夜雨聆风❝近日，一名10岁小学生借助AI应用生成平台，通过自然语言对话完成了一款获奖游戏。这一现象引发广泛关注，也为金融专业学生的学习和实践提供了新的思考方向。
一、事件回顾：AI正在降低创作门槛
2026年6月，钛媒体报道了一则案例：10岁的彭同学使用零门槛AI创作平台「灵珠」，通过自然语言对话，制作出一款吃豆人游戏《超级吃豆大冒险》。该作品包含5个关卡、3种难度以及关卡编辑器，在比赛中获得金奖。
据该平台披露的数据：
62.5% 的用户为零编程基础 教师群体的AI应用生成成功率为 98.1% 学生群体的AI应用生成成功率为 99.3% 上述成功率甚至高于程序员群体
这一现象被业界称为 Vibe Coding 的典型代表，即用户无需掌握编程语法，仅通过自然语言描述需求，AI即可完成代码生成、调试和迭代。
二、AI工具进入金融领域的现实背景
进入2026年，AI工具在金融领域的应用已从概念验证走向日常化。以下几组信息可以作为观察窗口：
| AI编程 | |
| AI搜索 | |
| 数据获取 | |
| 回测框架 | |
| 科研辅助 |
与此同时，2026年6月的多个科技热点也印证了AI应用的加速趋势：
苹果因AI数据中心扩张导致存储成本上升，Mac、iPad等产品线价格上涨，最高涨幅达3000元 美光CEO公开表示，存储芯片供应紧张将持续至2027年之后 DeepSeek宣布计划将所有部门规模扩大至少一倍 智元机器人旗下灵巧手研发商「临界点」估值达10亿美元，成立仅5个月即实现季度盈利
这些信号表明，AI不再只是技术话题，而是正在重塑多个行业的成本结构和人才需求。
对于金融专业学生而言，这一背景具有两层含义。一方面，AI工具的普及降低了技术实现门槛，使得非计算机背景的学生也能完成以往需要专业编程能力的任务。另一方面，金融行业对人才的要求正在从「熟练使用Excel和Wind」向「能够与AI协作完成复杂分析」转变。掌握AI工具的使用方法，正在从加分项逐渐变为基本功。
三、金融专业学生使用AI工具的四个场景
基于当前AI工具的能力边界，金融专业学生可以在以下四个场景中尝试将AI纳入学习和研究流程。
3.1 金融概念学习：多视角解释与交互式理解
AI工具可以将抽象的金融概念转化为多种解释形式。以期权定价中的Black-Scholes模型为例，学生可以要求AI：
用通俗语言解释公式含义 用数学推导展示变量关系 用Python代码实现定价计算 用交互式图表展示参数敏感性
同样，在学习久期与凸性、货币时间价值、资本资产定价模型（CAPM）等概念时，AI可以提供不同难度的解释版本，帮助学生建立从直觉到形式化的完整理解。
这种多模态、多层次的学习方式，尤其适合金融学科中抽象性较强的内容。学生不再依赖单一教材或课堂讲解，而可以根据自身理解程度，动态调整学习路径。
3.2 金融科研：数据清洗、文献综述与代码生成
金融科研中有大量重复性工作，AI可以在以下环节提升效率：
数据清洗
从Wind、CSMAR等数据库导出的原始数据常存在格式不一致、单位混乱、日期非标准等问题。例如，同一列数据中可能同时存在「元」和「万元」两种单位，日期格式可能混有 2023/12/31、2023-12-31、截至2023年末 等形式。
学生可以向AI描述清洗规则，由其生成Python或Stata脚本，完成单位统一、日期标准化、缺失值处理等操作，再人工核查关键步骤。
一个典型的需求描述可以是：
❝我有一份Excel文件，包含2019年至2024年A股上市公司的净利润数据。数据中金额单位有「元」和「万元」两种，日期格式包括
2023/12/31、2023-12-31和「截至2023年末」三种。请帮我编写一个Python脚本，统一金额单位为万元，将日期转换为标准格式，并计算每家公司的同比增长率。
AI根据此类描述生成的脚本通常可直接运行，学生只需检查输出结果是否符合预期即可。
文献综述
AI搜索工具可以快速梳理某一研究主题的学术脉络。例如，针对「ESG评级分歧对股票收益的影响」这一主题，AI可以：
列出该领域的主要研究者与代表文献 归纳支持方与反对方的核心观点 梳理主流计量方法与研究设计 提示近三年的争议焦点
需要注意的是，AI生成的文献信息必须经过人工核验，关键文献应回归原始数据库或期刊官网确认。
代码生成
在研究需要编程实现时，学生可以通过自然语言描述需求，由AI生成初步代码。例如：
❝从AKShare获取沪深300成分股过去三年的分红数据，计算股息率，按行业分组，并绘制热力图。
AI可以生成基础脚本，学生在此基础上运行、调试、修正。
3.3 金融竞赛：从PPT项目到可运行作品
在东方财富杯等金融类竞赛中，作品的完成度往往是评审的重要标准。AI工具可以帮助团队在三类任务中提速：
一个三人小组若能在数据、代码、展示三个环节均借助AI工具，通常可以在较短时间内完成一个可运行的最小可行产品（MVP），而不仅是一份概念性方案。
3.4 实习与就业：将AI作为效率杠杆
金融行业的实习岗位通常涉及大量数据处理与报告撰写工作。AI工具可以在以下场景中作为效率杠杆：
可比公司分析：自动抓取目标公司的核心财务指标，生成对比表格 行业研究：快速扫描行业竞争格局、政策变化、技术趋势 估值建模：辅助搭建DCF、DDM、相对估值等模型框架 风控建模：辅助完成数据清洗、特征工程、模型训练与结果评估
需要强调的是，AI的输出应被视为草稿，最终的数据核对、逻辑判断和结论表达仍需由人完成。
四、分阶段实操建议
根据不同学习阶段，金融专业学生可以从不同切入点开始尝试AI工具。
大一、大二：以AI辅助理解为起点
目标：养成用AI解释概念、生成例子的习惯 示例任务： 让AI用三种不同难度解释一个金融概念 让AI生成一个小工具，计算货币时间价值 让AI用实例说明风险与收益的关系 推荐工具：ChatGPT、Claude、豆包、Kimi
大三、大四：以AI辅助实现为重点
目标：掌握用AI写脚本、处理数据、跑回测的能力 示例任务： 用AI辅助编写爬虫，抓取上市公司年报关键词 用AI辅助实现一个多因子选股策略的回测 用AI辅助完成毕业论文的数据清洗与可视化 推荐工具：Claude Code、Cursor、GitHub Copilot
研究生及求职阶段：以AI辅助研究为重心
目标：用AI提升行业分析、公司估值、报告撰写的效率 示例任务： 用AI快速梳理某一学术领域的研究脉络 用AI辅助完成行业研究报告的初稿 用AI辅助搭建信用评分或风险预警模型原型 推荐工具：Perplexity、DeepResearch、秘塔AI搜索
工具选择的基本原则
在选择AI工具时，可以从以下三个维度进行判断：
| 任务匹配度 | |
| 结果可验证性 | |
| 学习成本 |
需要说明的是，工具本身会快速迭代，今天的主流工具可能几个月后就会被替代。因此，比掌握某一款工具更重要的，是建立对AI能力边界的理解，以及根据任务需求灵活选择工具的能力。
五、使用AI工具时的三类风险
尽管AI工具能显著提高效率，但在金融学习和研究中仍需警惕以下风险。
5.1 信息幻觉：AI可能生成不存在的文献或数据
大语言模型存在「幻觉」问题，可能虚构论文、错误引用数据或给出看似合理但错误的结论。金融研究对数据准确性要求极高，因此：
关键数据应回归原始数据库核对 关键文献应通过CNKI、Web of Science、Google Scholar等渠道确认 模型输出应通过经济直觉和逻辑检验
5.2 能力错配：过度追求复杂应用而忽视基础
部分学生可能希望直接借助AI完成复杂任务，例如大模型选股、智能投顾策略等，但如果对收益率计算、风险指标、回测逻辑等基础知识掌握不牢，AI反而可能放大错误。
建议遵循「基础先行、AI提速」的原则：先理解原理，再用AI工具提升执行效率。
5.3 动手不足：只看教程而不做项目
AI时代的学习成本已经显著降低，学生无需先学习数月编程才能开始实践。更有效的方式是：
选择一个自己感兴趣的真实问题 用AI辅助完成从数据获取到结果呈现的完整流程 在实践中不断修正和完善
六、结语
10岁小学生用AI做出获奖游戏的案例，说明了技术门槛正在快速下降。对于金融专业学生而言，这一趋势既是挑战，也是机会。
未来的金融人才竞争，可能不再仅仅取决于谁更会背诵公式或操作软件，而是取决于谁更善于：
提出有价值的问题 将专业知识转化为可验证的分析 借助AI工具高效完成从想法到结果的闭环
AI不会取代金融专业人才的判断力和专业素养，但会放大其能力边界。尽早建立「金融专业 + AI工具」的协作意识，将是这一阶段学生的重要课题。
❝参考来源
钛媒体：10岁小学生用AI创作获奖游戏报道 爱合伙每日AI创业快讯（2026年6月27日） 36氪：智元灵巧手、DeepSeek扩招等报道 爱范儿：苹果涨价、AI硬件化等报道