2000级计算机科学技术学院本科吴勇滨：从复旦计算机到银行数智化一线
2025级计算与智能创新学院博士生王新元
受访校友
吴勇滨，新加坡外资银行科技部门副总裁，2004年复旦大学计算机科学与技术专业毕业，复旦大学计算机学院校友会第一届理事
访谈主题
银行科技、金融大模型、人工智能治理与职业成长
2004年从复旦大学毕业时。一次由学校就业部门提供的实习机会，让他进入银行科技领域；此后，从程序开发到方案咨询、项目管理，再到银行应用系统和团队管理，他在二十余年的职业实践中不断拓展自己的责任边界。
这次访谈中，他谈得最多的并不是某一项具体技术，而是技术在真实组织中如何被使用：银行为什么不能只追逐“最强模型”，新技术为什么必须回答投入产出问题，大模型进入生产系统后又为什么要把安全、责任和可控性放在更高位置。围绕这些问题，一条从计算机专业训练延伸到金融科技管理的成长路径逐渐清晰。
一、从复旦出发：职业方向在实践中逐渐形成
吴同学选择计算机，最初源于对电脑和游戏的兴趣。进入复旦后，他接触到C语言、高等数学、离散数学、数据库设计等课程，逐渐认识到计算机专业真正训练的是底层逻辑、系统思维和解决问题的能力。回忆大学生活，在课程和老师之外，一起影响他的，是在复旦形成的学习习惯以及身边优秀同学带来的示范。
他特别提到毕业答辩前的一件小事：有同学会在自己答辩结束之后主动帮接下来答辩的同学检查投屏、材料准备等工作。事情并不大，却让他意识到，工作质量往往体现在“多做一步”——不仅完成份内任务，还要提前想到整个过程是否顺利、后续是否会出现问题。后来无论做项目还是带团队，这种主动性和预判意识都成为重要的工作方法。
毕业求职时，他一开始并没有明确限定自己一定进入金融行业。计算机专业就业选择比较多，可以去软件公司、通信企业、互联网企业，也可以进入金融机构做技术。当时复旦计算机学院的就业办提供了一次实习机会，使他在毕业前进入一家美资银行在张江的软件开发中心实习，并在实习结束后顺利留用，由此开始了银行科技职业生涯。对他而言，这既有个人选择，也有机缘推动。职业兴趣并不一定在校园里一次形成，很多时候是在做事、积累和承担责任的过程中逐渐清晰。
二、从写代码到带团队：工作对象从“机器”走向“人和组织”
职业早期，吴同学主要在一家美资银行从事银行系统开发。当时的工作重点是编码、测试和交付，更多是在“和机器打交道”。随后，他进入一家服务中国银行客户的外资科技公司，角色逐步转向售前咨询、需求沟通、方案定制和项目管理。技术工作的边界由“把程序写出来”扩展为理解客户真正需要什么，并推动方案在客户环境中落地。
因为一直在银行行业，他的第三份工作是在一家英资银行担任应用管理工作并逐渐成长为一位技术管理者，负责银行应用系统及相关团队。现在，他在一家新加坡外资银行负责带领团队管理该银行在中国应用系统的开发和运维工作。手机银行上的一次登录、一项查询或一笔业务操作，背后都对应着持续运行的应用系统和复杂协作。与单纯开发相比，技术管理需要同时关注系统稳定、项目进度、资源安排以及不同团队之间的配合。
他把自己的成长概括为一个逐层扩大视野的过程：先写代码，再管项目，再管团队。写代码时，重点是眼前任务能否正确完成；做项目后，要把需求、开发、测试、上线做出完整的规划，提前看到几个月后的交付、风险和工作安排；开始带人以后，又要面对不同成员的能力、性格和工作状态，学会因人而异地管理带领、提供支持。
“每一步都会有一点跳出舒适区。”
在他看来，管理没有一套可以机械套用的算法。技术能力仍然是基础，但项目规划、沟通协调、资源组织和人员管理都需要专门学习。他也会通过阅读、和前辈和同辈交流、自学管理课程等方式补充相关知识。真正的变化，不是职位名称本身，而是从“完成自己的工作”转向“对整体结果负责”。
三、银行科技的重心：稳定、价值、可控
1. 稳定和责任是底线
谈到银行科技与互联网科技对于人才要求的差异，吴同学首先强调的是“稳”和“靠谱”。金融系统连接客户、资金和交易，负有社会责任和信任，一个系统故障、一次错误推荐或一处数据泄露，都可能带来远超互联网产业普通产品体验的后果。因此，银行技术团队在推进新技术时，往往会先问：如果出了问题怎么办，怎样提前预防，出现异常后有什么预案。
这种审慎的工程文化并不意味着拒绝创新。相对于互联网企业的快速试验、灰度发布、多方案竞争等方式节奏更快，银行也在创新，但会把稳定性、合规性和业务连续性放在更高优先级。两者的区别更多体现在风险容忍度和决策顺序，而并非不重视技术进步。
2. 技术投入必须符合可量化的价值逻辑
在企业环境中，技术先进本身并不足以构成投资理由。吴同学多次提到ROI （Return Of Investment）：采购算力、引入模型或建设应用，都需要首先回答投入多少、能够带来什么价值。对银行而言，大模型的价值一般提现在三个方面：增加收入、降低成本和避免风险。
收入提升可能体现在大模型带来更好的客户服务或产品推荐；成本降低可能表现为原本需要八小时完成的工作缩短到四小时，让员工可以把时间投入到其他任务；风险降低则可能体现在企业尽调、信贷判断、合规审查等各个环节，通过对风险的准确预判，精准采取预防、缓释或者回避措施最终帮助银行更加稳健运行。最后一类虽然有的时候难以简单直观量化，但对金融机构尤其重要。
四、大模型进入银行：关键不是“能不能演示”，而是“能不能生产”
1. 模型选型从“最好”转向“够用且合适”
大模型更新速度很快，今天最强的模型，几个月后可能就被新的模型超过。吴同学认为，银行没有必要把“始终使用最新模型”作为目标。生产系统更关心的是技术能否稳定解决问题，成本是否合理，安全是否可控，以及能否持续运维。对于已经能够完成任务、经过验证的技术，适度接受成熟度带来的时间差，往往是更符合金融机构实际的选择。
在当下的人工智能行业里，吴同学观察到一个明显变化：企业不再单纯追求能力最强的模型。最先进模型可能在少数复杂场景中优势明显，但大量日常工作并不需要最高能力。如果成本更低、性能稳定的模型能够覆盖大部分常见任务，它在企业里反而可能更具价值。
此外，模型的落地还须要同时考虑准确性、响应速度、并发能力、部署方式、数据安全、运维成本以及供应商服务等因素。尤其是开源模型，“能够一次性跑起来”与“能够作为生产系统长期运行”之间还有很常的工程路径，模型调优、系统集成和持续维护缺一不可。
2. 业务场景决定技术形态
不同的业务场景也需要不同的模型能力，访谈中谈到的一个典型场景是银行对公客户尽调。银行需要了解企业经营范围、收入来源、股东情况、相关牌照等信息并定时复查，以识别企业经营状况，持续监测各种风险。传统方式需要人工搜集和整理大量材料，大数据和大模型能够在资料归集、信息提炼和报告生成等环节提高效率。
面向个人客户的智能服务同样存在广泛的应用可能，例如传统的账户查询、转账、理财产品购买等，这类场景直接面对不同年龄、不同风险偏好和不同表达方式的公众用户，大模型很可能将带来更加灵活的交互方式，让不同客户可以更加便捷地使用银行服务。与此同时，该类对客的应用的安全要求也更高，大语言模型不仅要能正确回答问题，还要保证交互合规、话术规范和异常输入处理符合金融业务要求。
他还提到一类内部员工类应用：员工可以直接询问内部智能体公司规章制度，例如询问差旅报销政策甚至辅助报销流程。选择合适的人工智能来满足业务场景要求是人工智能真正进入业务使用的重要条件之一。
3. 从可用到可控：金融机构生成式 AI 的安全治理实践
金融机构大模型投产需建立全新的安全管控体系，区别于可控的实验环境，生产环境必须具备防范恶意攻击、提示词注入、越狱诱导、信息窃取等大模型特有安全威胁，依托新增管控控制点补齐传统信息安全体系的短板。大模型在应用时的安全工作需全面覆盖输入、输出与数据全边界，无论采用外部模型服务还是本地部署模式，都应具备异常输入识别、敏感信息防护、违规输出拦截、攻防测试等工程手段，严格限定模型业务能力边界，杜绝依靠模型内置能力自防范的侥幸心态。
一些负责任的金融企业在落地金融 AI 时会制定相对应的人工智能使用原则，确保应用目的明确、大模型行为可预期、数据使用合规、模型结果可追溯核验。此外，大模型安全治理不能依赖于事后追责，而应构建多层前置风控体系，通过投产前测试、人工复核、输出实时校验、风险分级、权限管控、持续审计等全流程机制，明确人机权责划分，实现金融大模型的规范化、可控化安全运营。
4. 大模型与传统系统工程的结合
银行业务不可能由一个孤立的大模型单独完成。例如大模型要支持手机银行服务，就需要连接产品信息、客户权限、业务规则、知识库和后台系统。传统的API集成、系统架构、权限控制和流程编排并不会因为大模型出现而失去价值，反而成为会决定模型能否快速顺畅落地的重要基础条件。
从这个意义上说，金融人工智能的竞争不只是模型能力的竞争，更是模型、数据、系统、流程和治理能否形成完整生产体系的竞争。很多项目做出演示并不困难，真正的门槛在于稳定地接入真实业务，并长期承担生产责任。
五、从编码执行到全局统筹：AI 浪潮下的科技人员能力转型
生成式人工智能正重塑程序开发模式，重复性编码与信息整理类工作将持续被压缩；传统行业例如银行业虽因系统复杂、监管要求高，落地节奏较互联网行业更审慎，但整体演进方向并无差异。
当前阶段的 AI 本质是对标准化工作单元的效率加速，可高效完成明确任务，却暂时难以稳定承接复杂岗位的全部职责。企业技术项目往往涉及多部门协同，跨部门协调、责任判断与组织推动等需要深度理解组织情境的工作，这些仍高度依赖人的综合能力。
技术人员的核心竞争力也将随之迁移：从追求编码效率转向问题定义、系统设计、风险管控与跨方统筹，计算机基础仍是底层根基，但业务理解、系统思维、沟通能力与责任意识的重要性将愈发凸显。长期来看大模型仍处于快速演进周期，未来或可通过自然语言直接驱动复杂流程落地，但无论技术形态如何变化，能否稳定融入生产链条、可靠解决真实业务问题，创造业务价值，始终是企业评判技术价值的核心。
六、回望母校：在工程能力与大学精神之间保持平衡
谈到母校，吴同学对近年来校友平台建设给予积极评价。定期返校活动、校友平台搭建等机制，让毕业多年的校友有机会重新连接，在不同职业阶段继续交流行业变化和个人经验。学校组织的校友网络可以形成更长期、更开放的交流平台。
在校企合作方面，他首先提到实习和就业。企业HR可以与学校建立更稳定的对接机制，把实习、校招和岗位信息更有效地传递给学生。对他而言，这也是一条非常直接的经验：自己的第一份银行科技工作，正是从学校就业部门提供的实习机会开始。
人工智能安全则是另一个现实的合作切口。银行需要研究如何限制模型能力、保护数据交互、减少模型在生产环境中的不可控行为；高校在理论研究、攻防技术和人才培养方面具有优势。围绕模型安全、数据保护、负责任的人工智能等方向，双方具备进一步开展研究和实践合作的基础。
对于新工科建设，他总体持欢迎态度，同时提醒行业具有周期性。计算机、人工智能、微电子等领域会随着技术和产业变化出现不同阶段的热点，学校需要平衡回应短期产业需求和长期人才培养两者之间的关系，动态调整。在强化工程能力的同时，复旦长期形成的人文素养、自由探索精神和独立判断价值观仍值得坚持。
结语
从复旦计算机专业毕业，到银行系统开发、客户咨询、项目管理，再到大型金融机构的技术管理，吴同学的职业道路并不是一条事先规划好的直线。每一次转变都来自新的问题、新的责任和新的学习：从把代码写对，到把项目做成，再到把团队和组织协同起来。
在人工智能快速进入金融业务的今天，这条成长路径仍有现实意义。技术更新速度越来越快，但对目标、系统、风险、商业价值和人的理解不会因此失去价值。对金融机构而言，创新必须能够被验证、被治理并形成真实价值；对年轻技术人才而言，扎实的专业基础之外，能够连接技术、业务、风险和组织的综合能力，将决定职业发展的长期空间。
正如他在访谈中所说：“每一步都会有一点跳出舒适区。”这既是对个人职业成长的回顾，也是给学弟学妹的一条朴素建议：保持学习，愿意承担新的责任，在变化中不断扩大自己的能力边界。
