金融学生的「1+1+N」：AI 时代，专业怎么拆、判断力怎么长

一、先拆掉一个误传：他到底说了什么

今年 2 月，在一档访谈里，主持人问 Anthropic CEO 达里奥·阿莫迪：我今年 25 岁，想在未来十年过得好，该学什么？编程还有用吗？他的回答很干脆：「Coding 会最先消失，或者说，最先被 AI 模型完全取代。」说这话的人，公司做的就是 AI 写代码这桩生意——一个卖铲子的人说，挖矿这活儿要没了。

这句话传到国内，标题变成了「别学编程了，去学弹钢琴」，刷了一轮屏。传得热闹，其实传歪了。他区分了两件事：Coding 是照着需求一行行敲代码，会被 AI 接走；Software Engineering 是想清楚系统该怎么搭、带着一队 AI 把活干完，还能活很久。但他紧接着补了一句更要命的：从需求到上线、端到端把整个软件工程走完，最终也会被 AI 做到。也就是说，「改学软件工程就保险」这个念头，他一并否了——他没给任何一门手艺发过保单。

他给的是一个公式：你只做任务里最关键的 5%，AI 做剩下 95%，你的产出放大 20 倍。注意这是放大，不是替换——AI 不是在替你干活，是把你那 5% 的判断变成原来 20 倍的产出。那 5% 是什么？判断力。品味。知道我们要往哪儿去。至于「弹钢琴」，他讲的是手感：「写提示词就像弹钢琴，你不能指望一坐到琴凳上，就能弹出贝多芬。」

麻烦在于，这拆掉的是一条走了二十年的路：学好数理化，考好大学，选计算机或者金融，进大厂或者投行。这套剧本有数据撑着，多少普通家庭照着它把日子往上挪了一格。阿莫迪拆的不是计算机，是这条路的第一块地基——「会写代码」的性质变了。三十年前，「会打字」是核心竞争力，简历上写「熟练使用电脑」是加分项；现在打字只是常识，没人因为你打字快录用你。「会写代码」正在走同一条路：从一门本事，变成一个常识。

对金融学生来说，这个类比值得直接抄过来：今天简历上写「熟练使用 Python」「会用 ChatGPT」，正在逼近当年「熟练使用 Office」的地位——它正在从加分项变成常识。常识不构成竞争壁垒，判断力才构成。

二、两个信号：产业在换口径，大学在拆专业

这不是一个人的判断。产业端，科锐国际和得到 AI 学习圈今年 9 月发布的《2026 AI 人才市场报告》给了一组对比：2024 年上半年，AI 岗位里核心算法岗占 68%，到 2026 年上半年掉到 45%——注意算法岗的绝对需求三年还涨了约 55%，掉的是占比，不是人数。腾出来的位置去了应用岗（24%→40%）和围绕 AI 做运营、销售、设计的关联岗（8%→15%），两类合计已占 55%。增长最猛的是大模型应用和 Agent 开发，三年涨了 1748%。

这组数字里最容易被读反的是最后两行。不是不招人了，是不招只会敲代码的人；而且门槛不在「会不会用」——那正在变成常识——在「懂不懂这一行」。五百人以下的公司贡献了 49.3% 的 AI 岗位，84% 的岗位来自「AI 岗位占自己招聘总数不到三成」的企业。它们不造大模型，也不养科学家，要的是懂自己这行、还会用工具的人。

教育端同样在动。研究生端，上海大学 2027 级停招 5 个专业（计算机科学与技术在列），华东师大停招 10 个硕士专业（计算机、软件工程都在名单里）。本科端，「十四五」期间高校新增 1.02 万个本科专业布点，同时撤销或停招 1.22 万个；2026 年计算机类全国计划招生约 42.6 万人，减少 4755 人，是这个大类多年来第一次下滑。同一份招生计划里还有个反差：211 和双一流院校的计算机类计划在加（4%–5%），普通本科反而减了 1.6%。普通前后端开发岗 2026 年一季度需求同比降 52%，计算机类毕业生对口率从 78% 掉到 62%。

把这些数字放在一起，结论不是「计算机完了」，而是分层在加速：顶端继续加码，中间塌陷，产业把招聘口径从「会写代码的人」换成了「懂一行、会用 AI 的人」。学校的问题在于课表还是按旧口径排的，而培养逻辑的换法，已经有一所学校先跑出来了。

三、「1+1+N」：先看原型，再翻译成金融版

今年 10 月 30 日，日照的一场产教融合研讨会上，山东外国语职业技术大学介绍了自己的做法，叫「1+1+N」：第一个「1」是外语和跨文化沟通能力，第二个「1」是数字技术能力，N 是对接具体产业场景的应用能力。这所学校不是名校，是一所职业本科院校，但它做成了一件名校没做成的事：语言、商贸、文旅这些非工科专业的学生，也在用 AI 干自己本行的事。

这件事成立的前提是算力便宜了。算力从稀缺资源变成校园基础设施，AI 从计算机系的专属工具变成所有学科都能用的生产工具，培养逻辑也就跟着换了：从培养「做 AI 的人」，改成培养「用 AI 的人」。但原文里有一句话要划重点——这一步走完，也只是学会了用；会用工具的人还是可以被替换的。更稀缺的是那 5%：知道这个系统该不该做成这样，知道工具该往哪儿用。这部分产教融合给不了，只能靠自己在具体的活里慢慢长出来。

把「1+1+N」翻译到金融端，三个部分对应关系如下：

为什么金融端更需要自己的「1+1+N」，而不是照搬原版？因为金融业恰好是 AI 落地里「错一次代价最大」的那一档：强监管、可解释性要求、责任必须落到人。本站之前讨论过这个边界——高频标准场景机器主导，低频极端场景人主导，可解释性不足的模型在高风险场景只能作辅助；机器错得有分布，人错得没分布，两种黑箱要用两套纪律管（见人机互动做成护城河）。翻译成招聘语言就是：金融机构不会为「会用工具」付钱，只会为「知道工具哪里会错、错了谁负责」付钱——那正是 5% 的判断力。

人才市场的缺口数据也指向同一处。中国信通院《2024 年中国金融科技人才发展报告》测算，行业人才存量约 85 万、需求约 150 万，其中 AI 领域缺口达 40%；96.8% 的金融机构表示存在人才缺口，60.7% 的机构业务场景技术人员占比不足 5%。缺口最大的不是算法科学家，是「懂金融这一行 + 会把 AI 嵌进业务」的人——本站前置部署工程师一文拆解的 FDE，就是这类岗位的通用名。

一个值得金融学生记住的错位：MIT 报告说企业为生成式 AI 投入 300 亿至 400 亿美元、95% 的项目对利润表没有可衡量影响；而金融业这边，96.8% 的机构喊着缺人。两头之间的缺口，不是模型能力，是把模型跑进业务的那层人。

四、N 怎么选：金融细分领域的场景菜单

N 不是证书，是场景。同一个「会用 AI」，嵌进不同的金融细分场景，长出来的能力完全不同。下面这张菜单按「AI 正在接手的活」和「留给人的 5%」两栏拆开——选 N 的标准很简单：前者决定你练什么手感，后者决定你值多少钱。

这张菜单里，我把普惠小微信信贷加粗放在第一行，不只是因为本站写它的篇目最多，而是因为它满足三个「首选 N」的条件。

4.1 为什么普惠金融是性价比最高的那个 N

第一，场景足够大，AI 还没填满。央行 2025 年四季度数据显示普惠小微贷款余额 36.57 万亿元、国家金融监督管理总局口径授信户数超 6000 万户，约占全国经营主体的三分之一。但这个客群的经营数据散落在收款码、进销存、纸质账本甚至店主记忆里——给这样一群人一个模型对话框，约等于把健身器械搬进不识字的人家里，设备再好，缺的是教练（详见FDE 一文）。缺口清晰，就意味学生的用武之地清晰。

第二，它是最依赖「软信息」的场景，也就是最依赖人的判断的场景。客户经理走访获得的信息——店主的手艺口碑、上下游的账期、街坊的评价——结构化程度低，恰恰是 AI 最难独立处理、人机协作价值最高的部分。泰隆银行户均贷款不到 49 万、靠保证贷款和客户经理的责任田做出了 1% 左右的不良率，靠的就是软信息的日常生产（见关系型贷款的周期价值）。AI 时代，谁能把软信息结构化、交叉验证、嵌进审批流，谁就是那 5%。

第三，它有可触摸的新材料，学生够得着。8 月广州落地的全国首个词元经济信贷产品「Token贷」，把词元消耗、算力合同这些可核验信息纳入授信考核（见词元成为授信凭证）；判决书可以变利率面板、年报可以变融资约束指数（见从找数据到生产数据）。这些材料公开可得、处理门槛不高，本科生就能上手——这意味着 N 不用等入职才开始长。

反过来说，选 N 也要避开两类陷阱：一类是「大而空」的场景（比如泛泛的「智能投研」），什么都能沾、什么都长不深；另一类是纯监管套利的场景，政策一变就作废。好的 N 应该像普惠小微信贷这样：需求真实存在、数据够得着、判断力可以复利积累。

五、学生怎么完成这个 1+1+N：一条可执行的路径

原型理清了、N 选好了，剩下的问题是动作。按「先打底、再练手感、最后进场景」的顺序，拆成三步：

1. 第一步：把第一个 1 练成判断力，而不是绩点

   金融原理的价值不在名词，在判断。同样是学《商业银行经营管理》，背出「5C 原则」是名词，能对着一份收款流水说出「这家店的旺季现金流撑不到进货季」才是判断。练法很具体：多读信贷案例和判决书（裁判文书网免费、判决书里有真实的民间借贷利率和担保链条），跟着老师做真实数据——把「金融排斥」「融资约束」这些概念亲手做成变量，理解每个变量背后 measurement error 在哪里。判断力是复利资产，越早开始滚越好。

2. 第二步：把第二个 1 练成手感，而不是收藏夹

   提示词像弹钢琴，手感只能靠每天弹。目标不是训练模型，是能组装：Python 和 SQL 打底，会用现成的 AI 工具搭一个 RAG 问答、跑通一个 Agent 流程，能对着自己的数据做一次像样的分析。判断标准很简单——期末前把整学期的课件喂给一个自己搭的知识库，用三十道自测题验证检索质量，这个过程里踩的坑比任何网课都多。每天用，把省下来的时间花在第一步的判断力上。

3. 第三步：在真实场景里长出 N，而不是等入职

   N 是场景里的活。普惠金融方向的学生，最好的入口是田野：跟着农商行、城商行的客户经理走访几家小微企业，看收据怎么存、账本怎么记、担保链怎么查，把走访动作画成流程图，找出 AI 能嵌入的点位；或者做一份判决书驱动的民间利率小研究；或者参加金融科技竞赛，把一个真实的普惠场景做成作品。产教融合给不了那 5%，但场景给得了原材料——判断力只能在具体的活里长出来。

三步之间有明确的依赖关系：没有第一个 1，第二个 1 只会变成「提示词打字员」；没有第三个 N，前两个 1 永远停留在课堂；而 N 做得越多，第一个 1 的判断力越厚——这三件事是螺旋，不是流水线。

5.1 三个常见误区

给一个可对表的自检清单：① 能对着真实流水说出三条别人没说的观察（第一个 1）；② 独立搭过并评测过一个 RAG 或 Agent 流程（第二个 1）；③ 在一个细分场景里完成过一份有人愿意看的作品（N）；④ 能讲清你用的模型会在哪里错、错了谁负责（5% 判断力）。四条都有，这个 1+1+N 就完成了；缺哪条，就回哪一步。

六、写在最后：技能有保质期，判断力没有

回到开头那句被传歪的话。「别学编程了，去学弹钢琴」之所以流传广，是因为它戳中了真焦虑：二十年的路，入口正在收窄。但被传播掉的半句更值得琢磨——没有哪门技能是安全的，连软件工程都没拿到保单，金融学自然也拿不到。传统金融岗的供需比早已超过 3:1，连续五年被列入红牌黄牌专业；指望「金融的名头」保平安，和指望「计算机的名头」一样靠不住。

但这不全是坏消息。金融里的 5% 是具体的：这笔贷款该不该批，这个模型会在哪里错，监管的红线画在哪里，客户在极端行情下真正需要的是止损还是陪伴。这些判断没有一门课能一次教完，也没有哪个模型能替你签字——它们只能在真实的场景里，一件一件攒出来。攒出来的人，AI 是他手里最趁手的杠杆；没攒出来的人，AI 替代的正是他攒下的那些技能。

教育的目的，从来不是教人掌握工具，是教人知道工具该往哪儿用。这句话落到金融端，就是普惠金融的最后一公里：36.57 万亿贷款、6000 万户经营主体背后，缺的不是模型，是能把模型嵌进走访、嵌进账本、嵌进那次签字的人。技能有保质期，判断力没有。金融学生的 1+1+N，说到底就是围绕这一句话做的资产配置——把青春配置给不会折旧的那一部分。