【羽扇观金工作室】

近日，复旦大学经济学院举行“南土国际金融政策圆桌会第12期”暨“迎接AI时代系列”第1期。本次会议以“AI时代的金融人才核心竞争力：基于金融实务工作的思考”为主题，围绕人工智能快速发展背景下金融行业的岗位变化、能力重构和人才培养展开讨论。

南方基金管理股份有限公司交易管理部总经理王珂首先表示，AI相关应用的变化速度已经超出传统的节奏。其团队曾在2024年开发多智能体交易助理并获奖，但在奖状寄到之前，原有框架已经被重新调整。这一经历表明，AI时代的知识和工具更新具有高度不确定性，任何关于核心竞争力的判断都是阶段性思考，而不是长期不变的答案。

在王珂看来，当前许多人看待AI时，习惯性的把它当成了软件或者系统，按照软件系统的标准来要求，把 “幻觉”“越权”“编造答案”等问题看作技术缺陷，但如果从社会型组织管理角度来看，这些问题大家都曾经碰到过。一个聪明但未经训练的员工，经常在思维不能同频的情况下给出奇怪的答案，也经常在不懂时给出看似合理却并不准确的答案，以及在没有充分核实的情况下提交结果。因此，AI应用的关键不只是提升模型能力，而是要建立类似组织管理的约束机制、复核流程和责任边界。

基于这一判断，王珂提出，未来金融人才的重要能力之一，是围绕具体业务场景构建“AI团队”的能力。传统意义上，一个学生毕业后进入机构，往往首先作为单个个体参与工作；而在AI时代，提供了给学生在学生时代就打造AI团队的机会，更有竞争力的人才应能够根据垂直领域需求，组织多智能体协作，配置工具调用、任务分工、过程监控和结果校验机制。这种能力不是简单的提示词技巧，而是对业务流程、技术工具和组织约束的综合设计能力。

王珂特别强调，金融学生不必都成为人工智能专业人才，但应理解如何用AI搭建可运行的团队体系。例如，学生可以尝试为自己构建小型教学团队或小型研究团队，让不同的Agent分别承担资料搜集、建模、写作、审校和结果验证等任务，构建有效的团队。其价值不在于某一次研究结果是否足够完美，而在于能否走通流程，知道每个环节可能在哪里出错、边界在哪里，如何调整、如何让团队协作完成任务。

谈及金融专业训练，王珂认为，金融学生需要培养量化金融研究的能力。AI降低了量化研究和使用的成本，使量化可以从少数高频交易场景逐步下沉到金融机构更广泛的运营支持、交易执行和服务体系中，有效的提升这些场景的运行效率。模型的构建和以及执行算法编程都可以由AI来完成，但模型是否可行、是否过拟合、是否能在真实生产环境中稳定落地，仍需要人来判断。因此，量化训练的重点不只是写代码或建模型，而是理解场景、识别问题、校正偏差和判断结果。

在更宽的能力结构上，王珂还提出，AI时代的金融人才需要补充历史、哲学和心理学训练。当大量标准化工作被AI承担后，人仍然需要承担沟通、解释和最终决策。AI不会承担监管处罚、绩效考核和现实责任，最终为结果负责的仍然是人。因此，谁更能理解人、说服人、承受压力并作出判断，谁就更可能拥有不可替代的价值。

以下为王珂发言全文（已经本人审定）：

首先，AI现在非常热，进展也非常快。最开始杨老师跟我说这个题目时，我就说题目里一定要加上“思考”两个字。因为这个领域变化太快，也许一个月以后，我今天的想法就会发生变化。这里讲的内容仅代表我个人目前的思考，不代表公司的观点。

举一个例子。我们在2024年做了一个25年还在继续落地的基于多智能体协同的交易助理，拿到了人民银行的金融科技发展奖的二等奖。获奖证书是在今年4月初寄到的，而在今年3月下旬，我们已经向公司数智科技团队提出要重新调整整个框架了。这说明AI相关应用的变化速度非常快的。

我想从一个比较虚的角度先来谈。当前许多人看待AI时，习惯性的把它当成了软件或者系统，按照软件系统的标准来要求，把 “幻觉”“越权”“编造答案”等问题看作技术缺陷，觉得要等到它进化到严格的正确才能落地到生产环境应用，但如果换一个角度，把AI当作社会型组织，Agent当成一个人、一个同事或者一个下属来看，很多问题其实并不奇怪。

在工作中，我们经常会遇到很聪明但和你思维不在一个频道的人。你说的是一件事，他理解的是另一件事；你反复强调某个结果必须核实后才能交付，他还是直接交给你；你要求不能编答案，他不知道的时候仍然给出一个似是而非、看起来很正确的答案。

所以我认为，AI出现这些问题，也可以从组织管理的角度理解。我们过去是怎么管理人的，怎么约束人的，怎么建立流程以及应用程序来防止人出错，今天就可以用类似的思路去理解如何使用AI。也就是说，不要把AI仅仅当作工具，而要把它当作伙伴、同事或者下属；需要培养在AI社会构建和管理团队的能力。

以前学生毕业进入公司，通常是作为一个个体进入组织。未来，可能更看重的是一个人能否根据工作场景要求，打造一个由AI团队。现在比较流行的框架是多智能体协作、多agent协同，再通过skill、工具调用和工程化约束来保证稳定性和可落地性。这和我们过去管理人、监控流程、约束产出的逻辑是相通的。

平时交流的时候有人会说，既然AI很聪明能干，为什么不能直接让它一次性给出答案，为什么还需要用工程化、编程和工具去控制它？我的理解是，如果把AI当作一个初建的社会，人到智人的标志就是系统化地运用和打造工具。那为什么让AI去运用工具就是不合理的呢。AI的工具是什么，就是传统的工程化的软件跟系统。AI还没有自主意识，所以现在需要人在旁边协助指导它构建工具、使用工具。因此AI在应用场景落地的问题，基本上主要是工程性的问题。

这也是我认为未来AI在垂直场景里真正落地的一个合理路径。通过skill，让AI和你的场景同频，让它能够按照组织需要的方式和业务流程稳定运行。AI可以被看作一个知识储备很强的“聪明孩子”，但它需要通过训练、约束、融入到业务场景里。

对于金融或经济专业的学生来说，我不认为必须把完整的AI专业课程全部学完。我知道复旦有+AI双学位课程提供，但金融加AI的双专业压力很大，能学下来的人也有限，学生没有必要把人工智能专业的全部内容都学一遍。但他们需要掌握一种能力：就是利用AI工具构建团队、组织流程、完成任务。我觉得学校可以开设一门课，或者让学生做一个实验，不是为了让他们成为AI工程师，而是让他们走通一次完整的人机协作流程。

比如，学生可以为自己打造一个学习系统。老师讲课没听懂时，可以让AI结合网上课程、学习方法和个人偏好，生成一个补课老师；再让另一个Agent出题考核，让第三个Agent跟踪学习结果。这个例子不复杂，但它可以训练学生理解流程、分工、校验和监督反馈。

再比如，导师带学生做研究，本来就有资料搜集、建模、写作、审核等分工。学生能不能打造一个AI研究团队？这里最重要的，不是最后这项研究能不能发表在顶级期刊，而是这套体系能不能共同协作、稳定完成一份研究报告。学生要知道每个环节可能在哪里出错、边界在哪里，如何调整、如何让团队协作完成任务。试着去蒸馏下你的教授。

所以我觉得，学生未来走入职场时，不应该只是一个人在战斗，而是要有能力带着一个团队作战。未来我会更喜欢两类人：第一类是有经验、并且能够构建团队的人；第二类是新人，但能用AI打造一个团队的人。因为雇一个人，相当于雇了十几二十个人甚至更多的人，他的产出效率会比过去高得多。

AI进入金融体系实际应用不是未来才会发生的事，而是在真实业务里已经开始发生的。因此，我认为要给学生一种管理团队、组织流程、理解AI协作的思维方式。不管将来进入机构，还是自己创业，这都会成为核心竞争力之一。

第二个层面，我认为所有金融学生都应该培养量化金融研究的能力。量化并不等于高频交易。其实生活中每个人在做判断时，都是根据一组参数做决策。金融环境更是如此。过去量化人才少，往往集中在高频私募、保险精算等领域。AI降低了量化研究和使用的成本，使量化可以从少数高频交易场景逐步下沉到金融机构更广泛的运营支持、交易执行和服务体系中，有效的提升这些场景的运行效率。

以前量化之所以成本高，主要是两点：一是建模能力强的人少，二是能达到相应的要求的编程的人少。现在模型可以让AI辅助建立，程序也可以让AI辅助生成。这意味着量化不再只属于少数顶端岗位，而会进入更广泛的运营、交易、服务和支持体系。

我自己管理交易部门多年，做的是执行性交易。我们一直在做的事情，就是把所有场景量化。场景量化之后，再根据场景构建匹配的执行策略。它不是属于需要盈利的投资交易，而是要达到匹配下的执行最优。但这里有一个关键问题：模型可以由AI建，程序可以由AI写，但能不能在生产环境中使用，能不能稳定落地，仍然需要人判断。金融量化里有个重要的问题是过拟合。你的结果是不是过拟合？如何校正？如何验证？这些需要量化训练提供方法论。学生不一定要有顶级建模能力，但至少要知道，虚点说叫认知，换个说法就是脑子里要有框架。

因此，对大多数普通金融人才来说，知识的广度可能比单一深度更重要。你需要知道问AI问题要告诉它哪些前提，知道模型可能在哪里失真，知道如何把AI出来结果和业务场景相匹配。

再往形而上讲，我认为学生还需要学历史、哲学和心理学。未来大量标准化工作被AI替代以后，人要做什么？我们经常开玩笑的说，人的作用，第一，要给服务对象和对手方做心理按摩；第二，要做责任承担者，要为AI跑出来的结果承担责任。监管处罚不会打到AI头上，最终一定是打到人和机构头上。KPI、奖金、处罚、责任都只对人有意义。

如果两个人的能力差不多，我一定会选择一个更能沟通、更能承压、更能承担责任的人。所以心理学重要，哲学的思辨能力也重要。至于历史，是因为我们可以通过人类社会的发展去理解AI社会可能如何构建。例如AI的安全体系、标准接口和规则体系，未来都可能类似人类社会从氏族到公共社会的法律秩序的演变。现在的AI生态中，阿里、腾讯、抖音等平台都在构建自己的生态，生态某种层度上可能就类似于过去的氏族，未来应该会出现国家层面的安全标准和一批专门构建AI安全体系的公司。

总体来说，未来哪些职业会被替代，哪些职业还会存在，没有人能百分之百看清楚。但学生可以通过理解历史、社会结构和技术演进，去判断哪些方向更可能有长期空间，尽量避开刚进入就被替代的赛道。这些是我目前比较粗浅的想法，可能脑洞比较大，也未必完全正确。