俞栋去了Capital One：AI老兵转向金融，不只是薪水的故事

导语：俞栋转战Capital One，背后是金融业抢夺顶级AI人才的新拐点。

原腾讯 AI Lab 副主任、首席科学家俞栋，近期被曝已加入美国金融公司 Capital One，出任 VP，负责 AI Foundations 相关工作。这个去向乍看有点跳，毕竟俞栋更被外界熟知的标签，是语音识别、深度学习、腾讯西雅图 AI 实验室，以及那段与邓力、Hinton 交织在一起的早期工业界深度学习往事。

但把时间线拉长一点，这个选择并不突兀。Capital One 近几年在大语言模型、Agentic AI 等方向投入不小，俞栋过去在西雅图 AI 实验室的部分前同事，也早已进入这家公司。换句话说，这不是一个“AI 科学家突然闯入金融业”的孤立事件，而是技术人才流动的一条清晰支线：金融机构正在系统性吸纳顶级 AI 研究与工程人才。

Capital One 为什么会吸引俞栋

Capital One 的主业是金融服务，不是传统意义上的科技巨头。但今天的大型金融机构，早就不是只靠网点、信用卡和风控模型运转的公司了。它们有海量交易数据、客户行为数据、风控场景、客服场景、内部知识管理需求，也有足够现实的业务压力去推动 AI 落地。

这类公司对 AI Foundations 的需求并不虚。基础模型能力、Agentic AI 工作流、企业级知识系统、智能风控、自动化分析平台，都需要既懂模型又懂工程化落地的人坐镇。俞栋这种长期在大厂研究院和产业实验室之间穿梭的技术负责人，恰好踩在这个交叉点上。

更耐人寻味的是，俞栋并不是唯一一个转向金融业的 AI 老将。近几年，腾讯前 AI Lab NLP 中心负责人史树明、百度智能云产品一部前负责人喻友平、微软前首席人工智能科学家邓力等人，都与金融公司产生过深度连接。顶级技术人才从互联网、云计算、研究院流向金融，已经不再是零星个案。

邓力与俞栋：那场差点改变不了历史的深度学习实验

谈俞栋这次去 Capital One，很难绕开邓力。两人在微软共事近 20 年，一起写论文、出书、组织研讨会，也一起经历过深度学习在工业界最不被看好的阶段。今天回头看，那段历史有点戏剧性：深度学习后来横扫 AI 世界，但在 2009 年前后，它在不少主流研究者眼里仍然像一条风险极高的偏门路线。

故事要从 2008 年 12 月说起。NIPS 大会期间，邓力和同事何晓冬组织了一场语音语言研讨会。Geoffrey Hinton 受邀参会，并带来一个让邓力颇感意外的消息：他已经开始用深度学习方法处理语音问题，而且效果不错。

邓力的第一反应并不是兴奋，而是怀疑。这种怀疑非常合理。神经网络此前经历过漫长低潮，邓力本人在 15 年前也曾因 Hinton 的提醒而搁置相关研究。一个曾经被认为难以训练、难以扩展、难以在工业界站稳脚跟的方向，怎么突然又有了翻盘迹象？

会后，邓力与 Hinton 约定进一步交流，并邀请他前往微软总部，直接用真实语音任务做技术比拼。2009 年 11 月，Hinton 如约来到微软。双方没有搞成火药味十足的擂台赛，而是一起用 MATLAB 搭建了一个语音识别神经网络原型。

三块 GPU 背后的技术赌局

Hinton 负责编写深度玻尔兹曼预训练模型代码。让邓力印象深刻的是，这套代码非常简洁，思路干净，和当时不少复杂系统相比，有一种少见的锋利感。当模型开始使用微软语音数据训练时，邓力意识到一个关键点：只要数据规模足够大，即便算法形式并不花哨，深度学习也可能把性能推到此前方法难以触及的位置。

随后，邓力、Hinton，以及同样看好深度学习价值的俞栋，在次月 NIPS 上联合组织研讨会，讨论深度学习在语音识别中的应用潜力。对当时的深度学习来说，这种来自工业界真实任务的验证，分量很重。

但麻烦很快来了。微软内部并不都买账。争议最初集中在 Hinton 与 Alex Acero 之间，后者当时是邓力在微软的直属上司。Alex Acero 认为，做相关研究买些便宜设备满足基础运算就够了；Hinton 则坚持应采购性能更好的 Nvidia GPU，因为低价硬件带来的隐形成本未必更低。

邓力最终站在 Hinton 一边，用自己掌握的研究经费买下三块 Hinton 推荐的 GPU，并和俞栋一起启动大规模语音识别实验。放在今天，三块 GPU 听起来不算什么；放在 2010 年前后的微软研究体系里，这笔投入却足以引来质疑。

当主流不信深度学习时，窗口期只有一瞬间

2010 年，Peter Lee 出任微软雷德蒙研究院院长。他上任后开始审视各项目开支，邓力团队采购 GPU 的事情自然进入视野。Peter Lee 与 Hinton 是旧识，但他当时代表的是更主流的判断：神经网络和深度学习看起来过于离经叛道，Hinton 推动购买 Nvidia GPU 的做法，则像是在替微软花一笔不必要的钱。

这种态度并非个别人的情绪，而是当时微软高层对深度学习的普遍保守判断。Hinton 也因此逐渐与微软疏远，原本准备送入微软实习或已经在微软实习的学生，也陆续取消合作或离开。

外部合作降温，内部资源承压，邓力和俞栋的研究处境并不轻松。恰恰是他们在 Peter Lee 到任前抓住了一个很窄的时间窗口，把实验真正跑了起来。那既有技术判断，也有运气成分，更有一点研究者面对前沿方向时少见的坚持。

后来结果证明，他们赌对了。深度学习在工业界大型语音识别任务上获得关键验证。即便不使用深度玻尔兹曼预训练模型，邓力和俞栋提出的 senone 建模方法，与 Hinton 多层建模思路结合后设计出的语音原型，性能已经超过当时其他方法，其中也包括邓力此前发明的基于生成式五层动态贝叶斯网络的方法。

这段历史之所以被反复提起，不只是因为几位大牛后来都声名显赫，更因为它解释了一个朴素问题：很多技术浪潮真正爆发前，往往先要穿过一段不被理解的灰色地带。没有真实数据、算力采购、工程实验和组织资源的配合，光靠论文里的好想法，很难改变产业方向。

从语音识别到金融市场，跨度没想象中那么大

2017 年，俞栋和邓力先后离开微软，走向不同平台。俞栋加入腾讯，担任西雅图 AI 实验室总负责人；邓力则加入对冲基金 Citadel，担任首席人工智能官。据坊间传闻，Citadel 当时为招揽邓力开出的薪酬，比微软高出三四倍，以至于时任微软全球执行副总裁沈向洋也很难再用传统理由挽留。

很多人第一次听到邓力去对冲基金时，会觉得跨度太大。语音识别和金融交易，一个处理声音，一个处理市场，表层场景完全不同。但从建模角度看，二者有一个共同底层：它们都面对序列数据，都要从混乱信号里识别结构，再基于结构做预测。

差异当然也很明显。金融数据更嘈杂，参与者更多，反馈更快，市场状态还会不断漂移。语音信号背后的物理规律相对稳定，而金融市场会被政策、情绪、资金结构、突发事件和群体行为共同搅动。对从 AI 领域跨界而来的研究者来说，这不是换一套数据集那么简单。

邓力曾谈到，金融里的复杂数据问题很有意思，经济和金融知识、模型会派上用场。这句话其实点出了许多技术大佬进入金融业的吸引力：这里不仅有钱，还有足够难的问题，以及足够高的决策密度。

金融公司为什么愿意重金抢 AI 人才

金融行业对 AI 人才的渴求，早就摆到了台面上。Empaxis 近期一份报告显示，过去一年，对冲基金给 10 年以上经验资深量化工程师开出的薪资，比同级别大厂高出 30% 到 50%。如果考虑奖金、分红、策略收益挂钩等结构，实际差距可能更有弹性。

薪酬只是表层。金融机构真正看重的是 AI 对效率、风控和收益机会的重塑能力。尤其在量化投资领域，模型能力与数据处理能力会直接影响策略发现、交易执行和风险管理。倍漾量化创始人冯霁曾判断，那些不采用人工智能技术的量化机构，未来 3 到 5 年可能会被淘汰。

这类判断听起来激进，但并非没有现实基础。金融机构今天面对的不是“要不要用 AI 写几份报告”，而是更底层的问题：

如何从高噪声市场数据中提取更稳定的信号；
如何把新闻、公告、电话会议、财报、宏观数据等异构信息纳入模型；
如何让大语言模型参与研究、检索、归因、交易辅助和风控流程；
如何构建可审计、可解释、可控的企业级 AI 系统；
如何在合规约束下，把 AI 能力变成真实业务效率。

这些问题，恰好需要俞栋、邓力这类既理解基础模型，又见过大规模工业系统的人。

离开大厂，不一定是退场，也可能是换了指挥位

外界谈技术高管去金融，常常把薪水放在第一位。薪酬当然重要，但它解释不了全部。对很多在大厂待了多年的人来说，真正稀缺的是资源调度权、方向决策权和组织自主权。

原文中提到一位化名“哲休”的前大厂高管。他卸任原岗位后有两个选择：留在原公司，转去其他部门，在新领导体系下做大模型相关业务；或者接下一家金融公司的邀请，以负责人身份搭建整个公司的大模型业务。哲休最终选择后者，因为从“旗子”变成“旗手”，自主权更强。

这和邓力、俞栋当年在微软推进深度学习时的处境，形成了很有意思的照应。早期深度学习研究差点被组织惯性拖住，关键实验要抢在预算、管理层态度和内部审查发生变化前完成。今天的大模型、Agentic AI、金融智能化，同样需要组织给出足够明确的授权和资源。

大厂有数据、有工程体系、有算力和人才密度，但层级也多，目标会不断被业务线、预算周期、管理结构重新切分。金融公司如果愿意让技术负责人直接掌舵，反而可能提供另一种实验空间。对资深 AI 科学家来说，这种空间未必比名片上的公司 Logo 更不重要。

俞栋加入 Capital One，真正的看点在哪

俞栋这次加入 Capital One，不应只被理解为个人职业变动。它背后至少有三条趋势正在交叉。

AI 基础能力开始进入金融核心系统。大语言模型和 Agentic AI 不再只是客服、营销、办公提效工具，而是逐渐接近风控、研究、知识管理、自动化决策等更深场景。
金融机构正在从“买工具”转向“建能力”。VP 级别负责 AI Foundations，说明企业不满足于采购外部模型接口，而是希望拥有自己的基础架构、模型评估、应用框架和治理能力。
顶级 AI 人才的职业路径变宽了。过去最典型的去处是高校、研究院、互联网大厂和芯片公司；现在，金融、制药、能源、制造等数据密集型行业也在争夺同一批人。

俞栋和邓力曾在深度学习最艰难的时候一起押注语音识别，如今又在相隔多年后先后走向金融业。这条线索很有象征性：AI 的主战场正在从“证明模型有效”转向“证明模型在复杂行业里能持续创造价值”。金融市场恰好是最难也最舍得投入的试验场之一。

Capital One 能否借俞栋的加入把 AI Foundations 做成真正的业务底座，还要看组织授权、数据治理、模型安全和场景落地的配合。技术大牛不是万能钥匙，但在关键阶段，他们往往能决定一家公司是停留在概念展示，还是走向可复用、可扩展的系统能力。

当年三块 GPU 撬动了语音识别的一次转向。今天的金融 AI，不缺算力，也不缺故事，缺的是把复杂问题拆开、跑通、反复验证的人。俞栋的新角色，接下来值得盯一阵。