近日，復旦大學經(jīng)濟學院聯(lián)合計算與智能創(chuàng)新學院舉辦了一場聚焦人工智能與金融領域交叉議題的學術活動。這場以“AI時代的金融人才核心競爭力”為主題的研討會，匯聚了來自金融機構與高校的多位專家，共同探討技術變革對行業(yè)生態(tài)及人才培養(yǎng)模式帶來的深遠影響。復旦大學副教授曾劍平從人工智能安全視角切入，系統(tǒng)分析了AI技術嵌入金融業(yè)務后引發(fā)的風險結構演變，強調(diào)未來從業(yè)者需構建“傳統(tǒng)金融知識+AI安全素養(yǎng)”的復合能力體系。

曾劍平指出，隨著AI技術在信貸審批、風險預警、智能投顧等場景的深度應用，金融行業(yè)面臨的風險維度正從信用、市場、操作等傳統(tǒng)類型，向數(shù)據(jù)層、算法層、模型層、應用層等新型風險擴展。他以數(shù)據(jù)安全為例說明，金融AI模型訓練依賴海量互聯(lián)網(wǎng)數(shù)據(jù)，這些數(shù)據(jù)在采集、清洗、標注過程中可能被植入惡意樣本，導致模型輸出系統(tǒng)性偏差。在反欺詐場景中，若訓練數(shù)據(jù)包含地域或行業(yè)偏見，可能使特定群體被錯誤標記為高風險客戶，進而影響信貸資源分配的公平性。

模型層面的技術特性進一步放大了風險傳導效應。曾劍平解釋，大語言模型本質(zhì)是基于統(tǒng)計概率的預測系統(tǒng)，其生成內(nèi)容的高可信度并不等同于事實準確性。當輸入數(shù)據(jù)存在樣本偏差或人為誘導時，模型可能輸出看似合理卻違背常識的結論。他特別警示，部分從業(yè)者過度依賴AI結論而忽視基礎邏輯驗證的現(xiàn)象，可能導致投研分析、交易決策等關鍵環(huán)節(jié)出現(xiàn)方向性錯誤。“沒有扎實的金融學、統(tǒng)計學知識作為判斷基準，使用者很難識別AI輸出的潛在偏差。”

在應用實踐層面，曾劍平通過智能體抓取網(wǎng)頁數(shù)據(jù)的實驗揭示了當前AI技術的局限性。實驗中，AI代理在完成實時行情獲取等標準化任務時，因網(wǎng)頁結構差異、接口標準不統(tǒng)一等問題，頻繁出現(xiàn)調(diào)用失敗或數(shù)據(jù)失真情況，甚至消耗大量計算資源卻未能返回有效結果。這表明，AI工具的可靠性高度依賴于底層模型能力、數(shù)據(jù)標準化程度及任務設計合理性，在預算有限、容錯率低或需復雜業(yè)務判斷的場景中，人類專家的監(jiān)督與干預仍不可替代。

針對AI風險與傳統(tǒng)金融風險的疊加效應，曾劍平提出需構建全鏈條治理框架。他舉例說明，數(shù)據(jù)偏差可能加劇信息不對稱，模型誤判可能扭曲信用評估體系，而同一模型或接口的廣泛使用則可能引發(fā)系統(tǒng)性風險集中暴露。因此，金融機構應在AI應用初期即納入風險管控機制，明確模型開發(fā)方、使用方及監(jiān)管方的責任邊界，避免出現(xiàn)“技術黑箱”下的責任真空。

對于金融人才培養(yǎng)，曾劍平強調(diào)應避免將AI工具使用能力等同于核心競爭力。他建議高校在課程設置中加強計算機科學、數(shù)據(jù)安全與金融專業(yè)知識的交叉融合，幫助學生建立“技術原理-業(yè)務場景-風險邊界”的三維認知體系。“只有理解AI系統(tǒng)的底層邏輯，才能判斷其輸出結果的適用范圍，在關鍵環(huán)節(jié)保持人類專家的決策主導權。”這一觀點在參會學者中引發(fā)廣泛共鳴，多位金融機構代表表示，未來招聘將更側重考察應聘者的復合知識結構與風險識別能力。