近日，复旦大学经济学院联合计算与智能创新学院举办了一场聚焦人工智能与金融领域交叉议题的学术活动。这场以“AI时代的金融人才核心竞争力”为主题的研讨会，汇聚了来自金融机构与高校的多位专家，共同探讨技术变革对行业生态及人才培养模式带来的深远影响。复旦大学副教授曾剑平从人工智能安全视角切入，系统分析了AI技术嵌入金融业务后引发的风险结构演变，强调未来从业者需构建“传统金融知识+AI安全素养”的复合能力体系。
曾剑平指出，随着AI技术在信贷审批、风险预警、智能投顾等场景的深度应用，金融行业面临的风险维度正从信用、市场、操作等传统类型，向数据层、算法层、模型层、应用层等新型风险扩展。他以数据安全为例说明，金融AI模型训练依赖海量互联网数据，这些数据在采集、清洗、标注过程中可能被植入恶意样本，导致模型输出系统性偏差。在反欺诈场景中，若训练数据包含地域或行业偏见，可能使特定群体被错误标记为高风险客户，进而影响信贷资源分配的公平性。
模型层面的技术特性进一步放大了风险传导效应。曾剑平解释，大语言模型本质是基于统计概率的预测系统，其生成内容的高可信度并不等同于事实准确性。当输入数据存在样本偏差或人为诱导时，模型可能输出看似合理却违背常识的结论。他特别警示，部分从业者过度依赖AI结论而忽视基础逻辑验证的现象，可能导致投研分析、交易决策等关键环节出现方向性错误。“没有扎实的金融学、统计学知识作为判断基准，使用者很难识别AI输出的潜在偏差。”
在应用实践层面，曾剑平通过智能体抓取网页数据的实验揭示了当前AI技术的局限性。实验中，AI代理在完成实时行情获取等标准化任务时，因网页结构差异、接口标准不统一等问题，频繁出现调用失败或数据失真情况，甚至消耗大量计算资源却未能返回有效结果。这表明，AI工具的可靠性高度依赖于底层模型能力、数据标准化程度及任务设计合理性，在预算有限、容错率低或需复杂业务判断的场景中，人类专家的监督与干预仍不可替代。
针对AI风险与传统金融风险的叠加效应，曾剑平提出需构建全链条治理框架。他举例说明，数据偏差可能加剧信息不对称，模型误判可能扭曲信用评估体系，而同一模型或接口的广泛使用则可能引发系统性风险集中暴露。因此，金融机构应在AI应用初期即纳入风险管控机制，明确模型开发方、使用方及监管方的责任边界，避免出现“技术黑箱”下的责任真空。
对于金融人才培养，曾剑平强调应避免将AI工具使用能力等同于核心竞争力。他建议高校在课程设置中加强计算机科学、数据安全与金融专业知识的交叉融合，帮助学生建立“技术原理-业务场景-风险边界”的三维认知体系。“只有理解AI系统的底层逻辑，才能判断其输出结果的适用范围，在关键环节保持人类专家的决策主导权。”这一观点在参会学者中引发广泛共鸣，多位金融机构代表表示，未来招聘将更侧重考察应聘者的复合知识结构与风险识别能力。
