【本文是作者与世界教育论坛（EWF）合作推出的“中美教育百人百访”系列高端对话首访。】
罗崟先生于2016年10月加入沃尔夫研究公司（Wolfe Research），担任副董事长，负责量化、环境、社会和治理（ESG）及投资组合策略（QES）的研究。罗崟在《Extel》杂志2024年全美股票研究调查（前身为《机构投资者》杂志的调查）的量化研究领域中名列第一，并且在过去15年中一直位列第一或第二。过去十年，他在投资组合策略、经济学、ESG以及会计与税收政策研究领域也一直享誉全球。
加入沃尔夫研究公司之前，罗崟曾担任德意志银行董事总经理兼全球量化策略主管，带领团队在“Extel-Europe”和“Extel-Asia”量化研究调查中位居前列。在加入德意志银行之前，他曾在投资银行和一家管理咨询公司工作超过12年，担任过量化研究、基础面研究、投资组合管理、投资银行和咨询等多个职位。2016-2018年，罗崟被《金融时报》评选为“Upstanding”，是美国和欧洲百强少数族裔高管之一。
罗崟目前担任哥伦比亚大学商学院金融学兼职教授。他拥有中国人民大学经济学学士学位、温莎大学金融学工商管理硕士学位以及多伦多大学管理学与专业会计硕士学位。他持有特许金融分析师(CFA®)资格、美国注册会计师(CPA)、全球特许管理会计师(CGMA)和专业统计学家(PStat)资格。
以下是访谈实录。
罗崟问：你受益于教育，同时也是新教育理念的传播者。作为一名美国精英，教育在你的成功之路上扮演了怎样的角色？你如何评价自己在中国接受的基础教育？
罗崟：我并不一定把自己描述成“美国精英”，但我确实承认，我从中国和加拿大的教育中受益匪浅。正规教育——通过学校和大学——是基础，但这仅仅是故事的一部分。终身学习和自主学习在我的职业发展中发挥了更为重要的作用。
与许多拥有STEM背景和博士学位的“量化分析师”不同，我的学术道路扎根于金融：我在中国人民大学获得金融学士学位，在温莎大学获得金融MBA学位，并在多伦多大学获得管理与专业会计硕士学位。我进入量化金融领域实属偶然。20世纪90年代末，量化方法开始改变金融行业，我当时的雇主——加拿大帝国商业银行（CIBC）——正在探索在这个新兴领域的扩张。在从事股票基本面研究期间，我抓住了这个机会，也承担了相关的风险，转向了量化分析。
多年来，我白天致力于构建银行的卖方量化研究、销售和交易能力，晚上和周末则致力于学习数学、编程和高级建模。这份投入最终促成了银行最成功的研究业务之一的建立。
在这种情况下，正规教育的作用有限。在很多情况下，你必须主动学习这份工作所需的知识——利用你自己的时间和精力。
问：人工智能是一个不容回避的热门话题。你认为人工智能在商业和教育领域的应用逻辑有何不同？人工智能与教育的融合最终将创造怎样的前景？
罗崟：商业和教育领域，尤其是在“K-12”教育领域，人工智能的应用逻辑存在显著差异。在商业领域，尤其是在金融和医疗保健领域，人工智能被广泛地认为是未来几十年的变革力量。各组织正在大力投资，不仅用于开发人工智能技术，更重要的是将其融入现有工作流程。一个逻辑很明确：不采用人工智能就有可能落后。即使在最低层面上，人工智能也能提高效率；在更深层次上，它重新定义了整个行业。例如，在金融领域，其中的研究、销售、交易、投资决策和客户服务都可以通过人工智能系统得到显著增强或自动化。
相比之下，教育行业对人工智能的态度则更加谨慎，甚至常常有所抵触。许多教育工作者，尤其是“K-12”教育工作者，将人工智能视为核心认知技能的威胁——他们认为过度依赖人工智能可能会损害学生的批判性思维、创造力和写作能力。事实上，尽管当今的大型语言模型在叙事生成和问题解决方面表现出色，但它们的易用性引发了人们对学术诚信和知识依赖性的合理担忧。
然而，一种适应性强且平衡的方法才是最具建设性的前进之路。教育工作者不应试图禁止人工智能——这种努力最终是徒劳的——而应专注于教导学生如何负责任地、批判性地、创造性地使用人工智能。一种人类推理能力与人工智能能力相辅相成的配对学习模式，很可能将定义教育的未来。在正确的引导下，人工智能与教育的融合不仅可以提高效率和技术的普及性，还能提升更深层次的参与度、个性化，并在人工智能驱动的世界中重新强调人类的判断力。
问：作为美国商学院的金融学兼职教授，你如何评估美国当前的金融风险？如何利用人工智能来抵消和弱化这些风险？美国目前在这方面的实践情况如何？
罗崟：尽管美国经济已从疫情后的高点回落，通胀持续影响投资者情绪，但其依然保持着显著的韧性。除了新冠疫情爆发初期短暂的技术性衰退外，自全球金融危机以来，美国尚未经历过真正的周期性衰退。一个值得关注的新领域是人工智能驱动形成潜在的资产泡沫，围绕人工智能的过度预期可能会暂时扭曲估值。虽然目前这种风险似乎有所控制，但它凸显了一个更广泛的主题：人工智能既可以是风险的来源，也可以是风险管理的工具。
从监管和投资角度来看，人工智能提供了强大的识别、评估和弱化金融风险的能力。先进的模型可以处理海量异构数据集——从市场微观结构信号到另类数据——使投资者和监管机构能够发现早期预警信号、结构性失衡和蔓延路径。机器学习算法可以揭示非线性关系、模拟尾部风险并改进压力测试框架，从而补充而非取代人类判断。
总而言之，虽然人工智能本身也带来了一系列道德、运营和系统性风险，但它作为金融领域弱化风险和决策支持工具的潜力是巨大的。如果得到妥善治理和透明部署，人工智能可以增强美国金融体系的稳定性和韧性，而不是威胁它。
问：人工智能和机器学习是值得探索的热门领域，而教育是中美两国共同关注的少数领域之一。你认为两国高等教育在人工智能和机器学习议题上是否存在合作机会？有哪些可能的领域？其中会面临哪些挑战？
罗崟：中美两国在人工智能领域存在有意义且切实可行的学术合作途径。高等教育机构可以联合开发专注于社会公益的人工智能应用研究项目，例如气候建模、医疗诊断、可持续金融和教育技术，在这些领域，合作可以促进相互学习，而非国家竞争。合作数据共享框架、跨机构研究中心和联合研究生项目将进一步促进知识交流，并制定负责任的人工智能发展的全球标准。
另一个前景广阔的领域是人工智能治理、伦理和政策研究。两国大学可以共同研究监管框架、公平性指标和可解释性工具，从而有助于建立超越地缘政治界限的透明且合乎伦理的原则。这种合作可以增进互信，并有助于构建一个平衡创新与问责的全球“人工智能共享空间”。
然而，重大挑战依然存在。数据隐私、国家安全、知识产权保护和意识形态上的不信任等系列问题可能会制约合作的深度。日益增多的学术交流和出口管制限制可能会阻碍高性能计算或高级模型架构方面的合作。此外，将人工智能视为战略领域而非“公共产品”可能会限制知识共享的意愿。
最终，人工智能高等教育的持续合作将取决于通过学术透明建立信任，为双重用途研究建立保障措施，并优先考虑共同目标——确保技术进步既服务于国家利益，也服务于更广泛的国际社会。
问：你认为人工智能将以何种方式影响传统教育？传统教育如何应对这一挑战？技术赋能教育如何实现造福全球这一目标？
罗崟：人工智能将显著改变传统教育，改变学生学习和获取知识的方式。为了保持批判性思维和创造力，学校应该明确人工智能的使用界限——要求学生完全独立完成某些任务，例如头脑风暴、写作和解决问题。
同时，教育工作者应该建立负责任的人工智能整合最佳实践。有效利用人工智能可以个性化学习、制定学习计划并提供自适应反馈——尤其有利于资源匮乏社区的学生，扩大他们获得优质教育的机会。
人工智能还可以弥合复杂学科的内容和学习差距。诸如“NotebookLM”之类的工具可以将教科书、笔记和视频资料整合成简明的学习指南和练习资源，使学生更高效地学习。
最终，技术增强型教育的目标并非取代传统学习，而是对其进行补充——将自律的自主学习与智能AI支持相结合，使教育更加公平、个性化，并在全球范围内普及。
AI还可以充当有效的导师，解答学生可能遇到的难题。然而，同样重要的是，学生需要建立合理的工作流程——始终尝试先自行解决问题，而不是过快寻求帮助。
问：你观察到中美两国在人工智能应用方面分别有哪些优势和趋势？中国在人工智能产业和应用方面可以向美国学习哪些经验？
罗崟：中美两国在人工智能的开发和应用方面既存在显著的重叠，也存在显著的差异。两国都在人工智能的整个价值链上投入巨资——从基础设施、数据中心、半导体到算法和终端用户应用。然而，两国的战略重点存在分歧。在美国，OpenAI和谷歌等领先的科技公司将通用人工智能(AGI)视为一个可实现的目标，并将大量资源投入到基础设施和计算能力的扩展上。
相比之下，中国则更注重高效计算和实际的工业应用，尤其是在机器人、制造、物流和智慧城市等领域。这体现了中国对生产力提升和实际应用的务实态度，而非追求理论突破。
中国可以向美国学习，培育开放的研究生态系统、跨学科合作以及公私创新网络，这些对于美国人工智能的快速发展至关重要。鼓励学术开放、加强知识产权保护、支持初创企业驱动的创新，将进一步加速中国在应用人工智能领域的领导地位，同时保持全球竞争力。
（注：王英良，复旦大学政治学博士，中开国际事务（NEIA）评论与研究主笔，主要研究产业投资与国家竞争，目前正在推动辐射全球的“百人百访”栏目，力求以新颖的视角呈现世界与中国互动的信号与动态，微信号：porsche910114。本文仅代表作者个人观点。责编邮箱bo.liu@ftchinese.com）