第四屆金融科技外灘峰會分會場速記之：「人工智慧在金融領域的前景與挑戰」

這場的主題是前景與挑戰，太大了，其實前景我們最關注的是風險，挑戰，現在監管政策不是特別明確，所以也不能說監管就是挑戰，而是從監管角度，希望它怎樣做能對行業好一些，或者說監管能利用AI，或在這個領域怎樣與時俱進。所以是兩個角度，一個這個行業面臨的風險、問題、困惑，另外從監管角度，有哪些建議？或者AI的角度，能給監管做些什麼貢獻？

正文

第七屆上海新金融年會暨第四屆金融科技外灘峰會

科技驅動全球金融變革

【速記稿】平行會場四「人工智慧在金融領域的前景與挑戰」

王海明：女士們、先生們，我們這場主題是「人工智慧在金融領域的前景與挑戰」。另外一個會場是講區塊鏈，有很多人很糾結，到底去哪場，我相信你們聽完這場後，會為自己的選擇正確而驕傲。我們的慣例一樣，在座7位嘉賓都非常有「分量」，來自國內和國際非常有代表性的機構，也是技術和金融方面非常精通的精英。每位先用五分鐘闡述觀點，再討論，接下來是交流環節。

這場的主題是前景與挑戰，太大了，其實前景我們最關注的是風險，挑戰，現在監管政策不是特別明確，所以也不能說監管就是挑戰，而是從監管角度，希望它怎樣做能對行業好一些，或者說監管能利用AI，或在這個領域怎樣與時俱進。所以是兩個角度，一個這個行業面臨的風險、問題、困惑，另外從監管角度，有哪些建議？或者AI的角度，能給監管做些什麼貢獻？

首先我們有請來自中國保險資產管理業協會的高總。

高嵩：很榮幸參加這次會議，也非常感謝王秘書長，把我放在第一位。首先剛才王秘書長說到監管，我是來自保險資產管理業協會，不屬於監管，屬於代表行業，凝聚行業力量，但也是一個比較正規的機構。我本人在行業里負責IT，也是我們行業也有信息化專業委員會的主任委員，在委員會裡，我們大部分時間還是在聊如何提高目前系統的建設，這麼多的新技術，我們很多時候都討論區塊鏈、人工智慧的技術如何應用到保險資管行業。

先向大家介紹一下保險資管行業。這和我們分會場討論的P2P、徵信相比，可能還是比較封閉，大家不太知道。我們管理了差不多20萬億左右的資產，基本以機構為主，沒有to C。但大資管的背景下，資管公司現在也可以成立基金公司，公立基金公司，也有私募的，還有養老金產品，也是借力我們的投資能力、協同效果，把我們的產品服務從to B到to C。因此，我們在AI、新技術應用方面，有很多的思考和研究。

今天來參加這個會的專家都是AI大咖，我不是。我先講講從機構投資者角度出發，我個人的一些想法，AI可以在哪些環節上得到應用。

從機構投資者來說，我們跟私人客戶差不多，首先要有KYC的過程，要了解委託人，他是保險機構，對負債有要求，對資金有要求，資金進來，我們要考慮資產配置，配置好以後，要對行業進行研究、行業的配置。然後就開始要有很多投研、投資，事後的風控、事中的風控、事後的運營，還要向監管報數據，監管可能會根據數據進行比例的判斷、計算，識別風險。這些都是比較固化的。

當然，現在技術還沒有那麼發達，還沒有找到很多實際的案例，但我想特別是投研、做資產配置的時候，這些方面AI可以起到很多作用。投資之前的行為，可以通過AI智能化，可以把很大量的以前人工做的工作通過計算機弱人工智慧的方式，把它先解決，然後再通過大數據、深度分析、深度學習，對投資數據的分析做一些更好的投資建議，可以幫助投資經理決策的時候能有更充分的理由和依據。同時，在風險防範方面，通過輿情監控、非結構化的數據、市場上發生的現象和事件，通過AI技術，能把它識別出來，從真正意義上做到風險防範或風險管理。

從監管角度來說，現在監管數據也不是非常完整和及時。現在技術手段也不太一樣了，不再需要一步步打造，而是可以用現在AI的技術很快提高上去。這在監管層面也會起到積極作用。

接下來我把話筒交給其他的幾位同事，因為我不是做專業的AI的，從理解程度來說，也僅僅代表行業目前的認識。希望通過這次交流，能帶回去一些好的想法和火花，可以給我們保險資管行業帶來新動力，在這個基礎上我們再繼續努力，使用前沿的信息化手段。

王海明：感謝。您也是大咖，至少是跟大咖坐在一起的人，而且有個美麗的誤會。接下來有請家林總。

張家林：為了方便討論，概念更清晰，我把人工智慧的範圍稍微收窄一點，這樣說起來可能比較清楚。

現在人工智慧被很泛泛地說出了很「寬」的東西，我把人工智慧，還是定義為能自主感知環境、同時通過自己內嵌入的機器學習的機制，能進行認知的一些計算。最後把機器學習學習出來的認知，能很好地應用，做出決策，然後行動。完成這三個功能的機器，我們叫人工智慧的艾真體。

如果這麼定義，人工智慧我們跑開學術定義，在具體應用的時候，就當成具備了感知、認知和用知。人工智慧艾真體到底是幹嘛的？比較起來，它能自主地做出決策。這樣一個定義，我們考慮它在金融上的應用，它具備了一些自我學習和決策的能力。在很多以前我們熟悉的由人工作的崗位，或是一群人做的工作，都可以拿人工智慧這個艾真體來做。這就是人工智慧在金融領域或其他領域應用的一個基本的理論基礎。

具體講，金融領域很寬，我結合自己資產管理方面的領域應用人工智慧的實踐經驗和感覺來說說。

人工智慧提高短時間的決策，目前看還是比人要強。但中長期的預測，機器目前不具備特彆強的能力。這段時間大家老談智能投資、智能投顧、智能投研，其實最簡單的，應該是智能投資，其次是智能投顧，最難的是智能投研。智能投研，不是把所有市場上的投研報告拿過來，用語義分析、演算法實現，形成一些觀點，而是通過抓住信息，形成中長期的一些概念，比如讓機器學出「雄安」這樣一個概念，太難了，包括「一帶一路」的概念，這也是不可能的。這是一個挑戰特別大的系統。相反，智能投資，因為有些資產配置的理論作為支持，在決策時能給機器一些基本的規則，機器能發揮很好的應用的地方，因為數據比較多，速度快，能拼出人心理上的一些弱點。這樣我們期望它能產生比人更穩定的、確定性更高的決策，而不是說能超出比我們所有人強的決策，這是做不到的。

還有，大家一直強調人工智慧和機器學習，機器學習其實只是人工智慧系統的一個分系統。將來的具體工作崗位，到底是完全的交給一個可信任的機器，完全自主去做工作，還是讓它干一部分，最後由人判斷？這樣兩個工作場景，差別在哪？就跟AlphaGo一樣，現在完全是人類相信它能下棋，全部交給它，中間不做任何的人工干預和打擾。假想如果AlphaGo下棋時走到第50手，下一步幫它干預了，那AlphaGo自己可能就會非常惱火或暈，因為後面的邏輯，跟它不一樣。所以未來人工智慧在金融領域的應用，要特別小心地區分，有些崗位可以採取AlphaGo這樣的形式去用，完全信任，你去做，你做的事情我也信任，在一定的限度範圍內可以。還有一些工作崗位，肯定要人+機器學習這樣一個工具，輔助人類做出更好的決策。

把這兩種工作崗位分開，接下來第三個問題，就迎刃而解了，就是監管的問題。金融監管現在確定的原則，比如穿透式監管，大家很清楚了。未來利用這個原則監管AI在金融領域的運用，就很簡單，最終穿透的，就是行為。因為監管部門最關注的就是微觀行為的監管，就是行為產生的根源是什麼，到底是張三還是李四這個人做出的，還是人工智慧艾真體，完全是機器產生的。這樣監管規則、方法，就會不一樣。由此，將來AI在金融領域的應用，金融機構肯定要小心地區分，哪些完全交給機器，完全自主運行，哪些由人+機器，作為工具輔助運用。分開以後，監管方面在採用穿透原則時，就可以很清晰地知道，哪些最終要穿透到人。穿透到人，現在的體系非常完善。監管行為完全是由機器產生的，比如一個放貸行為，完全機器產生，一個投資指令，是機器產生的，那怎麼監管這些行為？

針對這樣的監管，我們現在沒有太多的已經成熟的方案，包括這幾天密集討論RegTech，怎麼做這件事情，現在得出一個基本的想法，就是還是要把它跟人區分，打標籤。假設金融機構用AI和不用AI，一定要用把AI部分做的工作和行為打一個標籤，這樣有助於監管部門識別出來，哪些是純機器，哪些是人做的。這樣一划分，我們感覺將來前景還是可期待的。

針對具體的應用場景，舉個例子，比如智能投顧。因為智能投顧還是很希望讓它做全自動的全自主的運行，我們要相信它能在一定時間內做好投資，在那段時間，你授權給它做投資的期間內，給它一定的授權，比如給一定的金額，給一定的約束條件，把風險控制在一定的邊界範圍內。這個時候，智能投顧會不斷自主發出一些需要被監管的信息、數據，呈送給監管部門，這樣就可以依據行為進行監管，可以有效解決現在的一些問題。

最後，人工智慧在金融領域的應用潛力，非常大。最大的挑戰，無論是金融科技公司，還是金融機構，還是要跟監管部門有頻繁溝通，採取協作、協同的方式，針對你用人工智慧的應用場景，來做出滿足合規、監管要求的一套規則，然後把這個東西儘可能地用一些技術手段來實現。

這就是我的一些想法。謝謝。

王海明：感謝，穿透式監管，很重要。下面有請來自螞蟻金服的盛子夏盛總。

盛子夏：我接著張總講的，就是關於人工智慧這個概念，我補充一下關於人工智慧的現狀。

從人工智慧現在的技術角度來講，它對很多圖像識別、語音識別、加強學習、深度學習，這些技術發展現在使得它在一個單維度上解決一個分類的動作，已經做得非常好了，好到可以超過人類的水平。現在分辨一張圖片，說它到底是一隻貓還是狗，還是聽一句話，不管帶不帶口音，其實它對單維度的分辨力，已經達到了非常高的一個水準。

但是人工智慧應用在金融的很多領域，我們拿貸款這個角度來講，分辨一個客戶是否會違約，或是否會欺詐，或是否響應貸款，這些維度，說白了都是一個分類器。如果做這樣一個分類，人工智慧的演算法相比現有的很多傳統演算法，也能獲得很大的提高，能做到。但真正的信貸，它的決策並不是那麼簡單的一個單維的決策。不是說你知道一個客戶好和不好，是否會欺詐，就解決了。滿足客戶需要，是一個更複雜的維度。客戶是否需要貸款，貸款額度多少，定價怎樣是合理範圍？更複雜的是，當把貸款發給個體客戶時，會形成一個大的資產池，這個資產池是不是符合公司貸款的需求？額度太大還是太小？這個過程，是目前人工智慧從單維度來講非常難以實現的。

再看智能投資領域，我非常贊同剛才張總講的，如果你只是單純地設計一個策略，你有明確的目標，就是為了追求最大的回報，同時給定一些參數條件，比如最大回撤不能超過10%，所選股票不能超過30%，把這些條件都限定的前提下，要做出一個相對比較好的策略，還是有可能的。但如果要做到對任何一個消費者或投資者，能洞察他的風險偏好是什麼，承受能力是什麼樣，還能匹配他最適合的理財產品，還要懂客戶在什麼時間點有多少錢要理財，現在要結婚了，為將來小孩存一筆錢用於教育，如果把這些做一個綜合投資的建議，這是人工智慧現在非常難做到的。

對人工智慧目前的機遇和挑戰，跟現狀，其實是高度相關的。當你把技術用在相對比較明確的場景下，可以做得很好，但用在一個綜合場景，非常困難。這就是接下來人工智慧在下一個版本，2.0的時代，各個商業公司也好、各個科技公司也好，將要攻克的一個難關，不再只是單純解決一個單維度的問題，希望能解決更多維度的問題，而且能整合更廣闊的全社會的信息。

在投資領域更是這樣。對好資產的評估，需要收集的信息非常豐富多樣，不光要了解股票背後的企業怎樣，法人控制人怎樣，更要了解產品、上下游怎樣，生產的某些產品，或許有的跟法律法規有關係，或製造食品，因為國家的政策變化，食品會受到一定限制。所有信息的綜合，都是將來人工智慧領域非常具有價值的。因為這些信息收集，不是靠人工能解決的。

再講監管的問題。有一點，就是大家應該把技術和技術體現的商業這兩者分開。舉個例子講，現在大家一提到P2P，就覺得好像就是貸款，但其實P2P只是貸款的一種資金解決渠道的方式。把這兩個等價在一起，是有問題的。為什麼等價在一起，可能會有一些其他的原因，因為P2P為了滿足很多投資者要求高回報的要求，使得它必須在貸款端也必須收非常高的利息，最終其實形成一個惡性循環。另外一個例子，區塊鏈和比特幣，這兩個我個人覺得也並不是一回事，區塊鏈本身是一種技術，但是一種表現形式，就是以比特幣為代表的數字貨幣。但區塊鏈在螞蟻廣泛應用在公益的很多場景下，比如捐款這些場景，都可以使用區塊鏈技術。所以技術和商業場景，是兩回事。尤其監管層面，當監管一個新事物時，把兩者分開去考慮。一方面，鼓勵科技創新，一方面，監管要看創新背後使用商業場景上是否有形成惡性循環的可能性。

還是回到剛才說的智能投顧。如果大家未來都用機器的方式去炒股或做完全基於演算法的炒股，包括之前發生的各種閃崩，美國在經濟危機的時候道瓊斯一下子暴跌10000點，可能就是由一個演算法引發的一系列的鏈式反應。這是值得監管和大家考慮的，它本身並不是一個技術的罪，而是大家應用演算法的時候，都100%依賴於演算法，沒有做任何演算法可能帶來的鏈式反應的災難做一個合理評估。這兩件事，是可以分開的。是值得監管考慮的。

王海明：講得非常精彩，給我們分享了人工智慧當下的監管啟示。我跟螞蟻金服的首席科學家有過一個小範圍的討論，人工智慧畢竟不是人的智能，但未來有一天，可能人會超越人工智慧。未來如果達到一種極致的狀態，是什麼狀態？當時描述了一種情景，可能那個人對著鏡子看自己，意識到自己是機器，不是人。另外一邊是人。那就麻煩了，這是相對冷冰冰的一個未來。

下面一位有請戴文淵。

戴文淵：我跟大家相比，更偏純人工智慧背景出身，後來做過很多行業，最近幾年在金融行業做得多一些。我想從AI的角度來看這個問題，可能會給大家一個不一樣的視角。人工智慧這個事情，大家會很容易理解為人的智能，會做一些類比，但其實會有不一樣的地方。更容易理解的，還是生物智能。其實生物智能更多來自腦容量的增加，人類發展的過程中也是，隨著從原始人到早期、晚期的人到現代人，腦容量也在不斷增加。所以我們會發現，腦容量大的生物，會更聰明。當然，腦容量不是一個計算機能理解的東西，計算機如果要理解什麼是智能，必須計算機模型化。這個事情得益於兩個科學家，一個姓V，一個姓C，他們提出一個VC維理論。用統計學構築了人工智慧的一個數學的基礎，這之後，我們就可以把智能這個東西放到電腦里，然後產生了人工智慧。VC為代表的，好理解一點，就是腦容量。計算機也是在做一個大腦或更大腦容量的東西，最後應用的時候怎麼應用？可以做一個類比，物理學裡有一個很著名的理論，牛頓三大定律。牛頓乾的事情，就是總結各種物理現象，總結出三條規律。我們想像一下，我們金融領域也有大量的業務專家在總結各個方面的規律，比如反欺詐、催收，這個事情讓計算機怎麼做？計算機如果做牛頓三大定律，也會收集各種物理現象，這就是我們的數據，如果數據量大，就會成為大數據。計算機的工作原理，可能和人不太一樣，未見得能總結出三條規律，可能總結出三千萬條規律。我們可能把物理現象分成很多區間，高速的，低速的，在高速區間里，可能就不是現在的牛頓三大定律。從某種角度也能解決牛頓定律在高速情況下的一些不成立的地方。這就是AI為什麼能比人做得好的地方。

這個事情應用到商業領域，特別是金融領域，怎麼應用？ 實際應用到金融領域，也是一樣，計算機和人過去在干一樣的事情。過去我們反欺詐的專家在看反欺詐的數據，總結規律，寫出各種欺詐定律，比如一個信用卡，在北京刷了一筆交易，兩個小時內在深圳刷了一筆交易，就認為是一個欺詐，因為不可能飛那麼快。計算機也在干同樣的事情，但區別就在於，過去人寫出的規律的數量，因為受限於人的精力，通常也就幾百上個，特別多的可能上萬個。計算機能很輕鬆地寫到上千萬，甚至更多。我舉個例子，我們幫助國內的一個投顧股份制銀行做信用卡實時交易欺詐，過去業務專家寫出了一千多條規則，我們基於計算機讀數據寫規則，可以寫25億條規則，能把整個反欺詐的識別率提升數倍。這就是計算機為什麼能超越人的地方，因為人是會累的，計算機不會累，人也知道寫出幾十億條規則能更好，但計算機真的能做到，人做不到。同樣的，在營銷場景下我們也能做到寫出數十億條規則，顯著的比人做得好。這就是為什麼現在AI在業務領域能超越人的地方。

當把Fintech技術做到很高維度的時候，監管的壓力會很大。我們經常遇到一個問題，就是問，你們這個模型能不能解釋？其實我們甚至可以做到數十億規則，每條規則都可以解釋，人都看得懂，但也不能要求監管部門把25條規則都看個遍。所以，監管機構是不是也需要用計算機來監管這些規則？是不是需要做出一個更高維度的機器學習，然後監管低維度的一個機器學習？這可能正是我們現在面臨的一個問題。在更多的領域，營銷的領域，我們都可以通過用AI的方式寫出比過去業務專家寫出更多的規則來獲得更大的提升。Fintech技術的提升，肯定會給現在的監管帶來更大的挑戰。

最後，監管其實也需要把技術提升到至少同一個高度，甚至更高的高度，才能支持現在的Fintech技術的發展。謝謝。

王海明：感謝，給我們提供了非常漂亮的一個PPT和非常有詩意的題目，也很有啟發。接下來有請傳統銀行做智能投資方面有代表性的鄧總。

鄧炯鵬：尊敬的各位嘉賓，很榮幸今天作為一個國內商業銀行的代表在這裡發言，在人工智慧這麼一個高大上的前沿領域發言。上世紀末比爾.蓋茨說過，21世紀銀行將會是滅絕的恐龍。過去很長一段時間互聯網+金融的競爭模式興起，商業銀行在資本市場、二級市場的走勢並不是太好。但今年以來，情況起了一些變化。做個人投資的都知道，去年以來，是價值投資的一個時代。今年在申萬28個一級行業里，銀行過去都不太被看好，但今年截止到上周五，銀行板塊的漲幅接近6%，申萬28個行業里排第七，前1/4的分類。眾多上市銀行里，招行截止到上周五，年內漲幅36.66%，除了一家新上市的銀行之外，這個漲幅是最大的。

在今年講價值投資的一個市場里，市場給出了一個判斷，就是技術進步的今天，商業銀行好像跟別人不一樣，這個不一樣，不是因為我們漲得多。我們看估值，可以看得更清楚。如果用市凈率的估值指標看，招行到這周五是1.45倍的市凈率，一塊錢的凈資產，別人賣8毛到1塊，他可以賣1.45塊，這是資本市場對我們投出了信任的一票。

總結來說，我們是有創新基因的一個銀行。去年我們推出了國內銀行首個智能投顧產品，就是摩羯智投。國內目前有3億老百姓持有基金，絕大部分是通過餘額寶持有貨幣基金的形式買，績效非常好，從基金誕生以來，權益類基金年化是16%的收益，但是掙錢的客戶並不多。我們做這麼一個摩羯智投智能投顧的產品，因為我們做了十幾年的財富管理，我個人看過了很多市場上的痛點，基金品種很多，包括對投資理財不熟悉而導致的惡果，所以我們經過一年多的研發，去年底利用人工智慧演算法，還有別的一些模型，得出了這麼一個智能投顧產品。目前這個產品運作非常不錯，規模也是國內第一位，客戶數量非常龐大。

以上是我們的實踐和取得的一些成績。人工智慧到了今天，已經是第三波浪潮，過去還是一個前沿的研究，是偏學術方面的，而今天，隨著大數據的出現，大規模計算能力的出現，帶來了過去的深度學習的很多技能，開始可以運用在一起，真正成就了人工智慧。從去年AlphaGo戰勝李世石以後，人工智慧一夜之間被廣大老百姓所知悉，這說明了這第三次浪潮，跟前兩次不一樣，因為從各行各業都發現了，現在人工智慧所帶來的落地性，非常好。

人工智慧會不會給我們帶來一些取代人的挑戰？從我們時間來說，目前還是處於一個弱人工智慧的時代，要達到人的思考程度，首先要很長時間。能做到多少程度，這是另外一個問題。目前，從我們應用人工智慧的角度來看，人+機器這是目前我們很多年內運用它的一個主要方式。剛才戴總也說了，計算機不知疲倦，比人的長項多很多，比如記憶能力，計算能力，都比我們強。

最後講講我們看到的很好的應用場景。一個是對客戶的精準營銷，來源就是多維度的大數據，為客戶進行精準畫像，然後進行營銷。第二就是給客戶進行智能投顧的組合配置。第三是在不遠的未來，根據語音識別、語言理解、知識檢索等人工智慧技術的發展，相信人機對話實現智能客客服，不遠的未來會到來。

目前人工智慧還處在早期，應用場景非常廣大。也有一些挑戰。在很多公司、銀行領域，操作性的崗位會越來越少，對人員的再培訓，這是面臨的一個實實在在的壓力。從公司層面，相信未來是一個快魚吃慢魚的時代。好多公司會在這波浪潮里被顛覆掉。最後就是監管的壓力，人工智慧更多的是基於對過去發生過的東西做的判斷和學習，在社會科學、金融領域，它的能力是有限的，AI進入社會科學領域，是多了一種博弈的力量，而這個博弈的力量跟人類的博弈，可能又會產生新的變數，帶來一些跟以前完全不一樣的因子。這可能就會導致人工智慧在某些大的拐點上，可能會失效。所以在社會科學裡，人工智慧作為一個輔助工具，人在相當程度上要對它的最終輸出結果要進行一定的監測。

謝謝。

王海明：你剛剛講的前五分鐘，一直讓我誤會為你是招商銀行品牌部的，而不是做人工智慧的。可能你太愛招商銀行了，所以做了很多廣告。我們今天這個會場，還是希望能進行頭腦風暴，對人工智慧當下或面臨的問題、監管的挑戰、給監管的建議展開探討，大家互相有一些收穫。

再接下來是國際嘉賓，有請Ayasdi聯合創始人Gurjeet Singh。

Gurjeet Singh：謝謝。感謝大家的邀請。我也聽到剛才其他人提到了一些主題，剛才我們討論了不同的AI類型，總結來說，當你在媒體上看到AI的時候，媒體講了很多重點，比如認知問題，圖像理解，文字理解，等等。這些問題在過去的五年里，已經做出了很大的進步，已經有了很大改變。

對於AI，特別是很多企業或金融行業，他們的困擾就是更高維度的問題，你要能有效地使用數據。但有兩個具體的應用，比如在人不擅長的領域，我從監管角度來舉例。我們現在一直在談金融科技在監管方面的應用，主要是在數學模型方面，需要監管模型的應用。

其中一個例子，之前可能數據量不夠，要監管，肯定是想要一個比較簡單的模型，但現在數據量多了，之前的模型還是比較簡單，監管要重新建造模型的話，要花很多時間，可能需要5000個人工時。在一些大的銀行，沒有通過壓力測試，比如花旗銀行，三次都沒有通過，不是因為沒有軟體或人力，而是因為沒有數據。因為有很多不同的變數，數據建造者以及業務部門和監管方，全都要介入。所以最基本的一個問題，就是要有一個經濟性的假設，AI在這方面的應用，就是業務部門的人會看到海量數據，然後要有一定的風險模型加以應用，會有一定的自動化的數據報送給監管。新加坡的一個監管者說，如果人們不再是一味送報表，而是這些數據能直接跟我們對話，那就好了。所以我們要是有同樣的數據，就能比較清晰地表明數據的意思，沒有AI，就沒有辦法用太簡單的模型解讀數據。

第二個例子，是有關反洗錢的。所有監管方都對這部分感興趣，希望能最大化削減洗錢的風險。銀行還是很有壓力的，就是僱傭幾千人通過手工工作，來監督這些交易。這些數據98%可能都沒有受到監控，很有可能這98%都有風險。那這些複雜、海量的數據，就可以有效地利用AI大幅度減少人工的負擔，在達到人之前，就可以進行AI的分析。這樣就可以大大減少合規的負擔。

為什麼這麼重要，為什麼要關心AI，在銀行、金融機構用AI？世界上前五大公司，他們基本都是技術性公司，銀行想要保持競爭力，就必須要有這樣一個意識，就是我們都是以科技為中心的公司。比如谷歌，現在就是一個AI公司，沒有哪個公司說我可以不投資於AI，因為你的競爭者或以後的競爭者，很有可能會反敗為勝。所以我們都要好好考慮，如何最好地應用AI。因為以後這些大公司都會成為一個特別重視技術的企業。

說到AI的解決方案，現在AI的門檻好像特別低。比如矽谷，包括中國的人，很多VC風投資本都想投資於AI。哪怕是建立一個exel表格，都想說我們這是做AI。什麼是AI？我覺得有五個重要的特徵：

第一，AI的解決方案，要有能力發現信息和規律，而不是導致問題。有不受監管或半監管的機器學習的能力。所有的問題，都要看你是否有這樣一個能力來學習這些數據。實際上很多數據都是沒有標籤的。

第二，就是保護的能力，這非常重要，尤其對金融行業來說，尤為重要。

第三，最為重要的一個能力，就是驗證。我認為十年以後，大多數的工作就會自動化，但重要的是，在未來，AI的系統能和人之間建立一個信任的系統。所以，人需要驗證，發現異常，這都非常重要。之前我們嘉賓討論的時候，說到有教授型的模式，所以我們需要這樣一個驗證。驗證的能力非常重要。

第四，就是行為力。任何一個智能的系統，如果不能加以行動，那就沒有意義了。所以AI系統一定要插入一個實景中。比如進行預測，做完預測，不做任何行動，有什麼意義？所以要加以生產、加以行動。

第五，就是學習能力。隨著數據的發展，一定要學習。比如我們會有一些市場的結構，會不斷變化，比如銀行，每年它的監管機制都會進行一些檢測，可能每個月做有點太頻繁了，但有些市場每個月都做審查，反而還不夠。所以我們可以通過AI來進行甄別，任何一個AI系統，可以讓你不用再做exel表格，或者讓人工做一些更重要、更有意義的事情。

剛才有人說，擔心機器代替人。作為研究這個領域的人，我覺得太遙遠了，所以大家不用擔心。

王海明：講得非常好，AI還是有門檻的，不是所有人都能做的。

下一位是來自星展銀行的Sandeep Lal先生。

Sandeep Lal：我要感謝上海新金融研究院，感謝能邀請我來這裡跟這麼多專家一起分享、討論。我並不是AI方面的專家，在星展銀行，我們是使用AI的，所以我想分享一下過去一年我們應用AI的經驗。

我們要做的一件事情，就是把銀行進行轉型、變革。我們會有一些經驗，就是使用技術。因為消費者希望我們簡化、更安全、更快捷的服務，希望在數據化的場景中，來享用這樣的產品和服務。AI是其中一個關鍵部分。2016年4月份，我們推出了印度的數字化銀行，希望能提供更好、成本更低廉的用戶體驗。我們主要著眼於三個方面：提高客戶的參與、提高收入、提高生產力。這實際是超出了我們的預想。但有些方面，還是做得不足。

說到服務和生產力，我們發現70%的客戶互動，並不是來自於傳統的互動、聊天，我們通過Fintech，用一些人工對話，有關賬戶、轉帳，都可以用新的一些人工智慧來做。我們發現，一些複雜的交易中，可以用人，先讓人工智慧做一些簡單的，然後人做一些複雜的。60%是通過AI的工具，比如chatbox，還有具體由人做的，比如電話中心。我們還有更多的工作，有些工作需要客戶跟人交流，可能比較複雜，可能是用傳統的一些電話銀行，而不是用chatbox這樣的我們的AI產品。我們希望它更便捷，人使用起來更方便。AI能讓我們的整個過程更迅速。在新加坡，我們發現這非常激動人心，未來在Facebook上也會啟動AI為銀行服務，看是否能在銀行之外業提供更好的服務。就像剛才演講者講到的，大家認為我們應該儘快使用AI，也說到目前還處於早期階段。有可能會有恐慌，因為你要看到到底什麼工作是奏效的，投資會有回報。但我想說，大家都在一條船上，都在一個飛機上，我們的飛機通常都是自動的AI操縱的，所以我們對銀行服務方面，比如支付或交易，我認為AI是大有可為的。

我想跟大家分享一下我們在新加坡看到的。在複雜的交易，是很難有非常清晰的答案的，機器投顧方面，用更多的AI，這是很難回答的。為投資者提供投顧服務的時候，比如一個人的風險偏好，市場的波動，以及組合波動等等，當你看到這些不同的複雜情況時，AI要做很多工作，才能有比較清晰的答案。這是一個挑戰。這也是需要我們共同合作的，行業、客戶、監管，共同協作，看我們怎樣找到正確的方向，提供正確的解決方案。這樣AI就可以更好地位投資服務。第二，比如給臉書上的人，如何更好地提供銀行服務？比如在臉書上能轉賬、發現交易記錄、查詢餘額，這就要考慮到信息私密度，考慮怎樣保護客戶隱私。如果允許臉書轉帳，怎麼解決安全性的問題？是否容易受攻擊？這個體系決定了你整個AI的能力會怎麼樣。

複雜交易、私密性、安全性等，這些問題會不斷推動大家對AI的思考，作為監管者，我們自己和客戶，這需要我們三方合作，使得AI更好地合作。

王海明：時間有限。這個行業發展，面臨很多技術問題或很多跟金融相關的行業問題，可能最重要的一個問題，還是這個行業怎麼跟監管有個良性的互動。接下來我們想談一個問題，你認為面對AI，監管最大的挑戰是什麼？給監管提的建議是什麼？我們不分順序，哪位有觀點就可以陳述，儘可能控制時間。

鄧炯鵬：平時我跟監管這邊打交道比較多，坦率說，藉助科技手段再監管業界，難度非常大，乃至不可能。以前人工智慧是先從學術再到商業企業，而商業企業因為擁有大量的技術和實踐，以至於學術界已經很難超越在商業企業里的研究了。因為大家都看到，各個商業巨頭本身已經壟斷了大量的數據，這是在很多大的象牙塔里的教授到國際企業工作的一個重要原因。監管好像已經很難發明更好的東西制約人工智慧了。

我覺得還是應該應用穿透式的方式，看結果，通過人工智慧以後造出來的東西，把風險歸因，跟哪些有相關。這是監管能做到的一些事情。

Gurjeet Singh：我想說，監管者都做得很好，這點我得首先強調。我發現監管者非常開放，很喜歡跟我們討論未來的變化。以前我認為，和監管者很難打交道，他們不會太過支持，但事實上，至少在美國，投資者非常開放，和我討論。另外，在教育方面，我和美國金融穩定局花了一天時間，告訴了他們什麼是AI以及AI相關的應用，我們發現監管界都非常友好，非常開放。非常感謝。

張家林：剛才星展銀行的嘉賓說了，現在是timing，或者一個時機，要做很多教育，包括對監管的教育和將來使用AI生成的金融服務的教育。對無人駕駛飛機我們已經很熟悉了，其實從北京飛到紐約，航程14小時，其中差不多十幾個小時都是無人駕駛的狀態，那個時候其實機器很可靠，我們非常信任，只不過我們沒有感覺而已。現在升級了，很多金融服務的崗位或生成的東西，用機器做，我們對它有時候第一很期待，第二目前還沒有建立足夠的信任。所以接下來要跟監管部門溝通，一個機構用AI，到底做什麼，做了什麼，這個要非常明確。第二，AI做工作的時候，產生了哪些行為？這些行為在中間有沒有人工的干預？有，還是沒有？這樣一分解下來，其實監管就比較清晰了，如果完全是用AI，機器產生的形成，那監管層影響對AI採取什麼方法監管？目前在其他領域有很成熟的經驗，比如測試或認證，等等，將來對金融機構用AI提供金融服務，完全可以參照認證的方式。這是准入的監管。

業務提交以後，在持續經營過程中，要持續合規，就要跟監管部門說，應該對業務部門採取不一樣的、持續合規的方法監管AI或服務。如果人做行為最終的判斷，監管還是應該監管人。那個時候，不應該對機器有太多約束。

高嵩：結合家林總說的話，如果給個AI，這個公司沒有人，純機器，那肯定監管要好好考慮一下，怎麼給它發license，我們說AI，其實不是說完全不靠人，只是靠人工智慧，而是靠它的方法論、技術使人做到短時間內做不到或做得不夠完善、完全的地方。這些工作，我們現在已經在做了，我們有這麼多的量化投資，智能投研工作，都在做。難道監管還要看這些嗎？這是不可能的。從監管角度說，首先，就看你有沒有不合規的動作，而你的投資決策，是怎麼出來的？只要不超過比例，比如舉牌，超過5%，只要不突破紅線，就沒有問題。對機構投資者來說，我們進行監管。對公募來說，保護民眾財產方面，要進行一些判斷，有一些標準。但監管本身對技術是比較開放的，並不是說監管好像非常落後，非常不願意看到創新，不是這個意思。

盛子夏：技術和技術背後產生的商業模式，其實是兩回事。我想補充兩點。

螞蟻金服一直對監管有個內部的口號，就是「擁抱監管」，我們一直覺得，監管並不是大家講的在某些地方會管著我們，其實監管很多情況下，會幫助一個行業更良性地發展。在兩點上，尤其人工智慧領域，監管是可以考慮幫助產業發展得更好的。

一個，就是信息透明性方面，人工智慧的演算法，機器學習，把大量的大數據進行高維度的降維處理，使得原本處理幾十、幾百維的簡單的統計方法，現在可以擴展到幾萬維甚至幾千萬維，人工智慧都可以實現。但對客戶來講，如果長期是一個黑盒子，或完全不可解釋，說白了就是在信貸領域，我就告訴你能不能貸款，至於什麼原因被拒絕，就是不告訴你，這本身並不能促使這個市場或消費者去理解，客戶體驗也相對很差。長遠來講，在信息透明這個方向上，讓客戶更好地理解，為什麼這個技術能讓我得到一個服務，或被拒絕一個服務，把信息透明化，或讓整個過程變得更讓大家所理解，其實能更好地促使這個行業發展。

另外一塊，很重要的，大家一直提數據孤島。人工智慧將來的發展，能更好地利用大數據，大數據本身核心就是數據要更全民，而不是說在一個單維度上有非常大量的數據。從這個角度講，監管作為一個國家、政府機構，能很好地促使數據的共享，其實它本身背後的理念，跟很多公共設施是相關的，就是讓一家私有機構去投入相對公共的一個事業，本身會有很大的難度，因為任何一家私有機構都要考慮自身的利潤、投入產出，要建立全社會的、全國範圍內甚至世界範圍內的一個大數據的共享，非常困難。跟基礎設施建設一樣，中國國家發起高鐵的建設，效率肯定比一家私有機構投入更好。這也是為什麼美國雖然經濟發達，但在很多基礎設施方面，始終相對落後。相比之下，同樣一個類比，監管如果能在大數據更促使數據的共享，因為現在數據很難形成這樣一個共享，任何人都覺得，我把數據共享出去，別人得到了，我的好處是什麼？但監管能促使這件事情發生，能讓數據真正流動起來，去解決數據孤島的問題。這樣才能最終為人工智慧建立更好的一個分析基礎。

王海明：你提到了兩個非常重要的問題，但在我看來，都很難。一個，擁抱監管，肯定沒有錯，但問題在於螞蟻金服擁抱的時候，可能那邊是冰涼的，招商銀行、工行擁抱的時候，它就暖和一點。基於你們身份的不同，可能感覺不一樣。所以我特彆強調，像AI這種新興領域，監管溝通非常重要。比如原來你們做商業、貿易，甚至現在想做科技，而不是定位為金融公司，不太需要監管溝通，但只要有金融方面的類似業務，監管溝通都非常重要。而你們之前又沒有相應的基礎。另外，數據共享，不要說官方跟業界或業界之間彼此的共享了，哪怕三行三會之間的共享，都很難。很明顯，這個共享是擺在面前的，大家都需要的。所以像AI這樣一個很美好的願景，都很難，只能說去努力。

還有沒有其他的觀點？

戴文淵：從技術角度來說，我剛才表達了一定的觀點，就是我認為監管機構如果要能監管金融機構，首先，他在能力上要大於這些金融機構。從具體的角度來說，比如監管機構做一個機器學習的系統，它的複雜度能大於金融機構，那才有可能能剖析現在金融機構的機器學習系統到底有什麼樣的問題。另外我也同意盛總的觀點，如果監管機構能獲得更多的數據，金融機構使用的數據，監管機構也能獲得，這個時候才能真正知道金融機構現在的模型到底有什麼問題。

在實現方法來說，國家層面還是有一定辦法的，至少所有在網上的這些數據，運營商都有。如果國家層面能打通三家運營商所有的數據，其實並不需要每家都把數據拿出來，三家運營商把數據放在一個公共的地方，由監管機構獲得，那在這個基礎上，監管機構再配以至少大於等於金融機構的技術實力，這個層面應該是可以實現的。

王海明：也就是說，在這個領域我們希望監管方能收集數據，然後應用數據，並且把這種數據應用用在監管這個領域。這可能是更加有效的。

張家林：我補充一點。戴總的觀點，好像有點誤區。我覺得監管不是超級股東，也就是說它不能不受約束地獲得被監管機構的所有信息。第二，也不是超級CEO，也就是說它能了解被監管機構的經營情況，而且能做出比監管機構更好的經營決策，它不是這個使命。

我感覺監管有它自己的一些基本邏輯。今天上午的會，美聯儲的嘉賓說得很好，被監管機構認為，只要把風險數據提交給監管機構，監管機構依據這些風險數據，做出他們認為的監管方面的要求即可，微觀審慎也好，宏觀審慎也好，做出判斷和決策。簡單說，央行現在做的MPA，是一個簡單的例子，就是定期讓銀行按要求把指標級輸入給央行，央行基於這個按一定的方法計算出當前的狀態，然後央行做出相應的監管指引。這是一個監管正確的態度。不能說搞一個超級的AI，然後比被監管機構的AI還強大。不是這樣的觀點。

王海明：官方或半官方的機構，跟純民營的機構，覺悟是不一樣的。

Sandeep Lal：監管需要跟得上。因為在技術層面，發展得非常快，日新月異。在過去幾年，我們想擁抱Fintech，就要開放創新的能力，開放責任和安全的解決方案，這是符合所有人利益的。今天早晨我們討論，最終的問題在於，已經有很多銀行監管的關注點了，現在又要花一些時間來做Fintech，誰給你這個錢做這個監管？你要做的是跟銀行監管一樣的，傳統上銀行在做傳統業務，也花很多資源做Fintech。所以對監管方來說，也是一樣的，對納稅人來說，花很多錢，投資於金融科技，也是比較好的投資。

王海明：好，今天的論壇就到此結束。明年第五屆金融科技外灘峰會，期待大家上海見。再見。

點擊下方「閱讀原文」直接入手此書

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！