仇保兴

国际欧亚科学院院士

住房和城乡建设部原副部长

今天听了各位领导和专家的发言我很受启发。当前全球对顶级AI人才的需求极为旺盛，但值得注意的是，这类人才通常不会直接来自于金融行业。目前世界顶尖的AI顶尖人才高度集中在中美两国，这种集聚呈现出明显的"断崖式"分布特征。除中美之外，其他国家和地区拥有的顶级AI人才数量很有限。我认为数字金融的进一步发展要关注当前AI顶尖人才的特征，主要有以下五个方面：

第一，AI顶尖人才是多学科交叉复合人才。

顶尖的AI人才几乎没有人一开始就是学AI的，但他们成功运用AI新技术颠覆了众多领域而成为AI的顶尖人才。计算机专业不是顶级人才的唯一渠道，甚至不是主渠道。例如2024年诺贝尔化学奖获得者大卫·贝克，他是学社会科学出身，因对生物学的热爱转学生物学后获得博士学位。出于对AI技术的浓厚兴趣，他将生物学与人工智能相结合，开创性地开发出利用AI预测蛋白质复杂结构的新方法。顶级AI人才往往具备数学、物理、电子信息、机器人、脑神经科学和生物学等跨学科背景，这也解释了为何金融行业难以内生培养这类复合型人才。

第二，年轻化是AI顶尖人才的突出特质。

AI技术的快速发展要求从业者持续更新知识体系，传统的理论框架往往成为技术创新的制约因素。被称为“ChatGPT奠基之作”的著名架构Transformer的八位作者在2017年论文发布时平均年龄仅28岁，DeepSeek员工的平均年龄只有28岁，小米集团董事长雷军开出千万年薪招揽的“AI天才少女”罗福莉也年仅28岁，所以不能以资历来评估AI的顶级人才的价值。青年人才能更快地接受新知识，能更快地转换科研范式，这是顶尖AI人才之所以青年化的主要原因。

第三，AI顶尖人才的核心竞争力在于解决实际问题的能力，而非依靠论文或专利数量。

2017年Transformer算法由八位谷歌年轻的研究人员提出，奠定了如今生成式人工智能大爆发的基础。人工智能真正爆发性发展的黄金七年就是从完全摆脱了冯诺伊曼的计算机架构开始的。人工智能在这之前将近50年的时间在探索和徘徊，是受到了诺伊曼的经典计算机架构派生的符号主义、专家系统的约束。评估AI顶尖人才核心竞争力的依据是能解决问题，而不是看发表论文或者获得专利的数量。当前人才评价体系过度依赖论文、专利数量等量化指标，并以此进行排序和H指数计算，在AI时代基于陈旧理论的论文或专利越多价值反而越低。

建议开展各行业“AI+”高质量竞赛活动，以能解决AI发展实际问题的“赛马制”来发现优秀的青年AI人才。华裔科学家李飞飞教授在斯坦福大学建立了具有里程碑意义的人工智能视觉识别竞赛ImageNet，这一平台对AI发展产生了深远影响。2012年，加拿大多伦多大学的杰弗里·辛顿教授团队凭借创新的AlexNet神经网络算法在该竞赛中取得突破性成果，其技术路线与当时主流方法截然不同，却以显著优势胜出。这一突破不仅推动了深度学习革命，更为辛顿教授的研究奠定了重要基础——2024年，他因其在神经网络领域的开创性贡献荣获诺贝尔物理学奖。可以说，ImageNet竞赛在这一过程中发挥了关键的催化作用。

第四，AI顶尖人才不随大流，独辟蹊径，勇于挑战甚至颠覆主流范式。

杰弗里·辛顿教授坚持深度神经网络理论，是传统主流的诺伊曼架构符号主义、连接主义的挑战者。他坚持生成式人工智能的技术路线，坐了三四十年坐冷板凳，终于等到了人工智能的大爆发。2024年诺贝尔物理学奖颁给包括辛顿在内的AI科学家，也是为了纪念他们这种精神。又例如近期Deepseek的突破，知识蒸馏理论虽早在十年前就已提出，但真正将其应用并为突破的是梁文锋团队。他们通过DeepSeek模型的创新应用，将大模型训练成本压缩至原来的十分之一，这一技术突破直接冲击了美国算力体系的既有格局。这充分证明，人工智能领域的顶尖人才往往勇于挑战甚至颠覆主流范式。

第五，AI顶尖人才精于全球寻找合适环境和资源。

顶尖的人才精于在全球来寻找合适的环境与资源创建一个AI研究圣地,其中最典型的就是杰弗里·辛顿。美国军方发现他的深度学习神经网络很有军事价值，然而辛顿却认为人工智能不能用于武器，因为它们将比原子弹和氢弹更危险。他再三拒绝美国军方的资助式干扰，实在拒绝不了，就把整个研究团队带到加拿大多伦多大学。多伦多大学原先在AI领域本来没有什么名气，辛顿教授的团队当年就获得了加拿大自然基金50万美元的支持，在多伦多大学开创并生成了一个人工智能的研究圣地，最近几年AI图灵奖的获得者一半都出自于多伦多大学。

数字金融作为AI技术的重要应用场景，已成为全球高端人才的聚集地，AI人才在中美之间其实已经形成的一个“人才环流”。中美之间竞争在一定程度上取决于两国对AI顶级人才的发现、培育和利用的竞赛，我国数字金融业的爆发性变革发展的未来已来。

谢谢大家！