金融赋能 聚焦AI 硬科技风暴将至

9月16日，2020西安全球硬科技创新大会正式启幕。

西安全球硬科技创新大会走进第四个年头，透析整个大会的主题和活动设计，可以看出两大变化。

一个变化是，这个由政府主导推动，科技界和产业界积极参与的硬科技盛会，将开启第四维度——金融维度。上海证券交易所加盟大会指导单位，陕西省地方金融监管局参与主办。

另一变化是，作为西安硬科技的支柱产业，人工智能被高强度聚焦。“AI科学家论坛”十大议题，从chiplet产业联盟、下一代人工智能芯片到智慧出行、智慧能源、智慧城市，体现了西安作为国家新一代人工智能创新发展试验区，对人工智能产业未来的高度关切和向未来路径的主动规划。

两大变化正是对习总书记总书记来陕考察重要讲话“围绕产业链部署创新链、围绕创新链布局产业链”清晰有力的贯彻落实。

图片来源：网络

为硬科技产业补上金融领域短板

陕西中天火箭技术股份有限公司近日首发上市通过，将登陆深交所中小板交易，成为今年以来西安上市的第4家“硬科技”企业。去年7月科创板开市，铂力特、西部超导首批登陆科创板，西安成为唯一拥有两家科创板上市公司的中西部城市。随后三达膜紧跟其后，加上今年新上的瑞联新材，目前陕西有4家科创板上市企业。

西安频频握手资本市场，显现出西安在大力发展硬科技产业过程中对金融资源和金融工具的强烈渴求。对西安来说，要重点加快优化金融发展环境。优化金融发展环境，就是优化西安科技企业的发展环境和西安产业发展环境。”

今年的硬科技大会上，一大看点是“上海证券交易所西北基地揭牌”。上海证券交易所副总经理刘逖9月9日在创投峰会上透露，继2014年在西安设立了第一个资本市场培育基地之后，上交所将与陕西共建资本市场服务西北基地，并在下一阶段在西安设立科创板企业培育中心。这是继8月26日新三板西北基地落户西安之后，对硬科技企业的又一重大利好。

硬科技大会期间，上海证券交易所还将主办“2020中国硬科技科创板上市创新发展论坛”，邀请科创板上市企业高层、上市公司代表、硬科技企业高管，以及券商、律师、会计师、投资机构从业人士，围绕加快硬科技企业上市，展望2020年硬科技企业在资本市场新环境、新机会、新挑战。

为硬科技产业做强人工智能长板

如果说金融是西安在发展硬科技产业当中迫切需要补上的短板，而作为新一轮科技革命和产业变革的核心驱动力，人工智能就是西安锐意做强的长板。

今年1月23日，西安获批建设国家新一代人工智能创新发展试验区，成为中国西部首批人工智能先行先试区域。

西安高新区是人工智能企业落户西安的主要承载地，聚集了100余家人工智能企业，包括9家领军企业；拥有双创平台110个，其中国家级众创空间18家，人工智能类占比40%，吸引人工智能上下游产业链企业100余家。除了专注于基础研究的交叉信息核心技术研究院之外，还有专注于商业应用的科大讯飞，中兴、比亚迪智能终端生产基地已正式投产，以及众多智能制造企业为人工智能产业发展提供了技术应用场景。

图片来源：网络

根据《西安高新区人工智能试验区核心区建设方案》，到2022年，西安高新区将初步建成新一代人工智能创新发展试验区核心区，核心产业规模将达到100亿元，带动相关产业1000亿元，并在技术创新体系、深度融合应用、产业发展生态等方面取得突破。

今年的硬科技大会将突出呈现西安在人工智能领域的布局和努力。由西安交叉核心院担纲的“下一代AI芯片产业发布暨 chiplet产业联盟成立圆桌论坛”尤其值得关注。

chiplet技术被看成是摩尔定律逼近极限之际未来芯片的重要基础技术。以chiplet模式集成的芯片会是一个“超级”异构系统，可以为AI计算带来更多的灵活性和新的机会。 Chiplet产业联盟启动，旨在联合AI产业相关的学术界、产业界等各方重要力量，共同制定全球chiplet互联标准、共建 chiplet 开放平台，实现缩短芯片设计周期，降低芯片设计成本，以此服务“创新驱动”等国家重大战略需求，扩大西安与“一带一路”AI 产业的交流合作，解决我国高质量发展进程中面临的技术难题。

会议期间还将发布“启明920”人工智能加速芯片，而此时距交叉核心院芯片中心研发的第一款AI芯片“启明910”的发布还不到1年时间。 如果说“启明910”实现了交叉核心院无人驾驶AI芯片从0到1的突破，“启明920”将更高效地支持更复杂的网络，有望在人工智能驾驶领域有更突出的表现。

全球顶尖AI+硬科技线上马拉松将邀请八位全球AI+硬科技领域顶尖科学家，以马拉松接力形式，线上分享各领域前沿技术。其中，国际人工智能协会(AAAI)院士，香港科技大学新明工程学院讲席教授杨强关于“AI与人的新三定律”的主题演讲尤其值得期待。(刘晓斌)

来源：央广网

实践与展望：AI如何为金融业创造价值

在当下的中国金融业，人工智能技术正被寄予厚望：工农中建四大行在最近的年报中均多次提及人工智能战略，并开始在业务场景中推广人工智能应用。这表明，随着人工智能各项技术应用逐步成熟，“智慧金融”时代即将到来。

本报告由爱分析与马上消费金融联合发布，通过人工智能技术在金融领域的真实应用案例，剖析技术对金融业务的价值创造，并指出下一步“智慧金融”产业链的演进方向。

图片来源：网络

本报告重点关注四项人工智能技术在金融领域的应用：计算机视觉、语音识别、自然语言处理、知识图谱。核心观点包括：

• 人工智能技术对金融业价值链每一环节产生影响，体现在三个层面：自动化、智能化、创新化。目前，计算机视觉和语音识别技术在金融业务中已经得到普遍应用，业务自动化水平得到突破；NLP和知识图谱则在逐步落地中，使得智能化创新逐渐增加。

• 现阶段，人工智能技术创造的价值主要体现在：为金融机构降低运营成本和风险成本。短期内，人工智能应用仍将以这两点价值为核心；长期来看，技术应用将有助于新业务获取与客户满意度增加。

• 为发掘智慧金融价值，持牌金融机构需要尽早布局人工智能技术。两项新趋势已经出现：第一，人工智能在金融领域的应用正从产品向综合解决方案发展；第二，领先的持牌金融机构以自身场景应用为基础，对外进行技术输出赋能。

• 未来，新的人工智能技术和算法将不断走向成熟，推动行业迈向智慧金融新时代。这里我们以两项热门领域——联邦学习和可解释的人工智能（XAI）为例，展望人工智能技术在金融领域的潜在价值。

来源：未央网

VBOXAI基金会营运总TONY WELLS谈人工智能对金融

8月17日消息 今天上午VBOXAI基金会营运总裁、人工智能专家Tony wells先生进行了有关人工智能的主题演讲，题目是《人工智能对金融业的影响》。在演讲中，Tony wells分析了人工智能对于整个人类的影响，并表示人工智能的发展对于人类的人性是一场极大的考验。面对考验，人类应该善用机器，且互相关爱。

Tony wells先生认为一家真正的AI公司，不仅在技术层面跟AI是紧密结合的，它的文化也必须是AI化的。这就意味着公司的发展必须遵循AI伦理的四个原则：第一，AI的最高原则是安全可控。第二，AI的创新愿景是促进人类更加平等的获得技术能力。第三，AI存在的价值是要教人学习，让人成长，而不是取代人、超越人。第四，AI的终极理想是为人类带来更多的自由和可能。

以下是演讲全文，来自于Quora专栏：

首先也要澄清一些AI方面的误解，AI并不是有感知的机器，并不是我们要担心机器突然醒来憎恨人类，这些AI，并不一定都是深度学习的。大数据，也是我们经常见到的词，但是很多时候AI并不是和这些概念相关。另外，它并不是万能药，并不是所有的问题可以用人工智能来做，很多问题我们不能理解，我们应该怎么做、怎么理解怎么做、怎么解决，但是AI的进程，在未来我们非常乐观，来帮助我们解决。比如在英国、欧洲，有很多的银行现在都在设计人工智能的APP。目前也做了很多研究，AI怎么对人们提供服务，已经发展了很多，但依然还有很长的路，AI可以继续发展，为人们提供更好的服务。

从金融方面的经典方式，没有模型经典方式的机器来做。你在电脑里面收集一些已知来源的数据，比如个人的信用卡交易结果，他们是否归还了信用卡欠款?还是违约了?我们把这些信息收集之后，创建一个预测的分类器。对于新的用户来说，收集他们的数据，预测他们是否会违约，以及基于他们过往的交易，决定给他们多少额度。这也是基于电脑的决策树、深度神经网等技术来实行。一旦建立了分类器，客户有新的事件你就可以来应用了。

相比人类的专家来说，我们认为AI非常有价值，可以以非常低的成本做出预测，这是一个典型的、深度学习的架构。在座的各位可能对公司分析来说，都会知道一些基本内容。微软，你想对它的股票进行分析，你看它的基本面、看它的交易、市场、相关风险等等，你要预测他们的财务结果。利用AI，对于个人也可以进行分析。非常重要的就是多少人可以被模型使用。我们可以对每个人进行分析，收集他们生命周期的静态变量，Vbox目前已经连续四年通过从各大最活跃的交易市场及交易所收集大数据(包括华尔街，纳斯达克，香港交易所在内的全球股票交易所开始，更甚至收据了天气预报，因为天灾如台风一直以来都验证了将会影响股票市场价值和这些参数和变量，来帮助我们进行预测。

另外，可以通过更少的数据，做出更精准的预测。还有就是数据的错误率、失落率也会比较低。也有劣势，基于模型的方法的，第一个是它的成本非常高，因为你要有建模的专家和实际数据当中要做很多的实验，但这是一劳永逸的。也就是说，每个股票的交易历史，每期彩票的开奖和售卖行为，每个非常小的成交记录等等的事件通过AI学习建立模型，每次预测也同时累计了更多的机器学习数据，VBOXAI建立一个模型就可以一劳永逸，再用COSMOS AI(COSMOS-Centralized Operation System Managament of Syncronized集中式操作系统共识管理)进行分析。

转换一下话题，讲一下Oracle和Oracle算法特点

它的基本原理是将单条交易Hash,再将两条交易的Hash组合后在进行Hash，经过几次同样的过程后形成一个根Hash,存于区块头中。这样，任何树上任何一笔交易被更改，都会造成根的不同。做数据的承兑时，采用同样的方式，将文件Hash以默克尔树的形式组织，最后将根Hash写入以太坊的一个可以提供80字节空间的OP_Return这个区域中。相当于将数据承兑于一笔不可篡改的交易中，从而完成了承兑的过程。这个过程我们称为锚定。

通过这些AI的程序，人们会增加个人的数字助理，大家都有助理。通过手机也可以帮助你提供很多的建议。你的个人助理，可以帮你自动发起金融交易，预定酒店、买机票，确保你的孩子在学校好好学习等等，这些都会自动化来进行，也包括了金融交易的自动进行。银行的客户可能并不是真实的人，而是数字助手，触发某个事件之后就会进行金融交易。

另外一个很大的变化，就是交易系统。我们知道在美国的交易所，大多数的交易都是电脑软件进行的，现在会越来越多的进行电脑软件自主交易。另外讲一下交易系统，我们有算法。有些时候比较简单，就是套利的。还有越来越复杂的，比如单个股票基础面的分析、能够自动阅读这些新闻，从彭博、SEC等接口进行股票的交易。其中我们见到的一个很大的问题，这些系统只是从字面上来收集信息。推特被认可劫持了，所以一个推特信息说“特朗普感染病毒了”，机器得到这个信息，也不判断，直接就卖掉这些股票了，低于2分钟的时间，超过2万亿的股票被卖掉。如果是人做交易，他们会进行验证，会打电话给华盛顿的朋友。经过20分钟，市场又自动的恢复了之前的交易状态，这些都非常重要。机器可能只是机械化的收到信息，有些信息可能是故意造假的，机器自动读取，对系统会造成很大的扰乱、对客户造成很大的损失。从监管来说，也造成了挑战。

比如亚马逊网站，一本普通的生物学的书差不多40美元。有一个出售1800万，另外一个是2300万，这是因为有两个机器人，他们觉得这本书非常复杂，所以他们不断的把这本书的价格提升，一直提升到非常高。如果你有自动财务顾问，他们可能觉得这本书比较合理，它就会买，这会对你的账户造成很大的损失。大事件，2到3分钟，使整个的市值损失1万亿，这也是程序化不理解市场而造成的失误，非常快速进行交易，对于市场造成了很大的问题。2020年美国爆发疫情的时候，200个股票的市场下滑更快，0.1秒的时间，有些股票跌了20%，这对很多人来说发展太快了，0.1秒，当你把权利给到机器，他们不理解他们在做什么，这对你造成的损失是无法估量的。从长期来说，我们认为AI系统在很长的时间里面的发展，最终会比人类决策优化。

现在，我们在做AI的时候，所有的因素都要考虑进去。不管是控制，还是研究，我们现在创造了一些系统，它可以帮助我们把某些事物进行优化。对于这个领域的定义，并不是非常精确的，它是一个错误的定义。我们所需要的AI是什么?这样的AI系统，我们希望它能够执行我们的命令，而且它产生的结果，一定是我们比较满意的。比如这个国王，当时有这样一个想优化的目标，但是优化之后的结果并不是他最初想要的，这是我们需要避免的现象。我们怎么样才可以避免?这里有三个想法：

1、机器人只有一个任务、目标，就是把人类的幸福指数最大化。

2、机器人并不知道这里面的含义是什么，因为并不确定，人类什么才是开心的事情，真正让我们开心的事情是什么?

3、机器人是通过观察人们的行为来进行学习的，人们喜欢什么、不喜欢什么，会通过我们的行为展示出来。

读经济学会知道有一个“博弈论”，如果我们有这样的一个博弈，如果人类知道这样的目标，机器人先把这个目标进行优化，但是机器人并不知道本来的目标是什么。如果有不匹配，是否会产生问题?

总结一下，我刚才讲了很多AI在金融领域的影响，最基本的，现在已经存在了40到50年，它可以帮助我们进行数据的整合、分析、预测，还有一些顾问方面的服务。另外，我们如果可以更好的理解人类，才可以帮助我们得到更好的结果。市场上我们看到一些交易的策略，现在越来越有效了，可以帮助我们改进市场上的效率。因此，我们要非常了解，怎么才可以更好的把这些机器人在我们的控制当中，不能失控。有一个谚语“煤矿里的金丝雀”，煤矿中的金丝雀可以帮我们预测未来可能出现的问题。煤炭当中没有氧气了，金丝雀就会立马检测到，我们需要把它当做我们风险检测的工具，我们要很好的管理AI存在的风险，而且是高速管理和控制。随着AI的进步和推进，AI的系统怎么样控制、怎么样了解人们的价值，以及AI的价值，怎么把两者的价值结合起来，将是我们未来要探讨的很重要的议题，感谢各位的聆听。

1、本文任何信息内容，仅供参考，只对您投资决策时起到辅助作用。

2、点掌财经不对您投资获利或投资损失承担责任，所有投资决策及其后果均由您自行负责。

3、股市有风险，入市需谨慎。

来源：经济导报网

智能金融落地掀热潮 新兴金融机构开启人工智能应用3.0新阶段

近几年来，基于深度学习算法的成功应用和大数据所打下的坚实基础，人工智能技术发展突飞猛进。

一个新技术的诞生势必会带来行业的革命。而对于人工智能技术而言，想判断其可以在哪个行业最先引起革命性的变革，除了要看这个行业对自动化、智能化的内在需求以外，主要还看这个行业内的数据积累、数据流传、数据存储和数据更新是不是达到了深度学习算法对大数据的要求。

放眼望去各个垂直领域，金融行业也是目前人工智能落地最成功的行业之一。

图片来源：网络

金融领域海量数据奠定行业发展基础

底层基础决定上层建筑。

由于行业属性的原因，银行、保险、证券等传统金融行业从一开始就积累了大规模数据，并基于这些大数据开展了自动化系统建设。在这过程中，金融机构们都极度重视数据自身的规范化、数据采集的自动化、数据存储的集中化、数据共享的平台化。

以银行为例，国内大中型银行早在20世纪90年代，就开始规划、设计、建造和部署银行内部的大数据处理流程，经过20多年的建设，目前银行基本上都可以毫不费力地为智能应用提供坚实的数据基础。

2017年以来，国际主要银行纷纷通过设立人工智能项目等方式，加快人工智能在银行业务的创新和应用。如美银美林在2017年2月建立了线上智能投顾平台，同年8月推出了基于机器学习和人工智能的应收账款管理服务系统解决方案，10月推出了建立在API和人工智能基础上的智能分析、预测工具，主要面向现金管理客户；富国银行2017年4月推出人工智能Facebook客服。

柜台服务、智能风控 人工智能垂直应用纷纷落地

一是量化交易与智能投顾：一方面人工智能技术可以对金融行业里的各项投资业务，包括股权投资、债权投资、外汇投资、贵金属投资等，利用量化算法进行建模，并直接利用自动化的算法参与实际交易，获取最高回报。另一方面，人工智能的算法也为银行、保险公司、证券公司以及它们的客户提供投资策略方面的自动化建议，引导它们合理配置资产，最大限度规避金融市场风险，最大限度提供金融资本的收益率。

二是智能风控：银行、保险等金融机构对于业务开展中存在的信用风险、市场风险、运营风险等几个主要的风险类型历来高度重视。而相关风险的防控体系需要依赖高纬度的大量数据进行深入的分析。在这方面，基于深度学习的现代人工智能算法与人类分析员或传统机器学习的算法相比，有着先天的优势，可以对更为复杂的风险规律进行建模和计算。

三是智能客服和智能柜台服务。银行、保险、证券等行业为确保客户服务质量，一般都会建立大规模的呼叫中心或客服中心，雇用大量的客服人员，利用电话、网站、聊天工具等，解答问题。随着支持语音识别、自然语言理解和知识检索的人工客服技术逐渐成熟，金融行业的客服中心会慢慢引入机器人客服专员，由人工智能算法代替工作人员，并最终建立全智能化的客服中心。

图片来源：网络

在银行服务的前台，应用人工智能可以向广大长尾客户提供更加人性化、智能化和专业化的服务，降低银行成本，提升用户服务和营销体验；中台方面，应用人工智能技术可以为金融分析交易和银行授信提供专业决策支持。智能机器使用超声红外自动避障、雷达智能导航、语音智能识别、语义解析、视觉识别、人脸识别等技术手段，可完成基本行为、感知、交云功能，通过机器人智能和后台进程支持，实现厅堂迎宾、业务咨询、业务办理、分流引导、产品营销等多个功能。

四是安防与客户身份认证。银行各个办公地点可以利用新一代的人脸识别技术，对过往人员进行身份甄别，确认没有坏人进入敏感或者保密区域。

五是精准营销。人工智能可以为银行的潜在客户进行精准的画像，根据潜在客户曾经的购买行为、个人特征、社交习惯等，将潜在客户分为若干种类别，并为每一种类别的潜在客户匹配最合适他们的金融产品。

促进效率提升 应用产品花样百出

而以上场景目前都早已在国内的金融行业中广泛应用，开发出诸多代表性产品。

较为代表性的是招商银行2016年底推出的“摩羯智投”，就是国内银行在智能投顾领域的经典应用。“摩羯智投”将投资者风险等级划分为十级，按照投资周期分为低于1年、1年~3年和3年及以上，风险等级越高、投资周期越长，预期投资收益率越高，之后根据客户收益要求构建投资组合，由客户自主进行决策、“一键购买”并享受后续专业服务。

与传统的人工投顾比较，智能投顾兼具投资服务门槛低、智能化和分散化等优势。而后，智能投顾的运用在金融行业中不断成熟及发展。

2017年9月份，广发银行推出了“广发智投”, 客户可以结合智能基金配置建议，选择公私募基金。2018年6月，光大银行推出了“光云智投”, 拥有更为智能的市场分析系统， 能够准确跟踪市场热点与舆情风险，为客户提供一站式全球资产配置……

而近两年来银行的智能柜台机应用更是加速发展。目前国内银行基本上都可以通过智能柜台机自助办理所有的柜台业务，大大提高服务效率。如中国银行的智能柜台机，传统柜台办理同样的开卡业务用时大约为10分钟~15分钟， 而智能柜台机只需要5分钟~10分钟。常见的流水打印业务传统柜台约需10分钟~30分钟， 智能柜台则只需2分钟。兴业银行推出的智能柜台经过迭代升级，目前已升级到了4.0版，服务效率比传统柜面高58.2%。

新兴机构脱颖而出 跻身“国家队”

与此同时，政府也高度重视人工智能的发展应用。国务院先是于2017年7月出台《人工智能发展规划》, 党十九大又进一步强调发展人工智能。

在政策的助推一下，人工智能技术在国内的发展迎来了前所未有的发展机遇。应用场景不断扩大，落地机构也从传统金融机构逐渐到新兴金融机构，比如消费金融机构。

今年1月，工信部发布“新一代人工智能产业创新重点任务的入围揭榜单位和项目名单”。凭借“基于情感光谱与多语境感知的智能文本与语音客服机器人平台”项目，马上消费金融从“中国新一代人工智能产业创新重点任务”榜单中脱颖而出，成功跻身新一代人工智能产业创新的“国家队”。

近日，全国信标委人工智能分委会成立大会暨第一次全体会议在京召开。会上，首届人工智能国家标准化组织——全国信息技术标准化技术委员会人工智能分技术委员会（SAC/TC28/SC 42）正式成立。马上消费金融与腾讯、阿里云、华为等共同当选首批单位委员。

图片来源：网络

这些背后自然离不开强大的技术支撑。据马上消费金融相关负责人透露，光是其科技累计投入10亿+，科研人员1000+，占员工比重6成，荣获国家高新技术企业认定，也是重庆第一家获得国家高新技术企业认定的金融机构。与此同时，马上消费金融还自主研发了800余套涵盖消费金融全业务流程、全生命周期的核心技术系统，累计提交专利申请220余件。

在其申请的220余件专利中,主要来自于“ABCD”（AI人工智能、Blockchain区块链、Cloud Computing云计算、Big Data大数据）四大领域。其中,大数据技术专利占比超过三成,高达32.81%。紧随其后的是，智能语音技术、推荐/风控技术、身份识别技术、信息交互技术等四大类专利申请数量占比均超过一成以上。

足以窥见其实力。

技术优势 促进传统金融机构转型升级

因此可以看到的是，不少譬如马上消费金融这样的新兴金融机构，凭借着自身的技术优势，甚至有反超传统金融机构的势头，转而进行技术输出。

在“2019第三届新华网金融论坛”上，度小满金融战略合作部总经理朱白帆便提出，“金融是人工智能最现实的落地场景之一。”他透露，度小满金融自独立运营以来，依托于百度的优势和技术实力，正在积极推动智能金融的落地并发展迅速。在信贷业务上，度小满金融已经与多家金融机构达成合作。在金融科技领域，依托于百度的技术基因，度小满金融AI技术应用在智能获客、大数据风控、智能客服等多个领域，并将这些AI能力全面开放，与多家金融机构达成合作。

近日，马上消费金融也联合光大信托共同开展金融科技在信托行业的融合应用试点项目，并取得了创新成果。据介绍，光大信托在面向客户销售产品的双录环节，将采用马上消费金融自主研发的“AI智慧双录”系统提供技术服务支撑。凭借双方在金融科技自主研发能力和信托业务多场景展业能力的自发优势，共同推进信托行业的数字化、智能化、标准化的运营管理模式转型升级。

如果说人工智能技术在国内落地是1.0阶段，被传统金融机构广泛应用是2.0阶段的话，以马上消费金融等新兴金融机构为代表则正式拉开了3.0阶段的序章，也开启了人工智能技术在国内应用新的未来。

未来，他们还会给金融行业带来哪些变革，值得我们拭目以待。

来源：手机凤凰网

风控升维提速，人工智能成最大引擎

危与机的攻防转换，成为今年金融行业震荡向上突破的主旋律。

疫情冲击了金融机构的传统展业方式，信用风险集中爆发，重线下靠人工的获客、风控、贷后管理模式败得一塌涂地。不过，危难之中的机遇也愈发清晰，金融机构对依托人工智能、云计算在内的科技化手段认识更深一步，弥补智能化运营短板成为金融行业的共识。

业内人士透露，春节后持牌消费金融公司等金融机构向数字化转型转变。其中，一个比较明显的趋势为贷中、贷后借助人工智能决策工具处理的业务占比大幅提升，部分消费金融公司智能机器人的工作量能占到九成。

从人工智能的落地情况来看，移动支付、消费金融是人工智能最先渗透的场景之一。人工智能的三驾核心马车为数据、算法、算力，数据是人工智能从实验室走到具体服务场景的基础，而移动支付和消费金融背后丰富的应用场景，恰好为人工智能落地提供了完备的生态土壤。

图片来源于网络

反之，金融科技领域的人工智能技术也为银行、消费金融公司、信托、保险等机构输出智能综合解决方案，优化企业的营销获客和风控流程。以萨摩耶数科为例，萨摩耶数科在人工智能领域研发的自动建模平台AUTOMAN 1.0，便可以通过模型、策略自动迭代更新，及时识别、掌控未知风险，让金融样本处理成为业务决策自动化的一环。

国务院于2017年出台《人工智能发展规划》，各地政府纷纷加大人工智能投入力度，人工智能已成为国家战略。当前，人工智能已在金融、汽车、物流等领域应用，产业各方的人工智能服务方案雏形已成，待技术更加成熟后，渗透率也会随之增加。

人工智能的目标是提升产业生产力，最大限度把一个企业从重复性的工作中解放出来。金融行业与人工智能深度融合，在降本增效的同时必然会重塑金融业，一场以智能+金融的新格局慢慢成型。

金融需要何种人工智能？

近三年来，金融科技行业风起云涌，形成了少量头部机构与众多中尾部机构并存的格局。无论是以蚂蚁集团、京东数科、360数科为代表的互联网系巨头，还是以萨摩耶数科为代表的行业领先的金融科技公司，均研发了大量的人工智能技术。

就金融机构的需求而言，在急需降低成本的市场环境中，很多机构迫切要用智能化的科技手段取代劳动密集的人工模式，将人力成本降下来。同时，为提升贷前、贷中、贷后的运营管理效率，金融机构也逐渐从粗放管理向精细化的管理方式转变。

拿风控来讲，传统金融机构一方面转型线上，缺少必要的人才、技术支撑；另一方面在面临信用风险较高的长尾客群时，缺乏用户全生命周期模型管理经验。在普惠金融趋势下，下沉客群又是金融机构受理的客群之一。

这就引申出到底什么样的人工智能与金融机构的需求匹配，或者说什么样的人工智能对于金融机构才真正有价值。

根据金融业务的实际情况，金融机构的需求逻辑主要集中在两三个方面，其一是必须合规；其二工具能够“即接即用”，减少对接成本和其他支持费用；其三工具能在短时间内让金融机构看到效果，并能为金融机构带来的价值覆盖技术服务费成本。

图片来源：网络

按照上述人工智能服务金融机构的价值导向，行业内确实有一批能为金融机构带来较大增益、推动风控运营智能化的工具。在这些人工智能解决方案中，萨摩耶数科旗下的自动建模平台——AUTOMAN 1.0可以称得上是一个典型的样本。

AUTOMAN 1.0是将人工智能应用在模型设计领域，使模型开发周期减少50%-70%，最短可在2周内完成样本建模任务，极大地缩短原始样本与经营决策的距离，实现整体降本增效。

在风控模型中，KS指标来评估模型的区分度一项核心指标，区分度越大，说明模型的风险排序能力越强。AUTOMAN 1.0在测试环境中，KS值区分度高出人工建模效果0.05个百分点。

具体到风控场景里，AUTOMAN的样本研判及处理、最优模型保存及部署、新样本预测、模型训练及调优四大功能，能通过便捷的方式直接接入金融机构的系统中，使得风控模型辨识风险的精准度更高。

值得一提的是，AUTOMAN虽然内置前沿流行算法，但用户没有知识背景也能熟练使用，这背后主要靠AUTOMAN的一键建模模式。该模式下，不需要合作机构写代码，按照说明放好样本就能训练出可部署调用的模型。另外，AUTOMAN还能自动安装所需环境依赖包，用户无需再自行设置环境。

模型调优方面，AUTOMAN内置自研究调参算法，帮助模型开发工程师使用集成工具包提升模型开发效率。 简单便捷并不意味着效果打折，AUTOMAN在效率与精度、标准化与通用性之中实现平衡，具备低成本、高精度、高效率地实现样本可视化的特点。

数据决定AI算法的精度，算法精度决定AI产品质量。萨摩耶数科从真实的金融场景入手，不断提升智能化模型的精确度，唯有精度高了才能帮助客户构建智能化的风控大脑。不只是萨摩耶数科，任何金融科技平台的人工智能解决方案都需遵循这一前提。

更新迭代是人工智能的灵魂

金融企业的人工智能需求仍存在很大增长空间，若想抢占市场份额，金融科技企业必须保持更新迭代的创新能力，时刻与金融机构的生产经营环境相适应。

目前，针对企业数字化转型推出的人工智能产品种类繁多，但在企业实施落地的过程中出现水土不服，更有甚者效率不升反降。企业应用人工智能出现负面效应，与人工智能供应商提供的产品有关，人工智能产品的实用性和特点不匹配企业的实际需求。

疫情叠加金融周期影响，传统金融机构的数字化转型紧迫性越来越强烈，尤其是在需要大量样本分析处理的风控环节。我国当前的消费金融市场相当一部分客群集中在优级、次优以下，而消费信贷产品又多以小额、分散、线上化为主，复杂的受理环境决定金融机构需要一个能不断迭代的智能风控解决方案。

针对AUTOMAN的迭代创新，萨摩耶数科人工智能团队负责人表示，目前 AUTOMAN1.5版本已经在内部测试中，而AUTOMAN2.0版本将新增回归模式。未来我们还将持续加大研发力度，持续推动人工智能在金融风控领域的应用。

另外，考虑到外部环境的波动及客群变化，后期萨摩耶数科考虑增加模型自迭代功能，实时应对外部风险的变化。同时，AUTOMAN平台将实时学习外部前沿算法及模型优化方法，加入更多插件。

图片来源：网络

人类对人工智能的想象及优化，其实早在18世纪就已开始。当时欧洲有一个堪称超越人类的Mechanical Turk（土耳其机器人），这个国际象棋游戏机器人的棋技卓尔不群，闻名欧洲与美洲，拿破仑和本杰明·富兰克林也不是其对手。机器人发明者去世后真相被揭开，这个机器人里其实藏着一个被雇来的国际象棋大师。

进入二十一世纪，亚马逊为了删除网站上重复的产品，研发了一个人机混合的Amazon Mechanical Turk（亚马逊土耳其机器人），该人工智能技术能让企业通过编程寻求遍布全球的廉价人力资源，去帮助企业做一些类似删除重复内容、音频转录等劳动密集型工作。

从土耳其机器人到亚马逊土耳其机器人，可以看出人是人工智能的核心，一切人工智能都需要经过人的指导进行反复算法训练，才能智能且高效地工作。这背后其实有一个很朴素的逻辑，人工智能的强大必须建立在人才队伍和科技投入上。

萨摩耶数科能持续更新样本模型自动化设计平台AUTOMAN ，也正是源于科研人才储备和大量的研发成本投入。萨摩耶数科创始人及核心团队来自华中科大、复旦大学等知名高校，博士、硕士学历者占比高，并且均深耕金融科技领域多年，具有丰富的科技创新实战和互联网风险管控经验。

研发技术投入方面，萨摩耶数科研发成本投入一直占公司总成本费用较高比重。除了AUTOMAN，萨摩耶数科自主研发的“猎户座”反欺诈模型、“Alpha-S”信贷审核机器人、DNA信用评分模型、“七剑”专有技术系列矩阵以及“欧拉”获客渠道监控等金融科技方案。

得益于扎实的科研投入，萨摩耶数科的金融科技解决方案得到大量金融机构的认可。截止2020年9月，萨摩耶数科已与包括商业银行、消金公司、信托公司和小贷款公司在内的近80家持牌金融机构达成合作，已累计为持牌金融机构输出了6000多万用户。

2017年，麦肯锡发布《人工智能：下一个数字前沿？》研究报告，报告采用大量企业经营的数据证实大规模采用人工智能技术将为企业带来丰厚回报，而那些未使用人工智能的传统企业正在被人工智能早期使用者远远甩在身后。

三年过去了，坚持以人工智能等金融科技手段驱动业务发展的金融机构，在融资、声誉、体量、抗周期风险能力上，保持一定的优势。传统金融机构数字化转型过程中，金融科技To B也迎来最硬核的风口。

疫情导致金融行业缺口出现，基于人工智能的智能风控科技底层应用会带领金融行业回补缺口，为金融行业的资产增长注入安全新动能，加强金融机构在展业中的风险抵御能力，实现业绩增长与资产质量齐升。

来源：镭射财经

未来将无法想象：人类与AI联手将如何引起金融业大变革？

2020年1月，剑桥大学替代金融中心（CCAF）发布了一项关于人工智能对金融业影响的研究结果。该研究是业内最全面的全球调研之一，调查对象包括来自33个国家的151家机构，其中包括现有的金融机构和金融科技公司。

研究结果如下：至少77%的受调查者认为在未来几年，AI将对其公司产生重大影响。约64%的人打算利用AI进行新客户开发、客户服务、风险管理、过程自动化和新品开发。目前，AI已广泛应用于风险管理，在公司的使用率为56％。

在金融领域，高频交易公司和对冲基金一直都是应用AI的领头羊，最近，金融科技公司、保险公司、银行及监管机构也在正迎头赶上。业内的AI应用包括机器人顾问、回溯测试、模型验证、投资组合构成和优化、压力测试、算法交易以及法令遵循等。接下来就来详细介绍一下这些应用。

1.风险管理

AI和机器学习算法正在逐渐颠覆财务风险管理。AI驱动的解决方案提供了以下见解：

· 决定客户的贷款额度。

· 向交易者发送有关风险头寸的警报。

· 增强合规能力并限制模型风险。

以百度为例，看看为什么CCAF研究中的受访者将风险管理列为应用AI的首要关注事项。2016年，百度寻求ZestFinance（一家专门从事人工智能产品的美国金融科技公司）的帮助，旨在为在其平台上购买商品的零售商提供小额贷款。

然而，中国的借贷市场与西方市场大不相同，存在部分数据不全的问题。通过分析百度的海量用户数据集（尤其是搜索及购买历史），ZestFinance成功解决了这项问题。借此，ZestFinance应用AI帮百度决定是否借款给客户。到2017年，调查发现，百度无明显信贷损失的小项目贷款量增加了150%。

由于ZestFinance通过专有技术处理财务数据，其AI解决方案的完整细节仍是未知。然而，ZestFinance的处理方式结合了两种机器学习算法：决策树和聚类。

比如，若搜索历史显示该客户频繁访问赌博网站，公司便把他归入高风险类。与之相反，若借款人购物信用良好，公司便将他分入低风险类。通过自动化，百度的财务人员很容易就能审查借款申请，根据借款人的风险级别批准借款。

2.算法交易

长期以来，投资公司用电脑完成交易。大量对冲基金要靠数据科学家来建设数据模型。但此方式有一个重大限制——它只用大多是静态的且依靠人工干预的历史数据。因此，这些计算很难根据市场变化而变化。

现代AI模型用算法交易实现了大跨步。这些模型的不同之处在于，它们不仅分析海量数据，分析的过程完全实现了自动化——模型不断学习、改进，最终可以媲美人类。这种“智能”源自复杂的机器学习技术，如进化计算（基于遗传的搜索算法）及贝叶斯网络。

AI工具在全世界资源中汲取海量数据，从中“学习”并给出相应预测。数据收集得十分彻底：它从金融交易所、新闻报道、书籍、社交媒体平台（如推文）甚至电视节目中提取信息。

重要的是，要理解AI是如何深入金融领域的。它不同于让人类决定金融策略的传统技术干预，在这里，AI才是主导。

Aidiya是AI赋能交易系统的一个典型案例，这一家总部在香港的AI对冲基金，允许用户通过AI完成一切股票交易。值得注意的是，初创企业并不是唯一对AI交易技术感兴趣的玩家。早前，一些耳熟能详的机构，如高盛、富国银行、花旗集团、摩根士丹利、美林、美国银行和摩根大通等对Kensho（人工智能交易平台）产生了浓厚的兴趣。

图源：unsplash

3.反欺诈

AI在金融领域的另一个应用就是发展迅速的欺诈检测。网络犯罪行业偷取了约6000亿美元，约占全球商业创造的GDP总量的0.8%。网络犯罪分子越来越精明，用现代技术实现犯罪目的。Statista预测，到2022 年，综合反欺诈和预防市场的增长将超过400亿美元。

所以AI是如何起作用的？通过AI，现代机器学习网络罪犯融合监督式和独立技术，建立一个有准确预测能力的模型。

监督式学习使用注释数据（由人工处理且被认作是欺诈活动的数据），并从公司数据集中学习复杂的模式。同时，非监督式学习处理此前未被识别的数据，自行推断数据结构。其它反欺诈的方法还包括回归和分类。这两者能分析数据，决定交易是否属于欺诈行为。

用于解决问题的标准监督算法包括：

· 决策树帮助引入一组规则，这些规则在训练欺诈实例的同时学习正常的客户行为，因此能识别异常情况并发出警报。

· 神经网络基于人脑，能够学习并适应客户行为从而监测实时欺诈。

非监督学习算法包括：

· K均值聚类将数据集拆分为相似的数据点集合（簇）以进行异常检测。

· 局部离群因子确定数据点的局部密度，识别密度相似的区域。数据科学家可以用局部性概念来标记密度异常低的点，称为离群点。此种方式可用于检测欺诈交易。

4.监管科技

图源：unsplash

合规遵循是金融的一项重要职能，在像当前这样的经济危机中更是如此。遵循与企业风险管理相关，还有处理风险的功能，例如运营、市场和信用风险。

监管科技是金融科技领域有关合规遵循的高级功能。在这里，当被用于持续监测某公司的活动时，AI便能体现优势。借此，它提供了有价值的实时洞察，能在第一时间阻止违规行为再次出现。此外，这种监管模式让公司省去监管资本，并利用自动化来降低过多的合规成本——大型金融公司每年在合规方面的支出高达700亿美元。

IBM就是该领域的著名玩家。不久前，IBM收购了有600名员工的鹏睿（Promontory，监管金融初创企业），此收购促进IBM用众多AI赋能的解决方案来管理财务合规性。

比如，IBM正在用其专有的AI工具沃森（Watson AI）及鹏睿的监管金融专业实力来开展实时语音对话分析，以确保合规能力。部分过程包括将语音对话转为文本，再用自然语言处理进行文本分类，最后便能检测潜在的不合规行为。

其它的AI应用包括自动化阅读及法律文件解读（尤适用于确定含义）。总部在伦敦的Waymark就向金融公司提供这项服务。

尽管AI在金融领域应用诸多，却也存在弊处。业界需要纠正实际问题以增强AI的应用。

图源：unsplash

最大的担忧之一就是合适数据的可用性。尽管R语言和Python可以读取从Excel表格到SQL / NoSQL数据集的任何形式的数据，但AI驱动的解决方案的运行速度仍慢于企业准确组织其内部数据的能力。通常，数据存储在各个部门不同系统的不同筒仓中，不同系统的监管和内部政治困境限制了信息共享。

另一个难处就是缺乏技能熟练的人才：不仅要掌握专家级AI、机器学习和数据科学知识，还得有建设及应用金融行业以AI为中心的解决方案的经验。

雷·库兹韦尔（Ray Kurzweil）曾预言：“人工智能将在2029年左右达到人类智力的水平。再进一步，到2045年，我们将会把智能技术，即人类文明所创造的生物机器智能的能力扩大10亿倍。”

人类与AI联手，未来将有无限想象。

来源：读芯术

余宙：人工智能在金融行业的虚与实

为了传播金融创新典范，推进金融供给侧结构性改革，推动金融业服务实体经济，以及促进实现经济高质量、发展的目的，由北京市地方金融监督管理局指导，清华大学五道口金融学院、清华大学金融科技研究院主办，未央网承办推出“首都金融创新与发展”公开课，邀请金融行业嘉宾分享金融项目的创新模式，以及对行业未来发展前景的深度思考。

在首都金融创新与发展公开课的第四模块“金融科技创新与赋能”中，我们非常荣幸邀请到了阿博茨科技联合创始人余宙做客直播间，带来《人工智能在金融行业的虚与实》主题分享。以下整理来自嘉宾分享实录：

人工智能的本质是人与机器人逐渐融合而不是替代

人工智能的发展分为四个阶段，分别是计算智能、感知智能、认知智能和通用智能。其中感知智能是现在技术上最普及的，主要通过深度学习和神经网络使机器的进步更快，在某些领域达到甚至是超越人的水平。其应用场景包括人机接口（比如手写识别、刷脸支付），辅助人类（比如辅助医生对ct和病例进行识别），替代人类（比如语音合成文本），以及超越人类，比如在天气预报、无人驾驶等需要处理大量数据的领域，AI凭借其惊人的处理速度和规模效应可以更好地完成人的工作。而认知智能是指不仅能读懂理解还会思考，目前它还处于发展阶段。而对于通用智能，现在无论是技术还是应用场景都这种类似人类思维的阶段。

图片来源：网络

在目前人工智能的发展阶段，语言理解是很关键的一环，即对知识的掌握和运用能力。自然语言理解可以分成语音理解、知识表达、智能问答、联想推理和自主学习五个部分，其中语音理解是把语音拆成不同的字句段篇去逐字逐句逐个篇章地理解；知识表达是使机器以人能理解的方式表达，比如知识图谱；智能问答在人工智能领域实际上已经趋于成熟，这得益于有大量的历史训练样本可供学习；在联想推理和自主学习上，科技还没有太多实质性进展。

数据对AI的发展也非常重要，目前的核心问题是数据的失真效应、质量问题和长尾问题。对失真问题，所谓“谎言重复1000遍会变成真理”，实际上在人工智能尤其是用深度学习进行大样本数据训练时，因为机器按照提供的样本数据学习，很可能产生这种结果。因此训练数据集不透明时就容易出现“数据改变信仰”的情况。对数据质量，机器训练时都需要10万甚至100万的数据样本，并且数据被清晰标注，才能表现良好。尤其在迁移学习中，标注样本不足会经常产生一些很低级的错误。对长尾问题，是指用过往回撤的数据验证模型效果很好，但一旦出现黑天鹅事件，对未来预测的效果非常差。所以数据训练中高质量的数据是机器学习继续发展的关键之一。

另一个挑战是人工智能黑箱，深度学习的本质是依靠强大的算力在海量数据上做概率统计，通过发现数据中重复出现的模式来得出结论，但无法证明和解释这些模式和结论之间充分必要性，被人认为是暴力破解的方式。所以在实际运用过程中，尤其涉及到比如金融推理、判断决策等场景，还不敢使用机器得出的一些信息。

因此，可以看出AI在应用场景中并没有预计的成熟，无法能够在所有层面上取代人类，更多是处理一些相对确定的工作，在特定的垂直细分领域取代没有创造力的工作。其关键在于找到AI的优势，是海量的数据处理能力，从而发现其能够超越人类能力的领域。

人工智能的落地

人工智能如果要落地，首先会冲击数据密集、钱多的行业。首先如上文所说，数据优质且多才能使深度学习有足够的训练样本。第二点“钱多”是因为AI行业无论是人才招聘还是设备购买都离不开真金白银的支撑，而且也有很多资本看好其市场前景，它的融资规模在过去几年增长都很快。这也是人工智能最先在金融领域落地的依据，金融行业本身是数字游戏，尤其是二级市场，有很多公开数据；并且金融行业资本充足，也愿意为此付出更多预算。所以在信用评级、资产管理，量化投资和保险等金融领域很多独角兽公司。

对于商业模式，AI面临to B or to C的问题，由于上述人工智能在现阶段的挑战和问题，比如十分依赖人编写的算法、无法准确理解人类情感、对数据质量要求高等，现在人工智能更多还是面向企业落地业务服务。因为企业的业务场景垂直具体，内部存在大量相同岗位的工种，而不同于C端分散、个性化的业务场景。此外，企业经过多年运营沉淀下大量的相同类型的数据，并且企业规模越大，沉淀的数据越多，运用AI提升效率、降低成本的收益就越大。具体选择模式时，还需要注意四点：第一是尽可能选择相对标准的场景，从而降低销货成本；第二是选择大规模、低复杂度的场景，比如审核、数据清理、转录等，而不是一些开放域；第三是控制不同客户类型的成本，确保在不同的客户校准同样的模型时，降低实施部署成本；第四是要建立混合型业务，即在同一种能力下，提高服务能力。

人工智能尽管是软件和技术的出身，但在最终落地时可能趋向服务业特点。首先，AI模型所需的计算资源成本巨大，需要转嫁给供应商承担。第二是算法的进化一定离不开人，无法百分百智能，只有提供可持续的人的服务，才能让算法保持较高的精度。并且，高达40%-50%的功能属于长尾，因此解决边界情况的单位成本很高。此外，算法相同、技术开源和数据开放导致AI公司的技术护城河比预期浅，所以AI公司在构建核心竞争力时，能把技术能力、做应用的能力、获客能力和控制成本的能力聚集起来十分重要。

人工智能赋能金融场景

根据gigamo的统计，当前每天产生数据2.5×260，预计2020年每天产生数据将达到44 44×270，相当于1万GB，处于数据大爆炸时代，而这些数据如果不经过处理就无法变成资产，还会占用内存等大量资源。在金融行业，无论是一级市场还是二级市场，无论银行、保险还是基金，都有一个工作流程是收集数据，抽取精华，对数据进行搬运填报，最后进行可视化生成报告或图表，为决策提供依据。而前面可能有90%都属于体力活，意义不大但无可避免，所以提出“数据工厂”的概念来替代这些工作，下面是整体的示意图。

（一）证券资管行业

证券资管行业是效率至上、数据至上和决策分析最快的行业，所以合规流程、投研效率、成本负担等都是其非常重要的考量因素，人工智能能够为其提供一整套解决方案。以基金公司为例，基金公司内部有结构化和半结构化的数据，比如pdf研报、公告、新闻扫描等，以及采购的万得、同花顺里中的数据，先将这些海量数据源接入数据中台系统，在采集平台汇集，再进行加工，很多时候是使用上文提到的感知和认知技术把文字、段落、图表里的信息抽取出来，就像Google的搜索引擎一样非常方便地把所有数据解析出来。在这个领域阿博茨科技运用最成熟的案例在香港证券交易所，用阿博茨的系统审阅港交所上市公司公告，比如大量增发或分红公告等四五百页的文件。首先它能极大提升效率，也提升了服务满意度，因为在投资市场上，几天时间的合规审阅可能给大量投资人造成相应的损失，此外，它帮助企业来说完成数据沉淀和知识积累的过程，并满足其人力需求。

同时在面向直接投研的一些行业，可以应用智能数问系统，它是一个可视化的数据搜索平台。比如想知道科大讯飞近三年的净利润和营业收入，并对比不同公司，只需要在系统中系说一句话，它就可以把这句话翻译成机器查询语言，从数据库中调出数据，还通过大量的历史的研告学习让系统具备图像解析能力，直接绘制图表并输出，并且可以实时更新，从而更加高效直观。

（二）银行行业

银行业，尤其是信贷部门、风控部门，存在大量半结构化数据和固化流程，需要大量的人工参与。在这个领域上，阿博茨科技结合了多项技术，包括RPA的流程化自动机器人、机器视觉、自然语言处理和上文的数据搜索翻译引擎，来解决这些问题。

以财报录入为例，在信审部门拿到信息后，只需要拍照交给智能中台的RPA机器人，剩下所有抽取录入工作都能够自动完成，同时结合了人机接口，使专家可以录入模型公式，从而对财报进行勾稽关系校验，甚至是跨年份、跨报表、跨集团公司的数据校验。并且，结合数据抽取，银行可以进行表格和文本之间的数据比对，根据数据不一致，检查出某些公司的财报不合理或造假情况。

在贷后，系统可以帮助银行构建内外联动的风险管理体系。通过对外部信息，比如公众号推送、财经媒体的新闻资讯抓取，系统利用自然语言处理技术，对公司、人物、事件关系进行抽取。并且，系统可以处理企业内部的数据，比如发债、信贷合同和信审报告等，找到其与外部资讯的相关性，这是传统的舆情分析无法做到的，当把这些解析数据提供给企业内部时，就可以实现内外部联动，并通过知识图谱建立一个企业的360度的风险模型，包括产业链上下游、股东、实际控制人等，最终进行风险的预警和提示。此外，与传统舆情信息不同的是，该系统提供人机交互接口，让所有分析师研究员可以干预算法的优化，并且系统记录了研究员参与的标签评定，针对每次结果对其绩效进行加权，从而判断哪些人偏离比较严重，这样不仅可以积累大量样本，还能实现对每个人绩效的评定。

AI还能帮助实现智能运营和智能销售。传统上很多银行都有运营管理部或大数据中心，当内部运营时想知道某分行的营业收入和新增客户数，需要提交工单委托人进行整理、绘制和报送。而运用系统的翻译引擎、数据查询引擎和绘图引擎，就可以实现零代码拖拽，完成这些数据分析。并且它能对这些数据进行相应的积累和推荐，逐渐具备举一反三的能力，比如自动比较不同分行。随着使用人越多，机器也会变得越聪明。

图片来源：网络

（三）保险行业

保险行业的主要应用场景是智能理赔。保险理赔存在两个主要问题：第一是理赔成本高，因为它需要人工收集和录入信息，比如保单、发票、病例等，随着人力成本持续上升，录入成本会越来越高；第二是理赔时间长导致客户体验差，从而流失客户。而智能核赔首先通过技术识别，实现更高的准确率，并缩短原来数周的理赔时间变成一天，过程中客户只需要在自己的手机终端上对他所有的票据拍照，这一块被称为“人工+机器”的智能派单系统。如果机器识别超过100%置信度系统可以直接自动理赔，当置信度比较低，人工只需要去进行复核和抽检，同样大幅提高效率，降低成本。

（四）央国企行业

大型的国企央企的解决方案与上述类似，只是数据和业务不同。比如智能COO，可以对所有集团业务进行数据的图谱化，并提供搜索查询引擎，从而为企业的数据运营和领导决策提供智能版的数据驾驶舱。第二是对内部文件、研报进行解析。第三是财务自动化、法务自动化等业务场景。

总结下来，“数据工厂”类似于数据领域的智能富士康，覆盖数据的收集、提取、填报、搜索和最终的可视化，解决所有行业里与数据处理相关工作，实现数据赋能、工具赋能和业务赋能。

来源：未央网

人工智能创新科技成大热趋势，量化派创多场景AI应用平台

近日，中国领先的产业数字化研究与咨询机构爱分析发布了《AI人工智能创新科技2020:落地挑战与应对——中国AI人工智能创新科技行业报告》，其中介绍了多个优质AI人工智能创新科技的成果项目，更为公众群体带来了耳目一新的体验，AI人工智能创新科技早已成为人类日常生活中的重要角色。

2020年科技创新发展，智能科技机遇广

报告全面阐述了人工智能创新科技的行业概况，并结合实践案例分析了人工智能创新科技能够为产业带来的具体价值创造、各行业落地进展以及未来应用趋势。同时，报告系统性地分析了人工智能创新科技落地产业过程中，在数据、算法模型、业务场景理解、服务方式、投入产出比等方面面临的挑战和应对方式。

基于此报告，可知AI人工智能创新科技已成为各行业关注的热点。2014年创立于北京的量化派就是这类公司的一个代表。从最初的金融领域切入，量化派利用人工智能、机器学习等技术为电商、旅游、出行、医疗、保险等多个领域的合作伙伴提供技术解决方案。在纵向深耕泛金融赛道，持续探索新的增长线基础上，量化派也在横向布局多元场景的创新科技应用，连通各行各业，通过为更多行业的智能化提供整体解决方案，共同打造共赢的科技生态。

早在亿欧智库发布的《2019中国人工智能商业落地研究报告》中，量化派就作为推动金融机构全流程数字化转型的创新案例，被研究报告所收录。

《报告》这样评价量化派:在复杂的场景和充分的周期中，沉淀有海量多维数据资产的量化派，利用人工智能、机器学习为行业全链条的企业提供基于标准化、模块化、定制化的全流程服务能力，可以精准定义用户需求，帮助金融机构高效实现数字化转型。量化派自主研发的智能金融科技系统平台“量子魔方”能够帮助金融机构在科技转型的过程中，有效节约人力、研发、时间和风险成本，提升风控精度，进而提升金融服务的效率。当前，量化派已与国内外超过300家机构和公司达成深度合作，致力于打造更加有活力的共赢生态。

AI科技的领航员，一站式服务有保障

量化派是中国领先的创新科技解决方案提供商，致力于为金融机构和商业机构提供定制化、模块化、标准化的科技解决方案，以实现“用智能让生活更便利”的愿景。

量化派通过产品开发、流量与场景接入、决策支持、智能营销等多种智能工具，构建多层次的服务体系，可以帮助各类机构快速实现智能化转型和业务落地，从而打造更有活力的共赢生态。

2020年，人工智能创新科技板块将迎来全新发展，并早已成为各行各业的时下合作热点。尽管量化派的解决方案已经成功嵌入零售、电商、出行、医疗、保险等多个领域。但量化派认为这还远远不够，未来，量化派仍将再接再厉，更多输出优质智能服务及产品，为更多行业赋能。

来源：金融界

金融科技让百姓选择更自由多样，智能投顾会是下一个浪潮吗？

金融科技已经成为全球数字经济发展的核心驱动力。自资管新规出台后，各类资管机构开始积极提升主动管理能力，寻求转型调整的机会，而在这个过程中，金融科技发挥着重要的引擎作用。

9月24日上午，在外滩大会智能投研与投顾分论坛上，平安资管总经理罗水权谈到互联网公司对传统资管公司的冲击时表示，作为传统资管公司在面对互联网的挑战时，没有选择，别无选择，科技化、智能化是没有选择的选择。罗水权表示，拥抱科技，盈满八方。在当前数字化浪潮之下，大家都在学科技，某种程度上来说资产管理行业已经进入科技的竞赛中。

在当前经济增速放缓，宽信用、低利率的金融环境下，如何守卫家庭、个人的财富，面对瞬息万变的资本市场，如何理性投资、战胜通胀，也是当日论坛讨论的重点。

“低利率时代老百姓的投资模式可以用两句话来概括，第一是今年进入净值化产品时代，第二是我们正在进入一个完全的数字化时代。这样一个情况下其实我们所有人都面临这样的挑战——如何通过金融科技同我们专业人力相融合，由此提供给客户优质的产品和服务，从而能够帮助他们实现他们希望的回报。”9月24日，盈米基金CEO肖雯向《华夏时报》记者表示。

金融科技让百姓选择更自由多样

几年前，由于稍大一些的财富管理或资管对资金的准入门槛设置过高，大多数人选择理财的方式还是银行理财，而提起财富管理和资管，大多数人都只是摇摇头。

随着“普惠金融”这一概念的推广以及近年来互联网科技金融、金融自媒体等的快速发展，资管、财富管理的神秘面纱被揭开，百姓们的选择更加多样、自由、便捷。

自资管新规出台后，各类资管机构开始积极提升主动管理能力，寻求转型调整的机会，而在这个过程中，金融科技发挥着重要的引擎作用。

蚂蚁集团数字金融线CTO王晓航认为，专业理财服务是高门槛，但是数据、算法以及算力的演进结合互联网产品体验的融合技术已经能够将专业的服务更加普惠进入到千家万户之中。

图片来源：网络

“我们相信金融未来方向未来会更加普惠化，我们金融科技企业也会在这当中用越来越高效的方法满足这样多元化的需求。”当日，云锋基金董事总经理平怡也告诉本报记者。平怡表示，当下的中国和上世纪九十年代开始资管市场的美国很像，美国在九十年代开始资管市场时经历了非常长期又稳定的高速发展，背后的驱动力首先是居民财富增长带来的驱动力，然后是政府放开工业经营的性质，很多银行、券商还有保险公司可以拿投顾的牌照参与其中，另外养老金制度的改革让整个市场的资金注入有了更长期更稳健的资金供给。

“这些因素带来美国过去几十年股市的长牛，现在的中国与之非常像，2018年资管新规的落地为我们的资管市场带来非常健康的运营环境，然后中国的老百姓财富不停的增长，同样养老金在2016年开始慢慢入市，这些条件都和美国九十年代非常像。但还有一些他们原来没有的东西，今天中国互联网的渗透率，电商、移动支付的渗透率比发达国家更走在前面，意味着我们的数字化率做得更好，我们的用户有更加高效便捷的体验，所以中国有机会可以用更短的时间走完发达国家过去30年、40年走的路。”平怡进一步分析道。

以智能投顾为转型抓手

顺应互联网潮流，向数字化、智能化转型已成为了金融业的普遍共识。

金融科技的迅速发展，使得当前资管行业正处于信息化二次升级期、移动化成长期、智能化发力期和开放化开启期，这意味着资管市场的竞争格局将面临重塑，而逐渐成为金融机构“标配”的智能投顾业务将发挥引领性作用。

罗水权在谈到互联网公司对传统资管公司的冲击时表示，作为传统资管公司在面对互联网的挑战时，没有选择，别无选择，科技化、智能化是没有选择的选择。罗水权表示，拥抱科技，盈满八方。在当前数字化浪潮之下，大家都在学科技，某种程度上来说资产管理行业已经进入科技的竞赛中。

不过在智能化程中会遇到很多困难，尽管是作为大型资管机构的平安资管，也有不少困扰。“首先是技术资产。相比阿里、蚂蚁、腾讯等这些互联网公司，我们在技术资产上比较弱，当然我们也搞一些科技力量，但相对较弱；第二业务。业务如果自己做，跟外面合作会发现很多系统很好但有没有用，投资过程中要尽可能多的数据，但这么多的数据怎么转化成最有用的因子，这么多的数据是不是可靠的数据？这个过程中如果纯粹从科技的视角出发一定会脱离现实；第三是投入。无论数据、计算、存储、人员，这个投入都是非常大，能不能持续投也是一个问题。”对此，罗水权提出了三点在智能投顾转型中的痛点。

中信证券首席市场策略师张群告诉本报记者，现在中国投顾行业对比美国，未来十年是黄金十年。“我认为有三大赋能，第一大赋能是技术上的赋能，比如高盛的投资交易业务做得很好，但他在过去几年也在转型做财富管理，他也在搭建自己的金融顾问团队，那么大家都知道高盛喜欢把自己叫做金融科技类公司，所以他在技术这块投入很大，所以技术赋能很重要；第二专业赋能；第三政策赋能。整个投顾行业发展，跟海外市场有所区别，政策赋能很重要，我们非常开心看到从去年以来我们的监管层推动整个公募基金投顾业务的试点，在这一块给我们投资顾问服务开启新的窗口。”张群表示。

图片来源：网络

智能投顾会是下一个浪潮吗？

在当日论坛上，先锋领航投顾总经理张宇向在场的嘉宾们提出一个问题——回想往后十年，回望过去十年，大家认为后面的财富管理理财服务是怎样的？

“我的期望特别简单，我想未来的十年人人都有投顾，我们的金融会让我们的社会变得更好，我觉得现在很多人很焦虑，特别买了产品之后很焦虑，未来十年不会有这个问题，有一个投顾就全解决了。”对此，嘉实基金首席电商官杨纲表示。

富达国际中国区董事总经理李少杰则认为，接下来的十年绝对是投顾业务的黄金十年。投顾甚至可能变成生活化，通过身边各种智能工具以及数据，比如说戴一个手环，手环可以告诉你的健康程度，可以对你的财富健康做一个更好的判断。

对此，张宇表示，未来大家只要戴一个手环可以了解你很多身体数据，可以根据你的状态和自己所处的市场环境帮你自动做投资，可能是我们期待未来十年会发生的事。

“我相信十年之后当我们谈到智能投顾和理财的时候，就像我们每天喝咖啡和吃糖果一样会变成我们很寻常的环节，我们可以在和朋友聊天的时候做一场理财，可以跟父母做交流的时候将最信任的信息告诉他们，我相信未来十年智能投顾一定会变成我们最寻常的日常生活，而且会是很有趣很性感的生活。”一位嘉宾也表达了自己的期

来源：新浪财经