起源：迈阿密国际后卫阿伦谈遭逆转作者： 刘佳贵：

复旦张军平：AI在进入产业和金融场景，但模型天堑与风险治理同样关键

近日，复旦大学经济学院进杏装南土国际金融政策圆桌会第13期”暨“迎接AI时期系劣妆第2期。本次会议以“人为智能进展及对金融业的影响与思虑”为主题，萦绕人为智能技术演进、产业利用场景、金融行业刷新、风险治理与人才造就等问题发展会商。复旦大学推算机与智能创新学院教授、博士生导师张军平在主题汇报中指出，人为智能并非近期才出现的新概想，而是经历了持久堆集、阶段性低谷和多轮突破的技术系统。

张军平回首了人为智能从图灵自动机理论、达特茅斯会议、专家系统、统计机械进建，到深度进建、大说话模型和智能体工具的发展脉络。他以为，当前人为智能发展的基础重要蕴含高质量数据、壮大算力和以Transformer为代表的深度进建模型结构。大说话模型性质上仍是基于海量语料进行统计预测，通过陆续天生token形成回覆。随着大模型能力急剧提升，自主编程、自主演化和智能体工具不休发展，文科和金融学生的编程门槛在显著降低。

萦绕产业利用，张军平指出，中国在数据资源、产业系统和利用场景方面拥有重要优势，造作业是人为智能赋能的重要方向。具身智能、机械人装配、无人港口、无人矿车、自动驾驶、故障检测和产品设计等场景，在推动人为智能从概想展示走向真实出产流程。在金融行业中，人为智能能够利用于智能营销、智能客服、实时反诓骗、自动化信贷审批、机械人流程自动化、合同审核、合规监管、智能投研和量化买卖等场景。

张军平同时提醒，AI进入金融领域必须高度器重成本、诠释性、数据孤岛和安全风险。大模型训练和推理必要大量算力，深度进建模型往往不足足够诠释性，分歧金融机构之间的数据相互隔离，匹敌攻击、模型后门、数据投毒和模型幻觉也可能在金融场景中被放大。他强调，那些易于被尺度化、流程化、法式化的工作更容易被人为智能代替，但人为智能并非无所不能，人的作用依然会占肯定比重，人机混合将是将来趋向之一，而金融行业真正必要的将是业务、科技和数据深度融合的复合型人才。

在现场问答中，有同学就大模型提醒绕开安全规定、人为智能监管和模型安全天堑等问题向张军平叨教。张军平回应指出，大模型内部的确存在规定和安全约束，但这些规定通过组合后会产生一些意想不到的蹊径。有时辰，用户通过特殊提醒或多轮对话，就可能让模型搜索蹊径发生变动，从而绕开某些限度。张军平以为，性质上这仍与组合复杂性有关。数据规模太大，模型交互方式太多，人很难通过穷举方式堵住所有安全缝隙。即便是传统网页系统，也很难做到齐全安全。进入大模型时期后，数据量和交互复杂度更高，安全挑战也越发凸起，因而监管、技术和利用方都必要持续跟进。

以下为张军平讲话全文（已经自己鉴定）：

极度欣喜今天来到国金系，与各人互换“人为智能进展及对金融业的影响与思虑”。我的汇报大体分为几个部门：第一，回首人为智能发展到此刻处于什么阶段
；第二，会商人为智能对一些行业，尤其是造作业和金融投资有关领域的影响
；第三，会商人为智能在金融利用中可能面对的问题微风险。

人为智能并不是最近才出现的概想。从1936年图灵提出自动机理论起头，到今天已经靠近90年。1956年达特茅斯会议提出“人为智能」剽一名称后，人为智能进入草创阶段。那个时期的人们一度极度乐观，由于机械证明、定理证明和跳棋法式都有一些进展，甚至有人以为十年左右机械就可能在好多方面战胜人类。但很快，由于数据不及、推算能力有限、模型能力不及，人为智能进入低谷。20世纪70年代，Lighthill汇报指出人为智能解决不了组合爆炸问题，整个领域受到很大冲击。

20世纪80年代以来，专家系统推动人为智能重新走向利用。尔后很长一段功夫，统计机械进建成为主流。1997年前后，IBM的Deep Blue战胜国际象棋世界冠军卡斯帕罗夫，使公共再次把稳到人为智能的能力。2012年，Geoffrey Hinton团队在ImageNet较量中以深度进建步骤显著超过传统步骤，推动人为智能钻研重心转向深度进建。2016年，AlphaGo战胜李世石，则让人们看到人为智能天堑在不休扩大。

对通常人而言，真正感触到人为智能发生质变，大体是从2023年ChatGPT呈显祓头。2025岁首DeepSeek受到宽泛关注，也使好多人意识到中国模型与国际前沿的差距并非不成逾越。当前人为智能发展的根基逻辑能够概括为“三板斧”：第一，高质量数据
；第二，壮大的GPU并行算力
；第三，以Transformer为代表的深度进建模型结构。大说话模型性质上仍是基于海量语料进行统计预测，它把问题转化为一个又一个token的天生过程。

当前大说话模型出现出两个重要变动。第一，各类模型能力急剧靠近，同质化趋向加强。早期好多模型开源，但今年以来头部模型逐步削减开源，由于模型自身已经拥有贸易价值。但即便不开源，市场上仍会通过蒸馏等方式进建模型能力，这也进一步推动模型之间趋同。第二，自主编程、自主演化和智能体工具迅速发展，例如Codex、Claude Code、Manus、Openclaw等工具，使用户通过天然说话就能天生法式、封装流程和挪用工具。

这类变动对文科和金融学生尤其重要。从前好多工作必须依赖比力强的编程能力，此刻只有可能明显描述工作、设计流程并与模型有效交互，就能够借助工具实现相当复杂的工作。我曾做过一个上海游览智能体的例子：给模型提出需要，让它搜索上海景点、酒店和餐饮信息，自动天生一日游、两日游、三日游规划，并进一步写出法式、README和skill.md，把职能封装成可复用的技术包。以来再次提出类似需要时，模型就能够挪用这一技术。

这注明，大说话模型的使用方式在从传统软件界面转向更单一的号令行或对话式界面。从前做一个利用必要前端界面、交互设计和大量编码，此刻好多基于GUI的工作能够简化为CLI或对话框大局，但背后的能力反而显著加强。对于文科学生来说，这意味着不用齐全成为法式员，也能够通过AI工具实现业务流程设计和工作自动化。

从技术范式看，我们在经历“端到端”的变动。从前进入一个行业做人为智能利用，通常必要先理解行业特点，再人为设计特点，最后机关预测器。此刻很多模型只有给定数据和指标，就能自动进建特点和映射关系。这在肯定水平上降低了对特定行业知识的显性依赖，也使人为智能更容易切入各个行业。

国度层面也十吩祺重“人为智能+”。中国在数据资源、产业系统和利用场景方面拥有显著优势，因而造作业是人为智能发力的重要领域。造作业的数字化、智能化不仅会影响出产流程，也会影响金融资源配置。好比具身智能、机械人装配、无人港口、无人矿车、自动驾驶、故障检测和产品设计，都是人为智能在实体经济中的典型利用。

在具身智能方面，我的学生曾参加机械人装置显卡的项目。显卡装置涉及管脚对齐、螺丝定位、线缆衔接等精密操作，要求很高。相比一些表演型机械人，这类机械人有潜力真正进入出产流程，拥有更强的现实价值。类似地，洋山港的无人化作业、矿山无人车、城市自动驾驶车辆等，都反映了人为智能在进入真实产业场景。

人为智能也在设计、图像、艺术和内容出产领域显著降低成本。从前设计logo、海报、证件照、告白视频、短剧或汇报PPT，都必要专业设计和较高用度
；此刻通过大模型和文生图、文生视频工具，能够大幅降低造作门槛。好比尝试室logo、吉卜力风格图像、证件照处置、短视频告白等，都能够在很短功夫内实现。将来好多内容出产环节会发生变动，内容和传布指标可能比传统意思上的高成本造作更重要。

企业内部也会出现大量垂类智能体，蕴含公司级、行业级、角色级和幼我级智能体。这些智能体还能够进一步封装成技术包，成为组织内部可复用的能力？。人机协同方面，数字人、智能客服、虚构员工和自动化内容运营都已经在宽泛利用。

从金融行业看，人为智能能够利用于智能营销、智能客服、实时反诓骗、自动化信贷审批、机械人流程自动化、合同审核、合规监管、智能投研和量化买卖等场景。以智能营销为例，若是可能凭据银行卡或消费数据鉴别潜在购房贷款客户，就能够预防滥发告白，实现更精准的客户触达。以反诓骗为例，能够通过微表情鉴别、行为数据和买卖数据发显飙保、骗贷风险。

在量化买卖方面，我曾与一家私募公司合作过高频买卖系统。对方提供由专业人员提取的特点，我们用深度进建和强化进建步骤寻找股票价值拐点，但愿在价值由下行转向上行时买入，在靠近高点时卖出。其时系统在肯定样本中获得了高于基准的年化收益，也曾在股灾场景中通过高频买卖削减损失。这个例子注明，AI和量化工具能够直接进入投资和买卖环节，但模型设计、特点机关微风险节造仍极度关键。

不外，人为智能进入金融领域也面对几个重要平衡。第一是成本问题。训练大模型必要大量算力和电力，金融机构是否可能接受这样的成本，必要当真评估。第二是可诠释性问题。深度进建模型往往诠释性不及，而金融业务在出问题时必须可能注明原因。第三是数据孤岛问题。银行和金融机构数据相互隔离，若何在
；ひ衷的同使佧合数据，是联国进建等技术但愿解决的问题。

同时，金融利用还必须防备匹敌攻击、开源模型后门、数据投毒和模型幻觉等风险。模型幻觉能够通过RAG等步骤缓解，但难以齐全解除。汗青上金融
；性鱿止Ｐ腿绻笥玫奈侍，例如Copula模型和有关性如果导致风险被低估。进入人为智能时期后，类似风险并不会自动隐没，甚至可能以更荫蔽的方式出现。

数据安全同样重要。从数据采集、训练、输出到利用，各环节都可能出现传染、泄露和跨境合规风险。中国对数据跨境极度敏感，有关案例也提醒我们，金融与出行等高敏感数据一旦涉及跨境和公共安全，就必须被纳入监管框架。

从投资角度看，AI公司投资也有两种逻辑。一种是真正看好技术进取和持久价值，以为产品会越来越有效，公司会越来越有价值。另一种则更像讲故事给LP听，主题不是判断AI能否成功，而是判断下一轮估值会不会更高，能否把份额卖给后来者。这两种逻辑必要分辨。AI时期财富可能进一步向少数真正懂AI的公司和幼我集中，他们也会通过各类方式变现。

当然，人为智能不是无所不能。数据量越大，越难判断数据有效性。模型可能鉴别出谬误有关性，例如把雪地布景当作哈士奇和阿拉斯加犬的区别
；模型也可能存在种族、性别等私见。模型安全同样存在缝隙，人们能够通过绕开规定、扭转提醒、机关特殊输入来获取敏感内容或影响输出。大模型并不能穷尽所有风险组合，因而安全问题很难被一次性解决。

我时时举一个竹竿进门的例子。一个十米长的竹竿是否能进入高五米、宽四米、深两米的房间，大模型可能会依照公式推算后说进不去，但现实中狗叼着树枝回家，可能通过转向、仰面、扭转姿势等方式解决问题。这注明，人类和动物在天然环境中持久进化出来的能力，有些机械并不容易把握。莫拉维克悖论也指出，人感触复杂的工作，机械通过进建和流程化后可能做得很好
；但人感触单一、依赖身段和天然经验的能力，机械反而很难代替。

因而，职业代替并不是线性发生的。容易被尺度化、流程化、法式化的工作更容易被代替，而依赖身段经验、复杂互动、真实场景和持久进化能力的工作代替难度更大。金融行业中，好多岗位会受到AI影响，但将来真正必要的是业务、科技和数据深度融合的复合型人才。

对于年轻人而言，将来可能会出现几种变动：学历较低的年轻人不愿意从事造作业流水线等人类感触单一但劳累的工作
；学历较高的人若是把握的工作被流程化，也可能面对岗位削减
；同时还会出现AI解读师等新角色，援手通常人理解医疗汇报、司法文件、金融汇报等专业内容。

我幼我以为，AI输出的仍是统计意思上的内容。若是你的思想深度可能超过AI，它就无法代替你
；若是你的思想比AI更粗糙，那还不如直接用AI。视角和设想力极度重要。年轻人必要成为“六边形战士”，不能只把自己绑定在单一职业上，由于我们无法确定将来AI会代替哪些工作。多几个领域选择，多一些跨界能力，会更安全。

最后单一介绍一下我自己写过的几本书，蕴含《人为智能的天堑》《爱犯错的智能体》《人为智能极简史》和关于钻研生造就的书《高质量读延追《高质量读研2》。这些写作经历也让我更显著地感触到，人为智能时期不是不必要人，而是更必要人形成自己的判断、视角和不成代替的能力。我的汇报就到这里。