北航教授李建欣：AI 时代的金融科技趋势与人才培养路径

管理学家德鲁克曾指出，真正重要的不是趋势，而是趋势的转变，这种转变即便常被提及的“弯道超车”。回顾信息革命历程，IBM 前董事长兼首席执行官路易斯・郭士纳提出，计算机领域存在周期性革命，学科发展迭代迅猛 —— 从早期大型机到互联网，再到云计算，每个时代都有核心技术引领行业前行。而在 AI 与金融领域，以下三大趋势展现出跨领域的稳定性：

第一个趋势是大数据的核心支撑作用。当前大模型主导的人工智能技术路线，离不开海量数据的基础保障。这些数据既包括用户生成内容（UGC）、业务运营数据，也涵盖机器生成数据。例如，飞机搭载的传感器数量已从过去的几百万个增至如今的上亿个，每次飞行都会产生海量数据；从传统搜索引擎到现代互联网社交网络，也均在数据爆发浪潮中实现革新。数据、计算与连接，既是智能的核心，也是行业基础设施的关键要素。

第二个趋势是信息技术的持续更新迭代。历史上我们的信息存储一直是难题，而数据库技术的出现被视为计算机在行业领域的重大图谱，当时的信息技术已被认为已具备较高智能水平。如今，银行机构为评估客户信贷资质，会通过多渠道获取用户数据，全面分析其过往行为、消费习惯、生活状态等信息，可见人们对信息的认知与应用深度，正随着技术发展不断深化。

第三个趋势是基础设施向“人、机、物” 融合升级。人工智能的发展始终以信息与计算机技术为基础，其核心演进方向是从计算机本身，走向信息世界、物理世界与人类世界的融合计算。当前热议的多模态大模型技术，与美国“创世纪” 计划本质原理一致，均致力于实现三大世界的深度融合。随着海量信息的产生与广泛连接，业务场景与这些技术深度绑定。

什么是人工智能？图灵1950年提出图灵测试,该测试用于判断机器是否具备智能。1946 年世界上第一台电子计算机诞生后，人工智能概念于 1956 年正式提出，虽发展历程相对不长，但技术迭代速度极快。

当前行业发展普遍关注功能、结构与行为三大核心要素。人工智能领域包括符号主义、行为主义、连接主义，当前深度学习通过大量神经元实现对系统的有效拟合。这一技术原理如今已广泛普及，即便中小学生也能对各类神经网络的起源进行简单阐述。国内人工智能技术演进从未中断。目前，DeepSeek、阿里、华为等多家企业均推出自主研发的大模型，并持续迭代升级。产业界同样处于变革之中，从早期的 DataBricks 到如今的 Palantir，开源数据分析与咨询公司不断出现。

这一变革过程中，“序列” 与 “预测” 是两大核心概念。2021 年人工智能 A 类会议 AAAI 我们发表的论文便聚焦“序列” 主题，获得最佳论文奖；如今大模型的 Transformer 架构，核心功能之一也是解决文本序列问题，该论文提出的技术可实现更长数值型 Token 的预测，对金融等数字敏感领域极具实用价值。而机器学习中的分类、回归、生成等后续环节，本质上均属于预测范畴。金融与交通等领域类似，精准预测是其核心目标之一，也是倒逼智能基础设施完善、推动应用场景拓展的关键抓手。

当前人工智能竞争的本质是人才竞争，金融机构对相关人才需求迫切，做好人才培养成为行业与高校的共同课题。我国已明确建成教育强国、人才强国、科技强国的战略目标，进一步明确教育、科技、人才一体化发展方向，为高校人才培养提供了清晰指引。结合实践，人才培养可从两方面推进：

第一，立足教育本身推动变革。当前高校教育面临一定挑战，学生可以利用大模型获取很多问题答案，答缺乏独立思考，忽视思维能力培养，这一现象也引发教育工作者担忧。马斯克曾预判，传统课堂讲授模式未来可能发生重大变革。如今“慕课” 普及让学生能轻松获取全球顶级高校知识资源，打破了知识传播的边界。

第二，跳出教育自身边界协同寻求发展路径。在信息领域，我们常面临“卡脖子” 问题：芯片设计原理多数人能够掌握，但受材料、工艺等因素限制难以落地；为此，国家2025年加大卓越工程师培养，核心目标是培育实用型人才。该模式打破传统在校学习模式，根据学生个人发展需求与行业实际需求，灵活安排在校学习与企业实践时间；培养过程采用双导师制甚至导师群模式，围绕行业典型问题实时更新知识体系，以实际成果作为核心考核标准。未来，希望与行业各界加强交流合作，探索更多联合体合作模式，在开放协同机制中持续提升人才培养质量。