李開復：人工智慧引領金融變革

在AlphaGo擊敗世界圍棋冠軍、職業九段選手李世石後，人工智慧的發展與應用再一次成為人們的視線焦點，同時也引發了人們對人工智慧的無限想像。

最早提出這一概念的約翰·麥卡錫認為，人工智慧就是要讓機器的行為看起來像人所表現出的智能行為一樣。儘管目前對人工智慧的定義並未完全統一，但都體現出人工智慧效率高、穩定性高、安全性高等特點。在很多領域中，我們已經發現機器有可能超越人類。

人工智慧學會主席Ben Goertzel在2015年的博鰲亞洲論壇上認為，十年以後，人工智慧可能會介入世界上大部分的金融交易。目前，人工智慧在金融領域的應用已經可圈可點：智能投顧方面，位於美國的世界著名智能投顧公司Wealthfront和Betterment做得有聲有色，Wealthfront掌控的資金已超過數十億美元。

交易預測方面，全球第一個以人工智慧驅動的基金Rebellion曾預測了2008年股市崩盤，並在2009年9月給希臘債券F評級，比惠譽提前了一個月。

從金融活動的流程來看，人工智慧將可以貫穿全程：在前端應用於服務客戶，在中端支持授信、各類金融交易和金融分析中的決策，在後端用於風險防控和監測，使金融服務更加精細化、個性化，以及效率和風控能力的提升。

可以預見的是，金融變革正在到來，引領這場變革之一的正是人工智慧。

在傳統金融尤其是傳統信貸服務領域,信息、信用、渠道、成本等困境正在逐漸顯現。傳統的銀行服務主要依託其網點開展，在業務中極其依賴有無房產、工資流水、徵信報告、社保證明等強特徵數據，通過這些強金融特徵數據篩選出與風險敞口契合的客戶。所謂強特徵，即能否獲得信貸服務的關鍵因素。

但事實是，中國有相當一部分人不具備這些強特徵數據，從而被排除在銀行服務體系之外。有數據顯示，在我國,傳統信貸能服務的客戶群僅佔總人口的15%左右。儘管傳統信貸機構想服務更多的人群，但風控模型的局限性導致其可望而不可及。

首先，少量的強特徵無法全面評估一個人，而每個人在強特徵之外還存在成千上萬的弱特徵，但傳統信貸的風控模型是基於少量強特徵人工智慧引領金融變革創新工場創始人李開復智融集團 CEO 焦可形，並不適用於處理海量的弱特徵數據。

其次，傳統信貸服務需要依託線下網點展開，資質審核、合同簽訂等流程都需面對面進行，服務效率低下。同時，由於人的參與，每個人的經驗、情感狀態等存在差異，其服務的安全性和穩定性必然受到影響。

再次，由於傳統信貸風控模型的數據維度比較單一，其模型的優化、迭代周期較長，一般需半年至一年。這不能適應快速變化的市場壞境，無法有效滿足客戶需求。

隨著互聯網不斷滲透到生活中，在強特徵之外，每個人都會產生成千上萬有價值的海量弱特徵數據。

如果把一個人的數據比作一座冰山，那麼強特徵數據僅是冰山的一角，之下還存在著海量的弱特徵數據，例如電商數據、設備數據、位置數據等等。

同時,作為百業之母的金融行業與整個社會存在巨大的交織網路，本身沉澱了大量有用或者無用數據，其中包括各類金融交易、客戶信息、市場分析、風險控制、投資顧問等。這些數據單位都是海量級，且大量數據又以非結構化的方式存在，無法轉換成可分析數據。

人工智慧要做的，就是充分挖掘並有效地利用這些海量弱特徵數據。雖然無法憑藉其中少數幾條數據就做出借貸決定，但如果把幾百個甚至幾千個維度的數據綜合起來，就可以訓練出有效的風控模型，並以此為風控依據為用戶做出借貸決定。

弱特徵和強特徵數據的區別在於，強特徵是非0即1；而單獨的某一項弱特徵，對於用戶的信用評估和逾期率沒有絕對性的指導意義，但很多弱特徵放在一起，就能對用戶進行相對精確的評估。

舍恩伯格在《大數據時代》中寫道： 「我們沒有必要非得知道現象背後的原因，而是要讓數據自己發聲。」人工智慧並不擅長推理，但數據和數據之間的關係都被記錄下來，就具備了邏輯基礎，可以進行深入的推理繼爾產生結果。

目前，人工智慧已經廣泛運用於國內外金融領域。人工智慧技術已經能夠挖掘多維度的海量數據，構建和優化風控模型，準確且快速地判斷貸款的合理性，從而大大降低了用戶申請提交和數據收集、反欺詐、核心決策授信和模型評分、以及催收等的服務成本。

深度學習促使不斷優化在蘋果公司推出Siri之初，很多人都把它當成玩具，認為它沒有真實的用處，會問它諸如「你是男是女」等這種看似無聊的問題。但蘋果公司把這些無聊的問題進行深度分析，了解人們最常問的問題並不斷優化，問題越問越多，蘋果也就可以得到更多的數據，更好地提升其實用性。這便是人工智慧的深度學習。

金融領域亦是如此。一個借款人是否還款、有無逾期、是否足額還款等都有相應的特徵數據。人腦雖然能識別單個業務，但很難快速處理龐大的數據量，發現其中的邏輯規律並做出高效判斷。人工智慧用機器取代了人腦，可學習覆蓋的數據範疇極大，處理的效率也極大提高。

隨著人工智慧在金融層面應用範圍的展開，系統獲得的數據不斷增加，通過對這些數據的深度學習，將更進一步提升自身的風控能力。基於此，與傳統金融機構看中借款額度不同，金融科技公司更加看中借款筆數，因為筆數代表著樣本，代表著能夠讓模型得到更好訓練的數據。

以國內的金融科技公司智融集團為例，其每月訂單120萬筆以上，意味著它的風控模型每個月都有120萬筆的閉環樣本，促使系統模型快速的迭代優化，久而久之，其模型精度越來越高，風控能力越來越強。例如，智融集團的風控模型在過去一個月共完成158次模型迭代，平均每周迭代40次。

隨著人臉識別、指紋識別、虹膜識別、聲紋識別等技術不斷應用於身份驗證和金融反欺詐等業務環節，尤其是隨著語義分析、機器學習的技術進步，將進一步加速風控模型的迭代，大幅提升金融業務的自動化水平和個性化的服務效率。

金融領域「高度數據化、正負樣本清晰、迭代目標明確、容錯率高等」特點讓人工智慧天然適合金融領域。

巨大的金融服務空白促使人工智慧加速進入，基於人工智慧技術的新金融科技公司湧現。它們可充分運用技術，對龐大非銀行人群的海量弱特徵數據進行定量風險分析，得到一個連續的風險定價，並在此基礎上提供與之相匹配的金融產品與服務。

近兩年來「金融科技」被越來越多的人提起並被諸多公司追捧。儘管這個詞最早由美國提出，但得益於特有的市場和環境，中國「金融科技」正在以前所未有的速度趕超美國，一個由人工智慧引領的智慧金融時代正在到來。

一方面，目前國內外人工智慧在金融領域的應用已有諸多成功案例。美國的Wealthfront和Betterment、英國的Money on toast、德國的Finance Scout 24、法國的Marie Quantier等均成功將人工智慧引入投資理財。

目前智能顧問已掌握大量資產；第一個以人工智慧驅動的基金Rebellion曾成功預測了08年股市崩盤；掌管900億美元的對沖基金Cerebellum，自2009年使用了人工智慧技術以來一直處於盈利狀態。

在國內，螞蟻金服已成功將人工智慧運用於互聯網小貸、保險、徵信、資產配置、客戶服務等領域；智融金服利用人工智慧風控系統已經實現月均120萬筆以上的放款，常規機器審核速度用時僅8秒；招商銀行的可視化櫃檯、交通銀行推出的人工智慧機器人「嬌嬌」等都是國內金融領域人工智慧應用的成功案例。

另一方面，未來人工智慧在金融領域的應用極具想像力。高盛、摩根、花旗等國外金融巨頭正在不斷加大人工智慧領域的投入。國內更是如此，不少機構通過自建團隊、兼并收購和外部合作的方式涉足人工智慧領域。

如中國平安、招商銀行、華泰證券等均涉獵了智能投顧、網路借貸、大數據徵信等領域。互聯網巨頭也在紛紛布局，BATJ等互聯網巨頭公司擁有強大的技術、資本、人才、數據實力和優勢，在智能量化交易、智能投顧、智能客服和生物身份識別等新技術應用方面都已進入實戰階段。

人工智慧因其更適合進行大規模數據處理的定量分析、不受主觀因素影響，效果更穩定可靠、可根據數據表現快速迭代，自動優化、無道德風險，反作弊能力強、審批效率更高，實時性更好等天然優勢，正在越來越多的被用於金融業的核心業務信貸尤其是小額短期信貸領域。

在投資理財領域，海外諮詢機構科爾尼（A.T.Kearney）2016年曾預計，機器人顧問未來3年到5年將成為主流，年複合增長率將達68%，到2020年其管理的資產規模有望達到2.2萬億美元。花旗銀行研究也預測，人工智慧投資顧問管理的資產，未來10年將實現指數級增長，總額將達到5萬億美元。

如今， 「互聯網+」對金融的改造已經進入尾聲，而「人工智慧+」正風起雲湧。在經過「互聯網+金融」的鋪墊後，「人工智慧+金融」似乎來得更快、更猛。

我們不妨想像一下，在不久的將來，人工智慧大範圍運用到金融領域，成為傳統金融的有效補充，能夠讓金融業務中的信用分析、風險控制、貸款審批等變得高效而準確，讓每個人都擁有金融的意識、習慣和能力，最終讓金融成為人們的一種生活方式，讓每個人都能享受智慧的金融。

「立足亞洲，面向世界」 傳遞論壇最新動態，促進亞洲深度合作全球重要對話的傳達者，亞洲共同發展的瞭望者。

--------

出處：李開復：人工智慧引領金融變革

推薦閱讀：