ARTICLE · 1041185
AI自进化来了,我们离就业重塑还有多远?
本文内容整理自清华大学沈阳教授，于9月16日在2026 “银行家论道”研讨会专题演讲，主题是AI进化的四重境界与金融行业的未来机遇。沈阳教授是一位跨学科研究者，涉猎计算机、信管、新闻、人工智能和临床医学等专业。
一、AI 进化的四重锚点：从人出发，向万物渗透
（一）第一重：我进化 —— 人是万物的尺度
这是整个理论体系的第一性锚点。
AI 厉害不算厉害，人因为 AI 变得更厉害，才是真的厉害。“我进化” 的核心内涵：一切围绕人的进化展开，人是目的，不是工具。
我们每天用手机、用软件，本质上是在消耗注意力、消耗生命。每天解锁百次、滑动上千次，都是巨大的隐性成本。
我自己有两个很小的改变：一是每天擦洗三遍手机，从只关注 “手干不干净”，进化到关注 “整个接触系统干不干净”；二是把手机桌面优化到只有一屏，第二页直接全局搜索，每天至少少点 100 次手机。
围绕人的效率、体验、能力一点一滴优化，就是最扎实的进化。任何 AI 应用都不能偏离 “人” 这个核心，否则再炫的技术也没有生命力。
（二）第二重：自进化 ——RSI 递归自我改进，不可逆转的加速浪潮
如果说 “我进化” 是以人为核心的慢变量，“自进化” 就是 AI 本身的快变量，也是当下行业最震撼的变化。
自进化的专业术语叫 RSI（Recursive Self-Improvement，递归自我改进），即 AI 自己编程改进自己、自己证明数学猜想、自己构建新算法，形成自我迭代闭环。
现在 AI 自进化已经进入 “不可遏制” 阶段。
最直观的体现是数学领域：黎曼猜想相关推进、费马大定理形式化证明，AI 都已完成部分关键进展。这些过去人类顶尖数学家耗费几十年才能推进的领域，现在 AI 可以自主推进，速度远超想象。
这意味着，在有明确目标、清晰评价标准的领域，AI 已经可以实现全闭环自我进化。
不需要人类一步步教，只要给目标，它就能自己尝试、纠错、迭代，直到得出最优解。
判断真正 AGI 的标准，我称之为 “时空隔离测试”：让 AI 只学习 1905 年之前的所有人类知识，看它能不能独立提出狭义相对论、广义相对论；或者只学习 1930 年代之前的语料，预测二战什么时候爆发。
能在完全不接触后续知识的情况下，独立得出和人类顶尖科学家、思想家同级别的原创结论，才是真正的 AGI。按照这个标准我们还有距离，但自进化的速度正在快速缩短这个距离。
也正因自进化速度太快，才有了前段时间的行业大争论：Anthropic 负责人公开发声，呼吁全行业放慢 AI 发展脚步，认为 AI 自主迭代下一代模型的能力已超出预期，安全研究和监管体系已经跟不上。
但反对者认为，头部公司放慢，二线公司马上就会追上来，市场竞争格局下，没人愿意主动让出优势。
这场争论的本质是：AI 自进化的浪潮已经像脱缰野马一样启动，不是某个人、某家公司能叫停的，这是技术发展的必然规律。
（三）第三重：共进化 —— 人与 AI、AI 与 AI 的双向演进
进化从来不是单方面的。AI 在进化，人也在进化；AI 和 AI 之间，也在互相适配、共同进化。
人与 AI 的共进化：自己打开 APP 一步步选店、选品、下单、支付，这是 “碳基奶茶”，是人去适应工具；对着 AI 助手说一句 “帮我点一杯常温无糖珍珠奶茶送到公司”，它自动完成所有操作甚至免密支付，这是 “硅基奶茶”，是工具适应人。
这个过程中，人会越来越擅长精准表达需求，AI 会越来越擅长理解意图、处理复杂流程，人和 AI 在交互中互相塑造、共同成长。
AI 与 AI 的共进化：现在的智能体（Agent）不是单打独斗，而是一群 AI 分工协作：有的查数据，有的写代码，有的做分析，有的发邮件。
它们之间的接口越来越顺畅，配合越来越默契，像一支训练有素的队伍。一个 AI 能力的提升，会带动整个协作网络的效率提升。
（四）第四重：泛进化 ——AI 向全行业渗透的扩散规律
AI 的进化不会只停留在科技圈，它会像水一样向所有行业、所有场景渗透，这个过程就是 “泛进化”。
渗透速度并不均匀，不同行业差异极大。
从今年 OpenAI 报告看，编程领域 AI 相关增长已大幅下降，渗透率接近见顶；企业Codex用户增长最快的是法律领域，增长 108 倍；销售领域增长约 40 倍；增长最慢的是工程领域，仅增长 5 倍多。
背后的规律很清晰：符号化程度越高、越依赖纯信息处理的行业，AI 渗透速度越快，替代效应越明显；越依赖物理实体、动手操作、现场经验的行业，渗透速度越慢。
纯客服、纯文案、纯流程类的岗位，会最先被 AI 深度改造；工程类、实体类的工作，相对会安全一些。
这不是说行业会消失，而是工作方式会彻底重构。
没有哪个行业能置身事外，区别只是来得早还是晚，是颠覆式还是渐进式。
二、AI 进化的底层逻辑：哲学根基与双轮驱动
（一）哲学根基：“四有” 的进化本体论
我把哲学思路借用到 AI 领域，提出 “四有” 递进结构，它们是从本体到现实逐层显现的关系，而非包含关系：
01 任意有
本体层面的终极可能性，是所有可能性生成的基底，对应大模型最底层的参数空间与涌现能力的源头。
02 潜在有
大模型参数里蕴含的所有可能性。千亿参数的模型像混沌的宇宙，藏着近乎无限的知识、逻辑和创造力，只是还未被激发。
03 可以有
通过提示词、工具调用、微调等方式，把潜在能力激发出来，变成可以实际使用的功能。
04 实际有
落地到真实世界、解决实际问题、产生实际价值的具体应用。
整个 AI 进化史，本质上就是不断从 “任意有” 下沉到 “潜在有”，再转化为 “可以有”，最终落实为 “实际有” 的过程。因为 “任意有” 的空间几乎无限，所以这个转化过程没有终点，这也是 AI 总能不断带来惊喜的原因。
（二）双轮驱动：内进化与外进化的相互作用
AI 的进化靠两个轮子驱动：一个叫内进化，即大模型本身、“大脑” 的进化；另一个叫外进化，即 Harness 工程，也就是 “大脑” 外面的整套工具系统、执行系统，我称之为 “驭件”。
1. 内进化：大脑的加速迭代与四大校验
现在大模型还是按月迭代小版本，预计明年就会变成按周迭代。越来越快的核心原因，是四个 “校验” 在提供能量。
第一个是 AI 校验：AI 自己校验自己、自己迭代自己。AI 提出想法，AI 编程实现，AI 评估效果，AI 再改进。这是当前最强的进化动力，也是自进化的核心。
在编程和数学领域，这个闭环已经完全跑通。只要有明确目标和清晰评价标准，AI 就能无限迭代，速度是人类的成百上千倍。
我们做压缩算法优化，让 AI 七天七夜不间断跑，最后得出了比人类更优的算法；用 AI 优化核聚变模拟软件，一个晚上性能就提升了 8%。
AI 校验的特点是快，并且会从核心领域向周边蔓延，一点点吞噬人类的知识工作。这个加速态势预计还会持续 3-5 年。
第二个是人校验：人类的审美、文化、艺术给 AI 的反馈与校准。这个进化速度慢得多。
AI 写诗要超过李白，不是写几首语言华丽的诗就行，而是要改造整个汉语的认知空间、情感空间和符号空间。
李白的伟大在于拓宽了汉语的表达边界，重构了中国人的诗意想象。
AI 要达到这个境界，需要整个文化层面的积淀，不是堆参数、堆算力就能实现的。
Midjourney 最近美学进展变慢，就是摸到了人类审美的瓶颈，再往上需要的是艺术革命，不是技术迭代。
人校验是慢变量，但它决定了 AI 的上限。
第三个是社会校验：真实社会系统给 AI 的反馈与检验。比如用 AI 炒股、做理财、预测选举、预测社会事件，都属于这个范畴。
这个领域准确率目前还不高，因为社会是混沌系统，有无数变量，还有人与人之间的博弈。
你用 AI 预测市场，市场本身也会因为你的预测而改变，这就是反身性。社会校验是 AI 进入真实世界的必修课，也是进化最慢的领域之一。
第四个是自然界校验：物理世界、生物世界的规律给 AI 的反馈与验证。这个领域最近也在明显加速。
最典型的是新药研发：原来研发一款新药平均要 5 到 10 年，现在有的记录已经到 18 个月。
AI 正在深刻改变生物医药研发范式，从靶点发现到分子设计全流程提速。
材料科学、能源科学领域，AI 也在带来突破性进展。
自然界校验的特点是：一旦突破就是颠覆性的，但因为需要和物理实验结合，迭代周期比纯数字领域长。
这四个校验共同构成 AI 进化的动力系统：AI 校验跑在最前面，拉着整个体系往前冲；人校验和自然界校验在两翼，提供方向和边界；社会校验在后面慢慢跟上。它们的速度差，就是这个时代最大的机遇与风险。
2. 外进化：驾驭工程的进化与吞噬效应
驭件就是大模型之外的所有工具、接口、管理系统和执行流程。
比如 OpenAI 的 Codex、各类代码助手、Agent 框架，还有我们团队自研的 ZiYor 系统，都属于驭件。
它就像大脑的 “外骨骼”，负责把想法落地成具体动作。
驭件本身也在快速进化，并且和大脑之间存在 “吞噬效应”：当大脑足够强的时候，会不断把驭件里的功能，内化到自己的参数里。
最早做数据分析需要专门的软件、插件，这些都是驭件；后来大模型自己就会写 SQL、做数据分析，这部分驭件功能就被 “吞” 掉，变成了大脑的内置能力。
写代码也是同理，最早需要专门的 IDE、插件，现在大模型直接就能生成完整代码，很多工具功能都被内化了。
每一次大脑的进化，都会吞噬一部分驭件的能力；而驭件为了不被吞噬，又会向外延伸，拓展新的边界。这个过程循环往复，推动整个 AI 系统的能力不断扩张。
吞噬效应的启示是：单一的工具技能，贬值速度会越来越快。
精通 Excel 曾经是核心竞争力，现在 AI 分分钟就能搞定；会写 PPT 曾经是优势，现在 AI 生成的 PPT 比大多数人都好。
所以我们不能停留在 “掌握某个工具” 的层面，要进化成 “驾驭工具的人”，进化成 “提出目标的人”。
这又回到了最开始的 “我进化”。
三、AI 落地的实践方法论：从链路到体系
（一）三个进化链路：从短到长，从虚到实
根据和真实世界的距离远近，AI 的进化分成三条链路，越短的进化越快，越长的价值越大。
第一条是短链路：纯粹符号空间的进化。
比如写文章、改文案、做设计、生成代码，都是纯信息输入输出，不需要和物理世界交互，也没有复杂的反馈闭环。
这个链路最短，进化最快，也是目前最成熟的领域。
第二条是中链路：生成 - 分发 - 反馈的闭环进化。
让 AI 自动生成内容，自动发布到渠道，自动抓取转发、评论、点赞、转化等数据，自动分析 ROI，反过来优化下一次的生成策略。
形成完整闭环之后，系统就能自我迭代，越跑越好。
核心是一定要跑通正向收益，只要 ROI 为正，这个飞轮就能一直转下去。
第三条是长链路：真实世界经验的逐级内化。
把真实世界里的行业经验、业务知识，先沉淀到驭件工具里，再慢慢内化到大模型的参数里。
比如银行业的风控经验，先做成规则引擎，再训练成行业模型，最后变成大模型的内置能力。
这个链路最长，可能需要几个月甚至几年，但价值也最大，因为它沉淀的是行业的核心壁垒。
谁能把行业经验最快、最完整地内化到 AI 体系里，谁就能建立最深的护城河。
（二）FDE 全面智能化体系：组织级落地的系统方案
很多企业做 AI 都是零散使用，效果有限。真正要释放 AI 生产力，必须体系化推进。
今年 1 到 3 月，我们做了三个月 FDE 实验（前端 AI 工程师部署，也可理解为 Full Digital Evolution，全面数字化进化）。
我们把 AI 工程师和业务人员混编，共同完成三件核心工作：
01 做整体智能化规划，梳理组织工作流，明确哪些环节可以用 AI 替代，哪些需要人机协同，如何重构流程最大化效率；
02 做经验蒸馏，把业务人员的工作经验提炼成可复用的技能（Skill），沉淀到 AI 系统里，让一个人的经验变成所有人的能力；
03 做算力优化，在有限算力预算下，通过模型选型、缓存策略、任务调度等方式实现效果最大化。
三个月实验下来，100 个人的团队，可以干原来 142 个人的活，人效提升了 42%。
后来在多家不同行业的公司测试，基本都能达到 40% 左右的提升。
结论很明确：只要团队主要在电脑前完成知识工作，搭建起系统化的 FDE 体系，人效提升 40% 是基准线。这是整个组织的系统性提升，不是某一个岗位的提升。
（三）六模态实践：文、图、乐、剧、码、游的全场景验证
我们团队在文、图、乐、剧、码、游六个模态都做了深度实验，这里分享几个核心结论。
文：小说与剧本的工业化生产。
只安排一个人负责，每周能产出 100 部小说，发布到各大网络平台。根据阅读数据、评论反馈筛选出受欢迎的作品，再改编成 AI 短剧。
本质是把内容生产的边际成本降到几乎为零，用海量供给测试市场需求，先测出 IP 潜力再重点投入，风险大大降低。
图：AI 绘画的美学探索。
我用 AI 创作了 14 万幅画，在全世界办了 12 场 AI 画展。AI 画画的核心不是提示词，是脑子里的美学算法。
我的一幅代表作，核心思路借鉴了跨尺度（Scaling）和分形两个数学概念：让羽毛的脉络长成树的形状，整棵树的轮廓又和羽毛的形状高度呼应。
用这两个原理构造 100 组提示词，生成 400 幅画，最后选出最满意的一幅。
书画收藏界的朋友建议，AI 画作不用签名，签名反而会影响收藏价值。
所以今年开始，我的 AI 作品都不再签名。
剧：智能体驱动的内容生产。
做《水浒传》主题内容时，我们让 AI 生成 108 个独立智能体，每个对应一个好汉的性格、人设和行为逻辑，放到同一个虚拟场景里自由互动、演绎，20 分钟就能生成一场完整的剧本杀，还能直接导出小说和剧本。
林冲视角、武松视角的故事都能一键生成。上个月我们做了约 120 部短剧，40 个人的团队，极致追求人效比和爆款产出率。
码：自进化 AI 的算法优化与 ECX 新范式。
我们选压缩算法领域，让自进化 AI 七天七夜不间断迭代优化，最终得到的算法，6 月 10 号正式登顶 LTCB 榜单的 BWT 类别压缩算法第一。
这是我们第一个被外部权威验证的算法成果。
还有朋友的核聚变模拟团队，我们用自进化 AI 帮他优化了一个晚上，整体性能提升了8%。
ZeeLin 团队发布Zeelin-Evolve AI自进化框架开源版本，并进入核聚变模拟优化
基于这些实践，我在软件工程领域提出 ECX 三层架构，重构传统瀑布式研发：
01 E 层（性能优化层）
完全不需要人参与，AI 自己迭代、优化、上线，只要有明确性能指标就能无限优化。
02 C 层（功能候选层）
AI 生成大量个性化功能候选，用户自主选择，喜欢的保留，不需要的折叠，实现千人千面。
03 X 层（交互体验层）
最贴近人的一层，也是人最能发挥价值的地方，负责定义交互逻辑、打磨体验细节。
我们用 ECX 架构优化了一个 3D 应用，资源占用降低了 86% 到 90%，五年前的老手机上运行都非常流畅。两个人的团队，做出了原来几十个人的效果。
四、AI 与金融行业的融合：五个值得共同探索的方向
（一）赛道一：打造银行业自动研究员，抢占 AGI 时代的研究先机
OpenAI 计划 2028 年推出自动研究员，基本不用人参与就能自主做研究。银行业完全可以更快一步，比如 2027 年做出银行领域的自动研究员。
银行领域的自动研究员，不是简单写研报、整理数据，而是能自主跟踪宏观经济数据、行业动态、监管政策，自主建立分析模型，自主输出研究结论，甚至自主发现新的业务机会和风险点。
现在行业研究员大量时间花在找数据、整理数据、做图表、写 PPT 上，真正深度思考、做判断的时间少之又少。
自动研究员把这些重复性工作全部接过去，让人专注在最有价值的判断和决策上。
谁先做出成熟的行业自动研究员，谁就在研究效率、决策速度上拉开一个数量级的差距。这是 AGI 时代金融机构核心竞争力的分水岭。
（二）赛道二：自进化式智能客服，重构银行服务的用户体验
当前客服的通病是：不管真人还是 AI 客服，都只会机械执行规则，规则里有的就能办，没有的就卡住，不会变通，也不会自主解决问题。
自进化式智能客服，不是预设话术库和流程树，而是能自主理解用户需求，自主调用后台系统，自主尝试解决问题。
遇到解决不了的新问题，还能自主学习、自主迭代规则，今天解决了一个身份证号升级的问题，明天全系统的客服就都学会了。
用自进化思路重构智能客服，带来的不只是人力成本下降，更是用户满意度的质的飞跃。
（三）赛道三：内外部数据打通的正向 ROI 应用，释放数据要素价值
银行手里有海量内部数据，互联网上有海量公开数据，但很多时候两部分数据脱节，没有形成价值闭环。
正向 ROI 的数据应用，核心是形成 “数据 - 决策 - 执行 - 反馈” 的完整闭环，让 AI 在闭环里自动迭代，直到跑通正向 ROI。
比如品牌投流，用 AI 打通内部用户数据和外部流量数据，自动追踪每一分投放的曝光、新增、转化，自动优化投放策略，最终实现投一块赚一块多的正向收益。
不只是品牌投流，精准营销、客户运营、风险预警、产品推荐，很多场景都可以用这个思路。
数据只有跑通商业闭环，才是真正的资产，否则只是躺在服务器里的成本。
（四）赛道四：风控的全自动化演进，信息平权时代的风控新范式
风控的本质是信息差。但随着 AI 发展，所有公开的、可量化的信息都会被快速抹平，信息差越来越小，传统的规则风控、模型风控都会越来越失效。
未来的风控一定会走向实时化、全自动化、自优化。
风控本质上是有明确目标的数学优化问题，AI 最终都能解决，而且比人算得更快、更准、更全面，全自动化是必然趋势。
这不是说风控岗位会消失，而是风控的核心会从 “做规则、跑模型”，变成 “定义目标、校准边界、监控异常”。
人从执行者，变成决策者和监督者。
（五）赛道五：A2A 金融服务，布局未来百倍增长的新赛道
现在银行的服务主要是 To C 和 To B，服务主体是人或者企业。但未来，服务主体会增加一个全新的类别 ——AI。
今年 9 月份，全行业的 Token 消耗量比去年 9 月增长了 25 倍，而且增长还在加速，未来几年 AI 的算力消耗、Token 消耗肯定会超过 100 倍增长。
随之而来的就是 A2A（AI to AI）服务的爆发：AI 和 AI 之间的交易、支付、结算、风控、金融服务。比如智能体自动做交易、自动理财、自动签合同，这些都需要对应的金融基础设施和金融服务。
现在银行的整个服务体系都是为人和企业设计的，为 AI 设计的金融服务体系几乎还是一片空白。
未来 A2A 金融服务的规模会有 100 倍以上的增长，这是全新的蓝海，谁先布局，谁就能拿到下一代金融服务的入场券。
五、结语：回归人本身，拥抱进化时代
我们做 AI、研究 AI、应用 AI，最终目的从来不是让 AI 取代人，也不是让 AI 变得无所不能。
最终目的，是让每一个人都能借助 AI 变成更好的自己，让行业借助 AI 进化到更高形态，让社会借助 AI 走向更美好的未来。
人是万物的尺度，也是所有技术的终极归宿。
AGI 不是终点，而是人类进化的新起点。
站在这个历史转折点上，与其焦虑，不如拥抱；与其观望，不如行动。
让科研像聊天一样简单软件下载地址：
https://www.knover.cn/download.html
邀请码：13581791798
注册时输入邀请码，免费获得体验积分
