编者按：从花旗银行高级副总裁，到摩根大通执行董事，黄又钢一路走来，见证了美国金融科技从无到有的十年。随着中国金融科技的快速发展，一批顶尖金融人才回国创业，黄又钢也是其中一员。
“在纽约，每个人都走得很快。”这是黄又钢30年前初到美国的体会。
第一次去美国的时候，已在纽约生活了半年的太太陪他去逛街。他发现太太的步子走得飞快，而之前在北京，她总是习惯散着步走路。一开始黄又钢有些不太习惯，但他很快就适应了这样的快节奏。
从加入出国大军，到征战华尔街，再到回国创业，他一直与时代一同成长，不论是在美国还是在中国。他的人生和这个时代，紧紧地交织在一起。
1990年，改革开放浪潮袭来，黄又钢跟随出国大潮去美国纽约城市大学读书
2000年，美国金融业正在攀爬一个新的巅峰，黄又钢加入国际金融巨头——花旗银行，并成为花旗银行高级副总裁，在线上支付、信用卡、零售银行、贷款等领域研究颇深
2010年，辞职创业的梦想被全球金融危机的余波击碎，黄又钢加入另一家国际顶尖金融巨头——摩根大通担任执行董事，并负责其数据分析团队
2020年，黄又钢回国，前往深圳，共同创办金融科技公司——弘犀智能，担任首席风控官
今天的黄又钢，依然是一个身经百战、擒敌无数的指挥官，手握技术权杖，坐拥经验财富，运筹帏幄指引着团队日夜鏖战、争打江山。
风风雨雨三十年，已到知命之年的他回国创业，再一次与时代同行。
雷锋网：你在华尔街工作多年，但普通话说得很流利，是大学毕业后去了美国发展？
黄又钢：没错，我在读研之后，去了美国读书，在国内是学“技术经济”（工程经济学的一个分支），到美国后选学了“金融经济学”。
雷锋网：能聊一聊当时印象比较深刻的经历吗？
黄又钢：1990年我离开中国，在美国读书期间遇到了两个难题。
第一，英语极差，虽然考过了托福，但是听力根本就整不明白。教授在台上讲课，他用手写在黑板上的内容基本都懂（主要是数学表达式及推导）；可他用嘴巴说的基本都不懂。教授是很幽默的人经常讲笑话，大家常常哄堂大笑，每到这种时候，我都十分尴尬被迫挤出干笑，完全不知道他们到底笑什么。
第二是没钱。我是自费留学，当年国家外汇管制很严，因私出国只可以换汇40美元。自认为没钱不可怕，可以凭着双手打工挣钱。入校时，外国学生办公室提供了一个勤工俭学的机会——去汉堡王做服务生。
我就兴高彩烈地跑到汉堡王，想观察一下这份工作需要做些什么。当我走进店里，足足站了半个小时，发现一句话都听不懂，人家打招呼我也不知道怎么回复，一根木桩满脸堆笑。自己都不好意思了，只好灰头土脸的溜走了。没有语言，有打工机会也是无法胜任。
当时我们学习需要阅读参考书，但是国外的参考书往往很贵，没钱怎么办呢？只好先把这些书从图书馆借出来复印，系里秘书知道我没钱也就容忍我几百页、几百页的复印，最后印的碳粉筒都换了好几个。在美国读书期间，开始时，是过了一段艰难时期。
雷锋网：大概到什么时候，情况慢慢转好了？
黄又钢：没钱的问题比较容易解决。上学时没时间打工，就在暑假到中餐厅打工。第二学期开始拿奖学金，不存在活命的问题。
英语的问题时间长了点，当时反复看几部电影，看得快背下来了，在那个英语环境下，也努力与美国同学打交道。大概过了1~2年，慢慢忘记英语这件事情的时候，终于把语言这件事情整明白了。
雷锋网：那时候，有没有关注过美国比较热门的AI研究方向？
黄又钢：听到AI这个词，大概是在80年代，但还属于计算机范畴内，离真正的金融还差得很远。金融科技是2000年后才开始流行，由于从事金融的数据分析，包括建立模型、统计分析等，所以一直比较关注AI和机器学习算法的发展。
雷锋网：你加入这一行业应该也有二十多年了，其中整个社会和技术的发展发生了非常大的变化，可以给我讲一讲你所看见的或者经历的变化吗？
黄又钢：我觉得最大的变化是我们对数据的处理能力得到了非常大的进步。
刚去美国读书的时候，数据规模大概在MB这个层次。 后来我到摩根大通工作后，团队的数据量在TB这个等级。
从MB到GB，增长了1024倍；从GB到TB，又增长了1024倍。这二十多年来，我们见证了这样一个数据大爆炸从0到100的过程。
雷锋网：你是怎么进入花旗银行工作的？
黄又钢：在花旗银行工作之前，我在数据分析行业已经工作了七八年，直到2000年，因为一个契机，我才进入花旗，真正加入到金融行业。
当时我在一家有线电视公司的建模分析团队。做经理的老板是从花旗银行跳槽过来的，经常会把自己曾经在花旗是如何建模，如何做数据分析的事情说给我们听。我们可以明显感觉得到她语气中的那种“自豪感” 和 “优越感”不自觉的溢出。我们作为年轻人，觉得她讲得很精彩。
后来她又重回花旗，由于我干得不错，她建议我应该去花旗银行。于是把我推荐到花旗的一个部门工作。
雷锋网：在花旗，你主要从事哪些工作？
黄又钢：我从2000年开始就在花旗，一直做到2008年底。
这8年来我跳了4个部门，平均是两年为一个周期，在一个部门把业务整明白了就去另一个部门（当然有我主动也有被动的）。
在花旗银行的前两年，我跟着部门做线上支付，但时机不对，没能做成功。然后我就跟着老总回到了信用卡的部门，在信用卡大概干了两年，然后去了零售银行，因为零售银行的业务实际上很简单，所以大概干了一年，又去了贷款（房贷）。
这八年，我基本上把零售银行的各个条线跑了个遍。
在做信用卡的时候，我认识的一个老总要自己跳出来创业。他是整个零售条线的CRO，他说自己开公司，于是我们就一起跑到新加坡创业去了。
这个创业公司是一个数据分析团队，包括了花旗几个风控高管。
我们为美国及亚太的主要银行提供风控和战略咨询，从印度尼西亚、菲律宾、马来西亚、泰国，然后台湾、新加坡本土的银行，只要银行老总曾经在花旗银行工作过的，我们多多少少都可以牵上线进去做了一些业务。
雷锋网：你觉得在AI金融领域，现在的年轻人应该深耕，还是说尽量多去接触各条线上的业务？
黄又钢：这两个一定要相辅相成。在技术方面一定要深耕，在业务层面一定要扩展。
业务方面，你必须得见得多，而且真正理解业务问题的痛点，才能够触类旁通，而算法数据你必须扎深，这样你才能对数据、对算法有更深理解。
在花旗银行工作的8年，我跳了4个业务条块。实际上，有一个底层的东西不动，就是数据分析和建立模型。只不过应用的场景不一样。
雷锋网：每个公司都有自己独特的文化，甚至也会给员工打下这个文化的烙印，花旗银行的公司文化是怎样的？
黄又钢：花旗银行的文化是非常驱动型的，就是一个逼着你向前冲的环境。
你想做好，你就得玩命，你就得加班，你就得比别人都要更领先。从老板到底层员工，整个公司都呈现出一个玩命的状态。节奏十分快，也许是在纽约的原因。
纽约城里大家走路，常看到一路小跑的人。 当时还练就了一个本事，由于工作压力大，所以睡梦中都在想工作，有时候睡梦中会跳出一些好的想法，但又不能开灯，就在黑夜里头直接拿笔在纸上记。 第二天早上居然还可以认出我的“摸黑”字体。
雷锋网：虽然压力很大，但也很充实。
黄又钢：是的，在那种高压的环境下，虽然很忙碌，但逼着你成长，逼着你想清问题所在及如何解决。不过好在数据分析是一件自己喜欢的事情，所以发现并不觉得累。
雷锋网：在花旗，有没有让你印象比较深刻的人或者事？
黄又钢：印象最深刻的还是那位带我进花旗的女老板。
她有两个特质，让我愿意跟着她。
一个是她分析和考虑问题非常全面，而从不是单点。讨论一件事情，一般人多是就事论事，但是她会想到这件事情周边相关的东西。
比如咱们现在讨论的是A和B的事情，她不仅要搞清楚A和B，及它俩的关系，
而且会让我们思考B和C的关系，A和C的关系。她经常会提一些这样的问题，逼着团队成员思考这件事可能会对周边看似无关的事情的影响。
第二，她喜欢寻根究底。一个问题，她会问你这个问题往下三四层是怎么回事儿？逼着你往更深层思考。另外她十分细致，如果是写汇报，小到一个标题、一个语法，前后衔接，逻辑关系，等等，她都会一一帮你指出来。那段时间真的被她整的挺惨。
但是经过那段时间磨练后，我也确实学会如何更好地思考，及做一件事应该怎么做得更完美。
雷锋网：摩根大通是一家非常出色的商业银行，你在摩根大通做到执行董事这一职位，有什么秘诀可以和我们分享一下吗？
黄又钢：这和我在花旗的那一段磨练，及在之后到新加坡的创业咨询，很有关系。
在花旗接触了各种类型的业务后，感觉触类旁通了。只在一个部门工作过的人，和在多个部门工作过的人，完全是两种思维方式。只在一个圈子里的人，他始终在他那个圈子里，出不来。
而因为在多条业务线呆过，我发现思路会开阔很多。而创业和咨询服务，逼着你要考虑周全和换位思考，这对于理解他人相互合作有很大的帮助。
第二点，在花旗还学到的一点是目标制定和执行力。有了眼界之后，你怎么把它落下来？怎么执行下来？你必须对它进行细化和拆分。
雷锋网：我们知道，每一家公司都有自己的特色，即使是摩根和花旗这两家顶级商业银行也同样如此，你曾近距离在这两家公司工作过，你觉得在摩根工作和花旗最大的不同点在哪儿？
黄又钢：非常不一样。我在花旗的时候要求每年盈利增长15%。这么大的盘子，每年增长15%，所以花旗银行的人都在疯狂的推动利润的增长。
摩根完全是另一套哲学，它提倡做正确的事情。它不以盈利为唯一导向。花旗银行与摩根大通在底层经营思路上的差异，导致了他们在不同时期的境遇。
花旗银行为了盈利，员工要提出各种方法去增长业务，主要是如何可以从客户身上拿到更多的钱。而进了摩根大通以后，我上的第一堂课就很有意思。员工大概是9点上班，所有的高层领导8:30前必须进办公室，听客服电话，听一听这些客户的意见、反馈或者难处。直接感受到客户的痛点和难点，然后思考如何改进。
雷锋网：如果按照这样的情况发展下去，花旗银行是不是会把摩根大通远远的抛在身后？
黄又钢：正好相反。2008年金融危机前，信用卡领域的老大的确是花旗。但金融危机之后，摩根成了老大。
奔着钱去并不等于你能够真正把钱拿到手，想要真正做到业务增长，绝不是只想着挣钱，而是要更好地思考如何提供客户需要的服务，要寻求一个平衡。
雷锋网：在摩根，你主要负责哪一方向的工作？
黄又钢：主要做数据分析和模型建立这一块。
数据分析团队一般分成两大块，一种建模型的，一种是业务分析的。
在摩根的那段时间，我主要管理模型建立，即管过营销模型，也管过风险模型。同时，我开始跟进金融科技这一块。因为金融科技这个概念，也是从2010年真正开始提上日程的。
在16年、17年，带领团队具体深入研究各种机器学习算法，并接触各种金融科技公司了解和掌握AI及算法上的最新动态，以及在智能风控等方面的进展。
雷锋网：在华尔街商业银行工作这么多年，你做过具体的比如智能风控等金融科技方面的工作，也曾领导和统筹过团队，您觉得遇到的最难解决的问题或者工作是什么？
黄又钢：最难解决问题，实际并不是我们自己业务问题，而是政府监管。
政府监管把美国把所有的银行都弄得很惨。这个事情起源于2008年金融危机，金融危机后美国收紧了金融行业的管理，出台了一系列法案，让银行不能做很多衍生产品。
政府监管的过度严格，使得银行再也不去琢磨业务上该怎么改革及创新，而是首先考虑如何满足一系列监管政策的要求。
所以到了最后，监管把美国银行捆的死死的，很多技术有了，但是落地不了。
雷锋网：这也是您回国创业，创立弘犀的原因之一？
黄又钢：是的。
雷锋网：还有什么其他原因促使你放弃华尔街的工作，回国发展？
黄又钢：一是因为美国的政策和国情。在美国你需要花费很长时间去应对监管，很多创新推行不下去。而且，美国对公众的个人隐私保护十分严格，银行想要拿到个人税务数据、社交数据、电信数据，这在美国都是绝对不允许的。而在中国只要你合理应用，这是有很大可能性的。
第二，在算法上面，这么多年美国虽然在机器学习领域持续研究，但是在风险管理上面，美国的法律要求很严。银行如果想要拒绝一个贷款，必须清楚的告诉申请人四条主要的原因，比如申请人最近查征信比较频繁，近期贷款的额度过高等等，这些原因需要一一解释。
然而，机器学习算法本身就十分复杂，里面繁杂的数学计算过程并不容易解释清楚，而且大数据是根据相关性而不是因果关系来做决策的，所以很难去解释为什么要拒绝一个贷款申请。
雷锋网：据了解，弘犀成立已一年，作为一家十分年轻的公司，目前弘犀最主要的工作有哪些？你在其中主要承担哪些工作？
黄又钢：我作为CRO（首席风控官），主要工作是风险业务的拓展及其执行。相对来讲，国内银行的风控水平比较弱，我们有很多机会可以去提升它的风控能力。
另外，弘犀作为一家新创立的公司，需要获得融资，这一块的工作我也在跟进。
雷锋网：你觉得金融科技公司，要抓住的“主要矛盾”是什么？什么才是公司发展最重要、第一要解决的？
黄又钢：风控有主动风控，有被动风控。主动风控的意义在于让整个公司的业务向上增长，同时把风险控制在合理范围，而不是简简单单的把所有业务都封死。
作为金融科技公司，如何帮助银行和其他机构把风险有效、合理地控制住，是我认为重要的事情。
雷锋网：你觉得AI金融科技有哪些有潜力的应用场景？
黄又钢：小微企业贷款是一个难点。
小微企业占了整个经济体量的百分之七八十，大多数老百姓的生存实际是靠小微企业。这是一个很有潜力的应用场景。
雷锋网：据了解，弘犀智能要在5年内成为技术驱动的全球FinAI领导者，现在弘犀已经成立一周年了，可以给我们分享一下目前做成了哪些工作吗？
黄又钢：目前，我们经历了几个发展阶段。
第一步，是如何发展业务？明确我们的核心技术和核心竞争力是什么？我们的市场定位是什么？我们如何帮助企业、银行去解决风控问题。这些我们已经有了细致的思考和明确的答案。
第二步，培养团队，把我们的核心团队逐渐建立起来。
第三，我们也实实在在做了几个落地的案例。无论是四大行，还是城商行，我们都已经实际帮它们做一些业务，进行了合作。同时，我们也确立好了自己的核心业务。
雷锋网：弘犀的AI业务边界在哪里？还是说完全没有边界？
黄又钢：我们的边界其实蛮清晰的，我们要做大C小B。
大C指的是目前我们在个人消费贷款领域，只做10万、20万左右的贷款业务。
小B指的是在小微企业贷款上，我们做300万以下的贷款业务。
这是我们的业务边界。
雷锋网：你在大公司任职多年，这次出来创业之后，你觉得自身最大的一个变化是什么？
黄又钢：大公司的团队很强，基层员工怎么做事情，有一套很成熟的规范。但是创业公司的员工，需要你一步一步的教，这一点很辛苦。
而且现在公司还没有融到资，大家也需要考虑工作的稳定性，也很难招聘到顶尖的同事，这是比较现实的问题。
前一阵子我们在公司里在谈孙悟空、猪八戒、沙和尚的故事。就是说孙悟空的本领大，但是猪八戒、沙僧其实也各自有自己的能力和特点。
在创业的道路上，既要有孙悟空这样有大本事的人，也需要猪八戒这种嘻嘻哈哈、快乐的人，也需要沙僧这种勤勤恳恳的同事。关键还在于有一个推进者，把大家凝聚起来，朝着一个方向前进。
正在生成分享图...
nebula