金融產業一直是 AI 應用潛力最大的領域之一，但同時也是真實資料最難取得的領域。客戶的所得、資產、家庭結構與消費行為都屬於高度敏感的個人資料，受到嚴格的隱私法規與合規要求保護，銀行與保險公司幾乎不可能把真實客戶資料拿出來訓練模型，更不用說分享給外部的新創公司或研究團隊。這使得想在日本開發金融 AI 的團隊，往往卡在「沒有能反映日本人口結構與家戶財務實況的訓練資料」這個根本問題上。
針對這個困境，Elith 與 NVIDIA 於 2026 年 11 月發表了開源資料集 Nemotron-Personas-Finance-Japan。所謂 persona（人物誌）資料集，指的是以合成方式產生、模擬真實人口輪廓的虛擬人物資料，可用於訓練對話模型、模擬客戶行為或評估 AI 系統。這個資料集是既有開源 persona 資料集 Nemotron-Personas-Japan 的金融領域延伸版本，據開發團隊所知，這是首個達到百萬紀錄規模、並將日本官方統計與家戶財務、金融素養資料結合的開源 persona 資料集。整個資料集以日本政府官方統計為基礎，採用 NeMo SDG-PGMs（一套用於合成資料生成的機率圖模型框架）搭配企業級合成資料生成系統 NeMo Data Designer 建構而成。值得注意的是，設計過程還納入了日本主要金融機構與產業協會的意見回饋，合作對象包括日本興亞損保（Sompo Japan）、東京海上控股、福岡銀行、瑞穗金融集團、明治安田生命，以及金融資料活用協會（FDUA）等，讓資料設計貼近實際金融業務需求。
先看資料本身的規模與內容。整個資料集總計約 900 萬個 persona（由 100 萬筆紀錄、每筆各含 9 個 persona 組成），全部以自然日文撰寫，總計約 15 億個 token，其中約 7.5 億來自 persona 描述本身。每筆紀錄包含 50 個欄位，分為 9 個 persona 欄位、11 個 persona 屬性，以及 30 個基於官方人口與勞動統計的情境欄位。資料涵蓋約 95 萬個不重複姓名，以及超過 1,600 種職業類別，人口、地區、資產分布與性格特質等維度都有完整覆蓋。persona 的類型橫跨職業、運動、藝術、旅遊、烹飪、金融、金融行為與理財煩惱等面向，並以自然語言描述文化背景、專業技能、職涯目標、興趣、家庭與財務背景、金錢觀與理財規劃等屬性。
技術層面上，NeMo Data Designer 作為複合式 AI 系統，支援複雜的 Jinja 樣板、Pydantic 驗證、結構化輸出、自動重試，以及多種生成後端，這是產出如此大規模合成資料集的必要工具。文字生成部分則使用了開源的 gemma-4-31B-it 模型。除了規模，這個資料集在文化細節上做了幾項強化：教育程度部分，官方統計通常只粗略彙整學位層級，團隊刻意加入更細的粒度，讓模型能反映多元的教育路徑；職業部分補上了企業主與專門職業等官方分類外的類別；人生階段則建模了統計數據中不易凸顯的情境，例如學生、退休者與失業期間；家戶財務方面，除了個人收入與消費傾向，也納入家戶層級的金融與實體資產，以再現多元的經濟背景；另外還加入網路與智慧型手機使用情況以及金融素養指標，讓模型能在金融場景中精準描繪消費者輪廓。
隱私與合規是這類資料集的核心賣點。每一個 persona 都是全合成產生，不代表任何真實人物：人口統計與家戶財務遵循官方統計和公開調查的分布，姓名則依循真實的日本人名命名規律，也就是說，persona 是從這些統計分布「建構」出來的，而不是從真實人物的紀錄中抽取出來的。這種設計大幅降低了隱私風險，開發者不必使用任何真實客戶資料就能開發與測試 AI。資料集以 CC BY 4.0 授權釋出，明確允許商業使用，對企業與新創而言門檻相當低。
至於實際用途，這個資料集首先瞄準在日本開發金融 AI 的團隊，包括銀行、保險公司，以及服務它們的新創與系統整合商。常見應用包括：以 persona 作為「種子」生成多輪擬人對話資料集、開發貼近真實場景的金融領域 AI 助理、評估銷售對話與行銷方案，以及對客戶端 AI 進行紅隊測試（red-teaming，即以攻擊者視角測試系統弱點）。它也可以用於偏誤測試與公平性評估，檢驗模型在城鄉差異、不同年齡層、教育背景與經濟條件下的表現是否一致。此外，整個 Nemotron-Personas 系列設計上可與使用者模擬框架 NeMo User Sim 無縫整合，能即時執行符合真實世界分布的大規模使用者模擬。相較於前一版的 Nemotron-Personas-Japan，這個金融版在規模上多了 50%，欄位也從 22 個增加到 50 個，讓任何日文專案都能對人口做更細緻的切分。
這項發布背後有幾個更宏觀的意義。首先是資料多樣性：能反映日本人口全貌的訓練資料有助於減少訓練偏誤與 model collapse（模型崩壞，指模型在低多樣性資料上反覆訓練後品質退化的現象）。其次是文化真實性：減少對以西方為中心的資料集的依賴，支持所謂 Sovereign AI（主權 AI，即各國以自身語言文化為基礎自主發展 AI 的路線）。最後是治理面：這個做法與日本鼓勵創新優先的 AI 監管態度相呼應。對照過去企業 AI 開發長期依賴私有資料、形成研究人員與新創的進入障礙，以 CC BY 4.0 釋出企業級合成資料，等於把高品質資料的取得成本與隱私風險一起壓低。
同日發布的還有配套資料集 Nemotron-PII-Japan：內含 10 萬份合成日文商業文件，並標註了個人資訊（PII，Personally Identifiable Information）位置，用於訓練與測試個資偵測與遮蔽模型，其文件同樣建基於 Nemotron-Personas-Japan。兩者形成一個完整的測試閉環：用金融 persona 模擬客戶，再用 PII 資料集驗證系統是否能妥善保護這些「客戶」的資料。
當然，合成資料並非沒有限制。persona 是從官方統計與公開調查的分布中生成的，統計資料本身的粒度、時效與涵蓋範圍會直接決定合成資料的真實程度；金融行為中的細微決策邏輯，也不是單靠人口統計分布就能完整重現。但在真實客戶資料難以合法取得的前提下，這種以官方統計為錨點的合成資料，確實為日本金融 AI 開發提供了一個兼顧規模、文化語境與隱私的可行起點。開發者可直接透過 Hugging Face 下載 nvidia/Nemotron-Personas-Finance-Japan 開始使用。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。