從 Kensho 看大工業金融的發展路徑（下）

05-01

在下半部分的文章中，鮑捷博士將細緻闡述一種反常識的新思路——智能金融的切入點，一定不是股票交易，離交易越遠越能落地。

他認為，Kensho 不會取代任何交易員、投資人或分析師，想坐在Kensho這類智能系統上躺著賺錢是不切實際的。

智能金融系統目前真正的價值，不是直接幫投資人掙更多錢，也不是省錢，而是通過人工智慧建立起金融機構的大規模自動化系統，讓監管、銀行、投資機構等決策行為減少對個人經驗的依賴，從而減少人員流動對機構的衝擊，建立新型的協作系統。

智能金融當下在中國真正的合理路徑是：由零件的標準化導向「大工業金融」，其本質是金融信息處理過程的（部分）標準件化。把金融信息和數據資產化，才是智能金融系統最大的價值所在。

作者介紹 鮑捷博士，文因互聯 CEO。擁有20年學術界和工業界的相關經驗。美國Iowa State University人工智慧博士，RPI博士後，MIT訪問研究員，W3C OWL(Web本體語言)工作組成員，前三星美國研發中心研究員，三星問答系統SVoice第二代系統核心設計師。主要研究領域涵蓋人工智慧的諸多分支，包括機器學習、神經網路、數據挖掘、自然語言處理、形式推理、語義網和本體工程等，發表了70多篇領域內相關論文。是中文信息學會語言與知識計算專委會委員，中國計算機協會會刊編委，W3C顧問會員會代表。2010年以來關注金融智能化的研究和應用，成果有XBRL語義模型，基於知識圖譜的基本面分析、金融問答引擎、財務報告自動化提取、自動化監管等。

智能金融的路徑：由零件的標準化導向大工業金融

標準化會帶來意想不到的新應用

智能金融的新路徑，我認為應該是通過零件的打造，逐步走向所謂大工業的金融。

就目前這幾年時間，比較合理的目標和路徑，是把信息處理過程中一部分的過程標準件化。自動化、標準化、工業化，這三塊是相互影響的。

我們把工業化話題展開一點說，因為信息工業影響金融工業，不是今天才發生的，在很早很早就發生了。我前兩天在讀《美國金融業史》，裡面講了一個電報的案子。美國在早年的時候，有很多交易所，這些交易所的那些交易的規則全是不一樣的，後來電報發生之後，改變了這一切。所有的交易所都死了，只留下了一個，紐約的交易所。因為信息的傳播速度的上升，就使得各種信息披露也好、交易規則也好，都標準化了，把這種分裂的市場變成一個統一的市場，所以其他的市場都沒有了。

往後看，比如說電話、互聯網，它們每一次都帶來了類似的變化。比如說個人消費信貸，在沒有電話之前是一個情況，到二戰之後，人們通過電話，改造電話線，有了信用卡網路，完全激活了一個新的市場。所以目前狀況也是類似的，如果狹義地看標準化本身，第一個階段可以看到的，可能就是我們做某件事情的效率提升了。

當電話進入金融機構的時候，大家可能想到的是，電話幫我跟其他人發生了實時的雙向語音通話。這個是改進了一點效率，但並不一定能激動。但是當大家發現電話上面加那麼一點東西，突然可以催生出個人信貸新形式的時候，這就有意思了。所以很多底層平台的標準化會帶來讓人完全意想不到的新應用。大部分情況下，人們沒有辦法預言這是什麼。但首先我們要提供這種標準化，提供這種通用工具。

從金融數據農業到金融數據工業

我把現在的金融信息服務業分成四大類：農業、礦業、手工業、大工業。我們要努力去創造的新生事物——大工業。

信息農業是什麼？就是從金融的「自然資源」裡面刨數據。這種情況在最早的時候，大家都是用人工來做的。我以前跟華泰聯合的一位前輩聊的時候，他說在十幾年前，他們開始做這件事情的時候，是每天看中國證券報的。從紙質報紙中，把數據扒出來，然後看併購標的的情況。後來進步了，有了各種各樣金融終端。但這些事情，依然還沒有改變這件事情的農業本質。基本上模式都是一樣的，就是在人力成本比較低的地方，找一幫小弟小妹們，通常大概是幾百個人，人肉地把這個數字給摘出來。我把這個稱為農業。

農業其實是一個很好的產業，如果農業能夠經營得體，利潤率50%是沒有問題的。但是農業面臨的最主要的困難，就是它很難去大規模地擴大。比如說很多信息農業，他們在主板時代是做得很好的，但是他們在新三板時代，他們的擴大就很成為問題。因為目前主體，已經不是1000家、2000家公司了，而是1.5萬家公司了。我們原來做產業鏈研究，招幾十個人就可以做，但現在要招幾百個人來做，組織一個幾百人的人員團隊，是一個非常有挑戰性的事情。而要手工處理所有1.5萬家的全部財報或公告的話，那需要幾千幾萬人。所以很難去規模化地擴大，很難去擴大生產，很難去延長產業鏈。這是信息農業最大的問題。

信息礦業，就是指在已經有了結構化數據的前提下，比如說，最典型的工商數據，從結構化和半結構化數據中去改進數據的可用性。這也是一種很好的模式。但如果沒有深度的加工能力，壁壘不會高。

第三種就是信息手工業。傳統的金融的決策過程，大部分是手工業的過程。我自己去進行大量的閱讀，大量的學習，從而建立起對世界的認知，然後我把這個對世界的認知進行變現。這就是一個手工業的過程。這裡面涉及到個人的經驗，也涉及到人脈。很多消息，你能得到，別人卻得不到，為什麼？就因為我認識誰誰誰。最早的時候，我們去採訪一些金融界的年輕人，有一位跟我說，「我感覺好像我的能力什麼的，跟我的老闆也沒啥區別，但就是因為他認識一些人，所以他在那個位置上，我在這個位置上」，他憤憤不平。如果一件事情本身就是依賴於個人的經驗，那的確會這樣。在此也可以看到，基於這樣的手工業，同樣會導致VC或是券商的某些部門，在它大到一定程度後，裡面的人成熟以後，有人就會憤憤不平，他一定會走，帶著他的經驗和人脈，因為這是一個個人不可複製的資產。

最後一種是叫大工業。大工業的特點，不是依賴於個人的經驗和人脈的，也不是依賴於一些現有的自然資源的。它是基於一種可複製的技術和系統，建立起一種協作的關係，從而製造出千千萬萬種有質量保證的產品。在礦業中，那就是開採石油；在工業中，那就是製造塑料。從這兒可以看到，例如中東那些產油國，雖然他們能夠生產很多石油，但是他們可能連生產一支筆的塑料都造不出來，因為他們不具備這種工業能力。

我認為未來的金融服務業，在美國那邊是260億美元的生意，但在中國還是規模非常小的。中國金融的信息服務業是不到100億人民幣的生意。是不是有一天，中國也達到260億美元，或者說2000億人民幣呢？是不是會有一天甚至比美國更大呢？也是完全有可能的。但如果走到這一天，一定不是靠農業這種辦法，也不是靠有更多的農民來「種地」的辦法，而一定是通過技術建立起金融數據大工業，從而連帶著整個金融產業發生一些比較大的變化。而且這些變化並不是像 Kensho 這種，我有了一個變魔術的機器，便能夠使我比市場贏得更多回報率的東西。

如果再往前發展的話，我認為中國金融在今後十年之內，會發生一個很大的變化。它會超越現在的手工業的金融，它能夠有更大的標準化的生產。比如說我相信大家每一個人都有自己的EXCEL表格，每個人都有自己的分析模型，每個人都有自己積累的一些小技巧。其實在早期的手工業裡面，這很容易看到，諸如造個輪子，造個碗，每一家都會有這樣的小技巧，每一家都把自己的小技巧藏著掖著。所有這些手工業者都擔心其他的手工業者搶走他們的飯碗。所以，手工業者會傳兒不傳女，把很多技巧給藏著。但我們知道，最後這些手工業者都還是被大工業給幹掉了。這樣的事情會不會也在金融界發生？我相信會的。

所以，最關鍵的事情，不是在現在這個階段，大家都去追求超出市場收益率的投資決策。如果我們大家想用 Kensho以實現坐著數錢，這件事情是永遠都不會發生的。現在不會發生，再過10年不會發生，再過100年也不會發生。

新協作、新體系

能夠真正建立起來的合理的追求目標，是建立起一個金融信息處理的協作系統。或者更現實一點兒講，我們並不是非得跑得比整個市場快，有時候只需要比旁邊的人快就行了。

其實在不同的部門裡面會有不同的落地形式。前兩天我也跟一個機構的IT部門負責人聊過。他提到一件事，他說以前他們在上投研工具的時候，領導是沒太大動力的。因為從領導來看，無非是他省了點錢。而在整個公司的三張表裡頭，這筆錢是放在費用裡面的，不是放在收入那邊的。這事對領導不見得有什麼動力。首先便已經證明了，從長期來看，通過這種工具來提高收益回報率的目標不切實際。第二，如果僅僅是省錢，這個目標不夠性感。他想讓事情這樣發展：在這個基金中，研究員會不停流動。在他看來比較有意義的目標，是整個投研不再依賴個人。但其實金融是什麼？金融就是信息和數據。把這些信息和數據資產化，這才是我上這個系統最大的價值所在。

我覺得這就是一種非常正面的思路，而不再是傳統的、狹隘的，一個個人提高投資回報率的過程。這更多是從系統角度講，如何去建立一個協作系統，在這個協作系統中提高了整個組織的資產（assets）。

在投行、銀行這些行業也都有類似案例，我們也都聊過。

我這邊再著重講一下監管。自去年十九大以來，整個監管對科技，特別是對人工智慧的熱度和關注度好像一下升上來了。包括幾個大的部門，股票、基金、債券；也包括新三板這邊，合規性檢查；還有下面的評估、評級，以及整個宏觀風險的監控。目前國家的投入量是非常大的。

在我看來，這也是一個大家特別需要關注的宏觀方向。它的壓力會一層一層的傳導下來。前天我也看到有一個從事券商的高管在朋友圈裡抱怨，說以後沒有辦法再做了，一罰罰50個億。其實這也可能代表，咱們關注投資的時候，不能僅僅只看收益或者是金融創新，在目前階段，更重要的是如何去規範這件事情。中國新金融往前的傳導會有一個傳導周期。可能最早的、最先把最核心的技術給應用起來的，是國家機構。它是在整個產業最上游，把這些新技術應用起來的。它會有一個傳導過程，然後一步一步地傳導到，比如說券商，再往下傳導到上市公司，上市公司的子公司、連帶的公司，如此一級一級傳導下去。這個傳導周期，可能會要花幾年時間。但是我相信，大家或多或少都會在未來感受到。

我們不應該去追求替代交易員，或者是投資經理。這是做不到的。我們也不應該去追求跑贏市場，因為市場本身不能打敗市場。當所有人都去追求跑贏市場的時候，沒有任何人能夠跑贏市場。從人工智慧角度來說，人們不應該去追求通過圖靈測試。實際上在很長一段時間內，大家對於類似Kensho的金融問答系統，是希望它達到人的水平的。而那也就是圖靈測試，是做不到的。

投資、投顧、投研：不能直奔平台而去

另外一點，對於這樣一個複雜的系統，我剛才也分析了，做好 Kensho 有很多的攔路虎。如果我們想做好，不應該一下子就去追求做這樣的系統，不管是智能投研系統、智能投顧系統，或者是智能投資、智能投機系統。可能在短期內都是做不到的。

就針對這兩個多說幾句。其實這個事情反常識，它不僅僅是在金融這一個領域，應該是在所有的人工智慧領域裡面的，是一個普遍的反常識。建設一個人工智慧的系統平台，不能直奔平台而去，因為通常人工智慧系統都是一個非常複雜的系統，都是要幾百個人年才能做得到的。

一開始，不管你是做語音也好，做圖像也好、文本也好，如果你一開始就搞一個很大的平台，比如說我錢多，一下子砸10個億、砸100個億，基本上註定這個項目一定會失敗。最典型的就是日本的五代機。日本在80年代的時候，想做出第五代計算機來，冠名人工智慧計算機。那是舉國之力，用整個日本國家的力量來做這樣一件事情，但沒有做成。目標太大了。

這可能是大型系統普遍的規律，它不是設計出來的，它是生長出來的，它是一點一點地通過一些很小很小的組件，一點一點地逐漸地去碰撞、去組合，慢慢地生成的。這件事情很難通過一下子砸100個億，就能夠達成的，沒有這樣的事情。直奔這個平台而去，基本上可以收穫100%的失敗。

第二個，如果我們要做金融領域的人工智慧，就不能直奔著搖錢樹而去。最早的時候，也有人給我提過這個建議。他說，你跟客戶談錢就好了，就說「我能幫你掙更多的錢」。你給他種個搖錢樹，給他更好的投資回報。但這其實是做不到的。如果奔著搖錢樹而去，最終是真長不出來樹的，也長不出果子。這都是反常識。可能一開始剛剛進入這個行業的時候，很多人直接就這樣，「我要造一個系統，能夠持續幫我掙錢，躺著都能掙錢，睡覺都能掙錢！」。但是做不到。

具體分三個領域來講：投資、投顧、投研，每一塊展開都能說兩個小時，今天只能提綱挈領地來講了。

比如說智能投資這邊，打敗市場是困難的，最重要的是打敗自己。每個人都是非理性的，所以我們僅僅只通過數據是不可能形成正確的決策的。在前幾年的時候，曾經有一個很火爆的東西，叫大數據指數基金。最早應該是在2010年的時候，印地安納大學的一個教授曾提出過這個理論。他還寫了一篇文章，說自己開過一個公司，就實踐他這個理論，可兩年後公司破產了。我們也看到，過去這幾年，所謂的大數據指數基金基本上回報率都是很低的。在此基礎上，我們也看到了一些和它類似的東西，比如說，智能投顧，它的整個回報率應該也是低於市場回報率的。

另外一點就是規模。我們也經常遇到這些情況。有人說量化有用，人工智慧有用，但是你可能要問他一個問題，你是在多大錢的規模上？

如果是在幾十萬上面，那是一個事情。幾百萬上，是另一個事情。幾千萬上，更是另一個事情。如果在一個億以上的事情，那還能做得到，那真是非常非常的牛逼。但是在座的很多人身家應該都超過1個億，或者是管理規模超過1個億。在這個基礎上，每個策略能夠做什麼事情，它對市場產生的影響是什麼。是不是一旦有效就變得無效？我相信很多人應該是有這方面的體會的。那麼對於10億以上的投資，你想通過人工智慧做一個策略，甚至是幾十個策略進行對沖，或者幾百個策略進行進化，都是非常非常困難的事情。當我們在談一個東西有效的時候，前提就是規模是多少。後面幾個細點就不提了，如果感興趣，我們可以回頭再研究。

投顧也是一樣的。投顧技術分成幾大塊，一塊就是底層的資產配置。這一塊是沒有多少人工智慧在裡面的。再一塊是用戶畫像，這裡面現在有很多用到的機器學習。從去年年中開始，越來越多的人開始關注智能投顧後的其他事情了，不僅僅是投前，也不僅僅是資產配置，投後的服務。因為最早的時候，智能投顧之所以能夠吸引到這麼多錢，可能是因為兩個原因：第一個原因，大家對人工智慧有一種期待，就是說我能夠打敗市場，我能夠去獲得更好的回報率。但是就目前市場的表現，實踐證明這一點很難做到。第二個原因，基於客戶本身，他們對人工智慧會有一種期待。你只要說我的基金用人工智慧了，我是智能投顧了，就會有很多人來買。而一買就買上百億，以此收益率來獲客。資產新規出來之後，這條路也被關上了。所以智能投顧往後走得開發新的東西，而不是原來這些東西。特別是投後的很多的事情，在智能陪伴這一點上，也是人工智慧可以幫助大家的地方。

第三點，智能投研。在投顧或者投資，或者投機裡頭也是需要投研的。我就不展開多說了，因為在市場上也看到很多類似投研的產品，包括怎麼幫助你更好地看公告，更好地看研報，更好地看數據。那是不是在傳統的場景里，我們需要優先把這個東西用上？早些時候，我們曾經有過討論。我們在想，傳統的投研場景是什麼樣的？如果是對於紐約那邊的分析師來說，6個顯示器，那是投研的場景。可這種桌面的投研場景，是不是我們要去追求的？可能還有新興的場景，新興的應用，或者新興的機構。這些地方也許是投研更能夠去發揮的地方，或者，更多的是以前根本沒有想到可以用投研的地方。如果在中國，我們看傳統投研的話，券商那邊幾千人，買方分析師、投資經理幾萬人，加在一起可能不到5萬人。但如果我們把投研只用來服務這5萬人，就嚴重低估了這個技術。也許是5000萬人需要這個技術。

其實以上幾點一直都在討論，我們構造智能金融系統，不必把我們的思想局限在做交易這一件事情上面，很多點上面都是可以用它的，而且我們不一定要從一個所謂的大的系統開始做這個事情。

用零件的標準化觸發系統性變革

用歷史眼光來看，整個金融IT建設的歷史，可以分為四個階段：信息化、大數據化、自動化、智能化。

第一個階段就是信息化，或者說是電子化，上各種信息化系統。大概從十年前開始，我們就進行了大數據化，比如說銀行有各種雲，還有把分散的各個部門的數據匯總在一起的資料。這兩年開始便有了自動化，包括自動化報表，自動化服務。從去年開始有智能化的需求。每一步都是依賴於前面那一步的。

在我看來，現階段，最重要的是自動化，我們把前面那一步已經做得挺好的了。經過以往7、8年到10年的實踐，大數據化，包括銀行、券商都做得相當不錯了。銀監會剛發了一個文，要求各個銀行加強內部數據治理，以後要有數據治理的標準。我們昨天剛聊了一個銀行，他們從一開始做了內部數據治理，便有了比較好的機構化數據；而有了那一塊之後，新的東西立刻隨之出現，例如各種自動化的需求，自動化的匹配、自動化的報表、自動化的研究。又比如說我認識一個券商的資管部門的研究人員，他們現在用各種EXCEL表格來做資產的配置，而這事以後肯定會自動化的，不需要再用EXCEL表格來做了。

所以核心就是自動化，怎麼做到自動化？怎麼做到人工智慧化？要把底層數據結構化。底層的這些東西，就是要一層一層的逐漸從零件開始。我們從投研的各個不同的環節開始做零件、做工具的打造，做解決方案，到系統。

我這裡再講一個小故事，跟金融沒有關係，但是挺有啟發的。瓦特作為蒸汽機的發明者，其實是改良者，他到底做了什麼？他發明了熱力學某某定律嗎？肯定沒有。他發明了一種新的熱機循環的方法嗎？也沒有。其實瓦特真正的改造，他之所以能夠讓蒸汽機的效率提升如此之大，都是在零件層面上做文章。比如說在如何傳動的問題上，他發明、改進了分離式冷凝器、行星式齒輪、平行運動連桿機構。而就是有了十幾個這樣的改進和各種零件層面上的改動，才促使了之後系統的變化。

再舉個例子，福特的汽車案例。他生產出了流水線，可他是如何把整個生產成本降到這麼低的？在很長一段時間，法國的汽車是比美國的汽車造得好，產量高的。但在福特發明了流水線之後，這一切全變了。一直到第一次世界大戰之前，法國一年只能造4萬輛汽車，因為需要手工打造每一輛汽車。而流水線的標準化改變了這一切。這便是零件的標準化所能帶來的價值。

而對於打造一個智能金融的系統，我們目前可以製造其中大概一百多種零件。我們能做的零件肯定不止這些。我相信未來的金融大工業會需要比這多得多的各種零件。但我們目前可以從這些零件開始，來做一些現在、立即、馬上，就能夠做的事情。我們在著手去構造一個智能金融系統時，一開始可能想的是用1000萬、2000萬來做這個事情。但是如果我們從現在就能夠做的小事開始的話，可能就不需要這麼多。也許20萬就能啟動一件事情。很多事情可能沒有想像的這麼難。

如果我們把我們的目標定在理性的目標上，要想做到這一點，我們就要打造新金融，用人工智慧打造新金融。新金融是需要新金融人的，我們可能要清掉我們腦里原有的很多想法。這些業務中很多未必是通過原有的做法去向外推的。我們還可能需要一種新的方法去適應大工業時代的協作。至少，我們要更加地開放、更加地協作。

結論

說了這麼多，我相信大家今天回家以後，大部分內容可能都不記得了。但我就希望大家記得這一句話，Take-home message：智能金融的路徑是由零件的標準化導向大工業金融的。就是標準化和大工業這兩件事情。如果說我們要想建立起未來的 Kensho，我們應該是要通過這樣的路徑。

加入智能金融交流群：添加微信群小助手微信號 wenyinai42，附上姓名、所屬機構、部門及職位，審核後小助手會邀請您入群。

文因商務合作：請另聯繫微信號:wenyinba