随后，周博士进一步剖析了传统金融数据处理工具的局限性，分析其在行情存储、因子计算等场景的性能瓶颈，并展开介绍了 DolphinDB 为海量金融数据提供的存储与计算解决方案。例如，DolphinDB 通过即时编译（JIT）技术，将脚本自动转化为机器码，显著提高执行效率。DolphinDB 还支持向量化计算与增量计算等范式，大幅降低了计算复杂度。为了更好地适配金融业务，DolphinDB 还为用户提供了丰富的金融计算内置函数库，开发了如 Orderbook 引擎、回测引擎等一系列业务中间件，帮助用户快速开发和实现新的量化因子策略。
近年来，GPU 凭借其强大的并行计算能力，在人工智能、科学计算等领域得到了广泛应用。而在量化金融领域，某些计算密集型任务（如期权定价、蒙特卡洛模拟、因子挖掘等）也可以通过 GPU 加速，大幅降低计算时间。周博士分享了 DolphinDB 在 GPU 加速计算领域的创新实践，针对金融领域的高频计算需求，已实现从专用场景到通用框架的技术演进。专用加速层面，DolphinDB 使用 GPU 对因子挖掘中的遗传算法进行优化，相较传统 CPU 计算速度提升超过百倍。DolphinDB 还在开发一种更通用的 GPU 计算方式，使用户无需修改现有脚本代码即可自动迁移到 GPU 执行。这种方式不仅能够减少代码迁移成本，还能为期权定价、利率曲线拟合、深度学习训练等计算场景中带来显著的性能优化。例如，在使用蒙特卡洛方法进行雪球期权定价时，DolphinDB 的 GPU 版本比 CPU 版本快17倍，且计算成本更低，有效支撑了实时定价等关键业务需求。
讲座中周博士还提到，团队正在积极探索 AI 和大模型与 DolphinDB 的结合。尽管大模型在Python代码生成方面表现出色，但面对 DolphinDB 特定语法时，存在明显的函数调用偏差现象，即大模型在代码生成时容易混淆 Python、JavaScript 等语言的类似函数，导致生成代码出现语法错误。为了提升大模型生成 DolphinDB 代码的准确性，团队收集了大量真实的量化编程问题，通过人工校验修正形成高质量训练数据，对Mistral 7B 和 DeepSeek 8B 模型进行定向微调。初步实验表明，相较于通用大模型，经微调的模型生成 DolphinDB 代码时，准确率得到了大幅提升。
为了进一步提升代码质量，DolphinDB 还探索了多轮交互式代码修正：用户输入需求后，模型首先生成基础代码，通过将代码运行结果反馈给大模型，获取异常信息反馈，模型据此进行迭代优化，经过5-6轮交互后，最终生成高质量代码。这种方法有效地减少了模型的幻觉问题，提高了代码生成的可靠性。周博士表示，这一 DolphinDB 编程助手目前还在内部测试阶段，如果效果达标，DolphinDB 计划在未来开源这一工具，为量化金融从业者提供更加智能化的编程辅助。（欲了解编程助手详情，请dolphindb1）
讲座进入尾声，周博士与在场观众围绕行业实践中的技术落地问题展开了深度交流，并介绍了即将启动的 DolphinDB 技能认证高校特训营项目，活动在热烈的讨论中顺利收官。
技能认证高校特训营
关注 DolphinDB 公众号，后台回复“特训营”，即可获得技能认证特训营报名链接！（首期报名截止时间为3.14，欲报从速！）
DolphinDB 高校合作计划
DolphinDB 高校合作计划旨在通过产学研协同创新、人才共育等多种形式，致力于将 DolphinDB 引入高校，共同培养具备国际视野、创新精神和实践能力的高素质金融科技人才。合作内容包括讲座、课程开发、人才实训及联合研究等，为学生提供丰富的学习资源、实习机会及研究课题。
目前，DolphinDB 已与多所知名高校开展合作，包括上海交通大学安泰经济与管理学院、上海交通大学高级金融学院、浙江大学经济学院、中国科学技术大学管理学院、北京大学经济学院、上海财经大学实验中心、南方科技大学商学院、对外经济贸易大学、复旦大学、南京大学、北京大学汇丰商学院、香港中文大学（深圳）、暨南大学等。
欲了解更多高校合作计划，或了解特训营课程安排/考核标准等详情，欢迎扫描二维码添加小助手！
