razorpay 正在以印度規模重新構想支付智能，利用基於 Amazon SageMaker 的 AI 基礎模型， 將數十億的交易洞察整合為一個持續學習的智能層 ，用統一的 AI 替代分散的機器學習模型，提供更高的支付成功率、快速迭代和企業級安全性，以支持關鍵任務的支付流程。隨着印度數字經濟的增長，我們很高興能夠為每位印度人提供簡單有效的支付 AI 基礎設施。”
Razorpay 的 AI 支付基礎模型可以做什麼
- 超精確路由：實時將每筆支付引導至最有可能成功的路徑
- 網絡級欺詐檢測：識別僅在商户之間可見的欺詐行為，立即標記被盜卡在不相關賣家處使用的情況
- RTO 風險智能：在結賬前標記風險較高的貨到付款訂單
- 預測性結賬個性化：為每位客户推薦最有可能成功的支付方式。
展望未來：Razorpay 將此視為起點，而非終點——目標是讓每個支付決策，從身份驗證到路由再到欺詐和借貸，最終都由一個持續學習的模型驅動。隨着印度數字電子商務市場預計到 2030 年將達到 3500 億美元，Razorpay 認為 AI 支付基礎模型是這一增長所需基礎工作的組成部分。
***
關於 Razorpay：Razorpay 是一個面向企業的全渠道支付平台，致力於通過技術構建創新解決方案，幫助印度企業解決支付和銀行業務的旅程。該公司由 IIT Roorkee 校友 Shashank Kumar 和 Harshil Mathur 於 2014 年成立，努力為許多企業提供技術支付解決方案。一些天使投資者也投資於 Razorpay 的使命，以簡化支付和商業銀行業務。