第185章 内部分享（2/2）

请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。

我之前自己做过一个量化交易系统。这个系统每天做上百笔交易决策，涉及A股、期货、期权和黄金。系统跑了一年多，年化收益还不错——具体多少我不方便说。台下传来一阵轻笑。

但我今天不是来吹牛的。我想讲的是另一个问题：当系统赚到钱的时候，你知道它为什么赚了吗？当系统亏钱的时候，你知道它为什么亏了吗？

他切换到下一页，上面是投资系统的一个风控告警截图——红色标记的风险评分突变，旁边是一段自动生成的诊断报告。

这是系统在某个周五下午自动触发的减仓信号。如果只看数字，它只是告诉你。但如果系统同时告诉你——卖出是因为检测到主力资金连续三天净流出，且融券余额快速上升——你是不是更有信心执行这个决策？

台下有人在点头。

这就是可解释性的价值。它不改变决策本身，但改变了人对决策的信任程度。在金融领域，信任意味着敢下注；在推荐系统里，信任意味着敢上线。

接下来他花了二十分钟讲系统架构、多策略融合、动态风控，每一个技术点都配了一个具体的案例。讲风控的时候，他用了基于ATR的动态止损作为例子，台下有几个做推荐系统稳定性的同事明显眼睛亮了——他们也有类似的动态阈值问题。

讲到最后，他切换到跨领域迁移的页面。

这是我目前在做的事情。屏幕上出现了轻舟项目的可解释性架构图，和投资系统的风控架构图并排放在一起，左边是推荐系统的可解释性模块，右边是金融风控的自诊断模块。它们看起来完全不同，但底层逻辑是一样的——都是让系统从告诉你结果告诉你为什么

技术是相通的。不同的领域，同样的追求：让AI不只是快，还要让人看得懂、信得过。

他看着台下，声音稍微提高了一点：我相信在座的每一位工程师，不管你做的是推荐、搜索、基础设施还是安全，你最终面对的都是同一个问题——用户愿不愿意信任你的系统。可解释性不是锦上添花，是信任的基石。

他停下话头，看了一眼时间。四十三分钟，还有两分钟留给提问。

我的分享就到这里。谢谢大家。

掌声比他预期的来得更早、更响。有人开始举手。

第一个提问的是数据平台部的一个工程师，问他风控模块的实时性怎么保证——延迟是多少毫秒。林晨如实回答：策略信号到执行指令，全链路延迟在200毫秒以内。但金融交易对延迟的要求比推荐系统低得多，推荐系统的实时性挑战更大。

第二个问题来自搜索推荐部的一位女生，她问可解释性蒸馏的损失函数怎么设计。这个问题直接指向透明蒸馏的核心创新，林晨心里暗喜，但回答得很克制：这个我正在做，核心思路是在蒸馏过程中同时传递归因信息，具体方案等论文正式发布后再详细分享。

第三个问题更出乎意料——一个做金融科技业务的同事问：你说的量化系统架构，如果用来做面向普通投资者的智能投顾产品，可行吗？

林晨愣了一下。这个问题他没想过——他的系统是给自己用的，从来没想过做产品。但他几乎是本能地回答：架构上是可行的。多策略融合和动态风控是通用能力，不需要改造就能适配不同场景。关键是合规和风险适配——零售产品的风控要求比个人投资严格得多。

提问环节超时了五分钟，主持人不得不宣布结束。但散场之后，还有七八个人围过来继续交流。

林晨站在大礼堂中央，被一群人包围着。有人要他的PPT，有人想约一对一交流，有人问他有没有考虑过开源系统架构。他一一回应，交换了联系方式，脑子飞速运转，努力记住每个人的名字和部门。

人渐渐散去。陈博士走过来，拍了拍他的肩膀：不错。尤其是跨领域迁移那一段，把两个系统放在一起讲，比单讲一个有说服力。

谢谢陈博。林晨说。

陈博士点了一下头，转身离开。老赵从后面走过来，难得正经地说了一句：林晨，你今天这分享，至少让三个部门的人记住你了。

林晨笑了笑，收起电脑。走出大礼堂的时候，他回头看了一眼那个讲台。聚光灯已经关了，椅子被工作人员一张张收起，场地在恢复安静。

四十五分钟。一百二十个人。一个关于信任的故事。

他不知道的是，今天这场分享，会给他带来一个完全意想不到的转折。