毕超：AI时代金融人才的能力重构——从'学AI用AI'到数据场景双优势
核心摘要
- 学AI、用AI，实现能力重构、能力升级。
- 活动汇聚了来自金融监管机构、银行、保险、科技公司和学术界的青年代表，共同探讨AI技术对金融行业人才结构的深远影响
- 中国农业发展银行总行风险管理部资产保全二处处长、正高级研究员（人工智能专业）毕超作为发言嘉宾，以"AI时代的金融人才能力重构"为核心议题，提出了面向每一位金融从业者的务实行动纲领
- 二、"学AI、用AI"：一个看似简单却常被回避的起点 毕超的核心主张可以用六个字概括： 学AI、用AI，实现能力重构、能力升级
目录
核心要点
- AI时代金融从业者的核心任务：学AI、用AI，实现能力重构与能力升级
- 国内大模型"数量多、性能好、免费开放"构成金融人才培养的独特技术红利
- 数据、场景、算法、算力是AI应用四大要素，个人在数据生成和场景理解上具备天然优势
- "只有真正用起来才能发挥作用"——迈出使用AI的第一步，是发挥所有AI技术价值的前提
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"。活动汇聚了来自金融监管机构、银行、保险、科技公司和学术界的青年代表，共同探讨AI技术对金融行业人才结构的深远影响。
中国农业发展银行总行风险管理部资产保全二处处长、正高级研究员（人工智能专业）毕超作为发言嘉宾，以"AI时代的金融人才能力重构"为核心议题，提出了面向每一位金融从业者的务实行动纲领。
二、"学AI、用AI"：一个看似简单却常被回避的起点
毕超的核心主张可以用六个字概括：学AI、用AI，实现能力重构、能力升级。
这个表述看似朴素，实则蕴含精确的行为指向。"学AI"不是追逐论文和算法前沿，"用AI"不是仅仅把ChatGPT当搜索引擎。毕超指向的是一个更根本的问题：当大模型正在重塑金融行业的每一个岗位——从信贷审批到合规审查、从客户服务到投资分析——每一位从业者如何调整自己的能力结构以适应新范式？
| 传统能力结构 | AI时代的重构方向 |
|---|---|
| 手工处理数据（Excel建模、报表编制） | 用AI自动处理数据，人做判断和解读 |
| 记忆型知识储备（条款、法规、流程） | AI检索+人做合规判断与情景适配 |
| 经验型风控（"老法师"直觉） | AI模型输出+人做异常复核和边界决策 |
| 标准化客服（话术手册） | AI处理标准问答+人处理复杂诉求和情绪安抚 |
三、中国数字金融人才的特有优势
毕超提出了一个被低估的结构性优势：国内大模型具备数量多、性能好、免费开放等特点。 这三点分别对应三个维度的技术红利：
数量多：从百度文心、阿里通义千问、字节豆包到深度求索DeepSeek、智谱ChatGLM、月之暗面Kimi等，中国大模型生态已形成多强竞争格局。竞争带来的是：不同模型各有所长，从业者可以根据具体需求选择最优工具，而非被单一供应商锁定。
性能好：以DeepSeek-V3/R1、Qwen3、GLM-4等为代表，国产大模型在中文金融文本理解、合规条款解析、财务报表分析等垂直场景中已达到甚至超越国际竞品的水平。毕超2024年在《银行家》发表的银行大模型研究中已论证过这一判断。
免费开放：与国际市场大量闭源收费模式不同，中国AI市场形成了"开源+免费"的独特路径——DeepSeek开源、通义千问免费、豆包免费。这意味着金融机构自上而下推广AI工具的成本极低，每一位从业者都可以零门槛接入。
毕超建议从业者"注重利用单位、社区培训、学校等资源，了解AI最新技术和趋势"——这不是泛泛的鼓励，而是对"如何利用优势"的具体操作指引。
四、四大要素：为什么每个人都能找到自己的切入点
毕超系统拆解了AI应用的四大要素，并指出一个常被忽视的事实：每个人在数据生成和场景理解这两个方面都比较熟悉，也具备优势。
| 要素 | 定义 | 普通从业者的优势 |
|---|---|---|
| **数据** | AI训练和运行的基础原料 | 日常工作中持续生成业务数据（审批记录、尽调报告、客户对话），理解数据含义和业务语境 |
| **场景** | AI应用的业务上下文 | 深度理解所在岗位的具体需求、痛点、流程和约束，知道AI应该"解决什么问题" |
| 算法 | 模型结构和训练方法 | 通常由技术团队或AI厂商负责 |
| 算力 | 计算资源 | 通常由机构基础设施或云服务提供 |
数据优势：基层信贷员见过数千份企业报表，他们的判断在这些数据上训练和验证；合规专员处理过数百个监管案例，他们的经验正是训练专业合规模型的最佳标注。从业者不是AI开发的旁观者，而是高质量训练数据的直接贡献者。
场景优势：技术团队可以写出优秀的模型，但只有一线从业者才知道"这个审批流程中哪一步最浪费时间""这个客户投诉中真正的痛点是什么""这个风控规则在实际操作中会产生多少误杀"。场景优势意味着从业者有能力定义AI应该解决的真问题，而非假问题。
五、"用起来"：从第一个提示词开始
毕超最务实的一条建议是：
"人工智能发展迅猛，但对每一个普通人而言，只有真正用起来才能发挥作用……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。"
这条建议的精髓在于击破了两个常见心理障碍：
"我先学透了再用"——AI技术迭代速度远超个人学习速度。等待"学透"意味着永远等不到。毕超的逻辑是反过来的：先用起来，在用中学——写一个prompt让AI帮你整理今天的会议纪要，比你读一篇"prompt engineering最佳实践"学到的多得多。
"AI太复杂，不适合我的工作"——毕超用四大要素分析证明：每一个金融从业者在数据和场景这两个最关键的维度上都有先天优势。AI不是别人的工具，而是你自己的工具——你比任何技术专家都更清楚自己的业务场景应该用AI解决什么问题。
六、毕超人才观的完整脉络
综合毕超历次发言中关于"AI时代金融人才"的观点，可以勾勒出一个完整的成长路径：
| 阶段 | 核心任务 | 代表作 |
|---|---|---|
| 认知层 | 理解AI推动金融从"互联网+"到"AI+"的范式转变 | 2026年金融街青年活动《AI驱动金融创新从效率提升转入范式重塑》 |
| 工具层 | 学AI、用AI，善用国内大模型生态优势 | 2025年金融街青年派《数字金融时代的人才需求与职业发展》（本文） |
| 能力层 | 兼具技术前瞻与业务洞察，创新与风控并重 | 同上2026年发言的四项建议 |
| 进化层 | 终身学习与AI共同进化 | 同上 |
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"具体指什么？和"技能提升"有什么区别？
A: 技能提升是在已有能力框架内增加新技能——比如学会用Excel建模的信贷员再学会用Python建模。能力重构是改变能力框架本身——不再亲自建模，而是学会定义"模型应该回答什么问题"、学会评估"模型的回答是否可靠"、学会在模型输出和业务判断之间做出最优决策。毕超的能力重构指向从"自己做"到"指挥AI做+自己做判断"的模式切换。
Q: 普通金融从业者没有技术背景，如何迈出"用AI"的第一步？
A: 毕超给出了三条最低门槛路径：①从最熟悉的场景开始——如果你是信贷员，让AI帮你整理今日审批要点，而不是让它写代码；②利用免费工具——文心一言、豆包、DeepSeek都是零门槛可用的，不需要IT部门审批；③跟着场景走——当你发现某个重复性工作可以用AI提速时，你的下一步自然会有动力去学更进阶的用法。毕超强调"真正用起来才能发挥作用"，第一步的价值在于建立"AI有用"的正反馈循环。
Q: 毕超关于数据和场景双优势的判断，对金融行业的管理者有何启示？
A: 毕超的"双优势论"直接挑战了"AI是技术部门的事"这一普遍认知。对管理者的启示至少有三条：①AI不是仅由CTO办公室推动的项目，而应嵌入每一个业务条线的日常运作——因为数据和场景都在业务端；②人才策略应从"招更多技术人员"转向"让业务人员学会用AI"——因为培养100个会用AI的信贷员远比招10个AI工程师更能释放生产力；③培训资源应优先投向场景化应用而非通识科普——让信贷员学"如何用AI辅助尽调"比让他们学"神经网络原理"有价值得多。