声明
本项认证不具有监管认可。它核验的是应用机器学习与人工智能领域的知识与专业能力；不替代任何监管机构要求的认证。
MLC
01 — 概述Machine Learner Certification™
人工智能已不再是金融业的创新项目，而成为其基础设施。全球十大银行已将人工智能工具交到超过 800,000 名员工手中，该行业在这项技术上的年度支出已超过 USD 380 亿。稀缺的并非获取模型的渠道，而是能够构建模型、使其适配业务、将其投入生产，并在委员会或监管机构面前为其负责的人。
Machine Learner Certification™ 核验的正是这一能力。其知识体系涵盖三个层级中的十四个模块：支撑机器学习的数学与统计、经典机器学习与深度学习、语言模型及其领域适配、智能体系统，以及位于顶层的规模化、安全与生产工程。它面向构建模型的人，而非调用 API 的人。
RiskMathics Certificate Institute 负责认证，Quantum Computing Labs 负责授课。备考课程于 2026 年 11 月 3 日开课，共 452 学时、十四个模块，每个模块均设有以代码评分的结业作业。认证考试是独立产品：无论是否修读课程均可报考，试题依据布鲁姆分类法第 1、2、3 层级编制。本项认证目前不具有监管认可；它核验的是专业能力。
MLC
02 — 行业行业动态
金融服务业的人工智能支出在 2024 年达到 USD 383.6 亿，预计到 2030 年将达到 USD 1,903.3 亿，年复合增长率为 30.6 %。银行业是全球人工智能投资规模第二大的行业。仅一家全球性银行就拥有超过 2,000 名人工智能与数据科学专家，其 125,000 名员工每日使用该行基于语言模型的内部助手。
监管以同样的速度到来。欧盟《人工智能法案》将信用评分、欺诈检测和反洗钱画像列为高风险，相关系统自 2026 年 8 月起承担全部义务（延期至 2027 年 12 月的方案正在讨论中），违规处罚最高可达全球营业额的 3 %。在美国，SR 11-7 仍是机器学习在银行业适用的模型风险框架；在拉丁美洲，巴西和墨西哥正在推进各自的立法。
人才未能同步跟上。具备人工智能技能的专业人士获得 56 % 的薪酬溢价，三分之二的企业领导者表示不会聘用不具备该技能的人，73 % 的金融服务业高管将人工智能人才短缺列为关键障碍。认为应当使用人工智能（65 %）与实际使用（20 %）之间的落差，归根结底是一道可验证培训的鸿沟。
MLC
03 — 为何为何选择这项认证
现有的各类证书各自解决了问题的一部分。人工智能治理类证书核验的是监督模型的人员，并不要求写一行代码。云服务商的认证验证的是某一平台，既无金融情境，也不涉及模型风险。作为参照的量化类项目则设计于语言模型出现之前。集团的人工智能与金融蓝图在对三十余项证书的梳理中未发现任何一项能够面向金融服务业，同时涵盖机器学习、语言模型以及构建与部署的要求：要求写代码的缺少金融情境，具备金融情境的不要求写代码。
Machine Learner Certification™ 占据的正是这一位置。它不问考生是否了解术语，而问考生能否解决问题。因此，备考课程的每个模块都以可运行的代码和答辩收尾；也因此，独立于课程的考试依据已公布的知识体系，以记忆、理解与应用三个层级的试题编制，其最终配比在首次考试之前确定。
- 覆盖完整链条：从最优化与贝叶斯推断到智能体、规模化与生产部署。
- 涵盖风险委员会最先审阅的内容：评估、可解释性、红队测试与漂移监控。
- 区分 API 的使用者与能够微调、部署并掌控自有模型的工程师。
- 以独立于课程的考试进行评估；通过考试不是出勤证明。
- 面向一个知识半衰期被蓝图估计为 12 至 18 个月的领域；有效期与更新机制在首次考试日期开放之前公布。
MLC
04 — 成果培养的能力
- 01
从零推导并实现梯度下降优化器，并对照解析解证明其收敛性。
- 02
构建完整的表格数据管线——数据、特征、调优后的提升树、SHAP 与概率校准——并配以严谨的验证和对关键变量的业务解读。
- 03
利用观测数据估计因果效应，控制混杂因素，并向委员会报告不确定性。
- 04
在 NumPy 中以自行编写的反向传播实现神经网络，在 PyTorch 中复现，并为每一项架构决策给出理由。
- 05
使用 LoRA 将开源语言模型微调至特定领域，对照基线进行评估，并论证成本、质量与可控性之间的权衡。
- 06
构建结合 RAG 并通过 Model Context Protocol 暴露工具的智能体，端到端完成一项真实任务，并配备评估与护栏。
- 07
优化模型推理——量化、蒸馏、服务化——并测量前后的时延、成本与质量。
- 08
通过评估、红队测试与可解释性方法审计模型，记录其脆弱点，并以 CI/CD、漂移监控和可用的回滚机制完成部署。
MLC
05 — 机构录用分界线
要求持有这项认证的机构会改变面试的提问。它不再问候选人是否使用过人工智能——全球十大银行已有三分之二的员工可以使用人工智能工具——而是问候选人能否构建、验证并维持一套用他人资金作出决策的系统。这一差别的代价体现在模型风险、推理成本，以及从一个 notebook 到一项生产服务之间的时间上。
该认证同样规范了机构的内部市场。它使机构能够以同一标准，区分学会向模型索取答案的分析师，与能够解释模型为何不收敛、哪些数据可以改进模型、以及系统一旦被列为高风险后审计人员会审查什么的工程师。
- 按领域公布的知识体系，其配比在首次考试之前确定并公布，可在候选人之间和机构之间进行比较。
- 具备将模型投入生产的能力证明，而不仅是训练模型。
- 与欧盟《人工智能法案》和 SR 11-7 要求相一致的安全、可解释性与监控能力。
- 由独立于授课方和用人方的第三方实施的考试。
MLC
06 — 适用对象适合人群
适合人群
- 工作涉及金融数据的量化研究人员、交易员、风险与投资组合管理人员、信用分析师、精算师与资金管理人员。
- 数据科学家与数据工程师、模型与验证部门，以及负责将模型投入生产的技术团队。
- 具备量化基础、希望成为完整机器学习从业者的工程师、数学家、物理学家与经济学家。
- 技术、数据与转型的负责人，以及法务、合规与医疗领域的专业人士——他们需要理解机制，而不仅是结果。
不适合人群
- 希望在不写代码的前提下获得人工智能高层次或概念性概览者。
- 仅需具备提示词素养或熟练使用商用工具者。
- 希望取得量子计算认证者：该能力属于 Quantum Financial Professional (QFP™)，目前处于开发阶段。
MLC
07 — 知识体系知识体系
由 Core 的十四个模块归纳出的七个领域。各项权重仅供参考：反映该领域在备考课程 452 学时中所占的比例。考试的权重配比待确认，并在首次考试之前公布。
01数学基础与概率推理≈ 16 %
- 线性代数、SVD、投影与最小二乘
- 多元微积分、梯度与链式法则
- 最优化：梯度下降、凸性、拉格朗日与 KKT 条件
- 概率、熵与 KL 散度
- 贝叶斯推断、MCMC 与不确定性量化
- 因果推断：DAG、倾向得分与双重差分
02Python、数据与经典机器学习≈ 16 %
- 科学计算 Python、可复现环境与版本控制
- 数据工程：采集、清洗、特征与管线
- 词元、向量与嵌入：LLM 的内部运作
- 回归、分类、正则化与评价指标
- 树模型、集成方法与含超参数调优的梯度提升
- 无监督学习、降维与异常检测
- 稳健验证与基于 SHAP 的可解释性
03深度学习与多模态模型≈ 15 %
- 前馈网络与从零实现的反向传播
- PyTorch：张量、自动微分与训练循环
- 正则化、归一化与优化器
- CNN、迁移学习与循环神经网络
- Vision Transformer、目标检测与分割
- GAN、扩散模型与视觉-语言系统
- 文档智能（Document AI）与深度伪造的伦理
04语言：transformer、LLM 与领域适配≈ 15 %
- 分词、嵌入与注意力机制
- GPT 与 BERT 架构；LLM 的设计
- 规模化、解码与上下文窗口
- 高级提示工程与提示评估
- 高效微调：LoRA、QLoRA 与 PEFT
- 偏好对齐：RLHF、DPO 与奖励模型
- 服务部署、护栏与微调模型的成本
05智能体人工智能、推理与强化学习≈ 14 %
- 企业级 RAG：向量库、分块与评估
- 智能体：工具调用、规划、ReAct 与记忆
- Model Context Protocol 与多智能体系统
- 生产环境中的智能体：成本、时延、可观测性与安全
- MDP、Q-learning、策略梯度与深度强化学习
- 推理模型与推理时算力
06规模化、数据与生产系统≈ 18 %
- 缩放定律、算力经济学与混合精度
- 分布式训练：数据并行、模型并行与流水线并行
- 推理优化：量化、蒸馏与 KV 缓存
- 以数据为中心的人工智能：数据甄选、合成数据与分片评估
- 生命周期：版本管理、特征存储与可复现性
- 容器化部署、CI/CD 与持续训练
- LLMOps：提示即代码、持续评估与护栏
- 漂移监控、模型注册与治理
07安全、可解释性与模型评估≈ 6 %
- 对齐与目标设定：RLHF、DPO 与 Constitutional AI
- 机制可解释性、探针与归因
- 基准测试、以 LLM 作为评判者与评测污染
- 红队测试：越狱、提示注入与缓解措施
MLC
08 — 两个产品备考课程 · 认证考试
备考课程
备考课程
课程提供机构 Quantum Computing Labs
由集团专注于人工智能与量子计算的机构 Quantum Computing Labs 提供。课程以三个层级——Foundations、Deep & Generative AI 与 Frontier AI Engineering——的十四个模块覆盖考试的全部大纲，包含直播授课、实验课、每个模块一项以代码评分的结业作业，以及依据与考试相同配比编制的模拟考试。修读课程并非报考的前提条件。
Machine Learner Certification™ Core
452 学时 · 14 个模块 · 150 节课三个层级中的十四个必修模块，自 2026 年 11 月 3 日至 2027 年 12 月 7 日，以综合项目和面向行业评审团的 Demo Day 收尾。这是覆盖考试完整知识体系的形式。
MLC Full Stack
788 学时 · 262 节课Core 加首期班的四个专业方向——金融与市场、医疗与生命科学、深科技与量子计算，以及网络安全——于 2028 年 1 月至 5 月并行修读。各专业方向拓展的是按行业的应用，不属于考试大纲。
单模块选修与层级证书
每个模块 24 至 40 学时 · 每个层级 136 至 172 学时Core 的任一模块均可单独修读，价格为每学时 USD 100 + IVA；每个完整层级亦可作为独立证书：AI Foundations（144 学时）、Generative AI Builder（136 学时）与 Frontier AI Engineering（172 学时）。准备认证考试者宜修满三个层级。
- 150 场直播课：周一、周二、周四 19:00 至 22:00，另有每月最多两个周六线下授课 9:00 至 14:00
- 全部课程录播，在读学员可获得 72 小时访问权限
- 每个模块一项以代码评分的结业作业，在轮换分组中面向行业评审小组答辩
- 综合项目与面向评审团的 Demo Day
- 按领域编制的模拟考试，采用布鲁姆分类法第 1、2、3 层级
- 每周答疑时间、学习伙伴机制，以及最多可暂停一个模块的休学政策
Core 自 2026 年 11 月 3 日至 2027 年 12 月 7 日；各专业方向于 2028 年 1 月至 5 月并行开设。休课安排：2026 年 12 月 11 日至 2027 年 1 月 11 日、圣周与复活节整周、每两个月一周休息，以及 CNBV 的非工作日。
认证考试
认证考试
由 RiskMathics Certificate Institute 作为独立于授课机构的第三方实施。无论是否修读课程均可报考。本院的主蓝图尚未确定本次考试的题量与结构；两者均在首次考试日期开放之前公布。
未通过考试的情形
认证理事会正在制定未通过与重考政策：每个周期允许的考试次数、两次之间的最短间隔、重新参加考试的费用，以及已通过层级的处理方式。政策获批后即在本页公布；在此之前，可致函 growth@riskmathics.com 索取该数据。 考试治理 →
试题依据布鲁姆分类法第 1、2、3 层级编制：记忆、理解与应用。每个领域在各层级贡献固定数量的试题，因此任意两名考生面对的都是同一标准。 布鲁姆分类法 →
MLC
09 — 模拟考试模拟考试
课程的模拟考试遵循考试的配比：相同的领域分布与相同的布鲁姆三个层级。它们不是复习测验，而是使用校准试题的演练，使学员能够按领域看清自己在哪些方面记得、哪些方面理解，以及哪些方面尚不能应用。
模拟考试在课程期间及考试之前进行，并提供按领域的反馈。模拟考试不会重现正式考试的试题；它们复制的是考试的难度与结构。
- 第 1 层级 · 记忆：定义、识别、列举；例如辨认什么是词元，或 KL 散度衡量什么。
- 第 2 层级 · 理解：解释模型为何不收敛，或数据泄漏会对验证造成什么影响。
- 第 3 层级 · 应用：针对具体情形选择合适的优化器、微调技术或评价指标。
MLC
10 — 路径学习路径
- 第一阶段
Foundations · Learn144 学时 · 2026 年 11 月至 2027 年 4 月
机器学习数学、Python 与人工智能基础、概率与因果机器学习，以及经典机器学习。四项结业作业：从零实现的优化器到生产级的表格数据管线。
- 第二阶段
Deep & Generative AI · Apply136 学时 · 2027 年 4 月至 7 月
深度学习、多模态与生成模型、自然语言处理与 LLM，以及结合 RLHF 与提示工程的微调。每个模块产出一项生产级结业作业。
- 第三阶段
Frontier AI Engineering · Create172 学时 · 2027 年 7 月至 12 月
智能体、RAG 与 MCP；推理与强化学习；规模化与推理优化；以数据为中心的人工智能；安全、可解释性与评估；MLOps 与 LLMOps。
- 第四阶段
综合项目、Demo Day 与模拟考试Core 结课时 · 日期待确认
生产级结业作业汇入综合项目，并面向评审团答辩。按领域的模拟考试为备考收尾。
- 第五阶段
认证考试日期待确认
由 RiskMathics Certificate Institute 实施。选择 Full Stack 者，课程的选修专业方向自 2028 年 1 月至 5 月并行进行。
投入
11课程与考试，分别计价
费用以美元计；IVA 按开票规定适用。课程与考试分别签约，两者的价格互不包含。
MLC
12 — 常见问题常见问题
不修读课程可以报考吗？
可以。考试是 RiskMathics Certificate Institute 的独立产品。Quantum Computing Labs 的课程覆盖全部大纲并包含模拟考试，但不是报考的准入条件。
课程由谁讲授，认证由谁颁发？
备考课程由 RiskMathics 集团专注于人工智能与量子计算的机构 Quantum Computing Labs 讲授。RiskMathics Certificate Institute 作为独立第三方负责编制、审核并实施考试。
需要哪些先修基础？
正式的报考要求待确认。课程面向具备量化背景者——工程、数学、物理、经济、数据——同样面向来自业务、法务或医疗领域者：第一层级从零开始构建数学、科学计算 Python 与人工智能基础，教学大纲也将 Python 与基础模块标注为非技术背景者的必修内容。
是否包含量子计算？
考试的知识体系不包含。课程设有深科技与量子计算的选修方向，量子能力则通过目前处于开发阶段的 Quantum Financial Professional (QFP™) 单独认证。
课程可以分段修读吗？
可以。任一模块均可单独修读，价格为每学时 USD 100 + IVA；每个层级亦可作为独立证书：AI Foundations（144 学时，USD 14,200 含 IVA）、Generative AI Builder（136 学时，USD 13,400 含 IVA）与 Frontier AI Engineering（172 学时，USD 16,950 含 IVA）。完整 Core 的每学时价格最优。
是否具有监管认可？有效期多久？
不具有监管认可：它核验的是知识与专业能力。有效期与更新机制待确认；集团的人工智能与金融蓝图设想以短周期开展继续教育，因为其估计人工智能知识的半衰期为 12 至 18 个月。