中國大陸本土的FinTech發展路徑與模式（二）·人工智慧的應用

02-02

到了2017年為止，國際上對於人工智慧仍然沒有公認的定義。而人工智慧的意義就在於賦予及其思考能力，讓「機腦代替人腦」。約翰·麥卡錫曾認為「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」。有的人會說，如果這場革命是機器把人能幹的事都幹了，那麼，人的意義又在哪兒呢？

但其實，很大程度上，人工智慧的應用場景更應該在人類所無法觸及的領域以及無用的機械工作上，抑或是應用在更加人類無法達到的精準操作上。

Google的人工智慧專家更將這方面概括為「大規模的深度學習」，並以此作為書名向同行共享了人工智慧與神經網路的相關信息。毫無疑問，大規模的機器學習人類的金融行為，也將會使得金融行業得到徹底的革新。

人工智慧這一看似簡單的行為其實涵蓋了幾個大模塊：神經元學習、機器學習（演算法包括線性回歸、邏輯回歸等並對數據進行規律得出）、構建神經網路、處理不平衡數據、模型形成（趨勢方向）、方向性擬合。

未來的「人工智慧+」這個概念，將會含括大數據、感知、決策、反饋這幾個方向。

在金融領域，人工智慧正在逐步漸進式地深入到大數據徵信、貸款、風控、保險、資產配置、量化交易、財經信息分析等領域。這些領域在金融科技「金字塔」所處的位置都屬於頭部位置，是最高端的金融科技應用方式。

人工智慧的三種主要技術（智能投顧、金融預測與反欺詐、融資授信）均需專有類型的數據作為支撐。場景應用的方面更加偏重於信號、圖像、語音、文字、指紋等非直觀展現出來的數據，均屬於人身帶有的特徵數據。人機交互亦是同樣需要積累大量的用戶數據，其中包括了用戶的操作習慣、操作頻次、操作周期等。總之人工智慧在金融領域的應用與使用者的數據關係異常密切。隨著機器學習的不斷發展，我們將會迅速跨進智能金融時代。

由於大數據屬於人工智慧應用的基礎部分，我們將會在接下來的解析中專門解讀。我們所聚焦的「人工智慧+金融」則將會從感知、決策、反饋這三大應用方式來解讀（商業模式為To B輸出）。

感知

屬於感知這一塊的人工智慧技術應用大部分需要參與者進行一些的人機交互，大多屬於信息採集的形式，向數據貢獻者進行人身特徵信息進行獲取，再進行比對。比如指紋識別、語音識別、人臉識別、虹膜識別。感知這一大項其實主要屬於數據的採集提供方，使用方包括了銀行、券商、險商、金融監管部門、P2P平台、公安司法機構、徵信機構、消費金融平台。應用場景主要有以下幾大方面：反欺詐、身份識別等。

其中我們將以指紋識別為例來和大家解讀一下感知方式的應用。指紋識別是目前最為主要的反欺詐技術手段之一，通常指可以用於唯一標識出該單位人物特徵或標識別，通常透過指紋採集和識別設備可以用於進行形成特徵集合。設備主要包括硬體屬性、軟體屬性和用戶行為。指紋識別也分主動式、被動式和混合式採集。主動式通過SDK或JS代碼在客戶端主動收集信息，較為精準；被動式主要通過在伺服器端收集通信協議和網路的特徵來進行識別，100%保護用戶隱私；混合式設備則融合了以上兩者格子的優點，適用範圍也更加的大。

諸如此類的識別方式已靈活應用於金融機構的內部流程操作、身份識別、資格確認當中，可以說這一種方式對於保護用戶金融資產的安全有著十分重要的意義。但隨著技術的不斷提升，這些技術的商業化也將會不斷的革新，會有越來越便捷以及安全的感知識別方式出現，落後的方式將會被市場所淘汰。

決策

人工智慧與大數據是共生共長的有機體。人工智慧，如人或超越人地自動感知，獲取數據之後就需要經過演算法、模型構建超人的神經元網路，處理不平衡的數據，進行方向性的擬合，直接指導金融行為的操作。

在這一方面，目前應用得最為廣泛的金融行為當屬量化交易。目前我國國內有聚寬JoinQuant、新三板企業祥雲信息等量化交易平台供用戶基於二級市場交易的大數據搭建屬於用戶個人的交易模型，這些平台培養用戶使用如Python等語言進行程序的撰寫。直接地透過自己搭建的模型進行交易產品的篩選、交易。目前為止，我國的量化交易尚處於起步階段，但在美國和英國這樣的金融高地，量化交易早已成為常態，市場上只有少數的散戶投資者在進行沒有量化的交易行為。

除此之外，在選擇各種各樣的理財產品以及互聯網保險、互聯網消費金融產品的問題上，人工智慧也能幫上大忙。基於公開的大數據，對金融產品的收益判斷、投資行業分析、投資周期、投資結構的綜合模型，也在替B端的金融產品公司不斷地調整自己的產品方向，以打造出最適合市場的產品。

更甚的是在徵信系統的處理上能夠透過信息的篩選判斷，對於申請人的資質進行判斷，能夠直接免人工地對不合規的申請人進行排除。這對於金融機構的風控體系有著直觀重要的幫助，大大提升了效率。而一系列的智能風控模型體系提供商早已完成商業化，對外輸出自己的智能風控產品，中國遍地的互聯網金融及傳統小微金融機構急切需要引入這樣的風控體系。

反饋

其實人工智慧機器學習是一個完整的閉環，在金融行業的應用上同樣如此。在經歷過前期的判斷整合進行直接操作之後，操作行為的效果搜集也至關重要。這一行為我們之所以將它判別為「反饋」，是因為人工智慧有一個不可忽視的特性，那就是再學習。循環不斷地再學習，以獲取更符合模型設想的結果，是反饋操作的初衷。

所以說其實在金融行業中人工智慧反饋行為的體現，其實是與決策」環節起輔助作用的，並且不斷地幫決策更加高效。

人工智慧在金融行業所面臨的風險

用戶隱私被泄露

人工智慧的背後，是局域大數據及智能演算法的繼續升級，人工智慧系統通常具有記憶功能，通過收集、統計、分析用戶的數據不斷提升自己的智能型。如果被黑客入侵，用戶隱私可能被泄露，輕則用戶信息被不法分子掌握，重則危害用戶財產安全甚至人身安全。

技術面臨失控的風險

人工智慧在短期內的影響取決於誰來控制，長期影響取決於它是否受到控制。一旦應用環境和數據脫離用戶的可控範圍，尚無技術避開人工智慧失控帶來的風險。

故障排解及行為監管成本上升

人工智慧自身的負載性及系統風險性的增加導致故障排解成本將大幅度提升。在現有法律監管體系下，對機器及運行程序故障造成的損害，難以有效界定責任主體及責任份額。

智能投顧

之所以把智能投顧單獨領出來講是因為智能投顧和人工投顧的區分界限明顯，而人工智慧在這其中扮演的角色又十分之獨特，與上述的人工智慧分散參與金融行業各個小領域不同，在智能投顧身上，我們看到的是一整套人工智慧技術最系統地應用到金融操作上，是以一個整體一整套服務推出面向客戶的。形成了「大數據+機器學習與統計分析+可選標的+交易優化」五位一體的結合體。（商業模式為To C輸出）

人工投顧最主要是基於顧問個人的經驗和判斷能力來衡量投資的水平。而智能投顧面對客戶給出的是投資收益、風險偏好、投資周期以及投資能力四者結合的最佳組合方式，有且只有一個最優的投資建議，沒有同樣好的建議，只有其次及稍差的投資組合建議。智能投顧其實是有分「投」與「顧」的，一是投資交易的行為方式，而是作為顧問溝通。只要用戶和市場兩大當面的數據足夠，模型合理，是可以根據用戶以往的投資反饋進行再次學習的，給出更優的投資建議。

目前為止,VC SaaS所觀察的國內62家智能投顧企業融資輪次分布如下：