第四範式王衛：未來銀行網點不會消失，而是轉型做不同的事情

來源：零壹財經

作者：雨林

Fintech正越來越深刻地改變著金融行業的生態，各家機構都在數字化轉型中快速邁進。針對這一轉型大潮，Fintech公司基於人工智慧、大數據、雲計算、區塊鏈等技術，助力金融業務的數字化、智能化，創新產品和服務，這些產品和服務，正如一件件提升效率的「兵器」。

基於此，零壹財經推出零壹兵器譜項目，調研和報道那些走在創新前沿的Fintech公司。

科學研究所遵從的理論基礎和實踐規範被稱為「範式」。圖靈獎獲得者吉姆·格雷把人類科學的發展階段分為四個範式，即經驗科學範式、理論科學範式、計算科學範式和數據密集型科學範式，他認為當前人類科學已經進入第四範式時代。在人工智慧行業內也有個「第四範式」，不過這是一家專註於人工智慧技術與服務的提供商。

2018年12月，「第四範式」成為了國有五大行均參投的科技類企業。當前，智慧銀行、開放銀行等理念正在銀行業掀起轉型的浪潮，「第四範式」有哪些吸引銀行業對其持續加碼的獨門秘笈？在人工智慧技術上和對銀行業發展方向的判斷上又有哪些獨到的認識？日前，零壹財經對第四範式應用創新部的諮詢總監王衛進行了一次專訪，期待能通過他的解讀為上述問題找到一些答案。

提問者｜零壹財經

受訪者｜王衛（第四範式應用創新部諮詢總監）

以下為對話實錄：

零壹財經：您如何看待「人工智慧」「機器學習」「深度學習」這些概念？

王衛：人工智慧是20世紀50年代由美國科學家提出來的一個綜合性的概念，覆蓋了機器人學、計算機視覺、人機智能交互、知識推理、自然語言識別等豐富內容。比如銀行的機器人客服、通過自助機具做信用卡開卡時用到的人臉識別技術等，都屬於人工智慧的技術應用。

機器學習是人工智慧範疇內最核心的底層技術，通過對歷史樣本數據的學習獲得的經驗，再用於數據分析獲取理想的識別或預測結果，獲取的經驗越多分析的結果就越準確。

深度學習是機器學習的一個子集，它來源於神經網路的發展。簡單地來說，深度學習的工作機理和人腦一樣，建立一個網狀的層級關係進行學習探索，模仿人腦的機制來解釋如圖像、聲音、文本等類型的數據。與機器學習相比，深度學習需要更大量的數據來進行訓練和學習，AlphaGo就是深度學習的一個例子。並且深度學習對資源的消耗較大，尤其是對硬體資源的需求（需要GPU資源）。此外，深度學習的模型進行計算的時間也會比較長。

對於圖像、聲音、文本識別等計算機視覺類的應用，深度學習具有自己的優勢。而機器學習更多的是運用在傳統的決策類應用領域，比如銀行業務中的反欺詐、產品營銷等場景。但並不是說機器學習和深度學習是嚴格割裂開的，比如第四範式的「先知」機器學習平台就嵌入了深度學習的計算框架。

零壹財經：銀行業有沒有哪些業務場景不適合人工智慧？

王衛：理解了人工智慧應用的本質就能夠相應地理解哪些場景適合應用人工智慧，或者有哪些場景是不適合的。人工智慧核心目標是以機器的計算能力替代人力去實現業務價值，因此業務需求就決定了人工智慧的應用場景。

人工智慧有效發揮作用的業務場景分為兩類，一類是以機器的算力去替代人工操作，提升效率，降低成本。銀行的運營部門目前仍需要投入大量的人力對文本數據做審核，舉個簡單的例子，支票的手寫體金額識別，銀行的運營部門需要大量人工做審核與錄入。我們可以通過人工智慧替代人力，用機器識別文字，以節省人力資源降低成本。

另一類是利用人工智慧實現比「專家規則」更好的效果。銀行傳統的營銷或反欺詐是通過「專家規則」建立的模型提升業務效果，但「專家規則」下的模型存在很多條件的約束和限制。千人千面的產品推薦、廣告推送，或者提高反欺詐等風控場景的效率，人工智慧要比傳統的「專家規則」帶來更好的業務效果。

如果某類業務場景下樣本數據的積累很少，就不一定適合用機器學習的方法提供決策依據。

零壹財經：第四範式在銀行業比較有代表性的項目有哪些？

王衛：第四範式成立有四年多的時間，服務過眾多銀行客戶，分享兩個典型的應用場景。一個是為一家國有大行做的精準營銷項目，這是機器學習在以客戶為中心，向客戶推薦合適的產品場景下的應用，也是機器學習在「長尾客戶」營銷方面的典型案例。「長尾客戶」指資金量比較少的普通客戶，銀行業目前的競爭壓力讓很多銀行對長尾客戶營銷的關注度越來越高。

通過機器學習構建模型並經過業務驗證，我們最終實現了營銷成功率相比於過去的專家規則提升575%；在同樣激活客戶數量的情況下，外呼營銷量減少了99%；通過模型的自學習能力，經過三個月的自學習迭代，前10%的客戶的響應率提升了一倍。因此在這樣一個「長尾客戶」營銷的案例里，銀行一方面實現了降本增效，另一方面又促進了銷售、增加了營銷成功率。

再看一個風控類應用的例子，這是我們為一家股份制銀行的信用卡中心做的一個事中交易反欺詐項目。在銀行的事中交易反欺詐場景下，平台必須具備實時欺詐交易偵測的能力，最終實現的效果是99.9%的交易在20毫秒內完成，實現了高性能的實時處理能力。

零壹財經：第三方科技公司在「開放銀行」下的機會有哪些？

王衛：從銀行來說，現在在做「開放銀行」的業務轉型。過去銀行都是在自己的營業網點、手機銀行上面提供服務；現在銀行開始向智慧銀行、開放銀行等方向轉型。在開放銀行背景下，銀行一方面可以提供自己的開放服務平台，讓第三方參與服務；另一方面銀行可以將自身業務服務嵌入到第三方的應用場景中。

銀行面向第三方場景拓展服務的時候，就會帶來一些新的衍生機會。一方面，各類第三方平台的流量本身對銀行的業務具備價值；另一方面，銀行與第三方服務平台的對接，會產生更多更豐富的數據，相對於銀行傳統應用系統積累的數據，現在有了來自於互聯網、來自於更多業務場景的數據。在這些數據的基礎上，我們可以幫助銀行在人工智慧上做的事情會更多，開發出新的業務場景，預測分析更精準。

零壹財經：不同類型的銀行對人工智慧的需求是否存在一致性？

王衛：應該說不同的銀行，包括一些其他的金融機構，由於市場規模、IT成熟度以及數據的積累等各方面的不同，使得它們應用人工智慧的門檻是不一樣的，需要各自面對不同的挑戰。但一個共性就是銀行業擁有海量的數據，所以銀行業對應用人工智慧技術和服務的需求可以說是非常大的。

今天的銀行面臨越來越大的市場競爭壓力，它們需要建立更敏捷的市場反應機制，需要從主要面向頭部客戶提供服務轉向對長尾客戶提供個性化服務。因此銀行的業務轉型和數字化轉型的發展戰略中對人工智慧的需求普遍從嘗試探索已經轉變為積極擁抱。

另外我們看到，業務需求帶來更多的人工智慧的應用場景，而人工智慧應用本身帶來的業務價值和治理的需求，也影響了銀行業務的轉型發展。今天不同體量、不同規模的銀行雖然對人工智慧的需求不同，但它們需求的方向是一致的。銀行在面向人工智慧轉型過程中都需要有一個企業級的平台，以幫助它快速地建立人工智慧業務的場景，提升業務價值，並且在自主可控的前提下實現規模化的發展，這是銀行在人工智慧應用上的一個共同點。

零壹財經：銀行如何才能更好地支撐人工智慧應用？

王衛：支撐人工智慧的應用有三個支點，第一個是先進的演算法，第二個是大量的數據，第三個就是充足的算力。對銀行來說，現在很多都是採用標準PC伺服器的方式去搭建整套的大數據平台和人工智慧計算平台。整套平台體系的建立複雜度高、周期長、見效慢，並且由於人工智慧平台對資源的特定需求，以標準伺服器提供人工智慧算力存在一定的發展空間限制。

在銀行應用人工智慧的場景越來越廣泛的情況下，對算力的需求越來越大。在一個大行里部署幾百台伺服器做人工智慧的支撐是很普遍的事情，甚至將來會擴充到更大的規模。為了幫助銀行更快地部署人工智慧的集成框架，能夠更快地實現人工智慧帶來的業務價值，能夠在整體的運維環節做到高效低成本，第四範式推出了一體機SageOne，按照人工智慧應用需求對軟硬體做了特別設計和優化，幫助銀行客戶以更低的TCO（Total Cost of Ownership，即總擁有成本，包括從產品採購到後期使用、維護的成本）構建起自己的人工智慧應用平台。

SageOne一體機

零壹財經：隨著人工智慧等技術的發展，銀行的線下網點最終會消失嗎？

王衛：現在銀行業是在一個快速轉型的過程中，大家曾經討論過在有了網路銀行有了手機銀行後銀行的網點會不會消失。這不算是一個新話題了，實際上我們看到現在各大銀行網點的數量並沒有大量減少。

過去銀行網點是以人/櫃員服務的方式來提供主要服務，現在轉向提供越來越多的自助設備和服務，有更多的人工智慧應用場景。比如開戶開卡過程前端應用人臉識別技術、後端應用客戶風險評測人工智慧模型，在人工智慧的技術支撐下高效發展業務。所以銀行業的轉型，並不是說將來網點會消失，而是說網點會做不同的事情、銀行會做不同的事情。在銀行業轉型的過程中，人工智慧會越來越多地起到核心作用。

零壹財經：能否介紹下第四範式的「1 N」概念？

王衛：今天銀行要做人工智慧，並不是說銀行的業務和服務的方方面面都會立刻用到人工智慧。人工智慧的發展在銀行的業務領域是要有一個循序漸進的過程。所以第四範式面向銀行提供人工智慧服務的時候，我們會跟客戶探討一個「1 N」的業務模式，我們認為這是銀行向人工智慧轉型的一個必然的過程。「1」是銀行面向人工智慧做探索轉型時，需要找到適合人工智慧應用的一個或者是多個核心業務場景做探索，能夠讓銀行看到人工智慧帶來的直接的業務價值。圍繞這些核心的業務場景，利用人工智慧平台高維、實時、閉環的技術優勢，把效果做到極致。

「N」是用最高的效率規模化落地儘可能多的應用場景，實現人工智慧的規模化效應。當銀行從發展規劃層面探討合理的人工智慧建設路徑時，就會推動更多的業務模塊向人工智慧轉型，從而實現「1」帶動「N」的規模化發展效應，我們認為這是銀行向人工智慧轉型的一個必然的過程。同時人工智慧還是有一些門檻的，需要大量的技術和人力投入，那麼怎樣才能夠快速地實現規模化的人工智慧應用呢？這裡，一些新的技術，比如架構中底層的自動機器學習，再結合我們剛才提到的一體機算力的支撐，這樣就可以幫助銀行有效地降低人工智慧的技術門檻，完成自動化模型訓練，解決人員的瓶頸問題，快速的實現「1 N」發展戰略。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！