毕超：AI时代的能力重构——从'学AI、用AI'到个人优势激活
核心摘要
- "能力重构、能力升级"
- 活动汇聚了金融监管机构、政策性银行、商业银行、保险资管、金融科技企业等多方青年代表
- 中国农业发展银行总行毕超作为嘉宾之一，从个人能力建设的视角对AI时代的人才发展路径给出了实践导向的论述
- 二、核心主张：能力重构而非工具增补 毕超提出了一个值得深思的表述—— "能力重构、能力升级" ，而非"学会一个新工具"
目录
核心要点
- 毕超核心主张：AI时代须"学AI、用AI，实现能力重构、能力升级"
- 国内大模型三大优势：数量多、性能好、免费开放——降低了每个人的AI使用门槛
- AI应用四大要素（数据、场景、算法、算力）中，每个人在数据生成和场景理解方面具备天然优势
- 首要行动："迈出第一步，学习并使用AI，之后才能发挥人工智能各项技术的作用"
一、活动背景
2025年，"金融街青年派"主题交流活动在京举办，聚焦数字金融时代的人才需求与职业发展。活动汇聚了金融监管机构、政策性银行、商业银行、保险资管、金融科技企业等多方青年代表。
中国农业发展银行总行毕超作为嘉宾之一，从个人能力建设的视角对AI时代的人才发展路径给出了实践导向的论述。
二、核心主张：能力重构而非工具增补
定义毕超提出了一个值得深思的表述——"能力重构、能力升级"，而非"学会一个新工具"。
这两个词的精妙之处在于区分了两种应对AI时代的方式：
| 应对模式 | 思维逻辑 | 典型行为 | 本质 |
|---|---|---|---|
| 工具增补（浅层） | "AI是工具箱里的新扳手" | 学会用ChatGPT写邮件、用Midjourney做图 | 在现有能力结构上加一个模块，底层不变 |
| 能力重构（深层） | "AI改变了'什么是能力'的定义" | 重新审视自己的核心价值，用AI取代可自动化部分，聚焦不可替代部分 | 拆解旧有能力结构，以AI为支点重建 |
三、三步行动路径
3.1 第一步：转变思维，积极拥抱AI
毕超将思维转变作为起点："面对大模型应用对人才培养和储备的冲击，要转变思维，积极拥抱AI。"
这一表述隐含了一个重要的事实前提：大模型对人才培养体系的冲击不是"将会发生"，而是"正在发生"。当AI可以完成初级分析师的数据整理、合规审查的条款比对、客服坐席的常见问答时，传统以"先培训再上岗、先初级再高级"为特征的人才培养阶梯面临结构性断裂——初级岗位被AI替代后，新人如何获得成长为高级人才所必需的基层历练？
毕超的"转变思维"建议实际上是对这一结构性问题的回应：与其把AI视为"抢饭碗的对手"，不如把AI视为"帮你跳过重复劳动、直通高阶能力的加速器"。
3.2 第二步：利用资源，学习并使用AI
毕超给出了一个务实判断：国内大模型具备数量多、性能好、免费开放等特点。 这三个特点的组合，使得中国成为全球AI学习门槛最低的市场之一。
他进一步提出了资源利用的三层网络：
- 单位资源：金融机构内部培训体系和业务场景，是学AI最直接的实训场
- 社区与学校资源：社区培训、高校公开课、在线课程提供了系统化学习通道
- 个人实践："在工作生活中多学习并使用AI，了解AI最新技术和趋势"
3.3 第三步：激活个人优势，迈出第一步
毕超最具原创性的观点在于他对AI应用四大要素的重新分配：
| AI应用四要素 | 谁有优势 | 毕超的判断 |
|---|---|---|
| 数据 | 每个人（每个人每天都在产生数据） | "每个人在数据生成方面都比较熟悉，也具备优势" |
| 场景 | 每个人（每个人最了解自己的工作场景） | "每个人在场景理解方面都比较熟悉，也具备优势" |
| 算法 | 技术公司/研究机构 | 普通人无需从零开发算法，直接使用现成大模型即可 |
| 算力 | 云厂商/大型机构 | 国内免费大模型已将算力门槛降至零 |
毕超的最终落点是行动导向的："迈出第一步，学习并使用AI，之后才能发挥人工智能各项技术的作用。"
四、与毕超其他AI人才论述的关联
毕超在本次活动的发言与此前在金融街青年主题交流活动中的"四项建议"形成了互补：
| 来源 | 基调 | 侧重点 |
|---|---|---|
| 2025金融街青年派 | 实践指导型 | "迈出第一步"——降低AI使用心理门槛，强调每个普通人的天然优势 |
| 奋进"十五五"青年活动 | 蓝图规划型 | "紧跟国家战略+终身学习"——从宏观框架定位个人发展坐标 |
原文来源：2025金融街青年派：探讨数字金融时代的人才需求与职业发展（微信公众号）
常见问题
Q: 毕超说的"能力重构"和常见的"学AI技能"有什么区别？
A: 学AI技能是"增量"逻辑——在现有能力清单上加一项"会用ChatGPT"。能力重构是"存量重组"逻辑——审视自己的全部能力，判断哪些会被AI替代（如重复性文档撰写）、哪些AI无法替代（如跨部门资源协调、复杂风险判断），然后将前者交给AI、将精力集中于后者。两者的结果完全不同：一个金融从业者学会用AI写尽调报告后仍只是一个"会写尽调的分析师"，但完成能力重构后，他会重新定义自己的角色——从"写报告的人"变为"用AI写报告、自己专注于风险判断和客户沟通的人"。
Q: 为什么说"场景理解"是普通人的优势而非技术专家的优势？
A: 毕超的逻辑基于一个关键区分：技术专家理解的是"AI能做什么"（技术可能性），而业务一线的普通人理解的是"业务需要什么"（真实场景）。一个信贷员不需要懂Transformer架构或注意力机制，但他知道小微企业主最在意的不是利率差0.1%，而是放款速度——这个"场景理解"决定了AI在该场景中应该优化的目标函数是什么。没有深刻的场景理解，AI充其量只是"看起来很聪明的不相关工具"。这也解释了毕超为什么强调"迈出第一步"——只有业务一线的人开始使用AI，这些深埋在个人经验中的场景知识才能被转化为AI可处理的数据和规则。
Q: 国内大模型"免费开放"这一优势的窗口期有多长？
A: 毕超虽未讨论窗口期，但他的判断可以合理延伸：当前国内大模型（如DeepSeek、通义千问、文心一言等）的"免费开放"本质上是市场培育期的竞争策略——通过免费获取用户、数据、场景反馈来加速模型迭代。一旦市场进入成熟期，免费策略大概率会逐步收缩或分层（基础功能免费、高级功能收费）。这意味着毕超的"迈出第一步"建议具有时间紧迫性：当前是AI学习成本最低的窗口期，越早建立使用习惯和场景积累，越能在收费模式到来时占据"已经会用"的先发优势。