80所高校新增人工智能专业，什么样的AI人才是市场宠儿？

正在蓬勃发展的人工智能（AI）技术，需要大量的AI人才，这让AI专业也成为了当下最火热的专业。根据教育部近日公布的2019年度普通高等学校本科专业备案和审批结果，有180所高校新增了人工智能专业，是今年新增最多的备案专业。

与此同时，AI等国家战略需求专业也是扩招的热门专业。今年3月，教育部等有关部门提出加快人工智能领域研究生培养。据悉，2020年教育部计划今年扩招硕士研究生18.9万名，并明确将继续扩大相应招生规模。对于那些AI专业的研究生，大都会关心市场到底需要什么样的AI人才？

对于AI人才培养，中国科学院计算技术研究所研究员陈云霁接受雷锋网采访时表示：“人工智能专业的高等教育，应当培养AI系统或者子系统的研究者、设计者和制造者，只有实现这个目标，才能源源不断地全面支撑我们AI的产业和研究。”

图片来自newtonx

AI基础人才比例偏低

2013年10月，陈云霁等写了一篇题为《神经网络计算机的涅槃》的文章，这篇文章中有这样一段话：“也许有一天，每款手机上都有一个神经网络计算机（或者说加速器），人们用它方便地进行语音输入、理解照片；也许有一天，每台云服务器上都有一个神经网络计算机，人们用它快速地搜索视频、分析数据、挖掘信息。”

7年后的今天，大部分智能手机都已经集成了NPU，服务器上都有神经网络计算机也初步达成。陈云霁说：“我们2013年才把这些想法写出来，并不代表我们2013年才这么想。实际上从2008年开始我们就在这样想，怎么把人工智能和芯片设计结合起来。有了这个目标，才有后来智能芯片到智能服务器的工作。”

“我们“就是陈云霁和他弟弟陈天石。陈云霁本科学的是计算机，研究生时主攻计算机体系结构的处理器设计方向。机缘巧合，主要研究AI算法的陈天石博士期间到中科院计算所访问，兄弟俩就产生了将芯片设计和人工智能研究交叉的想法。

当时，AI的关注度很低，两人的想法不被主流学术界认同，并且AI和芯片设计的交叉研究本身就有巨大的挑战，困难重重，但是他们坚持了下来，并且获得ASPLOS和MICRO等计算机体系结构顶级国际会议最佳论文奖（亚洲迄今仅有的两次）。陈云霁被Science杂志刊文评价为深度学习处理器研究的“先驱”和“引领者”。

2016年，AlphaGo在围棋对决中战胜了人类顶级选手。2017年，AI迎来了新一波的浪潮，曾经冷门的AI人才，瞬间成了众人争抢的对象。火热程度从AI职位丰厚的薪水就能反应出来。

图片来自《智能计算系统》

但企业高薪聘请的AI人才，很多都是做算法的。对AI算法如何调用编程框架、编程框架如何与操作系统打交道，编程框架中的算子如何在芯片中运行，许多人没有清晰全面的理解。

中国工程院院士李国杰曾指出，“我国人工智能基础层、技术层和应用层的人才数量占比分别为3.3%、34.9%和61.8%，基础人才比例严重偏低”。如果放任这样的不平衡，智能计算软硬件系统能力的缺失最终一定会拖上层应用和算法发展的后腿。

陈云霁接受采访时表示，“几年前，我国没有任何高校开设智能计算系统相关的课程。不给学生任何的智能计算系统的教育，指望他们毕业以后，在工作中自己摸索成长为这方面的大师，显然是不现实的。因此，我们应当从人才教育方面入手，主动作为，才有可能改变现状。”

AI人才为什么需要系统性思维？

如今，全国众多高校都开设了AI专业，但在实际课程体系建设中，很多还是采用了“纯算法+应用”的教学思路。

“各个高校都不乏有识之士，在课程设计中绕开系统课程往往是受制于三大客观困难：一是国内还没有太多智能计算系统课程可供参考；二是国内缺乏智能计算系统课程的师资；三是国际上也都缺乏智能计算系统课程的教材。”陈云霁表示。

“我最开始在国科大开设《智能计算系统课程》的时候也没有教材，之所以开设这门课程，就是希望能培养同学们对智能计算完整软硬件技术栈（包括基础智能算法、智能计算编程框架、智能计算编程语言、智能芯片体系结构等）的融会贯通的理解。”

系统性思维是指从整体的角度，对技术栈各个环节进行全局思考的思维方式，它的重要性在于，缺乏系统知识和系统思维，学到的知识点就是零碎的，没有打通“任督二脉”。

比如说，缺乏系统性思维很容易陷入精度的牛角尖中，把科研当成体育比赛来搞（别人做了97%的精度，我就要做98%；别人做了98%，我就要做99%），最后研究的道路越走越窄。

一个完整的智能计算系统涉及芯片、系统结构、编程环境、软件等诸多方面，评价智能的标准远不止精度一个维度，速度、效能、成本都是重要的维度。

陈云霁的团队是天然传承了系统思维。中国科学院计算技术研究所从1956年成立起就一直从事计算机系统研究。1990年依托中科院计算所成立的国家智能计算机研究开发中心继承了计算所的学术传统，既做系统结构研究，又做人工智能理论、算法和应用研究。

国家教育部也很早就意识到系统思维的重要性，自2008年开始，教育部计算机类专业教学指导委员会就组织专家组开展计算机系统能力培养的研究、实践和推广，注重计算系统硬件与软件有机融合、强化系统设计与优化能力，并取得了很好的成就。

只是，在人工智能这个领域，国内系统人才还十分短缺。

运用系统性思维，也能更好地设计对AI系统至关重要的AI芯片。陈云霁说，把算法、芯片、编程的团队有机地组织起来，组成一个互为输入互为约束的整体（系统），在芯片设计的时候，针对应用和算法的需求，调整架构；在编程写算子的时候，结合芯片架构特点，有针对性地优化算法。

如何成为AI市场的宠儿？

更进一步，用系统性思维才能将软硬件更好地融合，去解决AI芯片面临的技术挑战。作为AI发展的底层驱动力，提高AI和算力和能效是业界近年来持续努力的方向。但是，传统架构让AI芯片面临存储墙问题——芯片算力高，但存储及数据搬运效率不够；同时大算力也会带来高功耗的问题。

计算机性能的提升（SPECintCPU）

我们也看到，AI芯片的创新架构越来越多。2017 年图灵奖得主John L. Hennessy 和 David A. Patterson在去年的一篇长篇报告中就说：“计算机体系结构领域，将迎来又一个黄金十年。”他们提出这样的观点是认为，在摩尔定律走向终点的同时，体系结构正在闪耀新的活力——以TPU为代表的领域特定架构 (Domain Specific Architectures, DSA) 兴起，但CPU、GPU、FPGA仍然有用武之地，新的架构设计将会带来更低的成本，更优的能耗、安全和性能。

这充分说明，未来的十年业界对新架构会更加包容，体系结构领域也将迎来更多机遇和挑战。

具备系统思维的陈云霁团队研发的第一代深度学习处理器芯片，就针对存储墙问题进行了改进，并设计出了有针对性的指令集。这是否意味着创新的芯片架构设计需要匹配相应的指令集？陈云霁说：“正如图灵奖得主说的那样，软件设计也能为计算机硬件架构带来灵感，改善软硬件接口能为架构创新带来机遇。”

至于最终哪一种架构会成为主流，陈云霁和图灵奖得主持相同的观点，“最终，市场会决定胜者。”

市场也决定着什么样的人才更有竞争力。算法和应用人才，是前几年应聘市场上的宠儿，但随着市场的调整，从去年开始，就业市场上就已经呈现算法工程师供大于求的局面。如何能够成为智能时代更具竞争力的人才？

陈云霁指出，人才培养的成本太高，AI过去不是大学教育的必修课，培养人工智能专业的人才需要本科毕业后再花3～6年时间攻读硕士或博士才行，大学专业培养方案的调整和产业发展之间有一定的时差，所以如何更好地为学生提供前沿研究与技术实践相结合的课程，成为人才培养的关键。

他同时表示：“对任何行业而言，技术人才的构成都是金字塔结构，而构成金字塔底层的技术人员主力应该是大学毕业生。因此，如何让大学毕业生在推广智能应用中发挥重要作用是本科教育应该考虑的问题。我近期出版《智能计算系统》这本教材的初衷也是希望能培养更多懂智能计算系统的本科生，加速弥补人工智能的人才缺口。

来源：凤凰网

李彦宏在人民日报发表署名文章认为：人工智能将催生更多工作机会

5月8日，百度董事长兼CEO李彦宏在人民日报发表署名文章《新基建加速智能经济到来》。他在文中提到，“新基建”会降低创业的门槛，提升创新的速度，助推生产效率变得更高更有弹性，催生更多工作机会，给人们带来更加丰富的生活。

自工业革命以来，创新和效率一直是推动世界经济发展、人类生活改善的重要动力。现在，全球正迎来新一轮的创新红利期，以人工智能为核心驱动的智能经济，将成为经济发展新引擎之一。在新的红利期，人工智能将从人机交互、基础设施、行业应用三个层面对社会、经济和生活产生广泛而深远的影响。这些都将重塑人类的经济结构和生产关系，迎来更具创造力、生命力的时代。

原文如下：

【新论】“新基建”加速智能经济的到来

李彦宏

在危机中捕捉和创造机遇，有力应对新冠肺炎疫情对经济发展的冲击，新型基础设施建设正在加速。这不仅能在中短期内创造大量投资机会、提升发展动能，而且能加速智能经济的落地和智能社会的到来，提升人类应对类似不确定性风险的能力。同时，“新基建”还会降低创业的门槛，提升创新的速度，助推生产效率变得更高更有弹性，给人们带来更加丰富的生活。

实际上，在战疫过程中，新型基础设施的代表性技术表现亮眼。实践证明，过去数年中国科学技术特别是互联网技术的长足发展，为经济社会积累了巨大的应变弹性。比如人工智能领域，智能算法使新冠病毒RNA分析时间从55分钟缩短到27秒，智能外呼平台用语音机器人代替人工，多人体温快速检测解决方案在人流密集场所落地使用……疫情防控过程中的应用经验与方案将会延续下去，产业数字化、数字产业化赋予的发展新机遇更不容错过，需要每一家企业好好把握。

自工业革命以来，创新和效率一直是推动世界经济发展、人类生活改善的重要动力。现在，全球正迎来新一轮的创新红利期，以人工智能为核心驱动的智能经济，将成为经济发展新引擎之一。在新的红利期，人工智能将从人机交互、基础设施、行业应用三个层面对社会、经济和生活产生广泛而深远的影响。这些都将重塑人类的经济结构和生产关系，迎来更具创造力、生命力的时代。

中国无疑是最有能力抓住这轮机会的国家之一。因为我们对技术有长期而持续的重视和投资，2019年，我国研发投入达2.2万亿元，超过OECD国家平均水平，位居全球第二；截至去年10月，我国人工智能专利申请量累计已达44万余件，全球排名第一。同时，我国政府高度重视技术发展，积极创造良好的创新激励空间，数据作为重要的生产要素也被写进了《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》，进一步引导市场主体向更先进的生产力聚集。除此之外，我们拥有全球最大规模的制造业和应用市场、最多的研发人员，这些都将为人工智能发展创造更多更好的应用场景，加速中国制造升级，实现新旧动能转换，推动中国人民率先享受智能经济和智慧社会的福利。

由于人工智能降低了技术门槛、提升了治理效能，国内各地智慧城市建设加速推进。例如，长沙、保定、重庆等地利用“智能交通引擎”优化城市交通治理。与此同时，人工智能也让更多普通人可以享受到技术带来的便捷，有助于缩小数字鸿沟。比如，陕西汉中扶贫办工作人员通过人工智能的深度学习技术，能够从20万贫困家庭中准确识别出最急需帮助的2000个家庭。又如位于北京大栅栏社区的独居老人，家里装上了电动窗帘滑轨、智能插座、智能灯等，通过与智能音箱互动，就可以开关电灯窗帘、调节空调温度。随着智能设备的普及，无论是老人还是儿童，未来都将能更为平等便捷地享受人工智能带来的美好生活。

当然，人工智能与人密切相关，应当就基本的伦理形成共识：我们必须时刻坚持人文关怀，将造福于人作为首要原则。作为人工智能基础设施平台的提供者，必须坚持开放共赢，才能扮演好智能经济赋能者角色。（作者为百度董事长兼CEO）

来源：TOM

科技部副部长李萌：人工智能在疫情防控中大显身手

国务院新闻办公室于2020年5月9日举行国务院政策例行吹风会，介绍2019年国务院部门办理人大代表建议和政协委员提案情况，科技部副部长李萌在会上介绍了人工智能方面的工作。

人工智能是当今世界科技创新和产业发展的热点，也是代表和委员关注的重点。去年两会期间，科技部共主办和协办了33件关于人工智能的建议和提案，涉及到基础研究、开源开放、人才培养、伦理治理以及立法和产业发展等相关内容。“这些内容已经转化为政府工作的部署，在推动项目和规划的实施，在提升产业水平和改善人民生活方面发挥了很重要的作用。”李萌说。

李萌介绍，按照代表建议的要求，主要做了如下几项工作：

一是加快部署人工智能的技术研发和开源开放。新一代人工智能重大项目是我们面向2030实施的一个重大项目，它主要是针对人工智能的基础理论、核心算法、关键核心技术，进行了重点部署。去年我们已经立了33个项目，2020年第一批指南已经发布，主要是围绕着大数据智能、群体智能、跨媒体智能、混合增强智能以及自主智能五大智能形态进行部署。在人工智能开放创新平台上也做了部署，目前已经增加到了15个，都是建立在人工智能的龙头企业上面，涵盖了基础软硬件、智能医疗、智能供应链、智能城市治理等领域，主要是想发挥领军企业的引领作用，以此促进开源开放。

二是重视加强人工智能的学科建设和人才培养。在基础教育、高等教育、职业教育中，加强人工智能的专业设置和课程设置。一些中小学已设置人工智能课程，已经编写出中小学使用的教材。目前已经设立了人工智能、智能科学与技术的专业等近100个二级学科和交叉学科。

三是稳步推进人工智能的伦理治理。去年成立了国家人工智能治理委员会，这个委员会在大阪G20峰会前向全球发布了中国版《新一代人工智能治理原则》，强调要发展负责任的人工智能，提出了8条原则，包括和谐友好、公平公正、包容共享、尊重隐私、安全可控、共担责任、开放协作、敏捷治理。我们还围绕责任归属、数据隐私、安全监管等法律法规问题进行深度的研究。在上海，我们还探索建立了人工治理国际交流平台，去年在上海召开了人工智能国际治理研讨会。

四是推动地方开展人工智能的试验示范。启动建设了国家新一代人工智能创新发展试验区，依托地方来开展技术示范、政策试点和社会试验三项内容，现在已经支持建设了北京、上海等10个试验区，还在浙江德清县开展全国第一个县级人工智能试验，把人工智能和德清的地理信息系统整合起来进行试验。在北京还成立了由优势高校、科研院所和企业共同发起的新型研发机构，来解决人工智能的原始创新不足，特别是聚集全球高端人才的问题。

五是推动了人工智能与实体经济深度融合。支持人工智能的创新创业，发展人工智能的新兴产业，促进传统产业的智能化改造和升级，推动产业链、价值链的高端化，用多种形式来满足民生改善的需要。新冠疫情发生后，人工智能的技术、企业、平台在这次抗击疫情中显了身手，发挥了独特作用，包括病区管理、流行病学调查、药物研发、辅助医疗诊断、社区防控方面，得到了广泛的应用。在这次疫情过程中，大量人工智能的技术投入到实际运用，给各行各业都做了赋能，包括医疗健康、智能制造、物流配送、在线办公等领域，催生了新的应用场景，壮大了无接触经济新业态。人工智能在疫情监控、风险分析预警、交通出行、同行查询等方面提高了社会治理水平，体现了人工智能在治理体系和治理能力现代化过程中发挥的重要作用。

来源：经济日报

The Promises and Pitfalls of Robo-Advising

智能投顾的浪潮始于2010年的美国的两家知名公司—Betterment和Wealthfront，他们面向个人理财用户推出了基于互联网技术与算法的资产管理组合建议，包括基金配置、股票配置、股票期权操作、债权配置、房地产资产配置等，开启了智能投顾时代。

金融研究评论（the review of financial studies）去年5月出版了以金融科技为话题的深度分析文章，本文就其中一篇报告（The Promises and Pitfalls of Robo-Advising）讨论分析智能投顾Robo-Advising对投资者的投资行为和投资表现的不同的影响。不可否认的是，我们据其研究成果得出的关键性结论是：采用智能投顾可以减少所有投资者的一系列行为偏差。本篇通称的智能投顾与智能投顾机器人为同一概念。

何为智能投顾

智能投顾视运用金融科技（FinTech）实现智能化投资顾问的工具，该工具通过数字化程序与平台向个人投资者提供投资组合多样化的建议，不需要人力顾问的干预。

智能投顾的原理组成

其基本组成是经典的Markowitz 均值-方差优化方法。该方法以平均收益向量和方差协方差矩阵作为输入，返回一组有效的投资组合。

针对个人投资者，智能投顾机器人能带来哪些影响？其重要结论如下：

l  智能投顾可以成为帮助投资者实现投资组合多样化的有效工具

证据表明，未采取多元化投资的人群能从智能投顾中获益更多——其技术使得不太精明的投资者也可以简单地实施建议。

The evidence that undiversified investors benefit more from robo-advice—whose technology makes implementation of advice simple also for the less savvy investors— suggests robo-advice can be an effective tool to help investors diversify their portfolios, compared with other forms of advice (Bhattacharya et al. 2012; Linnainmaa, Melzer, and Previtero 2017).

l  使用智能投顾能显著减少个人投资者在买卖股票时表现出的行为偏差（但不能完全消除）

当然，使用智能投顾未必没有应用偏差，即：

l  使用自动化工具时，个人不愿将所有决策权交给算法（个人层面）；

l  智能投顾可能会将公司利润置于投资者利益之上（公司层面）；

l  均值-方差优化法未考虑投资机会集的时间变化也没有明确地考虑到有效边界是每个个人投资者视野的函数（技术层面）；

l  方差协方差矩阵难以精确估计等（技术层面）。

中国的智能投顾发展

据一位15年投入智能投顾业务的从业者说，“15年前后国内的智能投顾公司还挺多，除了我所在的弥财，那会有名气的还有刘震老师的蓝海智投，叶鑫王蓁的财鲸，宜信的投米RA，就连现在在币圈如雷贯耳的田甲大神那会也在创业做一家叫财富函数的公司。一时间智能投顾概念风头无两，现在的行业标杆理财魔方，那会还不算走在舞台中央。”

挖一挖当前的智能投顾

根据兴业证券金融研究院的报告，智能投顾的三大支点是数据、算法和模型。

招商银行的摩羯智投

招商银行是第一个传统金融机构试水智能投顾的，它的摩羯智投具有强大的客户和产品资源优势。引领银行业理财从传统财富管理进入了智能机器人理财时代。

据招商银行官网介绍，摩羯智投以现代投资组合理论为基础，运用机器学习算法，融入招商银行十多年财富管理实践及基金研究经验，并在此基础上，为使用者构建以公募基金为基础的、全球资产配置的智能基金组合配置服务。具体来讲，摩羯智投将用户投资期限分为三个阶段：一年以下/一年到三年/三年以上。并且在每一个时间段中都给出 10 个风险承受等级。用户只需确定投资期限和可承受风险等级，系统便会自动构建出相应的基金组合。

理财魔方

理财魔方创始人袁雨来博士清华计算机毕业，是百度的大数据和人工智能专家出来创业，联合创始人马永谙老师是国内基金业专家。在理财魔方的软件中，通过一组评测题将所有人的风险等级评为1-10级。看一下对应的智能投顾产品过去五年的表现，前一个数字是年化收益率，后一个数字是最大回撤。其中1-3级推荐的都是稳健组合，以债券为主，混合基金为辅。

智能投顾软件使用以中信建投为例，具体功能板块展示有直播、内参、仙人掌、锦囊、投顾。另外以一款最早专注股票智能交易的券商软件为比较，它的全部板块划分更为详细。此外，第二家券商除了较早开创的条件单，还有新研发的智投机器人。具体使用界面暂未通过审核不便附上。

智能投顾的核心优势在于通过技术的引入，极大降低人力成本，从而降低客户获取投顾服务的门槛和费用，有助于推动普惠金融发展。而智能投顾引入了人工智能和大数据等技术，可以快速处理海量信息，根据客户填写问卷反馈的信息进行风险偏好判别，通过算法模型为投资者提供资产配置建议，极大节约了专业投顾的人力成本，降低了客户获取投顾服务的门槛和费用，具有低门槛、低费用、投资广、易操作、透明度高和个性化定制六大优势，充分挖潜投顾行业长尾市场。

基金投顾业务与智能投顾

今年3月，券商中国记者获悉，工商银行、招商银行、平安银行已陆续收到证监会下发的无异议函，成为首批获得基金投顾业务试点资格的商业银行。

根据证监会去年底的发布，前两批试点公开募集证券投资基金投资顾问业务试点的机构有腾安基金、蚂蚁基金以及珠海盈米基金（第二批的三家）；嘉实、华夏、易方达、南方、中欧钱滚滚五家基金公司，具有公募基金投顾业务资格的机构（第一批10月份的八家）。

基金投顾业务作为一种新的资管类牌照，其业务模式由“产品销售导向”转为了“财富管理增值导向”。

基金投资顾问业务，主要是指拥有相关资质的投资顾问机构，接受客户委托，在客户授权的范围内，按照协议约定为客户做出投资基金的具体品种、数量和买卖时机的选择，并代替客户进行基金产品申购、赎回、转换等交易申请。通俗讲，其本质就是发了一张可以收取投资顾问费的牌照，简而言之就是可以收投顾费了。

不论是基金投顾还是智能投顾，不可或缺的是后台投研实力。投研实力决定着客户的投资收益率水平。而通过运用金融科技的大数据，可以让投顾平台更充分的把握市场节奏、历史表现和风格。

如果基金投顾业务能够快速、顺利的开展，与其相同属性且更具价格优势的智能投顾同样会迎来快速发展，并对基金投顾产生冲击。如何平衡两者的发展，是行业发展所面临的新挑战（苏宁金融研究院）。

结论

最后还是想表达，智能投顾想让你‘’躺着赚钱‘’。

其克服投资中的人性弱点、行为偏差是个人投资者难以弥合的，而智能投顾的便捷性不论从文义上还是实践中都能做到让你躺着赚钱的。

法律层面看智能投顾的发展

智能投顾的法律风险从监管角度主要包括：分类实施准入监管，推进放开综合账户；严格把关问卷设计，加强提高风险意识；有效开展算法监控，探索构建试错机制；明确强化信息披露，合理考量责任追究（中国法学杂志）。

智能投顾从功能使用上，必然也面临着合规风险。包括而不局限于合规风险、画像风险、算法风险、信用风险（中国法学杂志）。

合规风险主要在于智能投顾服务提供商的资质问题。比如牌照。

画像风险主要集中在对投资者适当性管理的角度出发，持续收集其风险能力测评。

算法风险和信用风险较为复杂。

附录

The Promises and Pitfalls of Robo-Advising原报告的文章思路

研究对象：Our study focuses on a financial technology (FinTech) robo-advising tool that delivers diversification advice to individual investors and does not require the intervention of human advisers.

报告概括（key findings）：We examine the uptake of the tool and assess its impact on investors’ financial decision-making. We find that adopting roboadvising has different effects on the investment behavior and performance of investors based on their ex ante level of sophistication. We also find that adopting robo-advising reduces a set of well-known behavioral biases for all investors.

假设：We interpret the robo-adviser as a way to simplify the set of decisions investors have tomake to rebalance their portfolios.

分析过程：We start by analyzing the adoption of the robo-advising portfolio optimizer to understand the types of investors receptive to technological innovation in the realm of financial advice.

We next analyze the effects of robo-advising on portfolio diversification, risk, and investment returns in a within-investor analysis, which separates out all the time-invariant determinants of adoption. I

九合创投王啸：“数字经济下半场的换代机会，2020年投资策略 ”

4月22日晚上10点，由盛景嘉成母基金、盛景网联、中国电子商会、中国母基金联盟、亿欧公司携手举办的《中国首届投融资云峰会》线上超级大直播完美收官。

13小时线上大直播，30+行业顶尖大咖。以深度的专业视角及敏锐的行业洞察，为企业家、创业者们解读市场变化趋势及潜在的商机，共同探索2020逆境增量之路。

在大会第一场“疫情后的投资策略”环节，九合创投创始人王啸分享了“数字经济下半场的换代机会、九合创投2020年投资策略 ”主题演讲。

以下为演讲实录：

王啸：今天我想讲的这个主题是关于数字经济下半场新一代的机会，因为2020年正好是一个新旧转换，从To C的市场逐渐切换到To B，从消费端到产业端的窗口，讲一讲我们对市场的判断、产业互联网时代的进化体系和九合创投在2020年的投资策略。

后疫情时代的数字化新常态

后疫情时代的数字化已经变成了一种非常常态的，包括在线会议、在线办公、共享文档，还有一些企业内部管理的数字化，包括CRM、无人化、智能客服等等的部分。

随着移动互联网的普及和传感器、云计算、人工智能技术的演进，现在整个互联网或者说数字化进入到更深度的领域，包括物流、金融、生产制造等等各种产业都进入了数字化时代。

这里面它的本质和核心要素其实是数据，以数据作为一个中心，加快数据的收集、流转和对于数据的处理，在连接的层面，PC时代和移动互联网时代是连接人，产业数字智能时代增加了物与物的连接。这是一个从人到物的过程，产业逐步形成了这样的进化。

未来十年，最主要的核心机遇还是产业升级

未来十年，最主要的核心机遇还是产业升级，当然其他领域也存在一些机会，但是核心主赛道应该还在中国的产业数字化升级，包括To B企业服务的能力升级上。

疫情整体上来讲对于产业数字化升级是一个巨大的促进作用，

第一，疫情加快了大家对无人化、在线化和智能化的共识。有点像AlphaGo加速了人工智能的发展，使大家更关注AI的各种可能性。现在很多人、很多基金也逐渐对于产业数字化进行更多的布局和投入，是因为这个共识逐渐在达成。这里面表现在To B端企业加速在线化的过程，包括销售在线化，客服的在线化、无人化，包括后端HR系统在线化、文档的在线化、会议的在线化等等，To B端企业在线化已经是非常明确了。

第二，就是在一些供应链领域，柔性化和在线化也基本上是势在必行，把供应链平台整体在线化，像纺织业的智布互联，柔性供应链的公司等等。还有一些跨地域物流的协同和数据协同，也存在大量的机会。

从底层看，其实是国家最近的新基建所推动的数字化高速公路，5G等很多新型的技术都在配合国家构建整个产业数字化的基础设施。而这些部分其实是商业化公司无法做的，因为它的投入非常大，回收周期也非常长，只有政府才有这样的财力和动员能力做这样设施的铺设。

而这部分铺设完成之后，很多科技巨头、互联网公司在基础层，比如说5G、人工智能、大数据等领域有所布局，包括华为等公司都具备云计算、人工智能领域的能力，而服务层在这部分能力的基础上再向行业层进行赋能。

在这个产业互联网的新生态之下，其实是一些更偏行业型的数字化转型的机会。中国的各行各业是非常丰富的，每个行业都存在数字化之后的龙头，因为数字化肯定会加速企业内部数据的流转和更大效率的提高，有可能在行业形成比较高的市场占有率，形成行业龙头的地位。

这是我们看到整体的从底层到行业层的细分，这里面最大的机会可能还是在于服务层和行业层的一些数字化的机会。

新一代智能技术集群的引擎作用

这些数字化机会背后的核心推动力还来自于技术的不断成熟，它不是某个单项技术的成熟，这里面的合力推动作用更为明显。

更长周期来看，整个人类社会的技术都是在推动的，包括最早的蒸汽机、高速公路、铁路等等，都推动了我们经济的发展。新一代的人工智能、大数据的技术是推动下一波产业变革最核心的力量。

这里面的智能化集群技术包括了什么呢？

第一部分是正在推动的5G。今年可能是5G落地非常重要的一年，而且基本上进展还是非常快的，现在整个行业里，很多好的工厂都在运用5G相关的技术。

第二个部分是AI算法在不断演进。包括算力也在极大提高，进行数据处理和从数据背后产生决策，AI带来了巨大的好处，出现了人脸识别的公司，和一些自动驾驶的公司等等。

第三个部分是随着智能手机的普及，我们很多的传感器成本极大的下降，这些IoT的设备极大的普及，而且非常便宜，这个部分相当于把物联网逐渐落实。

还有大数据，所有这些东西都是围绕数据的。从IoT生成数据，5G通过更宽的带宽、更广的连接、更好的连接方式把它接入到大数据中心，云计算是计算的底层基础，AI把算法、算力做得更好，而大数据就是在这当中被加工使用。

未来我们可以看到，无论是投资还是创业的机会。本质上是落实在数据的方方面面，从数据的产生，到数据的接入、存储，算法的处理，到最后的使用。5G很有可能在一些偏行业、偏制造、偏企业级应用方面会更有机会一些。

另外一部分就是物联网，现在整个物联网的产业是比较成熟的，包括从传感器的部分到接入的部分，从低速的接入已经有很多各种各样的标准，到高速的5G的部分也越来越成熟。

这三个技术，5G、AI和IoT带来新的技术合力，国家在做5G的布局，一些商业公司在做AI算法部分的研发、云计算，很多小公司在做物联网的传感器、接入等等部分，实际上是逐渐构建了新一代产业互联网的底层技术或者说新一代的基础设施，而这个基础设施很有可能可以促进各行各业整体能力的升级，包括智能制造，人均GDP的拉升，都有可能通过这样的技术平台和技术的基础设施做到很好的升级。也就是说，以后我们的外卖都是可以通过无人机或者无人车来送，人均GDP的提升会非常快。

数字时代下半场三部进化论

我们总结了数字经济下半场的一些发展规律。产业智能时代下半场的切入点是用数字、数据化作为核心能力，以效率提升作为切入点的一个模式，形成平台，最后变成生态。

技术赋能单点效率的提升可以涉及从生产到流通到交付的所有环节，只不过每个环节当中赋能的点不一样，最后形成的变革不一样。

以数字化赋能流通环节为例，中国的流通环节非常复杂，有省代、地代，基本上五六个环节才能真正到用户手里。这个流通环节比较低效，可以通过数字化的方式把整个流程打通，从厂商直接到次终端或者终端。

另外，我觉得平台的数字化存在一个很大的机会，可以在一些传统行业建立全链条自动化生产交易网络。例如我们投资的信传信息是给陶瓷和防火材料行业提供底层的能力，包括配料、原材料供应、订单系统以及技术升级等等。

整体来讲，上下游的赋能和输出标准是最后的一个形态。也就是说当你形成一个行业龙头的时候，上游可以贴牌供货SKU，下游客户可以提供标准化服务，包括连锁、数字化赋能等等，这样很有可能变成一个在行业当中具备实战力和很高行业影响力的行业龙头公司。

 九合创投2020年投资策略

最后一个环节，讲一讲我们的投资策略，我们整体还是一个偏产业、技术的基金，我们投早期的科技公司，基本上都是公司的第一个，或者第二轮的投资人。我们的投资策略分成三大部分，一个是坚持技术驱动，第二个是关注技术创新，第三是由这部分产生的产业升级和商业模式创新。

整体关注三个大的领域，包括新技术、新产业和新消费。新技术，包括传感器、云计算，以及PaaS层、SaaS层的核心技术。

新服务，包括教育、医疗、养老等等，这里面囊括了很多的行业，这部分的机会我认为也非常大。

在中国未来五到十年，各行各业都可能形成市场占有率非常好的龙头公司，这部分产生的变量就来自于对新技术和新的思维模式的利用，把这些新的技术运用在传统行业当中去，提高整个传统行业的效率，是未来机会的真正所在。

同时我们对汽车物流、制造，还有很多其他的行业都有覆盖。我们思考的角度不是从纯行业的角度，是从底层技术如何对行业进行创新的角度进行思考。

2020年，我觉得是变化非常大的一年，叠加疫情对各方面的影响。对于未来的创业，从我的角度来看，但凡是比较难的时候，都是一些真正伟大的公司起步的时间。比如说20000年泡沫是BAT发展比较快的一年。SARS那年给了电商很好的发力机会，包括京东、顺丰等，都是那时候起步的。

现在类似于那个时期，疫情加上新基建，其实给未来产生一波新的巨量的机会。当然，市场情绪这个时候比较悲观，投融资比较慢，但是我们仍然保持自己的投资节奏，不被市场情绪所左右，在行业当中寻找机会。

对于创业者来讲，

第一个还是看好自己的现金流，因为现金流断掉了，发不了工资，团队也很难维系。

第二个，在做业务规划的时候，一定要积极、主动、乐观，但是要做好Plan B。

第三个，要审视你的战略，小公司必须要业务聚焦，没有其他选择，可以快速试错，但是试错之后要尽快舍弃，把所有的资源放到最重要的业务上去。

现在还是能成功融资的，只是要找到那些还有钱、愿意投资的机构。以前你可能会同时跟几家机构谈，现在变成了只有一两家机构愿意投资，你必须把握好机会。

另外一点，冬天有可能是最好的创业时间，可能一些公司在这个期间能够安全度过并且发展壮大。在疫情期间如果你的业务有增长，也就意味着你很有可能成为行业龙头。我倒不觉得市场环境热的时候是好时间，因为那个时候摩擦太大了，现在反而是创业的好时间。

来源：亿欧

疫情加速金融科技回归风险管理本质

新冠肺炎疫情是我们在新世纪遭遇的第一只“世界级”黑天鹅，它在对全社会的生活、经济造成扰动的同时，也让人们意识到，没有任何个体能独善其身：不论国与国，抑或一国之内的个人、家庭、企业，都是命运共同体，唯有在各自的位置上“守土有责”，继而齐心协力，才能共克时艰。

企业连接国与家，更是经济活动的基本单元。对于金融科技领域的企业来说，一方面，企业要在保护好员工的前提下，实现复工复产；另一方面，线下服务受到限制，要帮助银行、消金公司等合作伙伴应对“零接触服务”的挑战，共同为“小微企业”有效输血，助力疫情结束后的消费复苏。从应对疫情的实践来看，数字经济基础设施和协作模式发生了改变，金融科技带来的价值不可估量。

当前，国内疫情已基本得到控制，复工复产有序推进；但国外疫情蔓延形势仍然形势严峻。在全球经济一体化背景下，疫情对经济的影响仍然面临较大不确定性。在“中国经济基本面长期向好”这一最大确定性之下，我们应该练好内功，以更积极的态度对应对各种“不确定性”的挑战。

疫情加速金融科技回归风险管理本质

尼采说，“任何不能杀死你的，都会使你更强大。这次全球性的疫情对所有企业都是一次“免疫力大考”。当疫情突然爆发时，没有特效药，靠的是自身肌体的健康程度和免疫力。企业就像人一样，遇到不可预测危机时，拼的就是企业平时积攒的内力、组织的健康度。同样，一个本来就“带病”的企业，很难抵抗突如其来的危机。

过去互联网金融之所以聚集一些风险，主要是因为过于强调效率的提升，忽视了风险的管理。本次疫情可以说是对企业的一次全链路压测，其中会暴露出很多商业模式的问题、组织效率的问题、灾备能力的不足。比如在互联网金融领域，政府在2019年围绕消费者权益保护和风险防控，出台了多项监管政策：包括加强利率管控、强调数据合规应用、规范催收管理等，一些缺乏金融科技支持、风控能力不足的平台就出现了较大的业务波动，无法在低利率下保持盈利。而本次疫情，放大了本来就存在的风险，让原本带病的企业情况更加艰难。所有金融行业和金融科技的从业者，如果能前瞻性的应对风险和及时调整，可以使风险管理和精细化运营水平提升到新层次，推动战略和经营管理更上一个台阶。

我们一直认为，“金融科技要先解决风险问题，再解决效率问题。”近年来，“伪金融科技公司”不断出清，金融科技的发展也开始回归风险管理的本质。疫情这一突发事件，将加速这一进程。

金融业务对“免疫力”有更高的要求，要遵循经营规律，就是任何时候都要留下充足的风险缓冲，以备不可预期的风险。风险的稳定性是金融企业展开一切经营活动的基础。所有运营决策都是在风险稳定的基础上做的。任何金融企业都会面临像疫情这样的宏观风险，但比拼的是危机到来时，谁的资产稳定性好、谁的波动小。稳定的风险是建立在对客户的深度洞察的基础上的。这次疫情给了金融行业难得的机会，恰好能看清楚用户中，哪些是具有稳定风险表现的客群。金融机构可以不断探索加深用户洞察的路径，分客群精细化运营管理，从而大幅提升风险稳定性。

不应放过任何一次危机对组织的锤炼。金融科技公司也应建立以风险管理为核心的全链路金融科技布局，包括信用风险管理、操作性风险管理和宏观风险预警。

在信用风险管理方面，让风险管理贯穿获客、准入、贷中管理、贷后管理等全业务流程。例如，在获客方面，可以通过技术识别有还款能力和还款意愿的优质客户；贷中管理方面，实时监测客户状态变化，调整风险敞口；贷后管理上，基于风险预测进行差异化的贷后管理。

在宏观风险预警方面，可以针对不同的行业、区域进行监控，并针对多头共债风险进行预警。同时，推动RPA（机器人流程自动化）深入到业务流程重要环节，如信审、客服、催收等，降低合作伙伴操作性风险。

后疫情时代金融科技公司的机会

疫情之下，实体企业受到的影响首当其冲，除了面对需求萎缩、生产停滞、物流受阻等难题外，很多企业首先遭遇了一场现金流大考。在此背景下，政策层面出台一系列减税降费及金融扶持政策，其中，金融行业作为扶持政策的落地执行者，能否及时高效地化扶持政策为雨露甘霖，为中小企业解现金流燃眉之急，成为疫情之下各家金融机构面临的一场大考。

尽管疫情趋于平稳，经济开始反弹，金融机构面临的挑战仍然艰巨：第一，对银行来讲，整个资产构成会发生变化，过去可能在资产端以大型企业、优质企业和优质民营企业为主，现在向普惠、向小微、向零售金融转型压力增大；第二，过去的风控政策都是在高速增长的环境下制定的，没有穿越过真正的周期。风险、存量资产也会给传统金融机构带来压力。

如何能帮助金融机构解决困难和压力，这将是金融科技发展的机会。

对于重合规、重风控的金融科技公司而言，传统金融机构的压力和问题，恰恰是金融科技发展的机会。

在去年年初开始，我们预判部分金融机构的风险在抬头，收紧了风控策略。在信贷方面，第一，对“多头共债”容忍度降到冰点，不留风险敞口。根据上市银行披露的2019年年报显示，多家股份制银行的信用卡不良率显现上升趋势，这其中，共债风险就是其不良率上升的重要外部因素之一。部分客群存在超前消费、“以贷养贷”、“多头借贷”等问题，若银行未能及时发现此类高风险客户，容易受到共债风险波及。可以通过多头预警指标快速侦测到这一异常风险点，并通过大数据迅速描绘出人群画像特征，随即调整相关客群的准入规则与额度策略；第二，在产品上以循环产品为主，逐渐减少长分期产品这类长周期、受经济波动较大的产品比重；第三，加大了对优质客户精细化运营力度。多重举措下，去年四个季度度小满金融的不良率持续下降。今年，尽管业务受疫情影响，还是确保了基本的稳健性。同时也让我们有能力对因疫情产生的短期资金困难的客户给予更多的支持和帮助。

当前，随着复工复产有序推进，线下场景重新焕发活力，但疫情让金融机构充分意识到金融科技的价值，也充分意识到线上业务和自动化流程的潜力，线上化、数字化发展成为大势所趋。

“零接触”加速金融全流程线上化趋势

受疫情影响，金融领域线下场景受限。一方面，大量金融服务需求，从线下迁移到线上，如信贷、理财、保险等个人业务线上化提速；另一方面，受疫情影响很多员工无法到岗，金融业务的线上化、自动化成为刚需，金融机构线上化、智能化的需求迫切，并已成为共识。

过去对线上转型重视不足的金融机构，受限于面签、柜台开户等线下流程，甚至无法顺利展业。相比之下，线上转型较为彻底的金融机构，顺势推出“零接触”金融服务，把握了市场机遇。疫情让金融机构充分意识到线上业务和自动化流程的潜力。

在危机下，企业的精细化运营需求更加迫切。同时，疫情隔离的要求限制了金融机构的复工人数，服务流程如何线上化、智能化成了新的挑战。

例如，在客服服务方面，由于疫情的突发，坐席人员无法按时复工，客服业务出现严重用工荒的现象。另外，以银行为代表的传统金融机构还面临全球经济下行的大环境以及服务实体经济的需求和压力的挑战。

金融科技公司可以发挥人工智能的技术优势，在智能获客、大数据风控、RPA（机器人流程自动化）等方面，为客户提供全流程解决方案。例如，在金融机构的客服场景下，客服复工人数受疫情影响严重，语音机器人既能避免人员聚集的风险，又能降低人工成本，且可以杜绝语言暴力等风险，受到金融机构的欢迎。疫情高峰期间，某全国性股份制银行客服无法到岗，利用金融科技公司提供的语音机器人承担了客服的大部分工作，3月份后，随着客服逐步复工，通过“人+机”结合的方式，减低了30%左右的人工成本。

对于金融科技而言，今年既是挑战严峻的一年，也将是发展的关键之年。相信疫情过后，金融科技将成为所有金融机构的“标配”。2020年也将成为金融数字化发展的分水岭。

来源：亿欧

智能投顾十大趣谈，为什么说基金从业者该不该恐慌？

趣谈一：银行和基金从业人员，最恐慌的是未来饭碗会否不保

波士顿是美国资管行业的重镇。2016年我在波士顿和做基金管理的校友交流中发现，受到金融科技发展的影响，他们对未来有些悲观，认为饭碗在未来某一天也许就没了。很多在银行工作的朋友同样焦虑。

我的观点，大量易标准化、重复性、没技术含量、不具独创性的工作肯定会被裁掉。从基金行业来说，首先后台最容易被替代，因为都是成本。清算、交收、估值类工作，以前需要多人忙碌，现在很容易被一套软件系统就替代了，都用不上人工智能，而且准确性更高。

目前还有公司在开发银行间的区块链对账系统，以后也不用每天晚上人工互检对账了。因为区块链本身是一个瞬间同步的账目，每个人的账本会实时共享，同时又能做到安全透明、不可篡改，所以这些后台工作会最先被替代。

再说前台，智能投顾的自动化交易未来会让大多数交易员变得毫无价值。以量化投资来说，未来做多因子模型的投资经理就很容易被干掉。因为由AI来做优化，绝对比人做优化要强很多。对于前台的其他工作，现在已经出现了机器人客服，像信息简报、研究报告类也都可以由人工智能自动摘取生成（当然，我认为独创性研究是很难被替代的）。

但国内的二级市场与国外有很多不同，很多散户需要心灵按摩。这些情感交流的工作是否就不会被取代呢？我觉得也不一定。因为现在00后一代，他们在行为习惯上，其实更愿意和机器人打交道，而不是和人打交道。这正是2015年BlackRock收购Future Advisor的重要原因，他们发现年轻人更需要便利、低门槛和互联网化的理财方式。

拿保险举个例子。卖保险显然要比卖理财更需要情感沟通，但智能保顾也正在兴起。所以对于资管而言，我认为情感因素并没那么重要，未来会有越来越多的人喜欢并习惯面对机器。

趣谈二：Fintech机会正在向传统金融背景人士倾斜

我们看过很多Fintech领域的创业项目，发现一个有趣的现象，那就是互联网出身的人和有银行从业背景的人，往那儿一坐风格会泾渭分明。互联网人盯的就是KPI和增长，对风控、对法规毫无概念；金融行业出身的人主要谈的就是风险控制，要规范企业的发展。

从去年开始互联网金融发展的风向发生了巨变，以往野蛮生长的环境不复存在。美国货币监理署(OCC)正在考虑给Fintech公司发全国性银行牌照，国内也大幅加强了合规的严格管理。这些变化，都促使互联网金融开始向更注重规范、更注重风控的传统金融背景人士倾斜。

还有非常重要的一点是，作为传统金融行业的人，他们坐拥非常多的资源，当意识到互联网金融的风向时，转舵起来还是很容易的。正如一个在银行的朋友介绍，自银行推出现金贷业务后，仅用几个月时间，就快速超过了互联网人已用两三年发展起来的规模。

在美国也是如此，一旦具备传统投资优势的金融机构进入智能投顾领域，同样会迅速抢占市场份额。正如Vanguard和Charles Schwab自2015年推出智能投顾产品后，相对应的资产管理规模（AUM）已遥遥超越了Betterment和Wealthfront。

趣谈三：中国为什么比美国更适合发展FinTech？

英国的《经济学人》杂志在年初的一篇文章中提到，正是得益先进的技术、落后的银行体系和爆发式的财富增长，让中国成为了全球金融科技的领导者。去年10月我参加了著名的Money20/20大会，对此感受颇深，现场几乎2/3的广告牌都是中国企业。这些国内的Fintech企业，不论在模式创新还是技术创新上，都已远远超过了美国。

中国为什么比美国更适合发展Fintech？我的看法是：

国内对金融科技的监管环境还是很宽松的，至少前几年非常宽松。在美国的Fintech企业，绝不敢像国内这么“胆大妄为”；

国内即使有人冒进违规了，处罚起来并不严厉，犯错成本较低；

国内还没有成熟的隐私保护法，数据的可获得性很高，各种来源的数据都使用；

中国没有美国那么多年的积累，也就没有牵绊。上来就可以用最好的技术、最简单的方法直达目的。

趣谈四：智能投顾在美国发展遭遇了瓶颈

过去我们学习金融时，知道平均成本法(Dollar Cost Averaging)，也就是要养成固定去投资的习惯，投资收益是最高的。这是一个基础理论，但大家平时生活中很难做到这么有纪律性，尤其对于刚入职场的小白而言。

现在美国银行和智能投顾公司最让人羡慕的是完全能做到自动理财。一般美国都是双周发薪，通过direct deposit功能，工资直接进入银行账户。银行完成扣款后，会自动划分到智能投顾公司的账户。由投顾公司做一个再平衡，就帮用户理财投资了。对用户来言，每月只需留一些钱还信用卡就行了。智能投顾在切实解决用户体验问题后，让用户量和AUM资产管理规模上来的特别快。

不过现下智能投顾在美国的发展仍处于瓶颈之中。主要是行业领头羊Betterment、Wealthfront处于了一个停滞期。很多潜在投资者对他们的担心是，Robot-advisors这件事，并未改变背后的商业逻辑，也就是配置资产和金融服务的属性没变。但相比于传统机构，他们投入市场和运营的花费却很大，这是典型的互联网人发展模式，先砸钱把用户量做起来。但这也让吸收资金的成本变得非常高。那你的竞争优势到底是什么？估值还这么高，是不是市场吹起的泡泡？这遭遇了很多投资者的怀疑。

 趣谈五：智能投顾与量化投资的区别是什么？

相比同样采用计算机与数学模型做投资决策的量化投资，智能投顾最显著的区别是什么？简单来说一个是自动根据市场变化做决策，一个还得靠人来调策略。后者说的正是量化投资，一般是先找出一个模型策略，这个策略不会自动变化。所以一旦当市场环境变化的时候，这个量化策略就失效了，必须由投资经理根据市场情况来调整策略。

对于应用机器学习的智能投顾，则会根据市场的变化不断的产生新策略，也就是应对瞬息万变的市场变化，一切都是在后台自动完成的，并不需要人工干预。因为机器学习有回馈循环(Feedback Loop)，从市场-策略-结果再到市场的不断反复循环，会自动根据资产的价格、风险的变动不断调整。

相比量化或人工投资，人工智能处理信息还有一个最大优势，那就是可以把自有证券市场以来的全部数据都录入做分析。特别现在有了GPU、TPU等专门的处理器，依靠强大的运算能力，可以瞬间得到想要的相关性分析，这满足了金融领域对数据的实时性要求。

趣谈六.智能投顾是不是在吹牛，投资业绩到底如何？

刚才谈到利用机器学习和深度学习的方法，智能投顾可以把价格变动的趋势和模式找出来，做到快速反应、快速交易。相信很多人一定好奇，智能投顾相对于量化投资的业绩到底如何。

我们知道最近几年，面对国际金融市场的大幅波动，量化投资的业绩是远远好于很多主动型管理基金。在今年3月传出的BlackRock重组计划中，就裁掉了很多主动型基金部门的员工，将很大一部分的资产将转化为量化管理产品。

而根据对冲数据服务公司Eurekahedge的AI／机器学习对冲基金指数显示，自从2010年以后，其中23支应用智能投顾的对冲基金，在业绩表现方面是要优于量化对冲基金的（如下图）。

趣谈七：人工智能为什么直到今天才取得突破？

我经常开玩笑说，人工智能技术的发展有些复古。因为现在深度学习依托的神经网络系统理论，最早可以追溯到上世纪40、50年代，只不过到现在发展为了多层神经网络技术。从最早的LISP语言、专家系统到神经网络和机器学习，人工智能过去几十年的发展一直都非常低迷。这让李开复老师那一代从业者很是受伤，因为把事业放在上面20年没有进展。那为什么来到今天就突破了呢？

一方面是已提到的多层神经网络（MLP)取得了小突破，特别其中深度学习（Deep Learning）的出现，应用更多层网路，能学习更抽象理念，并融入自我学习中，加速收敛。以前努力了半天，识别能力只能提升百分之几，现在一下提升了百分之二十几，这让AI取得了突破式发展。从智能投顾角度，深度学习既然极大提高了图像识别精度，同理也可以提高识别股票价格变化的模式，虽然这并不意味可以准确预测股价。

另外更关键的，我认为是数据量的丰富。2010年我回硅谷时，第一次听谷歌的朋友说他们的AI取得突破，能在YouTube上把猫给认出来了。很重要的原因是在YouTube上有了大量的视频和图片数据之后。对此我认为，人工智能发展起来的关键是有了大量的数据，算法提升其实是很有限的。甚至可以说人工智能发展80%归于数据的丰富，可能只有20%归于算法的提升。特别在金融行业，数据都是非常容易标签化的，完美性这么好，所以人工智能最先颠覆的就是金融领域。

趣谈八：深度学习最大的问题是黑箱

对于深度学习而言，人才分几个档次。第一级是开宗立派的人物，也就是发明CNN(卷积神经网络)、DNN(深度神经网络)、RNN(循环神经网络)这些流派的宗师级人物。还有一类人才，是真正能够把参数调好的人，也非常稀缺。比如对于多层神经网络，是设置10层、5层还是7层效果最好？每层都有很多参数。还有给入多大的数据量才会产生理想结果？因为到一定程度，你会发现输入越多数量，结果反而可能会变坏。

这是一个经验值，甚至没有规律，所以业内开玩笑叫做炼金术。把一堆东西放一起，不知好坏，天天试，跟做化学实验室一样，还没有固定的化学方程式。大部分在美国读PhD的中国留学生是负责调参数的。但调参数能调好的人，在AI界也算是凤毛麟角，一年的package下来也有100~200万美金。要知道不仅在中国，在全球，人工智能创业公司最大的挑战都不是钱，而是雇不到人。

但这里就产生了一个问题。比如输入大量数据后，经过10层神经网络筛选得出一个结论，可你是没法回溯怎么得出这个结论的。所以深度学习最大的问题是黑箱。如果想避免一个错误，要修改参数，那所有训练又得重新来一遍。正因为这个问题，自动驾驶一旦出现车祸，很难向美国交通局去解释。在美国发信用卡的领域也存在一样的问题。拒绝给一个客户发信用卡，你得告知是基于什么规则，不然人家可能会告你，但深度学习没办法解释这件事。所以最近的一些算法已经做出了一些优化。

趣谈九：国内智能投顾发展境况如何？

很多人说中国资产类型太单一，ETF数量不够，很难满足智能投顾的资产配置需求。我们之前看了有20多家智能投顾公司，实际发现他们的配置还是很丰富的。简直可以说是五花八门，有的配P2P资产、有的配小贷，还有人拆信托、拆私募，做MOM、FOF模式的也有。大家都打着智能投顾的旗号，但剥开皮看都不一样，很多时候不知后面卖的什么东西。这也正是国家在加强机器人投顾管理的原因。

还有一个重要问题是，中国基本没有买方投顾，大家都在挣后端销售佣金，更像卖方雇佣的销售。所以对国内的智能投顾而言，本来是个投资顾问的事儿，却在做销售的活儿。这混淆了投资咨询与产品销售之间的界限。那么用户如何来评判你投资建议的公立性？这让消费者很难信智能投顾这件事。这正是国家正加紧合规的理论依据。

另外国内智能投顾最大的问题还在于金融产品代销资质。所以在中国做智能投顾，真正合规的只能是由大的金控公司来做，他们拥有所有的销售牌照和资格，才能给用户去做丰富的资产配置。不然你都没有太多可配置的资产，跟真正意义上的智能投顾有很大差距。而对创业公司来言，每个牌照的价格都非常贵，还要搞定各种通道、支付，真的玩不起。

趣谈十：智能投顾悖论

我们知道股票交易有赔有赚，如果大家都买了同一套软件，可以预测该买哪支股票，那么市场上谁卖呢？在一个下跌市场当中，一旦像Vanguard、BlackRock这样的行业巨头，用机器人投顾做出抛售指令，大家都在抛盘，而没人买盘，单边行情会不会导致市场崩溃？其实我认为这样的问题可以避免。因为真正的智能投顾是能根据每个人的风险偏好不同，做出不同的投资组合和交易选择，这样才能让市场有赔有赚的运行起来。

最后说一个有趣的话题，那就是人对机器的容忍度，要远远小于人对自己的容忍度。最简单的无人车犯错，大家都觉得不可容忍。但人天天都在犯错，却很容易获得谅解。这是一个客观问题。回到智能投顾这个话题，面对中国股市普遍难以盈利的行情，你说智能投顾在一个下跌市场当中，如何安抚用户亏损的情绪呢？其实很简单。周围10个人如果你是亏的最多的，人家都赚，你肯定不开心。但如果机器用数据告诉你，相比量化投资和你周围的人，你的回撤是最少的，那你肯定就不会太苛责机器了。

来源：虎嗅

海通证券加速智能化转型 携手虎博科技推进Fintech创新平台建设

　新华财经上海4月20日电(记者高少华)虎博科技赋能海通证券（600837）智能化项目一期近日宣布完成。该项目依托虎博科技在金融领域场景中的AI技术，建设海通证券的智能化资讯系统，赋能其智能化客户服务。

　　海通证券是国内证券行业探索数字化转型的先行者之一。近年来其秉承信息化发展战略，积极推进科技与业务的深度融合。2019年7月，海通证券对外发布了“海通金融科技合作伙伴计划――OCEAN | e海通聚”，该计划将围绕海通证券打造全新的“开放式、平台化、生态型”金融科技创新平台。

　　资讯作为证券行业的三大高频场景(行情、交易、资讯)，其生产、加工、分类、分级、分发能力影响着证券企业的运营效率。对证券企业而言，除自身生产、加工内容外，大量采购的来自多个第三方的资讯数据加大了其资讯管理的难度。智能、高效的资讯数据管理成为证券企业升级发展的重中之重。

　　通过虎博科技独有的金融语义模型，海通证券的智能化资讯系统实现了不同来源的资讯智能化聚合，从而大幅提升资讯管理的智能化程度。

　　虎博科技技术副总裁谭悦表示，双方的此次合作，是人工智能，特别是自然语言处理技术赋能证券业智能化发展的重要尝试。海通证券作为探索证券行业数字化转型的先行者，其坚定推进科技和业务深度融合的信息化发展战略，为人工智能技术的快速落地应用，创造了良好机遇，能够让更多人看到人工智能技术在应用层面，对于企业机构智能化升级、降本提效等方面的切实成效和价值潜力。

　　金融行业资产和营收规模大、产生海量基于行为的实名数据、加上头部公司有极强的资源投入力度，使其成为AI落地的重要行业之一。中金公司认为，虽然应用尚属初期，但AI是金融长远发展的有力支持，将成为金融机构重要核心竞争力。

　　对证券公司等金融机构来说，人工智能技术的导入，能够有效赋能金融业智能化运营、智能化客户服务，同时，帮助创造场景化的产品和服务创新。目前，人工智能技术已经支撑创造了智能投研、智能信贷、智能保险、智能监管、智慧银行等创新业务场景。

 来源：中国金融信息网

Fintech背景下资产证券化如何发展

科技金融，也称金融科技（FinTech），一般是指基于数据分析、信息系统乃至各类互联网新兴技术驱动的创新金融业务。部分信托公司已经搭建起以数据和科技运营为中心的数据化金融资产管理平台，并以数据积累开展风险定价，继而不断发掘和证券化各类基础资产。

　　一、资产证券化进入以基础资产为核心的竞争阶段

　　（一） 资产证券化发展迅速

　　1.规模增长迅速，产品趋于多元

　　2019年，资产证券化市场规模继续快速发展，全年发行各类产品23439.41亿元，同比增长17%；年末存量为41961.19亿元，同比增长36%。其中，信贷ABS发行9634.59亿元，同比增长3%。企业ABS发行10917.46亿元，同比增长15%，占发行总量的47%。ABN发行2887.36亿元，同比增长129%，占发行总量的12%。

　　2.发行渠道增多，各机构均有机会

　　目前，国内存在多个资产证券化发行交易平台，已经形成多个渠道互补、多产品交织的态势。具体来说，主要有两大类，一是在监管规定平台发行的资产证券化产品（通常称为公募ABS产品），包括三种类型，即银行间市场发行信贷资产证券化（信托做SPV），交易所发行的企业资产证券化（券商基金资管计划做SPV）、银行间市场发行的资产支持票据ABN（虽不强制SPV，但多选信托作为载体）。公募ABS业务目前已较为常态，信托、券商和基金公司均在大力开展。二是准资产证券化（多成为私募资产证券化）产品，即大致遵循了前述资产证券化的流程要求，但省却了少量非核心环节，并通过私募的方式进行发行，最终达到了监管规定平台发行效果，实现了发起主体资产真实出售和资产出表的要求。私募ABS业务方兴未艾，根据发达国家经验，整个ABS市场规模通过私募渠道发行的占比可达到45%左右。

　　（二） 基础资产逐渐多元化

　　随着资产证券化市场的蓬勃发展，基础资产的类别也逐渐趋向多元。理论上，资产证券化是把缺乏流动性的资产转化为在市场上可以自由买卖的证券，因此，凡是能产生现金流的、缺乏流动性的资产均可作为基础资产进行资产证券化的操作。例如REITs/CMBS、票据收益权、保单质押贷款、不良贷款、个人消费贷款等新型基础资产不断涌现。2019年，从数据上看，主流类基础资产还是占据较大份额，其中：信贷资产证券化产品主要以个人住房抵押贷款类ABS、汽车抵押贷款类ABS、信用卡贷款以及企业贷款类ABS（CLO）为主，占比分别达到54%、20%、12%、9%；企业资产证券化产品主要以应收账款ABS、企业债权ABS和租赁租金ABS产品的发行规模较大，占企业ABS发行量的33%、22%和13%。

　　（三） 对基础资产的发掘和把握成为核心竞争优势

　　国内金融体系是分业监管、开放竞争，随着资管市场逐步开放，各金融机构都进入跨市场竞争阶段，混业经营态势明显，尤其是资产证券化领域，信托、券商和基金各占一头，各具有监管赋予的载体优势。虽然严格意义上的破产隔离功能只有信托具备，但实践中其他机构对此也无强制或自发要求，造成各机构竞争更多基于对基础资产的把握，而非制度红利。当然，鉴于投资主体构成和发起人属性不同，银行间市场发行的产品收益率相对交易所要低（2年期AAA级相差150BP左右），在不考虑发行标准和时间周期的情况下，也给信托作为SPV带来了一些优势。但总体来讲，作为国外较为成熟、国内逐渐广泛开展的业务，并非完全的新鲜业务，各机构之间的专业性差异并不大，竞争已经转向对基础资产的获取和把握。谁能提供给市场需要的基础资产类型，谁能发掘新兴基础资产并把握其特点，谁能在基础资产形成阶段就提早介入，无疑将在未来的资产证券化业务竞争中获得先机和构筑核心优势。

　　二、大量可证券化资产需要数据和科技金融发掘

　　1.大量潜在优质资产无法进行证券化

　　受国内金融抑制和客观经济信息不对称制约，金融服务深化和覆盖远不能满足实体经济和虚拟经济需求，典型的如广大的个人消费贷款需求和中小微企业融资需求，远远处于金融服务提供稀缺阶段。实际上，我国金融资源分配严重不均衡，个人金融和中小企业金融供给犹为不足，相较于发达国家成熟的金融体系，中国消费金融领域和小微企业金融领域仍是尚未被撬动的巨大蓝海。个人金融方面，根据人民银行数据显示，截至2018年12月，我国金融机构个人消费贷款余额为37.79万亿元，同比增长19.90%，但从中美居民消费支出占GDP比重衡量（39%/69%），未来空间仍然广阔；中小企业金融方面，2018年应收账款净额规模超过14.3万亿元，由信息技术进步推动的供应链金融展现出了迅速发展的态势，到2020年将会超过20万亿元的规模。

　　个人消费贷款和中小微企业贷款资产具备分散、现金流可测等多个利于资产证券化的特征，而实际情况是，上述个人和小微企业贷款资产严重不足，继而能够进行资产证券化操作的基础资产数量也严重不足。2019年数据显示，信贷资产证券化产品中，个人消费贷款仅为260.44亿元，占比仅为3%；企业资产证券化产品中，小额贷款为1174.64亿元，占比为11%。相比较消费金融和小微企业金融几十万亿元的市场规模，进行了ABS操作的基础资产非常少，大部分的都是尚未能进行交易的潜在优质资产。

　　2.缺少数据和风险判断依据是主因

　　实际上，大量可交易或者可证券化的资产无法进行相应的资产证券化操作，最大的原因是无法对基础资产进行特征识别和风险定价，而这才是阻碍个人消费资产和中小微企业贷款资产爆发的根本原因。基于pre-abs的业务拓展思路，开展资产证券化的机构实际上应该沿着资产证券化业务链条向上游延伸，以求更早介入基础资产的形成，如此方能把握基础资产，从而获得开展该类业务不同于其他机构的核心优势。

　　随着金融科技的发展和基础数据积累的提高，基于数据和科技运营为基础的个人消费（如3C分期、白领租房、发薪日贷款、农业贷款等）和小微企业贷款（如围绕核心企业供应链上下游的小微企业贷款）已经逐渐成型。通过业已构建起来的信息系统、不断积累的基础数据和逐渐培育的风险定价能力，部分机构已经塑造了抓住基础资产的核心能力。

　　二、 围绕数据和科技金融提供ABS全链条服务是未来趋势

　　资产证券化业务同质化竞争态势明显，各机构之间主要是基于费率的高低、操作效率的快慢来竞争业务，并未构筑自身的业务核心竞争力。作为信托公司，急需改变资产、资金在外，两头无一端可以把握的尴尬现状。在目前市场资金面较为宽松的状态下，能够前端和深入把握基础资产，甚至能够提供一些市场稀缺的基础资产，将会是信托公司开展资产证券化业务的较优路径选择。塑造基于数据和科技金融为核心优势的资产证券化业务模式，需要信托公司打造自动决策、信用审核、放款、清分及扣款系统，需要信托公司掌握个人消费贷款客户的各类征信数据和围绕核心企业的小微企业各类信息流、资金流和物流数据，并以此来掌握基础资产运行情况，并最终将在信托端形成的上述稀缺资产进展证券化操作。

　　具体而言，有如下三种业务模式可供选择：

　　1.PRE-ABS模式

　　顾名思义，PRE-ABS业务模式的核心就是在基础资产形成阶段就开始介入，提供资金以便基础资产逐步形成，一方面可以主动把握基础资产，另一方面可以更早了解基础资产和设计基础资产载体结构，这些都能够使得将来顺畅的对基础资产进行证券化操作以及获得项目的绝对主导权。针对信托公司而言，可以将公司开展的消费金融业务和在线供应链金融业务过程中在信托端形成基础资产及早留下证券化操作的空间和路径架设，让资产证券化业务部门手握公司独有之优质基础资产，并能够给出基于数据和运营实际的风险定价，将会在ABS市场中占据独有地位。

　　2.ABS夹层投资模式

　　基础资产形成之后，将会对资产证券化产品进行分级、定价和评级，优先档利率较低、评级较高、安全性较好，适合银行、保险等大机构资金，劣后级别一般发起人会自持，而中间级收益率相对较高、评级尚可、完全性有保障，那么，信托公司作为基础资产的发起人、发行人之外，基于对基础资产的认可，也可以以自营资金或者信托资金投资中间级，为自身和客户带来稳健的收益。

　　3.ABS资本中介模式

　　以各类贷款资产形成了基础资产之后，在发行过程中，或者存量ABS短期盘活或者转让过程中，均有中间短期接盘的需求。信托公司如果基于数据和科技运营发掘并证券化了基础资产，那么，对基础资产的情况就非常了解，对风险的把握也有实质的认识。因此，针对经历完整贷款周期、累计了数据，并有良好表现纪录的基础资产对应ABS产品，信托公司可以以自有资金进行短期持有，开展资本中介业务，以促进产品的流动性或者给予发行留足时间，最终择机通过多元渠道，转售给其他机构投资人，获得息差收益。