论文投稿后的第十天，林晨收到了技术委员会的邮件。
邮件很简短：您的论文《AI量化交易系统的工程实践：多策略融合、动态风控与可解释性决策》已通过初审。请于12月28日下午2:00，在总部b座大礼堂进行技术分享，时长45分钟，含提问环节。
通过初审了。
林晨看着这封邮件，心跳快了半拍。他做了充分的心理准备——通不过也无所谓，写论文本身就是一次梳理和提升——但真的看到通过初审这四个字的时候，他还是感到了一种不同于投资收益的兴奋。投资系统赚的是钱，论文通过赚的是认同。钱可以默默积累，认同却需要被看见。
他立刻给陈博士转发了邮件。陈博士的回复依然是简短的三个字：好好讲。
接下来的一周，林晨进入了高强度的准备模式。
白天推进透明蒸馏的线上优化，晚上回家写论文修改稿，周末还要准备分享的ppt。苏婉看他每天晚上都在书房对着电脑，忍不住问了一句：又在加班？
不是加班，是准备一个分享。林晨头也没抬，正在调整ppt里一个架构图的箭头方向。
什么分享？
公司技术委员会的，我投了一篇论文，通过了初审，要做一次分享。
苏婉走到他身后，看了一眼屏幕上密密麻麻的架构图和公式，轻轻拍了一下他的肩膀：加油。但是别熬太晚，乐乐昨天问你怎么不陪他做实验了。
林晨抬头，对上妻子的目光。苏婉的眼神温柔但认真，意思是我支持你，但别透支。
知道了，今晚十一点前收工。
准备分享的过程比写论文更磨人。论文是写给专业人士看的，可以用密集的信息量和严谨的逻辑；分享是讲给一百多号人听的，需要让每个人都能跟上节奏，还能在关键时刻记住你的核心观点。
他在ppt的第一页放了一张图：一个人的大脑和一台计算机并排站在一起，中间打了一个问号。标题是：当AI做决策时，你信任它吗？
这是一个开放性的问题，也是他整场分享的核心线索——AI系统的价值不只是做得快做得准，还在于做得明白。
ppt的结构他改了三版。第一版太技术化，满屏都是公式和架构图；第二版太故事化，像在讲创业经历而不是技术分享；第三版终于找到了平衡点——每页最多一个核心概念，配一个具体的案例，用大白话讲清楚是什么为什么，技术细节留给论文本身。
他还专门准备了一个现场演示：用投资系统的风控模块实时展示异常检测与自恢复的过程。当然，他用的是脱敏后的历史数据，不涉及任何真实交易。但数据的走势、异常点的标记、自动止损的触发——这些是真实的系统行为，不是ppt动画。
12月28日，下午两点。
总部b座大礼堂。林晨站在讲台侧面，看着台下陆陆续续坐满的座位。他数了一下，至少来了一百二十人。AI平台部的同事几乎全到了，还有不少其他部门的——基础设施部、数据平台部、搜索推荐部，甚至有几个他没见过的面孔。
张明远和陆小溪坐在第三排，冲他竖了个大拇指。许悦坐在第五排，手里拿着笔记本。老赵靠在最后一排的墙上，双手抱胸，一脸我来看看你行不行的表情。陈博士坐在第一排靠边的位置，面前放着一杯茶，表情平静。
王皓也在，坐在侧面，低着头看手机——大概率在处理什么紧急消息，但至少来了。
两点整，技术委员会的主持人上台，简短介绍了分享规则，然后报出主题：下面有请AI平台部的林晨，分享《AI量化交易系统实战：从黑箱到透明》——大家欢迎。
林晨深吸一口气，走上讲台。
聚光灯打下来，他面前是一百多双眼睛。ppt的第一页亮起来：当AI做决策时，你信任它吗？
大家好，我是AI平台部的林晨。今天我要讲的是一个关于信任的故事。
他停顿了一下，让这句话落地。
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。