夜雨聆风
《复旦AMF新声》
在金融与科技深度融合、产业加速变革的今天，未来需要怎样的人才？为汇聚前沿思想、分享行业洞见，复旦大学高阶金融科技MBA（Advanced MBA in Fintech, AMF）推出人物访谈栏目——《复旦AMF新声》。
我们将邀请学界专家、产业领袖、创新实践者与杰出校友，共同探讨金融发展的未来图景，记录时代变革中的思考与探索。
从全球范围看，您认为当前金融科技的发展进入了一个怎样的阶段？
从纵向来看，以科研范式作为类比，在过去三千年的科学发展史上，总共经历了四个范式：
第一范式：实验科学（Empirical Science）
以记录和描述自然现象为特征。通过观察和归纳实验结果来发现规律，如伽利略的自由落体实验。
第二范式：理论科学（Theoretical Science）
以建立数学模型和演绎推理为特征。利用演绎法解释现象、预测未知，如牛顿力学定律或爱因斯坦的相对论。
第三范式：计算科学（Computational Science）
以计算机仿真模拟为特征。面对复杂的非线性问题，科学家使用超级计算机进行大规模数值计算和模拟，如模拟天气预报或核爆炸。
第四范式：数据密集型科学（Data-Intensive Science）
以大数据和AI驱动为特征。通过收集、处理和分析海量数据，从数据中直接挖掘出科学规律，如天文学的海量巡天数据分析、基因测序。
近几年随着大模型、AI for Science 发展，部分学者新增划分出第五范式：人工智能科学范式——AI 自主科研、大模型自动生成科学假设、设计实验、推导理论，AI 成为独立科研主体（如 AlphaFold、AI 发现新材料）。
从经济学、金融科技的角度，其实我们也从亚当斯密、李嘉图时代的实验、经验经济学；到凯恩斯为代表的模型演绎经济学；在70、80年代，随着计算机技术的进步，以无套利原理、风险中性定价为理论支持，仿真模拟技术为代表的现代定价理论，开始对奇异期权、资产支持证券等复杂产品进行分析定价；到了90年代之后，以量化模型，大数据分析，统计套利，高频交易为代表的量化策略大行其道；而现在也进入到了AI驱动的金融科技发展阶段。但是与AI4S相比,预测人心的AI for Economics/Finance还存在着更多的障碍和陷阱，需要从业者小心应对。
在这股全球浪潮中，您如何评价中国金融科技的独特优势和面临的挑战？
简而言之，金融科技可以分为A（AI）、B（Blockchain）、C（Cloud Computing）、D（Big Data），现在可能还要加上E（Electricity）。中国的优势在D、E上体现得比较明显，在A、C上与世界领先水平你追我赶，甚至可以说并驾齐驱，在B上出现了分化。具体分析如下：
第一，大数据和电力是我们金融科技独有的核心优势，很难被复制。国内居民、产业链、政府辅助数据积累规模全球顶尖，同时全国一体化算力网络成型，国产算力配套完善、用电成本低，能持续支撑普惠金融大规模落地。
第二，人工智能、云计算和国际顶尖水平齐平，不存在代差。金融场景落地我们更强，底层通用技术小幅追赶；金融私有云改造全球标杆，但公有云金融合规还在完善，双方长期互相竞争、取长补短。
第三，区块链国内外发展路径割裂，差异最突出。国内主打服务实体的联盟链，严控虚拟货币投机；海外放开公链、资产代币化试点。这种割裂让我们难以参与全球数字资产规则制定，跨境区块链创新只能依靠离岸市场，推进节奏慢于海外。
作为金融学教授，您观察到传统金融机构（如银行、券商、保险）在拥抱金融科技时，普遍遇到了哪些“成长的烦恼”？成功的转型需要怎样的组织文化和战略定力？
一般来说，有两类问题。一类是过于迷信技术；一类是过于迷信经验。有一句话说的很好，“成功会限制成功者的想象力”，其实也就是路径依赖，过于迷信过去的成功经验，反而会在技术大潮的冲击之下，固步自封，抗拒改变；而另外一类，则是对于新技术过于迷信，相信新技术能够解决一切问题。还有一句话也说的很好，“We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run. 我们总会高估一项技术的短期影响，低估它的长期影响。” 作为金融从业者，需要抗拒这两种迷信，既要了解技术，也要了解其不足和短板；既需要了解经验，也需要知道其局限性。这一点恰好可以用《大学》中 “苟日新，日日新，又日新” 来理解。
所谓苟日新，是单次技术风口、阶段性突破，也是大众对短期变革想象的来源。当人工智能、大数据、算力等技术迎来一轮突破时，我们很容易仅凭这一次革新，预判短短五年就能彻底改写行业，从而高估短期成效，却忽视技术落地需要生态、监管、产业同步适配，单次创新很难立刻释放全部价值。
而日日新，是技术日复一日不间断的细微迭代：模型持续调优、算力稳步升级、数据体系不断完善，这些每天都在发生的微小进步难以在三五年内形成肉眼可见的巨变，进一步印证短期预期容易落空。
至于又日新，代表革新循环往复、永不停歇，放在二十年的长周期里，日复一日的技术改良层层叠加，多技术深度融合、配套体系同步成熟，最终会催生全方位的产业变革。我们很难预判这份长期持续创新的力量，因此总会严重低估技术跨越二十年的深远影响力。
金融科技正是如此，不必追逐短期一蹴而就的颠覆，更要坚守日日精进的长期革新，方能看清技术真正的长期价值。
人工智能，特别是大语言模型（LLM）的崛起，正引发新一轮的技术革命。在您看来，AI在金融领域的想象力边界在哪里？它将如何超越现有的智能客服、风控等辅助性应用，去真正“颠覆”或“重塑”投资决策、资产管理、财富管理等更核心的金融业务？
我们需要认识到，目前的大语言模型的本质，还是语言模型，也就是模仿人类的思维和推理，而不是真正的逻辑思维。因此目前可以说最成功的领域，是在计算机编程上，因为计算机语言，也是人类语言的一种，而且比传统语言的规则和语法都更为简单。
因此，需要模仿人类语言的领域，比如智能客服，LLM将迅速取代人工客服；但在金融的核心领域，需要真正的逻辑推理，包括强调模型的可解释性的风控领域，比如核心资本充足率的模型，还无法用LLM类的AI模型替代。
我们知道，模型的准确性与稳定性，往往是不可兼得的，因此，做决策支持建模，不能简单寄希望于用AI获得更好的模型准确性，而是要意识到AI的局限，了解AI，用好AI，祛魅AI，而不是凡事都不分青红皂白直接使用AI来代替传统的量化模型，尤其是量化风险模型。
最后，对于那些正站在金融与科技的十字路口，渴望突破瓶颈、实现自我迭代的行业精英们，您有什么建议或寄语？
面对技术范式变革与AI重构行业的时代浪潮，未来的领航者需要的不仅是金融专业知识，更是理解AI趋势、洞察AI和大模型本质、把握经验，拥抱变化的能力。
EVENT
活动预告
项目预约咨询
扫描上方二维码预约咨询
面向未来的召唤
与其被动应变，不如主动进化。AMF项目2027级现面向本科毕业满 3 年、硕博毕业满 2 年的职场专业人士开放申请。
我们诚邀以下领域的你加入：
泛金融领域资深从业者，寻求从专业纵深向管理广度的跃迁
科技企业管理者，希望系统掌握金融逻辑与战略思维
数字化转型领导者，致力于成为技术与商业的关键决策者
所有不愿被时代定义、而选择定义下一个时代的人
复旦国金课程项目
推荐阅读
