本报（chinatimes.net.cn）记者 黄海婷 胡梦然 深圳摄影报道

7月1日，为同随着2026 CBRC金融强国论坛落幕，事金深圳的融智人热度却未减分毫。论坛散场后，元年学者们的金融观点被反复咀嚼，金融从业者则在私下交流中陷入更深层的下站焦虑：当AI从辅助工具进化为能够独立处理复杂业务的“同事”，我的为同岗位边界在哪里？

回溯至6月27日清晨七点半，中国人民大学深圳研究院宝安院区四楼，事金签到台前已排起长龙。融智人一位专程从广州赶来的元年城商行中层管理人员向《华夏时报》记者坦言，他关注AI对支行业务流程的金融改造已有两年，但此次论坛的下站氛围截然不同——“大家讨论的焦点不再是‘如何用AI降本增效’，而是为同‘有了AI之后，人的事金核心价值究竟是什么’。”

这场由台湾金融教育协会AFMA委员会、融智人中国银行业研究中心（CBRC）、台湾大学金融研究中心及北京大学中国信用研究中心联合主办的盛会，紧扣“‘十五五’规划下AI应用、金融科技与金融强国高级人才培养”这一主题。尽管议程包含两场主旨演讲、四场主题报告、两场圆桌研讨及一场综合座谈会，但真正引发行业震动的，是贯穿始终的核心命题：2026年被业内定义为“金融智能体元年”。当AI从单点工具进化为具备自主决策能力的“智能体”，金融行业的人才底座是否正在发生结构性松动？

一、 AI进场：从“内部试错”到“审慎前行”

台湾东吴大学财务工程与精算数学系副教授、台湾政治大学金融科技研究中心首席副执行长李宜熹指出，金融机构对AI的接纳并非盲目跟风，而是遵循一条“由内而外”的稳健路径。

“金融领域的高风险属性决定了AI应用必须谨慎。”李宜熹强调，所谓的“由内而外”，是指优先在银行内部运营效率提升等可控范围内试炼AI，待技术成熟度与稳定性达到一定标准后，再逐步向对外营销等前端业务延伸。“内部效率提升风险可控，以此为基石向外拓展，是更为稳健的策略。”

这种审慎态度在“智能体支付”这一前沿概念面前显得尤为必要。中国人民大学财政金融学院教授、中国人民大学深圳金融高等研究院副院长邱志刚描绘了一个未来场景：家中的智能终端通过监测消费品存量（如10箱水，每三天消耗一箱），在最后一箱耗尽前，智能体基于消费习惯和实时价格自主判断并下单补货。“扫码支付依赖人的决策，而智能体支付则是代替人做决策。”

然而，邱志刚随即泼了一盆冷水：“实现这一场景尚需时日。”技术乐观主义者往往忽略了一个关键障碍：智能体无法理解“情绪价值”。“人类消费不仅基于需求，更常为了满足情绪价值。智能体能否捕捉并满足这一维度？这是巨大挑战。”此外，若卖家利用消费者数据刻意设计诱导性营销策略，智能体可能成为被操纵的对象。一家大型股份制银行参会代表在茶歇时感叹：“若智能体支付全面铺开，银行风控模型需彻底重构——以前防范的是人的道德风险，未来防范的是机器的算法偏差。”

兰州大学经济学院教授、专业学位教育工作高级主管陈南旭的判断更为直接：“金融信息、信用评估、风险管理、客户关系及运营流程，均正被AI重塑。”但他同时强调关键限定：“大量简单、重复性工作已移交AI，剩余多为复杂问题。我们需要的是高质量的人机协同，而非简单的替代。”

二、 能力模型重构：高校与职场的双重震荡

当AI从“工具”升级为能独立承担风控、营销、运营任务的“数字员工”，金融从业者的核心竞争力仅剩什么？这是两场圆桌研讨中被追问最多的议题。

陈南旭提出了“四维能力框架”：
1. 懂业务逻辑：深刻理解金融底层逻辑；
2. 懂AI知识：掌握人工智能基本原理；
3. 具伦理素养：坚守金融伦理底线；
4. 具跨界整合力：能够跨领域整合资源。

他特别强调思维方式的转变：“AI不是简单的搜索引擎，而是一种工作方式和思维方式。我们要学会与AI共同创造价值，而非仅将其视为工具。”

观念转变知易行难。邱志刚坦言教学困境：“一旦布置作业，大部分学生直接使用AI生成。”但他反对禁绝AI，主张重新定义使用范式——“了解题目背景，利用AI辅助学习，做出独立判断，形成初稿，最后用AI润色。就像使用Word一样，核心内容必须源自自身，而非完全依赖生成。”

视线转向职场，中国台湾金融业对人才的态度并非简单的“替代”，而是“调整”与“赋能”。李宜熹分享了台湾的经验：“台湾不会直接裁员，而是在面临AI替代风险时，优先进行职务调整。过去金融业要求‘双人工’（A职务+B技能），未来则需要具备第三、第四技能，持续演进。”

一线银行的声音提供了另一视角。徽商银行深圳分行副行长肖刚指出，当前AI主要嵌入特定场景辅助决策，距离全面替代仍有距离。北京银行深圳分行行长助理孔令涛亦表示，银行对AI的态度是“赋能而非取代”，关键在于重新定义岗位职责，而非单纯用机器换人。

三、 制度堵漏：从数据共享到防范泡沫

随着AI在业务层面加速渗透，制度层面的治理框架如何同步跟进？学者们从数据、算法、标准及风险控制等维度给出了系统性思考。

陈南旭提出三大关注点：
1. 数据质量与共享：金融数据虽高质量且具凭证性，但需避免重复建设，重点在于数据分割与共享共建机制；
2. 算法标准统一：建立统一的行业标准，将极大推动AI在金融业的发展跃升；
3. 应用群体与动态更新：AI智能体需拥有广泛应用群体，以实现持续动态优化。

在风险控制层面，他特别警示AI的“幻觉”问题：“使用AI智能体可能存在幻觉风险。如何实现合规的风险控制至关重要。若能将风险控制在合理区间，金融AI智能体才具备应用价值。”

邱志刚从宏观视角发出警示，强调“防止AI泡沫”。他指出，金融资源大量涌入AI赛道必然催生泡沫，“并非所有AI项目都是优质资产”。他以互联网泡沫为鉴：“当年互联网热潮中，只要公司后缀加上.com，股价便高出50%，但这并不意味着所有企业都是好企业。我们需防范过度AI化及过度神话AI。”

针对AI在金融投资中的应用（如用大模型预测股价），邱志刚分享了其学生的研究发现：大模型存在行为偏差。因为训练数据源于人类交易数据，而人类交易本身包含错误，导致数据噪声不可避免。“既然数据有误，生成结果必然存在偏差，绝不能百分之百信任AI的预测。”

结语：重构人机关系，守住伦理底线

从“线上化”到“智能体”，金融业经历的不仅是技术升级，更是“人机关系”的深度重构。

论坛第二天上午，关于“高级金融管理师（AFMA）证书推动与储备主管（MA）人才培养”的综合座谈会，试图为这场讨论画上阶段性句号。从证书标准到人才评价体系，从高校培养到企业用人，一个覆盖“选、育、用、留”全链条的金融人才新生态正在被重新定义。

正如论坛达成的共识：AI不会完全替代人，但不懂AI的人将被懂AI的人替代。在“金融智能体元年”之后，如何守住金融伦理底线、保障消费者权益、建立可追溯的治理框架，将是行业长期面临的核心命题。

责任编辑：徐芸茜 主编：公培佳