金融 AI 邁入深水區(qū)不假，但在政策指導(dǎo)、技術(shù)驅(qū)動、市場實踐的共同推動下，金融 AI 業(yè)務(wù)將會加速布局和迭代。
人工智能 (AI) 技術(shù)在過去十年（2012-2022）中取得了重大進展，在各行各業(yè)獲得了大力應(yīng)用和發(fā)展。金融行業(yè)是人工智能應(yīng)用最具潛力和最為活躍的領(lǐng)域之一，一方面是因為近年來金融機構(gòu)的盈利空間持續(xù)壓縮，行業(yè)同質(zhì)化競爭嚴(yán)重，通過大數(shù)據(jù)和 AI 打造創(chuàng)新產(chǎn)品和差異化服務(wù)已成為金融機構(gòu)的重要選擇；另一方面，金融業(yè)的信息化程度最高，銀行等金融機構(gòu)沉淀了海量的業(yè)務(wù)數(shù)據(jù)，率先進行基于金融大數(shù)據(jù)的智能化轉(zhuǎn)型水到渠成。通過多年的滲透發(fā)展，AI 技術(shù)已廣泛地與金融業(yè)務(wù)深度融合，衍生出了眾多新業(yè)態(tài)、新服務(wù)，如大家所熟知的交易反欺詐、智能營銷、智能信貸、智能客服等已成為各大金融機構(gòu)標(biāo)配的數(shù)智化能力。但是，隨著人工智能技術(shù)的深入應(yīng)用，金融數(shù)智化解決方案開始呈現(xiàn)出嚴(yán)重的同質(zhì)化現(xiàn)象：首先，業(yè)務(wù)場景側(cè)開始飽和，如在智能營銷領(lǐng)域，“匯集客戶在生活消費、網(wǎng)絡(luò)社交、金融交易等領(lǐng)域的大數(shù)據(jù)，深度分析客戶的真實需求和偏好，并通過系統(tǒng)形成更具個性化的金融產(chǎn)品解決方案”，此類方式已成為行業(yè)常規(guī)；在渠道服務(wù)領(lǐng)域，基于自然語言理解（NLU 和 NLG）的智能客服、智能外呼等系統(tǒng)也被大量金融機構(gòu)普遍采用，用于解決金融機構(gòu)的人力成本高企問題；在智能信貸風(fēng)控領(lǐng)域，“通過利用機器學(xué)習(xí)模型、圖分析等技術(shù)實現(xiàn)對公客戶的貸前、貸中和貸后等風(fēng)險識別與預(yù)警” 等場景已成為 AI 技術(shù)的熱門演武場。常見場景已基本實現(xiàn)智能化，因此，金融 AI 亟需開辟新的應(yīng)用場景。在供應(yīng)側(cè)，近兩年各類新穎的 AI 細分技術(shù)繼續(xù)涌現(xiàn)：大模型 (Big Model)、小樣本學(xué)習(xí)、可信 AI、知識計算、AIGC (AI 生成)、可解釋 AI 等新概念和新技術(shù)層出不窮，但學(xué)術(shù)前沿尚未在金融領(lǐng)域廣泛落地。與此同時，大批明星 AI 公司和金融科技公司仍主要依賴現(xiàn)有技術(shù)，并打造了大量同質(zhì)的 AI 產(chǎn)品和解決方案，進行著殘酷的市場價格戰(zhàn)。大量公司虧本賺吆喝，難以形成行業(yè)正向循環(huán)。由此可見，行業(yè)亟需引入新的技術(shù)以提升產(chǎn)品競爭力。如何把處于學(xué)術(shù)研究階段的前沿技術(shù)及時轉(zhuǎn)化為可落地的 AI 解決方案，推動現(xiàn)有金融場景和應(yīng)用的更迭和升級？這些成為技術(shù)側(cè)的新命題。技術(shù)在交匯與融合，應(yīng)用場景在加深和拓寬。經(jīng)過了上一輪的快速發(fā)展，金融數(shù)智化轉(zhuǎn)型已經(jīng)步入深水區(qū)，就像優(yōu)化函數(shù)跳進了局部的最優(yōu)點，有待尋找新的全局最優(yōu)方向?！叭绾握业叫碌耐黄泣c，趟過深水區(qū)，邁向下一輪數(shù)智化應(yīng)用的廣闊天地？”，成為當(dāng)下節(jié)點的重要思考。在看新的突破點之前，我們先來總覽下金融 AI 的應(yīng)用情況?？傮w而言，金融 AI 技術(shù)主要應(yīng)用于金融機構(gòu) IT 總體架構(gòu)的中臺層和渠道層，由 AI 平臺、AI 技術(shù)、AI 應(yīng)用以及 AI 安全等幾部分組成。中臺層屬于技術(shù)層，一般由科技部門負責(zé)，中臺服務(wù)于算法開發(fā)者，用于場景應(yīng)用模型的開發(fā)、測試和部署；渠道層屬于應(yīng)用層，一般由業(yè)務(wù)部門主導(dǎo)，服務(wù)于具體業(yè)務(wù)，與用戶直接產(chǎn)生交互。而 AI 安全在平臺層和應(yīng)用層均有涉及，嵌入于 AI 平臺或相關(guān)應(yīng)用。所以觀察金融 AI 的發(fā)展現(xiàn)狀以及新發(fā)展趨勢，我們也主要圍繞以上四個方面來展開。人工智能平臺（也常被叫作機器學(xué)習(xí)平臺、深度學(xué)習(xí)平臺、模型實驗室或模型工廠），是企業(yè)數(shù)字化底座中的 AI 域基礎(chǔ)平臺，處于金融機構(gòu) IT 總體架構(gòu)的中臺層，主要用于企業(yè)內(nèi)生產(chǎn)和管理各類 AI 算法，提供從數(shù)據(jù)處理、算法開發(fā)、模型訓(xùn)練、模型部署到模型管理等功能，是企業(yè)智能化的發(fā)動機。當(dāng)下，人工智能平臺已不是一個新鮮事物。事實上早在十年前，即 2012 年左右，頭部金融機構(gòu)的科技部門就在嘗試開發(fā)和應(yīng)用金融機器學(xué)習(xí)平臺；到 2015 年前后，各大金融機構(gòu)已開始大規(guī)模采購或者自建平臺。在金融機器學(xué)習(xí)平臺領(lǐng)域占據(jù)市場頭部份額的第四范式等明星 AI 公司也基本成立于 2015 年前后，一開始主打的 AI 產(chǎn)品就是金融機器學(xué)習(xí)平臺。事實上，商業(yè)級金融 AI 平臺發(fā)展至今已有七八年，主流廠商的機器學(xué)習(xí)平臺功能已頗為完善：能提供強大的數(shù)據(jù)處理功能，有十八班武藝，如數(shù)據(jù)清洗、數(shù)據(jù)可視化探索、特征工程等；在開發(fā)層面，支持豐富的算法開發(fā)模式，如圖形化拖拽式、AutoML 自動建模、編輯式代碼建模等，讓 AI 算法開發(fā)民主普惠化；此外積累了大量面向場景的特征、模型等資產(chǎn)，開箱即用；模型可解釋性、DataCentric AI 等前沿功能也在逐步上馬。這些能力基本滿足了金融機構(gòu)常規(guī)的模型開發(fā)和管理需求。那金融人工智能平臺的市場是否已是紅海一片，沒有太大市場機會？筆者認為并不是。圖 2 人工智能平臺隨著 AI 算法演進的發(fā)展歷程首先，從 AI 平臺的歷史發(fā)展過程來看，人工智能平臺一直在隨著 AI 算法的演進而變遷。2009 年之前，在 AI 領(lǐng)域占據(jù)主導(dǎo)地位的是傳統(tǒng)機器學(xué)習(xí)算法，此時主流的機器學(xué)習(xí)框架是 NumPy 算法庫、SkLearn 框架等，主要支持線性回歸 LR、SVM、決策樹等傳統(tǒng)機器學(xué)習(xí)算法的開發(fā)和建模；后來隨著數(shù)據(jù)計算量的增大，衍生出了高性能的分布式機器學(xué)習(xí)框架，如 XGBoost、SparkML 等，但核心能力還是傳統(tǒng)機器學(xué)習(xí)。2012 年左右，深度學(xué)習(xí)崛起，廣泛應(yīng)用的主流 AI 平臺變成了 Tensorflow、MxNet、PyTorch，以及國內(nèi)百度開源的 PaddlePaddle 等。2016 年深度強化學(xué)習(xí)技術(shù)又火熱登場，它可以解決深度學(xué)習(xí)解決不了的序列決策問題（因為深度學(xué)習(xí)擅長處理靜態(tài)識別類問題），AI 平臺家族又進化出了 Dopamine 等新型平臺分支。當(dāng)前 AI 理論仍處于弱人工智能階段，未來，AI 算法朝著 Meta-Learning 自動學(xué)習(xí)、魯棒通用的 AI 算法等方向進化和發(fā)展。一旦算法機理有突破，勢必會促使新的 AI 平臺形成，顛覆舊有市場。其次，人工智能平臺一直在朝著工業(yè)級的生產(chǎn)平臺在進化和升級。2006-2007 年左右出現(xiàn)的第一代機器學(xué)習(xí)平臺僅注重代碼開發(fā)和運行環(huán)境，關(guān)注如何快速地開發(fā)出算法來，如 Numpy、scikit-learn 等在當(dāng)時大受歡迎，但模型落地運行并不友好；2014 年左右出現(xiàn)了更為強大的 XGBoost，以及專注于工業(yè)級大規(guī)模數(shù)據(jù)分布式計算的 SparkML 框架等，在之后的一段時間內(nèi)也頗為盛行，但也未很好解決生產(chǎn)環(huán)境應(yīng)用問題。近些年金融機構(gòu)已紛紛上馬第二代機器學(xué)習(xí)平臺。第二代平臺的理念是一切圍繞模型，用戶可快速方便地創(chuàng)建模型、訓(xùn)練模型以及部署運行模型，相比于第一代，更強調(diào)構(gòu)建完成的模型能在生產(chǎn)環(huán)境簡單部署和穩(wěn)定運行，并快速應(yīng)用于業(yè)務(wù)?，F(xiàn)在專業(yè)的 AI 提供商 Databrick、中電金信、第四范式等提供的平臺均屬于此類。那下一代機器學(xué)習(xí)平臺的機會在哪里？機會已經(jīng)出現(xiàn)，而且平臺的發(fā)展已呈現(xiàn)出以下幾個特點：- 一是下一代平臺側(cè)重于模型運營，關(guān)注模型上線后的精準(zhǔn)性和有效性，重點發(fā)展以數(shù)據(jù)為中心的模型工作流自動化，解決實時數(shù)據(jù)分布快速變化等問題。用戶無需關(guān)注模型、無需關(guān)注部署上線等復(fù)雜流程，一切圍繞數(shù)據(jù)流轉(zhuǎn)自動進行模型更新，以產(chǎn)生更及時更精準(zhǔn)的業(yè)務(wù)價值。
圖 4 以數(shù)據(jù)為中心的第三代機器學(xué)習(xí)平臺- 二是下一代平臺更注重領(lǐng)域?qū)Ｓ眯?，正從通用?AI 平臺演化到領(lǐng)域?qū)Ｓ?AI 平臺，用領(lǐng)域?qū)Ｓ闷脚_解決行業(yè)長尾業(yè)務(wù)問題。那專用平臺和通用平臺有什么重要的區(qū)別呢？以金融行業(yè)為例，面向金融業(yè)務(wù)場景，金融 AI 平臺需在常規(guī)機器學(xué)習(xí)平臺之上構(gòu)建面向金融業(yè)務(wù)場景的專用模型庫和專用規(guī)則庫，讓不懂開發(fā)的業(yè)務(wù)人員也能開箱即用；其次，金融行業(yè)對數(shù)據(jù)安全、模型安全的要求十分嚴(yán)苛，金融機器學(xué)習(xí)平臺需重點建設(shè)數(shù)據(jù)隱私保護、模型安全等功能模塊。事實上在大量的長尾應(yīng)用領(lǐng)域，領(lǐng)域?qū)Ｓ玫臋C器學(xué)習(xí)平臺才更有市場生命力。
- 三是下一代平臺關(guān)注數(shù)據(jù)成本問題，收集大量數(shù)據(jù)并進行標(biāo)注的成本太高，有些金融場景因為數(shù)據(jù)管控問題甚至不愿或不能提供足夠的數(shù)據(jù)，這些問題越來越令科技部門頭疼。所以突破無需大量數(shù)據(jù)收集、標(biāo)注與訓(xùn)練的小樣本學(xué)習(xí)技術(shù)，或者通過數(shù)據(jù)孿生技術(shù)生成大量訓(xùn)練數(shù)據(jù)，大幅降低企業(yè)用戶的建模成本，解決 80% 精力用于前期數(shù)據(jù)準(zhǔn)備的低效問題，以及緩解特定場景中的數(shù)據(jù)饑渴問題。
這些方面的趨勢十分值得關(guān)注，無論是 AI 算法理論革新引起新型 AI 平臺的產(chǎn)生，還是現(xiàn)有金融 AI 平臺不斷往工業(yè)級平臺演進，其中任何一點的突破都將引起人工智能平臺產(chǎn)品市場的重塑，給后入局者帶來機會。（2）人工智能技術(shù)篇：技術(shù)升級、場景拓展在場景應(yīng)用上 AI 技術(shù)與 AI 應(yīng)用密不可分，因此本部分結(jié)合兩者一起來介紹。從金融 AI 應(yīng)用來看，核心應(yīng)用場景可歸納為智能營銷、智能風(fēng)控與合規(guī)、客服與渠道、安防與身份認證、智能運營以及保險與投研投顧等六大應(yīng)用領(lǐng)域，基本涵蓋金融機構(gòu)前中后臺中的市場營銷、產(chǎn)品設(shè)計、風(fēng)控與合規(guī)、客戶服務(wù)、運營管理等。這六大應(yīng)用主要由數(shù)據(jù)智能、自然語言處理、計算機視覺、知識圖譜和智能語音等五大技術(shù)支撐實現(xiàn)，互相之間的支撐關(guān)系如下圖所示。圖 5 金融 AI 應(yīng)用及相關(guān) AI 技術(shù)- 數(shù)據(jù)智能：從點面分析到立體分析，從預(yù)測到?jīng)Q策
金融行業(yè)的數(shù)據(jù)應(yīng)用主要是針對結(jié)構(gòu)化數(shù)據(jù)（關(guān)系表數(shù)據(jù)）的分析和挖掘，由于表單數(shù)據(jù)與機器學(xué)習(xí)具備天然的適配性，金融數(shù)據(jù)智能產(chǎn)品經(jīng)常應(yīng)用于金融信貸風(fēng)控、精準(zhǔn)營銷、合規(guī)控制、保險理賠與投研投顧等場景。我們預(yù)估基于數(shù)據(jù)智能的應(yīng)用超過金融行業(yè)整體需求的 40% 以上。回顧歷史，金融大數(shù)據(jù)的建設(shè)經(jīng)歷過了較長的發(fā)展時間，從企業(yè)數(shù)據(jù)報表和儀表盤時代的描述性分析（描述過去發(fā)生了什么），到運用數(shù)據(jù)發(fā)現(xiàn)、相關(guān)分析等傳統(tǒng)手段進行診斷性分析（分析為什么會發(fā)生），再到大數(shù)據(jù)時代運用高級分析、機器學(xué)習(xí)等手段進行預(yù)測性分析（預(yù)測將發(fā)生什么）。以信貸風(fēng)控發(fā)展為例來解釋這幾個的區(qū)別，早期的風(fēng)控方式采集和匯總大量優(yōu)質(zhì)客戶的信息，形成優(yōu)質(zhì)客戶共性指標(biāo)及數(shù)據(jù)報告，并依據(jù)專家規(guī)則和人工經(jīng)驗判定客戶風(fēng)險；之后的風(fēng)控系統(tǒng)基于傳統(tǒng)評分卡等統(tǒng)計量化技術(shù)，它會篩選出高風(fēng)險客戶并診斷出其特征；當(dāng)前，以高維模型自動決策為主的風(fēng)控方式不僅可以分類客戶風(fēng)險等級，還可預(yù)測貸款客戶什么時候開始有風(fēng)險并提前預(yù)警，該方式屬于預(yù)測性分析。目前預(yù)測性分析占據(jù)數(shù)據(jù)智能領(lǐng)域的主流。下一階段，數(shù)據(jù)智能正朝著更立體和更深度兩個方向發(fā)展。更立體：基于 “模型 + 規(guī)則” 的數(shù)據(jù)分析方式，正逐漸進化成 “模型 + 規(guī)則 + 圖關(guān)聯(lián)分析” 的立體模式。在智能營銷、智能風(fēng)控等領(lǐng)域，常規(guī)方式是圍繞個體特征信息進行建模，并疊加業(yè)務(wù)規(guī)則的綜合方式來完成對某個人 / 企業(yè)的風(fēng)險識別與營銷動作決策，該模式日益顯現(xiàn)出信息不足的缺點。而圖關(guān)聯(lián)分析可通過圖譜節(jié)點間的關(guān)系補充額外信息，增加了特征維度，從而金融機構(gòu)用戶可以掌握更為全面和立體的信息，做出更精準(zhǔn)和更深入的分析。對海量多樣化多維度數(shù)據(jù)資源進行價值挖掘和關(guān)聯(lián)分析，建立面向用戶、面向場景的大數(shù)據(jù)知識圖譜和綜合分析能力，已成為近些年金融機構(gòu)數(shù)據(jù)分析的重要工作；在金融業(yè)務(wù)應(yīng)用方面，可用來全面升級 “流量識別、自主獲客、精準(zhǔn)投放、企業(yè)風(fēng)險監(jiān)測” 等已有應(yīng)用的能力。因此，金融機構(gòu)紛紛建立知識圖譜平臺來快速生產(chǎn)各類業(yè)務(wù)圖譜，如構(gòu)建基于客戶資金流水的智能營銷圖譜、基于企業(yè)股權(quán)關(guān)系 / 轉(zhuǎn)賬關(guān)系 / 擔(dān)保關(guān)系的對公企業(yè)圖譜和產(chǎn)業(yè)鏈圖譜等，并利用圖譜平臺的圖分析功能進行深度關(guān)聯(lián)分析。更深度：知其然，更要知其所以然，下一階段，數(shù)據(jù)智能應(yīng)用將走向決策性分析。未來，更高階的企業(yè)智能需要的是自動化的 “決策” 而不僅僅是對未來的 “預(yù)測”。以銀行信貸業(yè)務(wù)為例，現(xiàn)有的數(shù)據(jù)智能水平可以進行客戶的風(fēng)險識別，或者對未來某段時期內(nèi)的信貸業(yè)務(wù)收入進行預(yù)測，其本質(zhì)是根據(jù)歷史數(shù)據(jù)進行模型擬合；而對于 “銀行如何實現(xiàn)信貸業(yè)務(wù)收入增長和風(fēng)險降低” 等更高級問題束手無策。決策是企業(yè)價值維度更高的領(lǐng)域，決策性分析綜合利用因果推斷和自動學(xué)習(xí)技術(shù)進行業(yè)務(wù)分析。因此，因果推斷將在下一階段的數(shù)據(jù)分析業(yè)務(wù)中發(fā)揮重大作用，一方面它能幫助客戶掌握 “如何使它發(fā)生”，另一方面因果推斷技術(shù)的使用將部分解決關(guān)鍵金融業(yè)務(wù)應(yīng)用中的模型可解釋問題。在金融應(yīng)用場景中，金融 AI 除了有數(shù)據(jù)智能，還有感知智能，包括計算機視覺、自然語言理解、語音識別等能力，它主要利用深度學(xué)習(xí)技術(shù)對圖像、視頻和文本等進行內(nèi)容識別與語義理解。相比于數(shù)據(jù)智能廣泛賦能于風(fēng)控、營銷等一眾金融業(yè)務(wù)場景，計算機視覺和 NLP 技術(shù)在金融業(yè)務(wù)中的應(yīng)用場景相對較少，主要集中于偏人機交互的渠道類和服務(wù)類應(yīng)用系統(tǒng)。常見的如在銀行信貸資料審核和國際貿(mào)易結(jié)算場景，客戶利用 OCR 技術(shù)對各類銀行單據(jù)和證照進行自動識別和錄入；在保險產(chǎn)品營銷場景，保險公司利用智能雙錄系統(tǒng)對營銷過程進行錄音錄像，并用語音識別和視頻分析技術(shù)自動識別或質(zhì)檢影像內(nèi)容；在銀行客服領(lǐng)域，智能外呼、智能客服等解決方案大量利用意圖識別、實體抽取和語義比對等 NLP 技術(shù)實現(xiàn)客服的無人化和少人化；在內(nèi)部管理場景，金融機構(gòu)利用 NLP 技術(shù)對合同的文本內(nèi)容進行識別、抽取、比對和知識管理。在諸如此類 “端到端數(shù)字化流程和交互渠道重構(gòu)” 等場景中，感知智能已廣泛地被應(yīng)用，大幅提升了流程執(zhí)行和渠道交互的效率，降低了企業(yè)成本。圖 6 人工智能技術(shù)的發(fā)展趨勢
目前，人工智能技術(shù)正從感知智能走向認知智能、乃至創(chuàng)造智能。感知智能只解決會看、會聽以及會讀等問題，即能完成圖像或視頻目標(biāo)分類、語音識別 ASR、文本分類識別等任務(wù)，但是無法對圖像場景、文本內(nèi)容等進行語義理解，更難以解決創(chuàng)新創(chuàng)造等高級智能任務(wù)。未來，感知智能應(yīng)用將沿著 “新服務(wù)渠道拓展、老場景感知升級” 兩個方向發(fā)展，即利用現(xiàn)有感知智能技術(shù)開辟和拓展新的服務(wù)渠道應(yīng)用場景，其次利用認知智能和創(chuàng)造智能相關(guān)技術(shù)對已有的應(yīng)用場景如智能網(wǎng)點、智能客服、智能營銷等進行升級和替換。在農(nóng)村金融應(yīng)用領(lǐng)域，可利用視覺理解技術(shù)為開展農(nóng)村金融服務(wù)提供新的解決方案。農(nóng)村信貸最大的痛點是抵押物評估，利用遙感圖像檢測和識別技術(shù)對農(nóng)作物的種植面積、作物類型、生長情況等經(jīng)營信息進行監(jiān)測和識別，幫助銀行快速、高效地評估農(nóng)業(yè)資產(chǎn)，匯總成農(nóng)戶的資產(chǎn)檔案，為農(nóng)戶貸款準(zhǔn)入與評估提供智能精準(zhǔn)的數(shù)據(jù)支持。在監(jiān)管合規(guī)方面，成千上萬的內(nèi)外部文件讓實際監(jiān)管動作難以落地執(zhí)行。可基于長文本語義理解、文本自動生成等 NLP 技術(shù)打造數(shù)字合規(guī)工具，無縫嵌入交易行為監(jiān)測、業(yè)務(wù)數(shù)據(jù)報送、風(fēng)險事件報告等場景，提升金融監(jiān)管效能、降低合規(guī)成本。核心技術(shù)即運用自然語言處理、模式識別等技術(shù)對監(jiān)管規(guī)則和合規(guī)要求等文本進行結(jié)構(gòu)化處理；其次，形成關(guān)鍵操作流程、禁止條款并建立數(shù)字化規(guī)則庫；最后，運用知識抽取、知識融合等技術(shù)構(gòu)建形式化知識圖譜。在銀行等金融機構(gòu)員工查詢或核實經(jīng)營行為時可做到高效查詢，實時監(jiān)督。從而使得監(jiān)管合規(guī)等人力勞動密集型工作自動化，降低合規(guī)成本。面向場景構(gòu)建 “場景感知智能”，搭建多元融通的服務(wù)渠道。如在線下網(wǎng)點等渠道，銀行網(wǎng)點通過裝配智能機柜、智能視頻系統(tǒng)實現(xiàn)了一定程度的智能化，但面向未來更高維的渠道交互需要下一代 AI 能力來支撐?？衫迷鰪姮F(xiàn)實 AR、混合現(xiàn)實 MR 等視覺技術(shù)，推動實體網(wǎng)點向多模態(tài)、沉浸式、交互型智慧網(wǎng)點升級，打造更便捷、更擬人的交互方式。在銀行客服系統(tǒng)中，現(xiàn)有客服機器人存在無法多輪對話、難以開放式問答等瓶頸，應(yīng)用場景受限；但隨著 ChatGPT 等新的強大的對話技術(shù)出現(xiàn)，未來可升級現(xiàn)有客服系統(tǒng)，形成新的市場空間。在市場營銷和智能投研領(lǐng)域，很多環(huán)節(jié)需要人工去創(chuàng)作，如市場人員進行營銷文案的創(chuàng)作，基金調(diào)研人員需要進行投研報告的總結(jié)寫作，都耗費大量人力。未來，可基于 AI 生成技術(shù)，如今年大火的 ChatGPT、GPT-3 等新模型，去通過計算機自動寫作初稿。在短視頻營銷廣為流行的今天，金融機構(gòu)還可通過視頻自動生成技術(shù)，去自動創(chuàng)作金融產(chǎn)品或活動的營銷短視頻，提升營銷部門的效率和質(zhì)量。金融文本寫作和營銷視頻創(chuàng)作，本質(zhì)就是利用創(chuàng)造智能相關(guān)的 AI 技術(shù)進行場景升級。總而言之，開辟新的應(yīng)用場景，再加上認知智能和創(chuàng)造智能對 AI 現(xiàn)有應(yīng)用系統(tǒng)的改造和升級，感知智能領(lǐng)域的市場空間依然巨大。（3）人工智能安全篇：監(jiān)管重點關(guān)注，市場爆發(fā)前夜凡是涉及金融智能的業(yè)務(wù)應(yīng)用都會嵌入 AI 算法。有專業(yè)統(tǒng)計機構(gòu)估計，隨著金融智能化的深入，未來中大型金融機構(gòu)的系統(tǒng)中將上線運行 500-1000 個以上的 AI 模型。但是人工智能算法，尤其是深度學(xué)習(xí)算法，其算法機理存在固有的缺陷，導(dǎo)致算法可解釋性差、魯棒性差，容易被攻擊者抓住算法漏洞而進行攻擊。這些 AI 模型的安全問題對金融業(yè)務(wù)的影響將是毀滅性的。比如，在手機銀行的身份認證系統(tǒng)中，人臉識別算法會因為樣本對抗攻擊而誤識別，導(dǎo)致賬戶被盜用；信貸風(fēng)控場景，事中風(fēng)險識別算法會因為算法攻擊而導(dǎo)致詐騙團隊獲得優(yōu)質(zhì)評級，從而輕松獲得銀行授信導(dǎo)致銀行損失。此外，在政策監(jiān)管方面，央行于 2022 年初發(fā)布的《金融科技發(fā)展規(guī)劃（2022-2025 年）》的基本原則中也重點提到了 “要防范算法、數(shù)據(jù)、網(wǎng)絡(luò)安全風(fēng)險，共建數(shù)字安全生態(tài)”，把算法安全作為數(shù)字金融安全生態(tài)的重要支撐之一；“強調(diào)了模型安全評估與合規(guī)審計體系，披露算法決策機理、運行邏輯和潛在風(fēng)險，提升算法可解釋、透明、公平和安全性”。由此可見，AI 安全也已受到監(jiān)管層的重點關(guān)注。所以，提升 AI 算法的安全性和保障金融智能產(chǎn)品的安全性已成為金融機構(gòu)科技系統(tǒng)的關(guān)鍵安全問題之一。模型安全和模型可信將成為金融機構(gòu)未來非常關(guān)鍵的需求。從產(chǎn)品和技術(shù)角度看，AI 安全將關(guān)注 AI 模型整個生命周期流程的管控 —— 從模型生產(chǎn)前的藥餌數(shù)據(jù)檢測和發(fā)現(xiàn)，到模型生產(chǎn)時的魯棒對抗訓(xùn)練，再到模型上線后的對抗樣本監(jiān)測、模型防竊取等，最終到金融產(chǎn)品安全監(jiān)測與風(fēng)險評級。圍繞全生命周期流程，打造全方位模型防護體系相關(guān)產(chǎn)品和解決方案。目前，該領(lǐng)域的技術(shù)研發(fā)和產(chǎn)品布局還處于起步期，市場需求也處于爆發(fā)的前夜。誰提前布局并提供優(yōu)質(zhì)可靠的安全產(chǎn)品，則將引領(lǐng)市場。金融 AI 邁入深水區(qū)不假，但在政策指導(dǎo)、技術(shù)驅(qū)動、市場實踐的共同推動下，金融 AI 業(yè)務(wù)將會加速布局和迭代。“新技術(shù)升級老場景，老技術(shù)開辟新場景” 將成為新常態(tài)，短期空間和長期市場的機會都十分豐富。AI 供應(yīng)商對未來趨勢的研判，以及在前沿技術(shù)和產(chǎn)品的研發(fā)布局力度，都將影響未來金融 AI 市場的格局。作者簡介：單海軍，博士，畢業(yè)于浙江大學(xué)和美國明尼蘇達大學(xué) (聯(lián)培)?，F(xiàn)任中電金信 (中國電子集團) 副總裁、研究院副院長，負責(zé)公司人工智能領(lǐng)域。入選上海產(chǎn)業(yè)菁英高層次人才，擔(dān)任浙江省科技專家?guī)鞂＜摇⒄憬∪斯ぶ悄軜?biāo)準(zhǔn)化技術(shù)委員會專家委員、復(fù)旦 - 中電金信金融科技聯(lián)合研究中心副主任等。曾任職于華為中央軟件研究院和之江實驗室。
本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請
點擊舉報。
