北京
决赛现场，大厂挑人的标准变了
AFAC2026金融智能创新大赛的决赛现场，企业评委手里拿着的不是论文清单，而是一份份业务落地记录。赛题全部来自真实金融业务痛点，选手要在噪声数据、显存限制、Token消耗这些硬约束下交出可落地的方案。现场最直观的信号是：单纯堆模型参数已经赢不了比赛，也赢不了面试官。
一位现场专家说得直接，纯技术执行层的活儿正在被AI Agent填补，未来真正稀缺的是能判断问题、驱动业务、对结果负责的人。这句话基本给整场比赛定了调。
AI抬高了门槛，选手在和历史经验竞争
现场讨论里反复出现一个判断：今天的benchmark已经被AI整体抬高。选手不只是在和同龄人竞争，也在和AI吸收了大量历史经验后抬高的门槛竞争。这意味着过去靠刷榜、调参、堆模型就能拿名次的路子，正在快速失效。
有选手提出，AI可以帮你验证100个甚至1000个假设，但具体哪个假设值得优先验证，仍然需要人来判断。现场专家把这种能力归结为品味和审美，而不是单纯的代码熟练度。换句话说，技术执行可以交给AI，但判断方向这件事，暂时还交不出去。
大厂直聘，要的是能闭环的人
大赛现场设置了直聘和实习岗位对接，企业要的人画像很清晰：有业务理解、有工程意识、能跨界融合。一位企业代表提到，这个人不仅要有idea，还要有很强的动手能力，能把创新思维和落地能力结合起来的人，正是企业非常需要的。
初创组的评审逻辑更直接，看的是团队能不能成长为可持续的商业组织。赛后生态链提供孵化、融资、政策支持等资源，帮助选手把技术成绩转化为商业落地。从技术成绩到商业落地，中间这段路由大赛生态补足，形成人才成长闭环。
算法人的三段进阶，从卓越到系统化
现场专家把算法人的成长路径拆成三段：从初学者到资深工程师，关键能力从追求“卓越”转向“噪声处理”和“系统化解决问题”。这个转变背后是金融场景的特殊性——数据脏、资源紧、答案必须可追溯，任何一环掉链子，模型再漂亮也上不了生产。
有选手在答辩时被追问：你做的研究，会不会在未来半年内被大模型吞掉？这个问题在现场出现了不止一次。评委真正想听的不是技术多新，而是这个方案能不能在业务里站住脚，能不能说清楚为什么是你来做。
技术可以高冷，产品不能高冷
现场金句里有一句被反复引用：技术可以高冷，但产品不能高冷。金融AI的落地难点从来不只是模型精度，而是怎么让业务方敢用、监管方认可、用户能理解。选手在有限资源下提供准确且可追溯的答案，才是比赛真正的得分点。
从这场决赛看，人才选拔标准正在从技术单项能力向业务综合能力迁移。大厂要的不是最聪明的模型调参手，而是能把AI用进业务、对结果负责的人。这个信号，比任何榜单都值得关注。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
