為什麼說人工智慧在金融業的應用具有局限性？

（轉載請註明出處：微信公眾號fintechview）

人工智慧目前在智慧城市、無人駕駛、安防、生物醫療、語音識別、金融、製造、環保等行業的應用逐步落地，也已經成為國家重點發展戰略。最近十三屆全國人大一次會議上，科技部重點提到人工智慧作為國家科技計劃的重點研究內容。國家造勢，無論市場還是企業沒有理由不跟風。AI這種古老的技術似乎變成了引領國家、行業發展的科技圖騰。

前幾天我聽了螞蟻金服副總裁、首席數據科學家漆遠博士在北京大學「人工智慧前沿與產業趨勢」論壇上的演講——人工智慧與金融服務，內容有案例也有技術，很豐富，像智能營銷、金融大腦、智能保險什麼的。不過就金融行業而言，我並不看好AI能有多大作為。我也談談我的觀點：AI+Finance只是一種噱頭式的宣傳手段，實際應用具有很大局限性。

1

用機器學習包裝產品，噱頭大於實質

當前金融行業AI應用其實是用機器學習包裝的產品。不能否認機器學習是實現人工智慧中的一種技術方法，但也僅僅是一種實現方法，你不能將機器學習與人工智慧劃等號。現在的金融機構、BAT這些互聯網公司、包括媒體在內，所謂的人工智慧其實都是用機器學習演算法解析、學習數據，對事件做出預測和判斷。這種就屬於跟著熱點蹭熱度、什麼熱門搞什麼。

更何況現在很多金融機構還並沒有做出相關的產品，絕大多數仍處於概念設計、數據標註和模型驗證階段。很多產品也不是新開發出來的，像一些決策系統、專家系統、商業智能...經過一些改造就可以稱之為人工智慧產品。演算法和建模也不是現在才應用在金融行業，像分類、聚類這些演算法在信貸、營銷、徵信、風控、投資等領域已經應用了很多年，隨著AI概念的興起，新瓶裝舊酒，就可以迅速包裝成為AI產品，公司就可以迅速成為FinTech公司。國內很多智能應用，像智能投顧、智能客服，只能稱之為一種自動化的辦公系統，其實是數據科學的概念範疇，貼上「智能」、「機器人」的標籤，也是為了確保人有我有、不至於落在趨勢的後面。

2

AI只是漸進式創新，談不上顛覆

我曾經寫過一篇文章《人工智慧是個偽命題》，其中我提到，人工智慧目前只能作為輔助技術手段幫助金融機構優化、改進服務模式，但無法解決金融機構的核心痛點。金融市場的監管收緊、競爭加劇、風險敞口擴大、機構缺乏精益運營、人員結構不合理...這些問題本身並不是通過技術改良就可以解決。如果說科技對於互聯網、汽車製造、生物醫療、零售快消等行業具有顛覆改造的意義，那麼對於金融行業來說，技術仍難以突破監管要求、體制束縛、制度規範、行情波動的限制。所以這也是科技在面對金融這一領域時，談的更多的是「賦能」而不是「顛覆」。科技賦能金融並沒有引領變革，只是漸進式創新。

舉例來說，智能營銷結合了線上客戶流量和內外部多維客戶數據，能夠更多面的刻畫客戶樣貌和行為，從而產生營銷觸達方案，本質上並沒有脫離客戶營銷價值理論，很多產品甚至仍然是一個CRM(客戶關係管理)。無論是精準營銷、大數據營銷還是營銷引擎、智慧引擎，都只是概念性的提法；智能風控(大數據風控)在建模原理和方法論上與傳統風控沒有本質區別，只是增加了互聯網中更多維的數據變數，如客戶APP行為軌跡、瀏覽記錄、GPS位置信息等，通過數據相關性來替代傳統的強因果關係。

智能決策則基本是套用了BI(商業智能)的設計思路，除簡單的統計學指標和報表匯總，納入了一些機器學習功能進行預測性分析。但很多商業智能、統計建模工具在很多年前就已不鮮見，套上智能決策的「新衣」也改變不了管理決策系統的本質；而智能投顧更談不上「智能」，多數都是在後端平台把演算法寫死，固定幾種股票或基金組合，本質上還是一種基金組合銷售或權益類產品推薦服務模式。事實上招行的「摩羯智投」、工行的「AI投」、廣發證券的「貝塔牛」也都是這麼介紹自己的產品。根據我的觀察，媒體一直宣稱的「人工智慧未來將取代投資理財顧問」並沒有到來，反而各大券商目前招聘需求量最大的仍是投資顧問，多少都有些諷刺。

有一些人工智慧意味的產品，多集中於人臉識別、語音識別、情感分析、生物特徵識別、自然語言處理(NLP)等「機器識別」類場景，如智能客服、智能助理、問答機器人。此類產品多數都只能在開戶驗證、自動問答、終端客服這種高頻、低效、重複、強依賴人工的場景上有一定的作用，能夠節省一定的運營成本、改善用戶體驗。但長遠來看隨著此類應用的普及，其效果不佳，且邊際效用是遞減的。舉例來說，像通過情感技術、深度學習可以做售前、售中和售後的客服機器人和對話引擎，對於「日常閑聊」的基礎性問題，這類智能客服應該說表現不錯，基本能滿足客戶意圖識別和關鍵詞回復。但一旦涉及到深度的行業和業務知識就會卡殼。客服機器人上線不難，慢慢都會成為標配，客戶熟悉了套路也就沒有了新鮮感，對提高粘性和留存率影響不大。未來比拼的反而是擁有海量數據的自學習能力、對於行業具備深度理解能力的智能問答，有些問題人都回答不了，機器更遠遠達不到。

不過，漸進式創新對企業來說仍具有現實意義，隨著這種漸進式、模仿式的創新不斷積累，會改善企業的創新環境，運用得當最終能夠產生從量變到質變的轉化。只不過對於金融行業來說，人工智慧遠不如鼓吹的那麼強大，甚至有誇大宣傳產品、誤導客戶、企業品牌營銷、跟風口炒估值之嫌。

3

數據運營缺失成為制約AI的主要障礙

金融業基本是全行業中最依賴數據的，但數據運營的缺失卻成為金融機構發展AI應用的主要障礙。機器學習和深度學習需要大量、高質量數據的特徵工程，對大多數金融機構來說，數據質量、數據治理與管理、數據基礎設施仍然沒有很好的解決方案。不過在我看來，缺乏大數據運營才是核心痛點。

舉一個現實中的例子，一個證券公司的研究所期望做產業鏈知識圖譜。這是一個很典型的AI應用場景，通過產業鏈建模分析主要給證券、基金行業的行業研究員、基金經理、量化投資者提供分析框架。由於產業鏈本身就是各產業部門之間的技術經濟關聯，並依據特定的邏輯關係和時空布局關係客觀形成的鏈條式關聯關係形態，所以天然比較適合於用知識圖譜這種圖結構來展示。

難點在於，券商本身缺乏能夠覆蓋產業鏈上下游的全量數據。像通聯數據、數庫科技這類聚焦於做知識圖譜和產業鏈分析的公司，都有數十人甚至近百人規模的團隊輔助網路爬蟲、數據清洗、到數據運營和管理的工作，即便如此也無法完全覆蓋某些細分產業領域。而且產業本身也存在著持續變化，需要不斷的數據運營來完成。多數金融機構在人員、技術等方面都不具備條件，所以只好通過採購外部數據服務來補充這些數據信息。

很多AI類型的項目並非存在演算法和模型上的難點，在我看來這只是AI產品的最後一公里。數據運營的缺失導致數據維度不全、數據質量接受程度不高、甚至與業務場景的需求脫節，最終導致不具備實現AI應用的條件。

4

AI不是「賦能」而是「賦值」

不能否認AI提供了一種新的方法論，通過機器學習、深度學習技術的發展能夠提供更多創新洞察力。但應看到，AI+金融的落腳點仍在「金融」而不是「智能」，因為前者的需求和場景具備延續性，而後者只存在於概念驗證階段。包括互聯網公司，沒人能說得清什麼是智能、智能如何衡量、做到什麼程度才是智能金融。

金融機構也期望通過AI實現創新轉型升級，使之成為存量和增量業務創新的驅動力，從而產生價值變現。但要實現這一點卻很難。舉例來說，像國有大型銀行、股份制銀行內部往往有多個科技下沉的部門，本身就存在著業務重合和競爭。而創新團隊的話語權就是靠前沿科技應用來爭取的。在這種環境下，出發點本來就不是技術變革，而只是為了爭取資源傾斜而被動式的迎合市場。

此外，與互聯網公司對技術創新的熱情不同，傳統金融機構在推進AI等前沿技術上存在一些阻力和認知約束。由於金融機構的業務模式、盈利模式已經穩定，如果引入新的技術可以嘗試，那也僅存在於試驗性階段，不會為了徹底的技術革命而放棄掉原有穩定的利益基礎。畢竟擁抱金融科技，並不意味著徹底轉型成為一家科技公司。

互聯網公司們喜歡講「科技賦能」、「連接一切」的概念，但受限於行業、體制和業務場景，我並不看好AI能夠賦予金融多大的能力。事實上AI變成了「賦值」工具——提升企業估值和業績價值的手段。如何真正建立創新體制和創新文化，仍是金融機構需要深思的問題。

金融科技精華文章

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！