智能金融的核心引擎：一覽與前瞻

02-11

文/鮑捷

發佈於2016年12月12日

文因互聯創始人鮑捷受邀參加中信證券2016年11月24日在深圳舉辦的《中信證券2017年資本市場年會》，並進行了《智能金融的核心引擎：一覽與前瞻》的主題演講。以下內容為鮑捷的演講全程實錄：

我們文因互聯是一家位於北京的初創公司，正在探索智能金融落地的各種場景。智能金融這件事，不僅在中國很新，在美國也是很新的事物。在探索智能金融的過程中，包括技術的基礎、技術在金融行業的切入點、盈利模式等，大家都沒有完全探索出來。我估計還要花上三五年甚至更久的時間才能搞清楚。

之前很多人都會問我：你們是不是做互聯網金融的？最近幾個月以來，大家開始問：你們是不是做科技金融的？Internet Finance 和 Fintech 這兩個概念，大家都已經很熟悉了，但智能金融是一個更小的概念。我的理解是：智能金融是科技金融的一個子模塊，和互聯網金融有一定交叉，但並不完全相同。前一段時間我看了《清華金融評論》，這是一本很厚的集子，裡面講了國內外100多個這樣的公司。畢馬威也出了一個中國Fintech 50強的列表。仔細看的話，這些公司從事科技金融和互聯網金融的都有，但是涉及到智能金融的其實還是非常少的。智能金融從去年開始在中國剛剛起步，今年又陸陸續續出現了一些，但是還處於非常初步的階段。

在之前20多年的金融數據化和智能化的過程中，智能金融逐步成熟起來。這離不開之前做的很多工作，從金融到互聯網金融，再到科技金融，其實經歷了很多的準備工作。不僅是數據的準備工作，還有市場的教育工作。已經有這些領域的前輩幫我們探了路，趟了很多地雷。按照我的理解，智能金融的核心問題是兩件事情：自動化和智能化。先有自動化才有智能化，像個人徵信、銀行大數據，還有之前的P2P和眾籌，都用到了很多人工智慧的演算法，包括機器演算法和知識圖譜。但是，真正以人工智慧為核心來構造智能金融系統的，目前在國內我基本上沒有看到。在國外，我們可以看到 Alphasense、Kensho 這樣的公司，國內目前還沒有成熟的對應公司。

為什麼會有智能金融出現？這是這些年中國經濟，特別是金融產業發展所帶來的一些因素造成的。

促進因素包括：

第一點：市場規模的成長

舉個例子，我們之前找A股的研報，隨便一搜，大概就下載了30多萬份研報的PDF文件。我們去找新三板研報的時候，發現新三板93%的企業沒有任何研報，98%的企業只有一份或者少於一份的研報。在A股市場上，中國的研究員可能有7000人或更多，他們在兩千多家公司上面研究了20年時間，把每個行業都研究透了，寫出來上百萬份報告。新三板上現在有將近一萬家公司，未來還有可能達到兩萬家，其中一半以上的公司所在的行業都是新興行業。在這些行業上，如果我們還沿用之前人工研究的方法，需要多少研究員？現在是七千個研究員，要把研究員擴大到七萬個來解決這個問題的話，顯然是不可能的。所以之前的研究體系跟交易體系、資源配置體系，只適合為很少的公司進行運作。現在面臨著一個十倍甚至更大市場，我們不可能沿用原來的方式來服務這個市場，必須要依靠技術。而人工智慧就是這個過程中最重要的一環。

第二點：產業的升級

之前我們看A股的公司，上面有各種各樣傳統的產業，國有企業的產業。那麼到了新三板上，我們看到了一大半以上公司都是新興行業，這些行業在A股上根本沒有。在新三板，我們找到了六萬多種產品，其中超過60%的行業標籤在A股上是找不到的。傳統培養行業研究員的方式跟不上今天的新興行業的成長速度。新三板還只有一萬家企業，早期市場有幾十萬家企業，還有更多新興的行業，怎麼可能用人力完全把它建模出來？必須用技術的手段。

第三點：人工智慧技術的進步

特別是最近幾年，深度學習技術和知識圖譜技術快速發展，使得我們有可能解決這些問題。這些問題並不是全新的問題，在美國之前也有。十年之前美國有一批公司出來做這種事情，但他們最終大多死掉了。為什麼？因為那個時候從底到上，每一層的技術架構都不完善，從資料庫到前面的搜索引擎，都是自己來搭。那個時候還沒有成熟的體系來支撐，也沒有開放的數據來建立整個生態鏈。2006年之後，美國的這種數據發展起來了。2001年之後整個語義網的技術，2012年之後整個知識圖譜的技術，使得我們現在有可能解決這些問題了，不需要我們再重頭開始構造整個架構了。

以上是正面的因素。在這些正面因素的前提下，為什麼智能金融現在還是一個非常弱小的產業？我們下面來看看制約智能金融發展的因素。

制約因素包括以下三點：

第一點：數據的缺失。

在美國，這個問題已經解決得比較好了。在國內，相信做過這件事情的同行都會有切身體會。無論是政府數據，還是行業數據，數據缺失都是第一位的。3月份的時候，我們開了一個沙龍叫「語義對話金融」。在這個沙龍上我問在座的投資人：你們覺得當今最需要解決的問題是什麼？答：是數據！巧婦難為無米之炊，所以我們必須先把數據問題解決。現在大多數的數據在哪裡？其實都被隱藏著。很多數據，在政府的各部委的數據中，在各個地方政府裡面，現在還沒有一套很好的開放方法，讓大家能夠訪問到。實際上，這是全民的財富。從2009年之後，美國從白宮開始一層一層去搞開放數據，最後要求政府每一級都真正地開放數據。使用數據的每一個人，不需要事先申請就可以使用，這一點在中國目前是還沒做到的。即使是大家能夠接觸到的數據，現在用得還不是特別好。比如說機器可讀的金融報表，現在的結構化金融報表本來應該讓每個人都可以訪問，這樣我們就不用雇那麼多實習生去爬數據了。但現在它也不是每個人都能夠拿到。另外，在股轉書、年報、季報里，90%以上的數據都是非結構化的。怎麼使用這些數據？現在沒有一套很好的辦法幫我們用好這些財富。

第二點：人才的缺失。

既懂金融又懂技術，這樣的人才是非常非常少的。因為這兩種人是完全不一樣的，一個來自火星，一個來自金星。能將這兩種背景結合在一起的人，在中國可以說是鳳毛麟角。

第三點：組織變革的困難。

我覺得這個因素是最重要的一個問題。我前兩天在看一本書叫《創業者》，英文叫Founders at Work。這本書第一篇文章是 PayPal 的創始人回憶他們當時怎麼創造出 PayPal 的。記者問他們：為什麼你們不害怕銀行來做這件事情呢？創始人說：銀行絕對不可能做這件事情，因為銀行關心的問題是銀行原來的體系內部，他們認為 PayPal 完全不可能做出來，因為他們認為反欺詐的問題絕對不可能被解決。但是 PayPal 就解決掉了這些問題。現在我們回過頭來想，是不是還有類似的事。在一開始的時候，大量金融創新的可用性、可靠性都不是那麼好。在這種大型組織里，想運用這種新技術是很困難的事情。這就是一個典型的創新者的窘境。特別是在技術面臨的挑戰前面，它的組織的變化，整個理念的變化，它的價值體系的變化都是挺慢的一件事情。我們大家都知道，銀行只看風險是不夠的。國家強調提高直接融資的比例，降低間接融資的比例。但是銀行為什麼就不能很快轉變過來呢？因為銀行原來的一整套體制都是風控驅動。風控是高壓線，所以人的提拔，獎懲全都是按照風控來做的。在外部形勢沒有發生變化的前提下，這個並沒有什麼錯誤。但如果發生了變化呢？組織在這個過程中會變化，但不會這麼快。這使得越大的組織，在使用這些新技術的時候，反應越慢。這是制約因素。

簡單看一下中美比較，去年畢馬威把中國 Fintech 50 強和國際 100 強做了一個比較。他們剛剛做了一個發布會，這裡面有幾個大塊，跟智能金融有一點關係，但不是完全一樣。我們看框起來這一塊是大數據徵信。中國對這一塊進行了密集的投入，比美國還密集。我懷疑中國有沒有一千家在做這件事情。另外智能投顧這一塊，做財富管理的公司美國非常多，中國非常少。這跟中國各種產業環境也有關。現在，中國的監管機構不是很鼓勵做這件事情。之前，哪怕是非智能的投顧，在中國其實也沒有發展得特別好。所以智能投顧的基礎並不是很成熟。

再看科技系統這一塊。美國有這麼多公司，中國居然是一片空白。中美兩國的發展，也預示著我們哪些地方發展過熱，哪些地方可能還需要再加強一下。

最關鍵的，我覺得是上面兩張圖裡都還沒有的東西。畢馬威 2016 Fintech 榜單里提到了幾家公司，像Alphasense 和 Kensho，2015年都沒有出現，2016年才把它們加進來。類似這樣的還有其他一些公司。我認為非常值得關注的智能金融的公司，像Palantir和Dataminr，這些公司真正的是以人工智慧為核心來改造金融的數據產業鏈，很多這樣的公司還沒有進入公眾的視野。但實際上像 Alphasense和CB Insights 這樣的公司，其實已經有七八年的歷史，並不是一夜之間冒出來的。

那麼他們是怎麼起家的？很多新興的技術，像知識圖譜技術，其實在2007年、2008年的時候，是非常悲催的。我從2001年開始做知識圖譜，2007年博士畢業。那個時候想找稱心的工作是蠻難的一件事情，因為大家當時都不看好這些技術。到了2012年之後，這方面才慢慢受到關注。特別是谷歌從2010年的時候，買了一個小公司(Metaweb)，發現這個技術特別有用。他們發現，只有機器學習是不夠的，知識圖譜特別有用。之後發生了幾個大事件，在2012年左右像蘋果的 Siri和IBM的Watson，他們發現，僅僅是通過統計的方法，無法解決他們現在面臨的問題。必須把人的知識、世界的知識放到系統里，才能解決各自的問題。在2007年、2008年之後，已經有一些公司先知先覺開始將這些技術用到金融裡面了，Alphasense和CB Insights都是那時候成立的。

Palantir 是 2004 年成立的。用我們行話說，它是個本體編輯器(Ontology editor)，這個東西是非常枯燥的。從2004年到2010年，我自己寫過五個本體編輯器，不過沒有想過進行商業化。Palantir 則商業化了，變成了一個估值100多億的企業。這說明，人工智慧的價值取決於你怎麼用它。把它用到好的角度上，找到市場結合點，哪怕是看起來很偏門的技術，也完全有可能成長為一個很大的市場。 Palantir 背後也有一個很大的知識圖譜團隊，因為要想把策略生成、數據集成做好，把下面的邏輯模型做好，都必須用到知識圖譜技術。

智能金融公司在美國從2007年、2008年就開始有了，在中國最近一兩年才開始做起來，就是因為每個國家的經濟發展都有階段性。我們只有一個階段、一個階段地把前面的技術都夯實了，才能去做更高級的事情。所以之前我們花了20年時間，做銀行的金融的信息化。信息化之後，我們才能做大數據化。像工商銀行可能是做這種大數據最早的一批，然後做了七八年甚至上十年時間。很多銀行只是為了滿足巴塞爾協議的那些要求，就花了十年時間。有了這些東西之後，從2015年之後，我們看到有些做信息處理的自動化企業。做了自動化之後，才能去做智能化，這是一層一層發展的。我們目前做智能化，坦白說有點早。如果太冒進會成為先烈，所以應該實事求是追求合理的目標。

這幅圖是我從工行的前行長楊凱生先生的文章裡面摘出來的。這篇文章蠻新的，發表於2016年。在回顧他們工行的大數據架構時，他把整個大數據的發展過程分為五個階段。他認為前面三個階段現在都已經做得比較好了，報表顯示已經發生了什麼事情，分析為什麼會發生這些事情，預測還會發生什麼事情。後面兩個層面，就是運營分析和動態正在發生什麼，實際上這兩個層面不是光靠大數據技術就能解決的，需要更多的人工智慧技術，包括機器學習技術、知識圖譜技術。比如這篇文章里也講了好幾個例子，講了一個工商銀行有上千萬的房產抵押，而這個房產的價值，每天都會變化，不停地變化，該怎麼快速跟蹤上千萬的抵押房產呢？他們開發了一套系統，其中還用到了自然語言處理的技術，來估計每一個房子價值的變化。

把視野往後推一推，我們今天談的智能對產業的影響，其實只是漫長的技術對金融的推進過程的自然延伸。從1960年到現在，過去這半個多世紀的時間，每一代計算技術的發展都對金融產業產生了巨大的衝擊。特別是這些技術創造了新的業務，這是最重要的一件事情。所以每一次革新開始的時候，大家總是先提高現有業務的效率，然後再往前走。隨著每一次效率的提升之後，就會有新的組織出現、新的業務出現，去挑戰原來的組織和業務。大家發現這個技術不僅僅可以提高效率，還可以創造出新的業務，從而顛覆原有的大型組織。所以金融組織也是不斷地新陳代謝。

我看過一篇文章，是中信建投的一位高層寫的，他說中國券商是個高危行業。他分析了一下過去15年的券商，發現好像超過一半的券商都死掉了。雖然現在券商的收入很高，好像去年的平均利潤率是50%，但是我們十年後看，券商的淘汰率可能也會很高。那麼什麼樣的組織能夠存活下來？我們看看上面的表格會得到一些啟示。在每一次的迭代過程中，都會有一些順應技術進步的新興組織冒出來。最近這些年人工智慧讓我們能夠看到，我們可以去做自動化的小貸、精準獲客，還有策略自動化、組合風險管理，這些事情可以做。其實還有很多其他的事情，有待新興的組織去服務。

在談智能金融之前，我們來解釋一下什麼叫「智能」。我們看到很多東西都冠以智能。我的鞋子裡面有一個鞋墊，它稱為智能鞋墊，後來我掰開看了一下有一個小晶元，就稱為智能了。還有智能燈泡、智能音箱、智能汽車，這些東西都稱為智能。這些東西背後的智能指的是同一個東西嗎？

我把上圖中的三種智能稱為智能的三個階段：

第一個階段，是機器人化或者自動化，它代替人完成一般性的、重複性的動作，比如說裡面的晶元，或者套了一個公式。

第二個階段，稱為小聰明(Smart)，像智能音箱是典型的，它可以完成一個相對而言比較簡單的數據集成的事情，或者人花上很長時間才能完成但是機器很快就可以完成的事情，我們稱為Smart。

第三個階段，就是Intelligent，可以真正地進行預測、分類、聚類、策略等等，提供深度的洞察，這些都需要長期深入的訓練才有可能得到的技能。一般意義上，在說人工智慧的時候，我們通常會認為是Intelligent層面才課稱為人工智慧。但是目前我們在商業上看到，很多情況下大家會把這個概念往外伸，把Robot、Smart也說成人工智慧。智能燈泡不算是人工智慧，智能鞋墊也不算是人工智慧，但是我們在提智能的時候，很多人會把這些賣成 AI 技術的一部分。

看硬體的時候，我們可以看得很清楚，但看軟體就不一定看得那麼清楚了。比如說智能投顧這個概念是不是AI的應用？其實本身它就有多種含義的。如果只看基於60年代就已經有的資產配置理論來說的話，那我們可以認為它不是人工智慧的。它只是在一些簡單數據提取、整合這方面，做了一些 Robot 的工作，所以這不是人工智慧。但是智能投顧這個概念，也用在很多事情上。比如說在智能選股這些事情上面，就有人工智慧在裡邊。所以說這個概念的含義是多種的。

我認為可以分為三個層面：

第一個層面是Robot。在座很多人都雇過實習生。這些實習生每天從 PDF 裡面扒數據是人工智慧嗎？這是人工的智能，但不是人工智慧。這個工作是非常機械的，就不應該用人來做，而應該用機器來做。

第二個層面是Smart，指數據的簡單分析、摘要、過濾、跟蹤、可視化。Alphasense是智能的，是美國的基於知識圖譜的語義、金融搜索。這個軟體可以去監視上市公司所有的年報、季報、會議記錄，開會的時候說了什麼，董事長一句話說完，一秒鐘之內，交易策略自動就推送到投資者那裡去了。這樣一種工作，用人來干一個小時也可以完成，但是用機器人，不到一秒鐘就可以幹完，這是Smart。

第三個層面是Intelligent，提供數據的決策支持和洞察，這是高級分析師才能做的事情。Robot 是實習生就可以做到，Smart 是一兩年工作經驗的分析師才可以做的。Intelligent 是高級分析師才能做到的。他真正有這些行業的經驗和洞察力，他才能做出來這件事情，才能夠合格的提出一個參謀的意見。像這樣的事情，我們認為才是真正的人工智慧。Kensho 從某種程度上來說接近了，但我還不能夠有信心地說 Kensho 現在已經是這樣的東西了，因為 Kensho 包括兩大塊內容，一塊是數據集成，第二塊就是策略生成，它的數據集成那一塊，我認為還只能說是 Smart。

真正的 Intelligent，是怎麼發展起來的？其實人工智慧的行業是「有多少人工，就有多少智能」。因為每往前走一步，最核心的問題都是成本、成本、成本。如果想去構造一個所謂非常聰明的系統，從技術上來說都是做得到的。我經常愛開玩笑說，如果明天發生第三次世界大戰的話，所有的AI問題我們都可以在五年內解決掉。因為只要政府能夠徵發一千萬人，來給我們做數據標註就可以了。我們在商業中，不可能免費得到一千萬奴隸。我們解決這些問題的最好方法，就是經過快速的產品迭代。在每一個層次上面，我們從低質量的數據到高質量的數據，在投入一些成本之後，我們獲得一些收益，然後不斷地去加速人的輔助價值。大家常聽到一句話，什麼職業要在人工智慧的壓力下失業了，速記員要失業了，或者說翻譯要失業了。坦白說我認為這種話說得不對。其實技術發展那麼多年，真正的被技術消滅了的行業、職業真的很多嗎？我不覺得，更多的時候是增強了。我們有了計算器之後，真的把會計這個行業給消滅掉了嗎？其實會計做得更好了。人工智慧取代這個、取代那個是現在根本不用擔心的問題。實際上，人應該起到畫龍點睛的作用。每一個層面機器幫我們，我們有了更好的數據，我們有更好的創造力，來加速人的判斷，這才是比較好的人工智慧的應用。中間有很多的步驟，我不一一去講這些細節了。

在這裡面有兩張表，講了分別從底層技術的層次上，我們到底有哪些技術可以用。同樣今天沒有足夠多的時間，把這裡面的每一點都講到。如果把這兩張表給解釋完了的話，可能就要花半個小時時間，只好略過。

我們看最後的層面「策略生成」。如果想造出 Kensho 這樣的系統來，我們到底需要花多少人力和物力？這絕對不是一個小團隊可以做出來的。比如說組一個10人團隊，給他們一年的時間，就能做得出來嗎？這是不可能的事情。因為背後需要做的底層技術發展實在太多了。

這裡多提一下知識圖譜技術。其實知識圖譜是一堆問題，而不是一個技術。雖然知識圖譜為人所知是最近三四年的事情，實際上這個領域成型已經有15年時間了。2001年，我們管它叫Semantic Web(語義網)，2006年的時候叫Linked Data(互聯數據) ，2012年的時候叫 Knowledge Graph(知識圖譜)，到了2015年我們又把它改成一個新名叫Smart Data(智能數據) 。今後一兩年，大家聽到智能數據這個詞不要詫異，它和知識圖譜是同一個技術，只是換了一個馬甲而已。因為我們這一行，博士論文每五年一屆，所以每五年我們這個行業就要換一個馬甲。1998年的時候我們叫Agent，在這之前我們叫 Lisp、專家系統。所以整個知識圖譜的技術，實際上有三四十年的發展歷程。最早起源的技術，60年代就有了，整個細分為幾個大塊。我認為細分下來，有幾十種不同的技術，統稱為知識圖譜。並不是找到一兩個做自然語言處理的人就可以號稱是知識圖譜。

從來源來講，知識圖譜可以分成四大塊：

第一塊：知識提取。這一塊主要是從自然語言處理的角度來看的。比如說，我們現在有股轉書或者研報，研報裡面有很多表格。把這些表格的數據提取出來，就叫自然語言處理的技術。我們從非結構化的數據里，把數據信息結構化，也就是知識提取。

第二塊：知識表現。我們拿到了一些數據之後，怎麼進行有效處理。尤其是背後有意義的數據，像股權關係網路裡面，股東A和股東B之間有親屬關係，他的兄弟們、同學們，這些關係是什麼意思？這是一種知識，我們要有一種方法，讓機器更方便地進行自動處理，這一部分就叫知識表現。

第三塊：知識存儲。剛才提到了圖資料庫。圖資料庫是知識存儲的一個分支，還有很多其他資料庫，比如RDF資料庫，還有混合的結構化和非結構化數據的管理。

第四塊：知識檢索，有時候也叫語義檢索。這裡面又細分成六七種不同的技術，我就不一一列舉了。

這些技術對我們有什麼用呢？先舉一個小例子，在投資研究的過程中，我們最早跟一些券商研究員聊的時候，逐漸分析他們的行為過程。我發現應該可以將他們的分析過程分成四個步驟：

第一步，是搜索。比如說百度搜索。有時候可能是通過線下聊天或者微信，聽說這個行業不錯。大家看看這個行業有哪些公司，比如說珠寶這個行業，我在搜索里去搜珠寶，繞過了前面若干個不該點擊的鏈接之後，找到了一個正確的鏈接。然後在這個鏈接裡頭，我們找到了一篇文章說珠寶行業裡面有8家公司可以看。

第二步，是找數據。這8家企業的數據在哪兒呢？打開一個金融終端，把裡面的數據提取出來。可能一年的數據不夠，那麼把過去幾年的都拎出來，然後一年一年地給篩出來。

第三步，把這些數據扔到EXCEL表格里。有些表頭，還有一些公式也都是事先定義好的，他們每天都要做這件事。我們之前還遇到了一個人，他每周一都要發布一個新的EXCEL，裡面包含股轉中心中的新三板在審企業。這些企業有1000多個，每周一下午三點的時候發布。他每周一下載下來之後，把數據調出來，用以前定義好的模板把EXCEL表格填出來。每一個周一要花三個小時做這個事情。他怎麼過濾數據，都是他自己的世界觀。

第四步，就是呈現。他拿到了數據，要寫PPT、做報告、畫圖、畫表，然後看風險點，各種進一步分析。

當然這只是非常簡化的一個過程，實際的研究過程可能會比這複雜很多，而且是迭代的過程。這裡也沒有包括那些非案頭的工作，如打電話和現場調研。

在這四步里，其實每一步你都會看到，人80%的時間在做什麼？是在把一些文字、數字從一些地方挪到另外一個地方。這些事情為什麼要用人來做呢？這些事情要用機器來做嘛。這就是人工智慧在上面能夠起到的作用。每一個層面上，我們可以用語義聯想來做搜索，做行業對標簡化發現細分行業的問題。我們可以用微信機器人，在微信里快速尋找數據。有報道的摘要、產業鏈的分析、數據的集成等等。一系列的演算法，可以在每一個細節上面提高分析師的效率。這就是文因互聯現在在做的事情。

我們在2016年1月份就做過新三板的金融終端，5月份發布了搜索，7月份發布了快報去跟蹤投前和投後的信息。最近我們做了自動化企業報告。企業要素分析大概有十來個點，這些點都是以前要一個實習生花上一天時間，甚至兩天時間才能夠做完的。現在一秒鐘之內就可以做成一份。也可以在微信群里說，我要某一個企業的分析報告，在10秒鐘之後微信機器人會在微信群里給你發出來。對於一些企業的負責人，或者時間特別寶貴的人來說，這非常有價值。之前他們的助理做這個報告，至少需要一天。現在在街上、計程車上，他看到了一個公司，想看看那個公司的信息，一分鐘之內就能找到。這種信息的及時性是以前享受不到的。

信貸報告準備的自動化是我們跟銀行合作的一個例子。信貸經理、客戶經理生成報告的過程中，需要填很多表。填完這些表格，他們把數據從一個表裡挪到另外一個表裡。這裡面有大量企業基本信息數據、工商數據、實際控制人的數據。這些數據都是從很多其他的表裡面提取出來的。一個信貸報告中大概有一兩百個點，根據我們的評估，這其中大概有一半左右可以自動化。我們就跟銀行一起來自動化。同時，我們還跟一些評級機構做類似的事情。在債券的評估報告里，大家要看六百多個點。這六百多個點大部分都是可以自動化的。從各種各樣的地方，把信息從表格中抽取出來，然後定義好，進行呈現和總結。

自動化行業的上下游分析是另外一個例子。我們之前就已經有這樣的數據。但是在新三板以及早期創投一級市場上，有大量的新行業，這些行業的上下游從來沒有人分析過。那麼怎麼做呢？我們去看看市面上已經公開的數據，包括這幾十萬份的新三板上的年報、半年報，還有股轉書，還有對整個產業的描述，這些都是金子。從這裡面，我們可以抽取出來幾乎每一個細分行業，上下游企業有哪些？他們對應的產品有哪些？所以對這上千個新興行業，我們都可以機器生成這樣一個產業鏈。上圖是園林行業的例子。園林的上游企業，有沙石、石材，它的下游有綠化、工程、設計、種植景觀。這些工作以前都是要用人工，要用行業專家來做。我們現在有了機器之後，並不是取代了行業專家，而是可以讓行業專家大大節省時間，把成本降低。

最後一部分是我們正在跟一些交易所在做的公告自動摘要。A股的已經基本做好了，明年初還會做美股的。這都還是一些很初步的工作。對於整個投資研究而言，這些可以說都是一些局部的具體應用。我們做了十幾個這樣的工具之後，現在在把它們組合在一起變成一個投資研究系統( 文因互聯 )。這個投資研究系統可以做發現標的、企業的研究、行業的分析、事件的分析，最後生成各種各樣的自動化報告，能夠讓每一位研究人員把他的時間放在能夠創造更多價值的事情上。多一個小時做什麼不好？不工作的話，睡覺也好、談戀愛也好，做什麼都好。讓金融人士每天延長生命一小時，這就是我希望達到的目標。

我們現在做的事情還都非常初步。再回到剛開始說的，智能金融這件事情才剛剛開始，我們的著眼點並不是下一步就替代什麼，或者做很智能化的事情，而是把小事情做好，真正地幫助人做一些自動化的小事，提高人的效率。我相信在5年以後，我們會有一個智能金融的生態系統出來。人工智慧在這個過程中會起到非常重要的作用。我們文因互聯希望跟這個產業一起同步成長，謝謝大家！