AI金融助手

根据致同(香港)会计师事务所发布的《金融科技变革：金融服务的人工智能应用与创新》报告显示，香港金融行业在生成式人工智能的应用上领先于其他地区，38%的香港金融机构已经将生成式AI应用于日常营运，高于新加坡的16%及全球平均水平26%。生成式AI正在推动香港金融行业转型，不仅提升了服务质量和营运效率，还激发了商业模式的创新。同时，香港的银行正在大幅提升对金融科技的投资力度，预计2022年至2025年期间的投资额将比2018年至2021年期间增加40%， 致同会计师事务所指出，香港金融行业已经将环境、社会和公司治理(ESG)以及可持续发展视为下一个重要议题。生成式AI被视为释放这一巨大潜力的关键，据统计，35%的香港金融机构计划利用生成式AI进行ESG数据分析和决策制定。AI还能革新环境风险管理，通过分析气候数据及预测自然灾害，并利用AI驱动的自动化技术减少行业的环境足迹。 另外，人工智能人才严重短缺是香港金融机构所面临的一大痛点，近半数(49%)的香港企业表示难以招聘AI专业人才。香港的银行计划到2025年将金融科技人才增加40%，这进一步凸显了该领域对专业人才的迫切需求。 报告又指，香港正充分利用与大湾区之间的紧密联系，加速迈向成为全球AI中心的发展目标。2023年6月，香港与大湾区签署了具有里程碑意义的《促进粤港澳大湾区数据跨境流动的合作备忘录》，这一举措大大加强了区域间的合作，实现数据的无缝共享，也催生了湾区协同创新的新局面。 致同(香港)会计师事务所咨询副总监严欣琪表示，与湾区签署的合作备忘录和合作区的发展计划，为香港打开了海量数据和人才资源的大门，培育蓬勃发展的AI生态系统，并推动尖端技术商业化。这项跨境倡议试行先进技术的新规则，使合作区成为大湾区的生产和转型中心，加速香港崛起成为全球AI领跑者。 海量资讯、精准解读，尽在新浪财经APP

致同香港发布题为《金融科技变革：金融服务的人工智能应用与创新》（以下简称“报告”）显示，香港金融行业在生成式人工智能（AI）的应用上领先于其他地区，38%的香港金融机构已经将生成式AI应用于日常营运，高于新加坡的16%及全球平均水平26%。生成式AI正在推动香港金融行业转型，不仅提升了服务质量和营运效率，还激发了商业模式的创新。 报告显示，香港的银行正在大幅提升对金融科技的投资力度，预计2022年至2025年期间的投资额将比2018年至2021年期间增加40%，这反映出人工智能日益增长的重要性。同时，香港的银行计划到2025年将金融科技人才增加40%，这进一步凸显了该领域对专业人才的迫切需求。过去一年，银行即服务（Banking as a Service，简称BaaS）和嵌入式金融为金融服务机构的投资重点。2023年，关于BaaS的部署和优化的比例激增至51%，较2022年的33%显著上升。同一时期，嵌入式金融服务也呈现强劲增长，从27%飙升至43%，这些数据充分展示了金融行业积极采用新兴金融科技。 致同会计师事务所指出，香港金融行业已经将环境、社会和公司治理（ESG）以及可持续发展视为下一个重要议题。87%的金融机构对此表示认同，并且高达90%的机构认可绿色贷款的收益潜力，位居全球前列。生成式AI被视为释放这一巨大潜力的关键，据统计，35%的香港金融机构计划利用生成式AI进行ESG数据分析和决策制定。AI还能革新环境风险管理，通过分析气候数据及预测自然灾害，并利用AI驱动的自动化技术减少行业的环境足迹。此外，AI正通过预测性维护优化资产管理，延长设备寿命，尽可能减少资源浪费。 致同香港咨询合伙人夏其才先生表示：“我们很高兴看到香港金融业积极采用人工智能技术，推动金融服务创新，巩固香港在全球金融科技领域的领导地位。凭借一流的金融基础设施、成熟的资本市场、积极的政府政策以及强大的跨境合作关系，香港构建了蓬勃发展的 AI生态系统，这为其成为全球领先 AI 中心奠定了坚实的基础。” AI人才荒成为香港金融科技发展瓶颈 人工智能正在重塑金融业，带来令人振奋的新机遇的同时，也潜藏着重重挑战。虽然AI有望提升金融服务的效率、优化客户体验、创造新的收入来源，但也伴随着必须加以应对的重大风险，以确保其应用负责任及符合道德。致同会计师事务所指出, 人工智能人才严重短缺是香港金融机构所面临的一大痛点。近半数（49%）的香港企业表示难以招聘AI专业人才。 人才缺口不仅阻碍了创新，还增加了在缺乏充分监督的情况下部署人工智能系统的风险，为香港构建全球领先金融科技中心的愿景埋下隐患。数据质量问题进一步加剧了挑战，训练数据中的偏差可能导致贷款审批等领域出现及加剧歧视性结果。中小企业采用AI需要庞大的数据集、强大的计算能力以及持续的系统升级，这对中小企业来说是一项巨大的资源挑战。同时，监管机构面临着在鼓励创新和保护投资者利益之间取得平衡的挑战。 致同香港咨询总监黄美燕女士表示：“策略规划及实施有助金融机构将人工智能的挑战转化为增长和创新的机遇。这包括要加强数据治理，利用联邦学习等技术来提升数据的私隐性与准确性，加强人才发展及开展全球合作，以解决人才缺口。同时，透过多元化的团队和透明的模型来解决算法偏差问题，建立信任，而云解决方案和策略合作则可降低人工智能的使用门坎，使更多中小企业也能从中受益。最重要的是，金融机构需将道德实践融入到AI应用，并确保符合监管要求，才能将潜在风险转化为竞争优势。” 大湾区合作与战略投资推动香港AI发展 香港正充分利用与大湾区（GBA）之间的紧密联系，加速迈向成为全球AI中心的发展目标。2023年6月，香港与大湾区签署了具有里程碑意义的《促进粤港澳大湾区数据跨境流动的合作备忘录》（《合作备忘录》），这一举措大大加强了区域间的合作，实现数据的无缝共享，也催生了湾区协同创新的新局面。 此外，近期公布的《河套深港科技创新合作区香港园区发展纲要》，标志着香港打造全球AI中心迈进了一大步。该规划聚焦于世界级研究、试点生产、全球创新资源和政策创新，进一步加强与深圳的协作，促进了人才、资本和数据，特别是在AI和数据科学领域的流通。这使园区成为推动香港AI领导地位的重要引擎。 致同香港咨询副总监严欣琪女士表示：“与湾区签署的合作备忘录和合作区的发展计划，为香港打开了海量数据和人才资源的大门，培育蓬勃发展的AI生态系统，并推动尖端技术商业化。这项跨境倡议试行先进技术的新规则，使合作区成为大湾区的生产和转型中心，加速香港崛起成为全球AI领跑者。” 香港政府也正积极推进AI技术开发和人才培养。其中一项重要举措就是在2024-25 年度财政预算案的支持下，加速在香港数码港建立人工智能超级计算中心。该中心预计将在2026年启动首个阶段，以满足日益增长的计算需求，同时进一步巩固香港在人工智能研究和创新领域的领导地位。此外，一项为期三年、规模高达30亿港元的AI资助计划，将帮助本地大学、研究机构和企业利用高效能计算资源，推动人工智能技术的创新和突破。 夏其才先生总结道：“香港位于大湾区战略要地，背靠强大的金融服务业，面向广阔的大湾区市场，为寻求全球扩张、推动创新和商业化的人工智能公司提供了得天独厚的优势。即将落成的人工智能超级计算中心将进一步增强香港的优势，并为开发和部署尖端人工智能解决方案提供了坚实的基础设施。这吸引了金融科技巨头来港设立全球总部，进一步壮大香港的创新生态系统，并汇聚全球顶尖人才。”

果不其然，金融成为今年博鳌论坛的核心焦点之一。首先是主席在博鳌亚洲论坛2018年年会开幕式上宣布，在服务业特别是金融业方面要加快开放进程。随后，中国人民银行行长易纲在博鳌亚洲论坛分论坛上宣布了进一步扩大金融业对外开放的具体措施和时间表。他还强调，在扩大金融业开放的同时需要加强金融监管。 金融体系的开放变革，正在成为国家未来发展重点。金融行业如何进一步深化改革？作为智能金融领域代表人物现身博鳌的百度高级副总裁朱光从企业和技术层面进一步诠释了“开放”。他认为，本届博鳌论坛的主题是“开放创新的亚洲，繁荣发展的世界”，国家要开放，企业也要开放，人工智能是当下产业转型的重要助推力，让全行业拥有金融科技能力，共同构筑全新的智能金融生态圈，这将是金融行业升级变革的一个重要方向。 朱光曾说：“金融是人工智能应用最好的场景，可以实现数据与算法的完美结合”，而当下“AI+金融”正是中国金融行业的新机遇。 技术变革已经开始，AI、BigData（大数据）、Cloud Computing（云计算），即“ABC 时代”已经来临。人工智能能否与产业结合、实现大规模商用，正是本轮产业革命的关键。在这一轮产业革命之时，中国金融行业如何实现“AI+金融”的全面升级？ 2017年7月，百度曾宣布，百度金融未来将独立运营。此后，百度金融分拆的信息一直被反复提及。在这次亚洲博鳌论坛期间，朱光接受媒体采访时也谈到了百度金融的分拆进入最后阶段，有望在下个月跟外界分享信息——一只新的金融科技独角兽或将诞生。 人工智能带来金融行业三大变革 “如同十年前开始重视互联网+一样，未来越来越多的公司会用到AI，把每个公司变成一个‘AI+公司’。”4月11日，朱光在博鳌论坛 “让人工智能落地”分论坛上表示。 AI对于金融行业的重要性不言而喻，如朱光所说，金融行业更需要AI的助力。从目前的实践来看，人工智能可以给金融领域带来的三大变革方向。 首先是技术上，人工智能“直面”金融领域最突出的获客和风控难题。金融业务发展至今，风控和获客成为核心能力。AI更加接近金融的核心，风险定价与管理的效率极大提高。 其次是业务上，AI可贯穿金融业务前中后台及监管，拓展金融服务边界。AI+金融主要应用在四个层面：用户交互环节，例如线上完成的申请、客服等；业务逻辑层面，如风控判别、流动性配置、风险定价等；后台运营层面，例如核保、审批等环节等；监管科技层面。而这种贯穿金融业务前中后台及监管的力度，让AI可以深度理解用户，提供个性化服务，扩展服务边界，最终将金融服务推向新的高度。 第三则是合作上，“软硬件”结合，多场景应用，才能构筑智能金融生态圈。智能金融的快速发展离不开“软硬件结合”，“软”就是所谓“数据和算法、策略”，“硬”就是所谓“牌照和IT系统”。而软硬件的结合是金融科技公司与传统金融机构的共同需求与合作基础，是智能金融生态共建、多场景落地应用，践行普惠的抓手。 从以上三方面的变革不难看出，金融行业的AI变革并不容易，不仅要有软硬件结合的能力，还要有让AI能够贯穿整个金融业务，甚至拓展金融服务的边界——对金融行业而言，向AI的升级不仅是一次产业革命，更是一次前所未有的挑战。 对于人工智能的未来，朱光持乐观态度：“我们非常有信心，它将解放人们更多的时间，让人的想象力和创造力——这些机器暂时还无法取代的东西，得到新的升华。人类将会变得更具有创造力和想象力。” AI助力金融的背后：真正的技术派 金融行业需要AI，但因为金融业务的复杂性，AI如何落地成为需要突破的难点。 谈到AI的未来发展模式，朱光认为，未来会出现两类公司：一个是“AI+”的公司，越来越多的企业会选择用AI改造自身业务、产品及服务；另一个将出现“AI平台性企业”，他们为各行各业提供人工智能基础平台及技术，提供更好的工具、更好的算力、更好的算法，帮助企业实现人工智能变革与转型。 事实上，对于业务复杂的金融行业而言，当前更需要“AI平台性企业”来帮助金融行业实现技术升级，而且是真正有技术实力的平台型企业。 众所周知，在BAT三大互联网企业中，百度最有技术范儿，今天的百度已经成功转型为AI公司。百度的AI研发成果正在应用到百度各个业务线中，并为全行业的AI升级赋能。百度AI开放平台已经对外开放了包含语音、图像、视频、增强现实、自然语音处理等在内的90多项AI核心能力，接入开发者近50万。 而在金融领域，百度金融这两年来的发展重点就是锻造真正的“AI+金融”能力。与蚂蚁金服、京东金融等企业相比，百度金融成立时间相对较晚，但百度金融却是第一家直接围绕“金融科技”定位展开，并迅速跨超发展为“AI Fintech”智能金融企业。 秉承百度和李彦宏的技术范儿，科技实力一直就是百度金融的核心竞争力。据悉，百度金融的团队中有70%为技术人员，无论是从百度体系里调过来的技术控们，还是挖来的传统金融机构的技术人员，70%的人员占比让百度金融成了真正的技术派。 百度的金融科技走在了AI应用前沿。百度金融使用百度金融大脑作为底层基础架构，在此之上着力开发出智能获客、大数据风控、身份识别、智能投顾、智能客服、金融云、区块链七大核心能力，构建出一个覆盖金融业务全流程的AI Fintech解决方案。 最重要的是，在技术层面，百度有着天然的场景化优势，“比如在生成消费金融资产的过程中，百度有很好的场景。当一个人想去国外旅游、想做装修、想上学深造，这些需求的表达，会在搜索上就反馈出来，百度金融可以在这个过程中，提供相应的金融服务。”朱光如此说到。 再深一层来看，金融科技强调用户体验，千人千面等用户体验的提升是金融科技能够不断走下去的关键。 未来金融行业的竞争中，技术能力的高低才是区分胜负的决定性力量。 真正的技术实力才能让人工智能快速落地金融行业，真正的技术派才能为整个金融行业赋能。 引领未来金融行业升级 可以看到，从成立之日起，百度金融一方面以技术为核心，另一方面则是着力发展开放的平台能力，基于这两者的作用力，今天的百度金融已经成为“金融科技”能力输出者。 以百度和中国农业银行合作共建的农行金融大脑为例，从底层的感知层到决策层，从感知层到决策层，到整个的获客、风控、客户服务，都用到了百度的人工智能的技术。在百度金融与农业银行合作的“AB贷”中，百度金融的智能获客模型和“般若”大数据风控平台都发挥了重要作用。 在智能获客上，百度金融通过需求响应模型和用户画像帮助农行预测“这5亿客户在什么时间点需要什么样的金融服务”，并且借助百度多样化的触达渠道在合适的时间触达客户，极大提升农行客户的信贷转化率；大数据风控上，百度的互联网行为数据与农行的金融数据交叉验证、有效互补，百度输出的百度分、收入模型、负债模型、用户画像标签和反欺诈模型叠加农行的自身数据，可以将客群的风险区分度提升13%，让更多优质客户的贷款需求得到满足。 据悉，截至目前百度金融已经与农业银行、南京银行、中信银行等逾400家金融机构展开深度合作，金融科技产品的输出达到了每日超过200万次以上。如百度金融帮助南京银行拓展客户，通过百度的大数据推送给南京银行的客群，通过率已经达到81.5%。 再从身份识别上来看，百度人脸识别基于巨量的后台训练数据及GPU运算能力，其识别速度可以在几十毫秒内完成计算，而在实践运用上，百度金融人脸识别SDK调起已经达到每天几百万次，全流程通过率提升到90%以上。 智能客服机器人通过问题预测、问答检索及交互会话等技术，理解用户意图，能够处理97%的在线咨询，金融业务问题解决率达90%以上。通过语音文本转化、语气识别等，智能语音质检已实现关键性问题100%覆盖。百度金融与泰康保险合作中，将人脸识别和OCR技术方案用于微信投保、保全、回执、回访等多个业务环节，在线校验客户身份，将以往10天流程缩短为2天。 可以看到，百度开发出面向金融机构的整体解决方案，既有针对大型机构的场景化一体机解决方案，也有面对中小型机构的可灵活组合的产品服务，成为其快速聚拢400+金融机构伙伴的利器。 今天的百度金融不仅为金融业赋能，也对行业起到了的引领和带动作用，更以实践证明：只有用真正的术实力和开放、多场景的AI金融方案才能带动产业升级。 结语：独角兽的大格局 金融科技、智能金融，是全产业的新机遇，也正在成为中国未来发展的重点。百度金融已经布局到位，并正在引领金融行业升级变革。事实上，正是因为百度金融这只“独角兽”已经基本就位，所以才有拆分的考虑和规划。 百度金融的分拆获得了很多投资人的关注和支持。对此，朱光表示：百度做金融科技，不是烧钱模式，目前经营状况良好，百度金融对资金，并不像传统企业融资时那么渴求。据悉，在选择战略投资者时，百度有两大原则。一是能不能给百度金融的管理和治理带到一个更高的水平，二是战略投资者有优质的资源可以用来协同发展。 需要拆分，需要更快地发展，但百度金融显然更为从容。2017年底，在百度FSG成立两周年的内部大会上，朱光谈到：“如果你(投资人)愿意跟我们一起去走普惠金融的道路，而不是急着上市变现，请你跟我一起走。”普惠金融被朱光在多个场合反复提及，能看出百度金融不看重短期目标，而更注重用金融科技让更多人或者企业平等地获取金融服务的长远大目标。 在这次博鳌亚洲论坛上，朱光再次强调了百度金融AI方案的三大核心：开放、赋能、普惠。 在输出“AI+金融”带领产业升级的背后，百度金融的大格局也更值得我们思考。 =================...

金融领域的“强监管”为互联网企业划出了一道道红线，可同时也提供了布局人工智能等前沿技术的契机，玖富正在借助外力和内力抢夺先手棋。 文｜张贺飞 在刚刚结束的2018清华五道口全球金融论坛上，汇聚了周小川、吴晓灵、朱民、Richard Apostolik等国内外知名学者，业已成为互联网金融领域的顶尖论坛。其中玖富集团创始人、CEO孙雷也受邀出席，分享对当前金融监管之下的行业趋势及看法，同时也向外界传递了玖富新的战略信号。 对于互联网金融行业而言，2018年注定是不平凡的一年，经历过前期的快速发展之后，无论是市场还是监管层面，新一轮的洗牌期似乎已经可以预见。正如孙雷在现场所分享的，互联网金融将朝向数字化、牌照化和全球化发展。作为国内最早涉足互联网金融业务的企业之一，玖富对于互联网金融的现状和未来，俨然有着自己的思考。 但在2018年，玖富最重要的抓手却是AI 。 两条主线：内部研发+外脑支持 从战略层面来看，玖富“AI in All”的路线很清晰，一条主线是内部研发，另一条主线是外脑支持。由玖富集团出资捐赠的清华大学金融科技研究院智慧金融研究中心，恰恰就是外脑支持的成果之一。 作为金融领域殿堂级的存在，清华五道口金融学院的前身是中国人民银行研究生部，并创造了多项中国金融行业的“第一”：发表《中国金融改革战略探索提纲》，被誉为中国金融市场的“蓝皮书”；参与创立全国第一家企业法人股份制银行招商银行；担任全国第一家上市银行深圳发展银行首任行长；以及创立中国第一家银行卡标准系统“中国银联”，都留下了五道口学生投身于我国金融改革实践，经受锻炼的足迹。近些年也频频走在互联网金融、普惠金融、区块链等热门概念的最前沿。 按照官方公布的信息，清华大学金融科技研究院智慧金融研究中心将致力于推动中国金融业与人工智能等技术的全面融合，建设成国内外一流的智慧金融研究及合作平台。不过，和清华五道口金融学院的合作并非玖富在AI领域落下的第一枚棋子，在此之前就先后公布了同中国科学院自动化研究、云从科技等围绕人工智能的合作。 前者的重心在于智能语音。结合中科院自动化所在人工智能领域的技术优势，以及玖富集团在人工智能应用场景探索的实践经验，全面提升玖富在获客、客户服务等业务方面的智能化水平。诚然，用户行为的碎片化为金融科技带来了挑战，需要将不同背景、不同场景下的用户进行画像，进而利用机器学习、大数据算法等，帮助用户进行更好地决策，并以此衍生出方便快捷的金融科技服务。 后者的切入点在图像识别。专注于计算机视觉与人工智能的云从科技是中国银行业人脸识别第一大供应商，市场占有率高达70%。玖富和云从科技将联合搭建人工智能平台，实现模型、特征、计算资源的模块化封装，使AI工程师可以快速搭建一套AI算法引擎，提高模型和算法的迭代效率，进而降低AI研发门槛，提高开发效率。 不难发现，玖富和清华五道口金融学院的合作偏向于“道”，比如AI和金融融合的理论研究，而同中国科学院自动化研究、云从科技的合作倾向于“术”，打破智能金融的技术门槛，并进行技术布道。不难从中断定玖富集团“AI in All”的决心，当然另一大看点则是玖富在人工智能领域的“内部研发”。 玖富AI的三要素：人、数据、场景 AlphaGo的围棋盛宴，再一次把人工智能拉回科技产业的中心，随即便带来了轰轰烈烈的商业化趋势，诸如智能音箱、AI手机、无人驾驶等层出不穷。人工智能不再局限于概念层面，也就意味着空喊口号的时代渐行渐远。 互联网金融领域也不乏对于人工智能的追捧，玖富便是“动真格”的玩家之一，似乎可以归结为三个要素： 1、人。 人工智能竞争的本质还是人才的竞争，玖富也不例外。 2017年5月份的时候，爱奇艺大脑深度学习团队负责人赵礼悦博士加入玖富，在一系列人工智能相关的Title之外，赵礼悦是名符其实的“实干派”，近两年开始流行的 “随视购”、“以图搜剧”等均出自赵礼悦团队之手。比如说“随视购”可以实时分析视频中出现的场景、物品和人物对话，涵盖了物体识别、场景识别、图像检索、语音识别、OCR识别、自然语言处理等多种人工智能技术，与金融领域的风控、授信等核心环节相辅相成。 在赵礼悦博士等一大批AI顶尖人才的带领下，玖富的人工智能团队正在不断壮大。目前，玖富集团正着手打造100人左右的人工智能中心，这些都成为玖富智能金融的强大AI研发力量。 2、数据。 如果将人工智能比作一艘火箭，数据就是缺之不可的燃料。 对于一家12年的互联网金融企业而言，数据无外乎是一种先天优势。目前玖富集团全平台累计注册用户数量超过6000万，玖富万卡、悟空理财、玖富金融等产品用户均超过千万或者接近规模，累计促成了上亿笔交易、撮合用户信息数十亿次、上百万客服接听和客户外呼量、千万次级别的信用风险评估……这些数据无疑提供了人工智能落地的基础。 其实数据上的优势已经在玖富身上得到凸显，要知道其核心竞争力之一就是以大数据技术为基础的风控技术体系。 3、场景。 之所以选择“AI in All”，最本质的原因就是人工智能技术的一系列场景应用，让玖富从中尝到了甜头。 截止到目前，玖富已经上线了智能外呼、智能客服、智能信审、智能质检等服务。仅以智能质检为例，金融服务有着庞大的客服需求，客服人员的解答质量和效率会直接影响到用户体验和忠诚度，为了提高客服效率和质量，往往需要对客服电话录音进行人工质检。玖富在今年4月初上线智能语音质检后，从此前人工质检10%的覆盖率，提升到了100%，不仅节约了人力成本，也在服务中形成了无形的优势。 人工智能的场景应用是一个循序渐进的过程，而玖富的聪明之处恰是将智能语音作为最早的落脚点，一方面和金融服务中客服、信审等高频场景契合，另一方面有投入有产出的研发模式极大地改变了外界对人工智能无法落地的印象。 结语 或许从金融行业的大环境出发，更容易理解玖富押注人工智能的态度和自信。 在今年4月初的时候，就有媒体发布了备案被叫停的消息，合规将是互联网金融下一阶段发展的基础，也是一个新的起点。 玖富的未雨绸缪也是基于此，并且有着明显的“两手抓两手硬”的特点。 一只手是积极向合规靠拢，自2017年3月至今，先后引入在线仲裁机制管理前置风险，上线银行资金存管，引入两大国有保险公司升级用户保障计划，利用AI技术监督整治暴力催收以及不当客户服务，玖富普惠实缴资本增至10亿元等等； 另一只手就是打造技术护城河，互联网金融较于传统金融最为明显的优势还是灵活，准确地说是互联网发展到一定阶段的必然产物。那么互联网金融的进化必然不能脱离科技发展的方向，尤其是人工智能、大数据风控等，这也是互联网金融竞争的另一赛道。 金融领域的“强监管”为互联网企业划出了一道道红线，可同时也提供了布局人工智能等前沿技术的契机，玖富正在借助外力和内力抢夺先手棋。 未经允许请勿转载到其他公众号 请给本公众号留言获取内容授权

新智元报道   编辑：元子 【新智元导读】清华大学“人工智能前沿与产业趋势”系列讲座的第五讲，由蚂蚁金服集团首席AI科学家与副总裁、达摩院金融智能负责人漆远亲临现场，与清华大学海峡研究院大数据AI中心专家委员、百度七剑客之一、酷我音乐创始人雷鸣老师共同参与，深度探讨AI赋能金融服务的发展趋势。 清华大学“人工智能前沿与产业趋势”系列讲座的第五讲，由蚂蚁金服集团首席AI科学家与副总裁、达摩院金融智能负责人漆远亲临现场，与清华大学海峡研究院大数据AI中心专家委员、百度七剑客之一、酷我音乐创始人雷鸣老师共同参与，深度探讨AI赋能金融服务的发展趋势。 首先，雷明老师提出了目前人工智能在大数据方面的发展，对金融、医疗、企业经营、教育等领域有哪些应用以及影响。 雷鸣首先抛出了一些很有意思的点。首先雷鸣讲到目前大数据领域遇到的比较大的挑战包括异构数据、高维数据的处理以及稀疏性、动态性等，这些问题目前还在持续的攻克中。 其次是应用。雷鸣提到，在医疗方面，人类已经定义的疾病有3万多种，这疾病如何分类、如何预测，都是需要通过大数据来解决的问题；大数据还可以销量预测，例如双11商家如何减少积压；金融方面，预测借款人的还款概率从而能够减少回款风险；针对企业可以进行客户的特征分析；个性化推荐，预测用户的口味提供更好的服务；除了个性化推荐，还可以进行个性化营销以及个性化教育，都可以通过大数据分析有针对性的为个体提供定制化的服务。 可以看到，大数据在很多领域都有非常广泛的应用。这其中，金融是一个特别强的应用场景，尤其是量化交易。比如通过分析全球主要产地的图像，预测农副产品的产量增幅或者跌幅，进而预测期货未来的价格。 如果说有哪家企业在AI+金融方面做到全球领先，蚂蚁金服肯定是其中之一，它也是全球市值最高的独角兽之一。今天就由蚂蚁金服集团首席AI科学家与副总裁、阿里达摩院金融智能负责人漆远为大家带来精彩课程《AI赋能金融服务》。 真正的金融科技公司，既有技术深度又有情怀温度 漆远提到经常有人问他一个问题：人工智能寒冬什么时候到来。其实这个问题没有答案，但是漆远认为机器学习只是一个开始，未来还有很长的路。 漆远提到一本非常著名的书叫做《从0到1》，里面讲人类发展有两个特别关键的点：首先是从0到1的科技创新；另外一个是从1到N的全球化。 科技创新非常重要，蚂蚁金服是一家科技公司，要不断创新；然后，将创新成果推向全球化。比如从中国市场得到验证的经验，就可以分享给印度。漆远提到在印度，蚂蚁金服的支付产品Paytm能够在2年之内成为全世界第四大钱包，获得上亿用户，支付宝为其提供了大量技术创新能力和经验。 近两年，不少全球大型科技公司不同程度地被媒体和政府挑战。他认为，这背后应该反思的是，一些有黑科技的大公司是否在推进社会向好的方向发展。 同时，在中国不少所谓的金融科技公司说自己是做普惠金融，但其实没有风控能力，只是高利贷互联网化而已。没有真正技术的金融科技公司的情怀只能是无源之水。 而蚂蚁金服在做有技术深度也有情怀温度的事情。从快捷支付，到小微贷款，到相互宝等等，蚂蚁金服一直通过技术创新做真正的普惠金融。 比如相互宝是一个互助产品。一人有难八方支援，从而可以将一个人的风险分散摊出去。5月8号还发布了老年专享产品：60到70岁专享的三高及心血管疾病均可申请加入。 但所有的有关怀温度的金融产品背后都是有风险的，金融本身与风险是密不可分的，这就需要一个真正有深度的技术支撑。 如何通过人工智能实现既保护了用户隐私，又能提供有价值服务 技术需要解决三个关键问题。第一个是风险，金融场景里风险无处不在。 第二个是数据安全和隐私保护。所以如何实现既保护用户隐私，又提供有价值服务成为需要解决的问题，第三个是效率和体验问题。 漆远举了一个贷款违约风险的例子。如何从 一个海量的、缺少标注的数据集来识别贷款违约风险。在深度学习上又往前走一不，把有监督和无监督的两种深度图算法结合起来做一个综合学习，效果非常明显，可以保证准确性的前提下，大规模提升效率，更有效的控制风险。 漆远还提到他团队开发的一个新算法，这种算法把注意力机制和深度图模型结合起来，自动识别关键路径和关键深度， 并用于精准识别骗保的风险。他们还开发了基于多层注意力的深度图算法来检测套现骗局。 大家都在讲数据孤岛，希望这些孤岛能够打通，发挥数据聚合价值 ，但同时如何保护数据隐私？解决这些问题在医疗与金融等行业都有很大价值。 为了解决这些关键问题，蚂蚁金服4年前就领先世界金融界开始研发基于隐私保护的机器学习和多方计算的共享学习。在该领域有50多个专利在审，国家认证技术证书。 在蚂蚁金服的实践里，共享学习技术应用于跟中和农信等合作伙伴的合作，他们向农村市场提供小微金融服务，通过共享学习大规模提升了合作伙伴的风控能力，降低贷款逾期率50%以上，服务全国300 多个县。 漆远说，计算机视觉和知识图谱技术在蚂蚁金服也有很多应用。例如在多收多保理赔的案件里，50％以上是完全自动处理，准确率达到了99％以上。使用计算机视觉，自然语言处理和知识图谱来有效防止骗保。利用技术，多收多保做到了2分钟申报，一秒钟核实，2小时到账的高效智能理赔。 漆远还提到，为了提高客服机器人对客户的服务质量，除了多轮对话和迁移学习外，他们还使用了对抗学习技术，通过两个自然语言处理BERT模型之间的对抗，类似金庸小说里周伯通的左右互博术，在对抗学习中模型变的越来越强大。 2015年，支付宝智能客服实现了94％的自助率，2017年，客服机器人已经超越人工客服的满意度，做到了不仅效率高，同时效果好。在2019年蚂蚁智能客服赋能生态，服务了近万个钉钉企业群。 最后，漆远说一个优秀金融科技公司一定是一个有深度有温度的公司。 未来在金融科技上能够大放异彩的技术 「你认为，哪些技术未来可能在金融科技上大放异彩？」讨论环节，雷鸣向朱军抛出这个问题。 朱军是清华大学计算机系教授、2013 CCF青年科学家奖、IEEE Trans. on PAMI副编委（Associate Editor），他认为一个是在人脸识别或者图像识别中存在对抗样本，这在金融领域非常重要；另外是大规模的图计算的快速算法；还有一个大数据处理相关，比如很多的文本和图数据这种异构数据做一些应用；还有就是如何在信噪比较低的数据中，挖局有价值的东西，不是简单用一个CNN就能实现，可能需要一些机器学习方法。 明势资本创始合伙人黄明明认为，相比阿里这样的公司，首先金融科技的初创企业本身没有海量数据，其次也很难跟银行拿到数据；其次银行本身把控非常严格，所以他们没有投太多这方面的创业公司。银行觉得已经把这么有价值的数据提供给创业公司了，因此不愿意给创业公司更多实际的收益。 黄明明认为，总的来说哪数据多往哪去。而创业公司的机会是在新数据。因为原有的数据要么在巨头手里面，要么是在传统行业的巨头手里面。对创业公司来说，有新数据产生的地方，可能是创业公司有更大机会，比如说自动驾驶，即使对于BAT也是新的。包括反欺诈方面也是非常大的机会。 漆远认为如果能结合自身优势，在一个行业扎进去了，然后它产生金融服务，也是很好的结合。 雷鸣谈到在垂直领域，或许能产生一些新模型让封孔变的更精确，另外也可以做一些新的金融模式的创新。比如淘宝商家需要小微贷款，这市场对银行来说利润太少。但是店铺的历绩、客户群体、复购情况等数据能够综合体现出商家的经营能力，蚂蚁金服可以对整个销售进行预测，从而通过机器评估出风险。...

机器之心原创 作者：李泽南 李纪为博士是近期涌现出的著名青年 AI 学者之一，在 2017 年 7 月份博士毕业之后不久，机器之心就对他进行了独家专访，并与他探讨了 NLP 研究、博士生涯等问题。历经半年，李纪为博士在大公司招揽与创业之间，毅然选择了创业，加入了 AI 创业大军。 李纪为等人成立的人工智能金融公司「香侬科技」Shannon.AI，刚刚获得红杉中国数千万天使轮融资。 香侬科技官方网站：http://shannon.ai/ 李纪为博士期间研究方向是人工智能的一个重要分支——自然语言处理（NLP），他是第一位仅用三年时间就获得了斯坦福大学计算机科学博士学位的人。在三年的博士生涯中，他的多篇论文被各类顶级会议接收，他也是自然语言处理领域引用量最高的博士生之一。据统计，ICLR 2017 上李纪为有三篇论文被大会接收，其中两篇为第一作者；在 EMNLP 2017 上，他有两篇论文被大会接收，同样均为第一作者。 李纪为此前在接受机器之心专访时曾经表示，「如果有合适的机会，创业当然非常有可能。」如今看来，李博士最终还是选择创业，他告诉机器之心，经过半年的准备，他与两名大学同学共同创立了 AI 金融公司——香侬科技，专注于利用 NLP 技术提取、分析金融信息，为广大投资者提供有效、准确、全面的投资信息。据了解，香侬科技已经获得红杉中国数千万元人民币天使轮投资。 在投资消息发布前，机器之心对李纪为博士进行了专访，了解其创立的香侬科技、AI 金融、NLP 等方面的问题。 李纪为博士（右）接受了机器之心编辑的专访。 机器之心：恭喜公司天使轮融资成功，目前你的感觉如何？ 李纪为：创业是一种全新的体验。在创业时，你能遇见到不同的人和事儿，无时无刻不在刷新着你对周围世界的认识。不管是金融从业者（一级市场、二级市场、投行、券商等等），投资人，还是科研界学霸、工程大牛、产品经理等，他们所带有的与生俱来的职业嗅觉与理念，都值得我们学习很久很久。这是一个非常有意思的过程，每天都有新的东西需要学习、新的挑战。 这有一点像我刚开始读博士的感觉——每天早上都是带着对一天的憧憬起床。我非常愿意用「有意思」这个词来形容现在的生活。团队每天都在学习和成长过程中，这也是最令人鼓舞的。 机器之心：能否简单介绍一下新成立的公司？ 李纪为：香侬科技-名称来自于信息论创始人克劳德·香侬（Claude Shannon）。 这来源于一种情怀，在 CMU 学习的时候仔细拜读过他在 50 年代那篇划时代的论文「Prediction and entropy of printed English」....

▲点击上方 雷锋网 关注 CCF-GAIR 2019 AI金融论坛全回顾。  文 | 王艺  编者按：7月12日-7月14日，2019第四届全球人工智能与机器人峰会（CCF-GAIR 2019）于深圳正式召开。峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，深圳市人工智能与机器人研究院协办，得到了深圳市政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会，旨在打造国内人工智能领域极具实力的跨界交流合作平台。 大会第二天上午，在聚焦金融行业AI技术应用的「AI金融」专场，六位顶尖AI金融技术与产品专家齐聚，为与会者带来了一场别开生面的主题论坛。 微众银行杨强：用联邦学习解决数据隐私难题 香港科技大学讲席教授、微众银行首席AI官、IJCAI理事会主席杨强教授作为主会演讲嘉宾及AI金融专场开场嘉宾。在AI金融专场，杨强教授为与会者带来题为《联邦学习的最新发展及应用》主题演讲。 演讲开始，他先介绍了微众银行两年来所取得的成就。杨强教授表示，微众银行在金融业务的各个环节均已实现自动化。从贷前业务咨询环节的企业画像，到贷中身份核实、资料审核，再到放款操作环节。此外，微众银行在一些辅助环节，如智能客服、录音质检等也在应用智能自动化技术。目前，微众银行98%的客户问题由智能客服机器人解答，其系统能够进行多轮对话并进行情感分析。 有趣的是，在小微企业贷款方面，微众银行不仅做线上自动化，还做线下自动化。为了解决线下企业风险核查耗时耗力的问题，微众开发了一款线下核验头盔机器人。申请人只需佩戴该头盔设备周游工作场地，即可自动识别风险。 与此同时，杨强教授也强调，在小微企业信贷过程中，出现了一些挑战，业界需要寻求新的解决方案。 第一，如何对抗干扰信号。以金融领域为例，当申请人对面部信息作假时，如何应对？第二，如何在只有小数据的领域应用深度学习。 杨强教授谈到，往往高质量、有标签的数据都是小数据，且不能随着时间的推移进行累积，因为每个阶段的数据和上个阶段都呈现不同的分布，甚至特征都不尽相同。这一问题在金融、医疗、法律场景非常常见。这就意味着，要解决这一问题，需要多方数据打通，联合建模。 但这其中又遇到了问题，那就是数据的隐私保护。2018年，欧盟提出史上最严数据保护法GDPR，足见数据隐私在人工智能发展道路上的重要性。在这样的大环境下，合并数据变得异常困难。 为应对这一问题，杨强教授倡导「联邦学习」（Federated Learning），他以人们合作创作作品为例进行了解释。在两个人或多个人共同写书的过程中，合作者的大脑并非物理地连结在一起，人们用语言交流，传递参数。在这一过程中，人类是有能力保护大脑中的隐私的。 联邦学习参与各方先用本地数据建立模型，再将这个模型的关键参数加密，得到一个即使传到云端也无法解密的包。千万个包用算法加以聚合，得到高精度的模型，再将该模型下传，供个体使用。整个过程中Server、云端均接触不到包内的实际内容。 杨强教授表示，联邦学习技术已经在微众银行得以应用。微众银行的合作企业中包含互联网企业、车企、保险企业等。这些合作方拥有用户大量的不同维度行为信息。应用联邦学习，微众银行能够与合作方联手，针对同一批用户在不交换数据的前提下进行建模。实践证实，AUC指标得以提升，不良率大为下降。 此外，杨强教授还介绍了联邦学习在城市管理、语音识别等领域的应用。杨强教授表示，联邦学习的发展需要建立生态，共同推进。与此同时，杨强教授也在积极推动相关国际标准与参考框架的建立。 京东数科&ZRobot乔杨：不仅要关注黑，更要服务好白 京东数科生态中心信用管理部总经理&ZRobot CEO乔杨在风控行业已有10余年的经验，他曾长期供职世界500强企业——Discover美国发现金融，兼备技术与金融的跨界实力与中美两国的世界级金融科技视角。 现场，乔杨就「数字科技驱动的信贷反欺诈技术」同与会者进行了探讨。ZRobot成立于2016年10月，旨在利用高维度数据资源，结合数据挖掘技术及模型算法，借助京东数科丰富的实践应用场景，打磨自身技术实力并赋能合作伙伴。目前，ZRobot已与近300家银行、保险、证券、信托、小贷公司、持牌机构、消金以及融资租赁公司展开合作，为客户提供智能风控、智能营销解决方案等各类产品支持。 乔杨现场分享了ZRobot在信贷反欺诈方面进行的尝试与取得的成果。 乔杨表示，随着移动互联网的发展，欺诈分子应用的手段层出不穷，产品类型不断迭代进化。现在欺诈已成为一门生意，欺诈分子和团伙多为非常勤奋且聪明的人。早期的欺诈手段往往是员工腐蚀机构，现在已经发展为潜入机构、自营骗贷等更有手段的欺诈方式。与此同时，金融机构对欺诈的防范往往处于滞后状态，这为反欺诈工作的开展带来了阻碍。 乔杨表示，虽然业内已经有很多成熟的可以利用的机制，比如建立良好的内控合规机制、客户管理体系，但往往无法识别三方欺诈的风险。 要识别三方欺诈，第一步要做好交易对手的身份识别。乔杨介绍，当前一些移动APP可从前端抓取多达200余个用户标签，在此之上进行特征延伸拥有很大的空间。常用的做法包括抓取纬度信息，利用陀螺仪检测设备仰角、滑动轨迹等，同时通过前端SDK进行浅层次的生物识别，已经能够做到在用户体验不受影响且不需要额外硬件支持的情况下进行有效的反欺诈识别。 在中国，欺诈行业的群体作案呈现上升趋势，欺诈团伙已经形成了非常完善的上下游产业链。因此，单单识别个人的欺诈风险是不够的，需要由点及面，通过机器学习及复杂的网络技术对用户及周围群体的关联关系进行判断。ZRobot已经积累大量的前端数据用于数据库关联，具体包括设备关联、地址关联、通信关联等。 乔杨认为「近朱者赤，近墨者黑」，与业界的通常做法不同的是，ZRobot不仅将关联关系用在黑名单节点，在白名单上也有所应用。「我们提出的概念是不仅要关注黑，更要服务好白」，乔杨说。 宜信向江旭：用AI实现「以用户为中心」的财富管理 宜信公司高级副总裁、首席技术官向江旭先生一上台就向在场嘉宾透露了一个好消息，宜信旗下品牌，也是国内首家海外上市金融科技公司——宜人贷目前已完成品牌升级，将线上能力与线下资产结合，定名宜人金科。 宜信成立于2006年，是业内领先的财富管理公司。宜信在支付、网贷、众筹、机器人投顾、智能保险、区块链等前沿领域均有积极布局，并通过业务孵化和产业投资参与全球金融科技创新。 关于宜信在信贷行业地位，向江旭谈到，经过13年的耕耘，宜信已经在业界取得了傲人的成绩。「业内有这样一个说法：一个用户想申请贷款，如果他曾经从宜信拿到过贷款，那么其他机构就不用审核了。」向江旭说。 然而在CCF-GAIR 2019 AI金融专场，向江旭不谈信贷，转而和与会人员聊起了智能化的财富管理。 向江旭表示，中国财富管理规模在6万亿，与美国的9万亿尚有一定差距。中国财富管理线上化渗透率为35%，与之相比，美国为40%。中国拥有50余家财富管理公司，而美国拥有300多家。就财富科技的投资规模而言，中美几乎持平。 总体来看，虽然在财富管理市场中美存在一定差距，但中国的增长率很高，产业投入也更高。这就意味着中国的财富管理潜力更大。2007-2016十年间，中国财富管理市场规模以年化20%的复利增长。2016-2018年增长率保持在12%，可预期的未来几年时间内，增长速度仍将维持在双位数。 财富管理行业的目标客户为可投资产在1000万人民币以上的高净值人群以及可投资产在100万人民币以上的大众富裕阶层。在中国，高净值人群截至今年年底将达到220万，未来几年大众富裕阶层人群很快会达到3000万的规模。 向江旭表示，这两类人群对于智能财富管理均有非常强烈的期待。高净值客群一般而言长期享受私人银行家、理财师、金融顾问服务，但尽管如此，这类人群对线上实时获取股票信息、资产状况、财经资讯、投资理财教育内容仍有迫切需求。对于大众富裕阶层而言，很可能他们人生中的第一款投资理财产品就是在线上购买的，这类人群对线上的理财投资及智能化财富管理有天然的需求。 通过大数据技术，宜信能够了解客户对投资理财、家族传承，对创富、守富、传富的需求，也即财富管理行业的KYC。向江旭介绍，这些数据包括客户的电商购物行为轨迹、线下财富管理讲座活动的参与经历等。获得用户画像后再利用AI技术将客户与产品进行精准匹配。 向江旭认为，以前的财富管理是以产品为中心的，很多理财产品网站相当于一个理财超市，这并不是宜信希望看到的财富管理方式。宜信希望用大数据及人工智能技术将以产品为中心的财富管理过渡到「以用户为中心」的财富管理，真正做到千人千面的资产配置模式。 平安寿险沈剑平：深挖应用场景，让AI赋能寿险各业务线...

点击上方”蓝字”关注我们 近日，“AI+金融”论坛在张江科学城·数智天地举办。300多位来自大模型企业、金融科技企业、金融机构以及高校的专业嘉宾参加本次论坛，4万余人次通过多个直播平台在线观看。 AI+凝聚产业合力 助力浦东全球金融科技高地建设 浦东科经委副主任夏玉忠表示，浦东将以创新业态培育为根本，以产业智能化发展为目标，以大模型创新发展为抓手，以应用效能提升为落脚点，汇聚尖端技术、焦点议题和产业资源，为国家“人工智能+”行动贡献上海智慧、浦东方案。希望人工智能产业各方秉持开放包容、合作共赢的理念，在浦东这片热土上共谋发展，共创美好未来。 张江科学城·数智天地是浦东新区以“科学、产业、城市”融合发展为导向的产城融合高地。论坛现场，陆家嘴集团与新致软件等6家首批人工智能核心企业进行了入驻及合作签约。这些企业将凝聚AI、元宇宙、信息技术等领域技术优势和品牌影响力，为浦东数智化发展注入创新原动力。 陆家嘴金融城与张江科学城的“双城联动”，为浦东提供了独有的金融科技生态优势，近年来吸引了大批优秀的金融科技企业。活动现场，百度智能云、腾讯云、新致软件、达观数据携手生态合作伙伴，共同启动金融科技产业生态计划，助力全球金融科技高地建设。 AI+释放智慧动能 业内大咖带来前沿观察与思考 金融服务模式与金融产品形态已随着人工智能的发展产生了深刻的变化，金融科技在带来便捷化、智能化服务的同时，也对安全提出了新的挑战。 在当天的论坛上，复旦大学金融科技研究院副院长、计算机科学技术学院教授吕智慧以《金融科技安全风险监测研究及大模型实践》为题发表了主旨演讲。吕智慧教授围绕维护金融稳定的重要性，深入探讨了利用新一代人工智能技术构建智能金融风险监测系统，分析并验证新出现的人工智能安全挑战，建议采取基于金融大模型的数据共享、风险知识表示和模型可解释性多元方法，以促进安全、高效的金融科技生态系统。 百度智能云金融产品部AI原生应用方向产品负责人常琳介绍了对大模型能力的认识方法，并分享了大模型应用落地的成功实践。腾讯云智能商业化中心金融业务负责人汪凯峰立足于大模型技术在金融领域的创新应用及其引发的效能革命，介绍了腾讯云金融行业大模型的能力矩阵及多个典型应用场景。建信金科基础技术中心副总裁、量子金融应用实验室主任吴磊对金融场景中大模型应用的新范式进行了分享，并详细阐述了建信金科在金融行业大模型应用方面的服务实力。晴数智慧创始人兼CEO张晴晴从数据视角出发，解读了如何利用智能化工具和大模型能力为金融行业赋能，并提供完整的数智化解决方案。 在圆桌对话环节，上海纽约大学助理教授王丹、达观数据联合创始人纪传俊、新致软件咨询总经理李若炜、汇丰金科技术总监王天宏、建行上海市分行科技金融创新中心总经理董宣忠、海通证券计算机首席分析师杨林等嘉宾，就“大模型时代：金融的机遇、挑战和展望”话题进行了深入交流与讨论，为大模型在金融领域的多元化应用前景建言献策。 以大模型为代表的人工智能正加速与实体经济深度融合，推动新质生产力的形成。围绕“AI向实 产业跃升”这一主题，大模型赋能产业系列活动将立足浦东新区硬核产业，陆续推出智能车、机器人、元宇宙、生物医药等垂直领域专场论坛，持续带来学界大咖与产业一线的前沿观察与思考，驱动产业蝶变，助力浦东打造人工智能世界级产业集群。 信息来源：浦东发布

为什么不少AI金融产品都很鸡肋？ 作者  周舟 金融科技这一行，存在两种「伪AI产品」。一种是温室花朵，产品性能在实验室和小数据场景中表现优越，然而一旦放在枪弹雨林的复杂业务环境中，系统立马崩溃。好比碰到欧美球队的中国男篮。二是画蛇添足式产品，很多IT问题，明明可以用简单、传统的技术方法就能解决，但企业非得让客户使用更贵、更复杂的产品。犹如高射炮打蚊子。金融行业到底需要什么样的人工智能？为此，雷锋网《AI金融评论》策划了「AI能否解决金融刚需问题」系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业和技术认知下捕捉观点碰撞的火花。本系列选题的第一篇文章，由冰鉴科技CEO顾凌云讲述他眼中AI和金融之间的关系。以下为顾凌云的所感所想： 闻见鱼腥味儿的“鲨鱼” 90年代末，我在CMU计算机学院攻读博士，当时选择了AI作为研究方向。其实在21世纪的第一个十年里，人工智能从商用角度来讲，始终是阳春白雪，难以落地。直到深度学习爆发后，我才意识到，AI的时代要来了。于是在2015年，我创办了AI金融风控公司———冰鉴科技。「冰鉴」拥有上百家客户，其中也包括工商银行总行、中国银行总行等大客户，投标经历，不可谓不丰富。当年有一家国有行，在网上公开招标，这一赛道里的金融科技公司，听到这条消息后，都像嗅到了血腥味的鲨鱼一样。那次POC极其惨烈，一共来了29条“鲨鱼”。这29家公司中不仅有做人工智能算法的、有做IT系统的，甚至，连咨询公司都来凑份热闹。这么多公司只选出5家进入第二轮竞争，而「冰鉴」是这5家公司当中「技术标」第一名。当然，这并不意味着我们最终赢得胜利，后面还有竞争更为激烈的「商务标」。商场如战场，这5家公司中，有一家在圈内比较知名的公司砸了一个极低的价格。但幸运的是，这家大型银行的商务标的百分比调的没有那么高，技术标的百分比也调的没那么低。最后，我们争得了技术标和综合标的第一名，成功拿到了这一单。这是我印象最深刻的一次POC经历。当然，POC测试也好、投标经历也罢，要想成功竞标，拥有一支技术铁军，永远是第一位。 别把AI当成炫技的道具 管理一支卓越的技术队伍，最基本的原则就是，领导者能够清晰地定义问题，清楚地知道每一种AI方法的能力和边界。我之前听一些专家谈到这么一个观点，如果能用上个世纪的传统方法很好地解决问题，那就别轻易用最新的算法。其实在金融风控领域也同样如此，很多业务根本用不到先进的机器学习模型，一个简单的决策树或逻辑回归就能完成。但很多AI公司犯了一个比较致命的错误，认为凡事都该用前沿和复杂的方法。最后把AI这个实用的工具，弄成了炫技的道具。这非常可悲。AI不是一个筐，任何东西都可以往里装。从CMU读书到创办冰鉴科技，虽然一直都在和AI打交道，但我不认为AI就是放之四海而皆准的真理、不认为在任何场景下AI都可以应用地比现有的技术都要好。张口闭口谈AI，却对以往的信贷风控方法嗤之以鼻，那它基本不是一家AI公司。AI不是「排他型」的技术，不会一路走来像坦克碾压一样，把历史上所有的算法或方法都扔进垃圾桶。在我们做数据处理时，数据的来源越是繁杂、越是难以用人工分析，AI所发挥的功能越强。当每一个物理变量都非常清晰，我们为什么还一定要用AI画蛇添足？但是，这并不意味着企业要减少科学家团队的招募力度。根据我多年经验来看，搭建一个特别昂贵的机器学习团队，非常必要。冰鉴85%以上的员工是技术人员，很多来自CMU、MIT、斯坦福等高校，他们无论是工程师还是产品经理，撸起袖子就可写代码、整整领子便能谈商务。一家科技公司靠一个算法或者一个特别复杂的机器学习模型，就想长期领跑行业，几乎不可能。科技在不断变迁，研究的方向也在不断改变，一家公司能在某一技术领域领先其他对手6~9个月，就已经非常了不起。我认为，能够保证我们在最新的领域中始终保持自己独到的见解，甚至再进一步，引领行业新的研究方向，才是我们打造昂贵机器学习团队的最终目的。 “鸡肋”的人工智能 目前人工智能在金融行业中有着非常多的应用，企业也不断在拿锤子找钉子。但很多时候，AI在一些看似热门的应用领域，其实际效果并不理想。在计算机视觉当中，有个非常传统的研究领域叫OCR，说白了就是识别图片上的文字，然后提取出来，变成可编辑的文档。这些数据电子化后，我们做模型就会非常方便。听起来很简单，但实际操作却非常困难。如果OCR扫描的是高考试卷，哪里放照片、哪里写姓名、哪里填数字，每一张试卷的格式都一样，那么OCR可以很快捷的识别。但是如果每一张纸的内容不同，就很难处理了。每一次上法庭前，律师都需要准备大量的材料。每份材料都有相对应的观点，需要一一分类。这些事，全靠法律实习生或者实习律师，通过查阅浩如烟海的文献资料，归纳总结出来。律师事务所就在想，这些法律材料比如公司的营业执照、组织机构代码、财务文件、合同等等都是打印出来的图片。能否通过OCR将这些图片扫描，然后通过自然语言处理，找出相关内容，放到律师的观点下。这样律师上庭的时候， 不用自动归纳总结，用AI技术就可以轻松搜证。这是一个听起来，目前技术可以解决的问题。但是真正操作起来，即使用最好的NLP技术，50%的正确率也达不到。换言之，和扔硬币没区别，我扔硬币的准确率还50%。法务这样的一个场景，很多公司都在做，都希望赚钱，但实际上AI的实际应用效果一点都不好，而且价格高昂。你可以去任意一家律师事务所询问，有没有人采购这种可以轻松分析大量法律文件，归纳总结并拿去上庭的AI产品。一定不会有答案。 AI没能帮助律师事务所处理这个问题，实际上是因为底层的技术本身还不够强劲，从理论到实践还有很长的路要走。想要解决这个问题，AI企业第一要做的是将基础算法再往前推进一步，第二点是在数据采集的过程中，保证采集的数据更加清晰、干净。此外，在非常火热的智能营销领域，由于用户有多元化的需求，然而市场上的产品较少，导致推荐效果并不理想。我们的方法则是用很多跟AI相关的算法，对流量进行分层。一家公司不管好坏，只要购买了流量，我们就能根据非常有限的信息，对每一个客户进行一次用户画像。画像后，进行分层，分层后，对不同的人群和不同的流量，进行最优化，然后匹配。 让AI成为“鸡腿” 食之无味、弃之可惜，如何让AI这只“鸡肋”变成“鸡腿”，一直是金融和科技公司在思考的问题。银行需要一些客观的标准来鉴别哪家金融科技公司AI实力更强，随着合作的愈发紧密，甲乙两方也逐渐摸索出一套比较通用的技术指标。其中第一个标准叫「KS值」，KS是俄罗斯两位科学家的名字，因为两个人的名字太长，世界上没几个人能记得，所以把他们名字的第一个字母提取出来。这是一个用来衡量AI模型好坏非常通用的指标。另外一个指标叫「AUC」（Area Under Curve），就是在一条曲线下的面积到底有多大，在这个曲线下的面积越大，说明这个模型效果越好，反之模型效果越差。还有一个指标叫「F-score」，当准确率变得越来越高的时候，效果也会越来越好，可以把更多的坏人挡在门外。刚才讲了三个指标，但是如果你的模型覆盖率太低，那也没用。假如某个模型的目标是覆盖1000万人，即便你测试了1000人，达到了测试标准，但是这并不代表你的AI产品一定就是好的。此外，AI模型也是有时效性的，随着时间的变化，它的性能是否会大幅下降？AI模型在更新的过程中，是否需要大量时间和金钱？AI模型和银行的核心系统在对接的过程当中是否简易？AI模型本身是否做的很标准化？这些都是在技术指标之外，银行使用AI产品时，必须要考量的标准。金融业务十分复杂，每项业务所需要的AI能力也不尽相同。我们知道，人工智能的三大技术分支：计算机视觉、语音语义、机器学习，对实际业务的改善效果也各有千秋。计算机视觉在人脸识别、生物特征识别上应用的更多，具体到金融业务中，在支付方式上应用的就很广泛，现在很多人去商店购物都是刷脸支付；当你去银行或者证券公司开户，也普遍使用这样的技术。当一家企业开完户后，你如果要申请贷款或者理财时，语音语义（自然语言处理）所具备的舆情分析能力就变得很重要。计算机视觉、自然语言处理一般是应用在贷款过程中。贷款后，金融机构需要判断个人或者企业发展稳不稳定，是否能还钱。而机器学习算法本身就可以帮助金融机构决定谁先还款、如何还款。在贷后管理环节，还可以应用语音识别技术。利用人工智能客服，可以大大减少人力成本、提高效率。此外，教育客户什么是AI、怎么用AI也是非常重要的一点。我们的方式是联合建模，手把手地和客户共同完成一个项目。联合建模比咨询更进一步，大家肩并肩坐在一起，我告诉你我是怎么一步一步把这个模型建出来的，你跟着我用你的数据重复一遍，这种方法是教育不太懂AI的客户最好的方法。当然，银行在评估金融科技公司的产品时，也会有自己自有的一套指标或者方法。比如说某些消费金融机构，会执行一套客观的指标。以24小时、7天或者30天为一个期限，他们会时时刻刻监控模型的效果，一旦模型的效果超出规定范围，马上就会根据期限调整产品。即使你本身的模型效果很稳定，他也会每3个月做一次测评，每6个月做一次测评，每一年对供应商进行一次重新的测评和调换。通过这种方法来保证他们使用的产品，一直由最佳技术实力的公司提供。 我的一些思考 从业这么多年，我不断地在加深一个认识：科技和监管之间的关系到底是什么？很多人认为这两者之间是一对冤家，监管越严，科技公司发展得越困难。我觉得不是。监管本身跟谁都没有仇，监管是为了能够让金融和科技在合法、合规的框架中更好的发展。监管，实际上监管的都是金融机构，当然金融公司受到了影响，科技公司也会受到影响，但这并不意味着监管直接对科技产生了影响。大多时候，监管限制了金融机构的发展，却促进了金融科技公司的长远进步。没有监管，科技本身将裹足不前。因为没有监管，银行和金融机构赚钱太容易，从而不会在技术上有大规模的投入。但是，一旦有了监管，金融机构就戴了锁链，还想赚钱就必须提高自己的竞争力，而提高自己竞争力最好的方法是拥抱科技公司，所以最终监管暂时抑制了金融公司的发展，促进了科技公司的发展， 最终促进了两者的共同发展。监管的本质是良币去驱逐劣币，监管打击的是劣币，促进了真正的科技公司的发展。科技公司一般都比较前卫，研究的东西也比较新颖。人们于是认为科技公司开着一辆法拉利跑车，嗡地一声就开出去很远，监管可能还骑着一辆二八大杠的自行车，在后面追也追不上。实际上不会这样。因为「监管」在整个道路上面设计了网格化。网格化就是红绿灯、限速、停车等标志，跑得再快的法拉利，到了路口，也要停下来。红绿灯的时间由「监管」来调控，如果监管觉得科技可以跑得更快，就让绿灯亮的时间更长；如果觉得科技已经跑得太快了，有超速的倾向，监管可以将红灯的时间调得更长。最后，我也想对金融科技的创业者和优秀技术人才说几句话。如果你是悲观主义者，那就别再往AI金融行业里跳了，它早已不是蓝海，而是一片看不到头的红海，你还往里跳什么，即便你穿着救生衣，带着游泳圈跳进来，不淹死你，也能挤死你。如果你是乐观派，你们赶紧来吧，AI金融和其他所有行业比起来，属于近水楼台先得月，是离国民经济最核心的地方。在这样的行业中，对于科技的渴求是最强烈的，是最容易做出一番事业、最容易发挥我们技术人才聪明头脑的。推荐阅读封面图来源：电影《万物理论》

深度学习的强大之处在于，在参数化的神经网络里，工程人员可以实现任何复杂的变换。但是，数据与算法不安全性，就像是深度学习这项技术的阿喀琉斯之踵。 “几乎所有的AI企业都没有赚到钱，而根源问题在于人工智能技术本身的缺陷——数据与算法的不安全性。” 对于目前AI企业的生存困境，清华大学人工智能研究院院长张钹院士的这番话很直接。张钹院士向雷锋网《AI金融评论》说到，在AI技术驱动的产业中，全球前40个独角兽企业遍布了所有的领域，估值70亿到500亿之间。然而，这些独角兽都面临的问题在于：估值极高、销量极小，一家100亿估值的企业，其销售额不到一个亿。这不是国内知名学者第一次直陈AI产业的问题。事实上，深度学习的不可解释等“原生性”的问题，在目前看来，仍然没有很好的解决办法。即便是金融这样有着较高信息化基础、问题定义更加清晰的领域，再快的落地速度也掩盖不了AI的可靠性、安全性、可解释性等问题。 同时，银行等金融机构对数据的“敏感”程度和监管力度，让数据几乎没有离开本地的可能，不解决数据安全与隐私保护的问题，AI企业赋能金融的未来，也必然囿于数据孤岛之中。 诸多的AI企业，困在了“数据和算法”里。 深度学习的“阿喀琉斯之踵” 当前，AI基础设施建设的重心集中在数据平台、算力平台上，主要为各类AI解决方案提供基本的运算条件，为AI提供基础生产力，相当于是解决了AI的温饱问题。在这些基础设施的支撑下，数据和算力的快速增长作为“外部驱动力”，带动了AI产业在包括人脸识别、语音识别等领域的一波浪潮，驱动AI产业“第一增长曲线”的出现。但是，传统行业由于场景复杂和隐私保护等限制，真正可以使用数据往往并不充足，同时算力的增长也解决不了算法能力上限的问题。深度学习发展到今天，一个核心特征是神经网络模型变得越来越复杂，训练集越来越大。例如，今年最火爆的AI机器是GPT-3。GPT-3的网络层数可以达到96层，参数可以到1750亿，模型大小700G。经过了将近0.5万亿个单词的预训练，在不进行微调的情况下，GPT-3可以在多个NLP基准上达到最先进的性能。张钹院士表示，深度学习的强大之处在于，在参数化的神经网络里，工程人员可以实现任何复杂的变换。“换句话说，任何一个图像、文本输进去，都可以用参数化的神经网络将其变成所需要的结果。不管多么复杂，因为这是一个通用的函数映射。”但是，数据与算法不安全性，就像是深度学习这项技术的阿喀琉斯之踵。张钹院士表示，算法不安全的原因主要有三点：特征（伪语义）——语义空间映射是多对一；语义空间不是距离空间，是离散的层次空间；缺少语义的基于条件概率建模的“黑箱”学习方法；而这三点原因也决定了AI模型的推广能力很差。“马跟石头的语义距离很远，但是在形式空间里的距离又很近，形式空间里做出来的区别，不能保证在语义空间是安全的。这就是为什么AI模型非常容易受到干扰的攻击。这也就造成现在企业为什么难以做大做强，必须扩大应用产品的安全性和鲁棒性。”RealAI联合创始人刘荔园向AI金融评论表示，AI的可靠性、安全性不高带来的深层次问题在于无法应用到关键场景中的核心问题上，核心决策问题，一定对AI的这些要素要求非常高。她认为，用户并不是需要一个工程化的机器学习建模平台，而是不管有没有这个平台，都能知道业务可解释的点在哪里，保证模型上线之后是可控的。这是RealAI选择切入的市场。因此，RealAI想要解决的是各个行业的核心——“决策”问题，而要解决这样的问题，不单是需要提供算法能力，同时还有AI应用可控方面的因素共同支撑。这也就是清华人工智能研究院提出“第三代人工智能”的出发点。在2018年的CCF-GAIR峰会上，张钹院士就提出，今后发展的方向是把第一代人工智能知识驱动的方法和第二代人工智能数据驱动的方法结合起来，发展安全、可信、可靠和可扩展的人工智能技术，从而推动人工智能的创新应用。从这个角度来说，第三代人工智能技术体系，包括了贝叶斯深度学习、可解释机器学习、AI安全对抗攻防、新一代知识图谱、隐私保护机器学习等技术。就以贝叶斯深度学习为例，通过对变量之间的关系及神经网络参数进行概率建模，将数据和预测结果中天然存在的不确定性纳入算法，从而实现可靠、可解释的AI。清华大学人工智能研究院基础理论研究中心主任朱军教授评价到，它（贝叶斯深度学习）既有贝叶斯本身的可解释性，可以从少量的数据里边来学习；另外又有深度学习非常强大的拟合能力。 支付宝首席科学家漆远也曾向AI金融评论强调，AI发展方向之一，是必须成长为经得起攻击的博弈智能体，而贝叶斯机器学习就是将不确定性和小概率事件的研究，和推理能力、理解能力结合到一起，实现对AI对抗攻防能力的提升。 地平线机器人创始人兼CEO余凯也曾表示，深度神经网络其实更加适合做感知，而贝叶斯理论的核心是推理，只有从感知到推理才能到决策。因此，未来的AI发展需要拓宽“数据”和“算力”之外的维度，在相同的数据、算力条件下，更好的支撑AI赋能行业的深度应用，打开AI产业化全新的市场空间。 搭建AI的原生基础设施 近日，由清华大学人工智能研究院、北京智源人工智能研究院、瑞莱智慧联合主办的“2020第三代人工智能产业论坛暨瑞莱智慧RealAI战略发布会”在北京召开。本次战略发布会上，隐私保护机器学习平台RealSecure和人工智能安全平台RealSafe2.0版本相继发布，而发布这两款产品的公司——瑞莱智慧RealAI，则是一家从清华园里走出来的AI企业。瑞莱智慧CEO田天是清华大学计算机系博士，曾获评西贝尔学者，清华大学特等奖学金，为计算机系十余年间唯一研究生获奖者。他向AI金融评论表示，在应用中碰到技术难题时，我们不是见一个解决一个，修修补补；而是发现一个问题就看到一类问题，并通过底层技术框架、平台的突破，帮助产业进行升级。从全行业内来看，RealAI的出身和这种“平台化”打法，有些类似于国内的商汤：2001年，商汤创始人汤晓鸥教授一手建立了香港中文大学多媒体实验室，深入探索计算机视觉领域的研究工作，这间实验室的初创团队就是成立商汤科技的前身。RealAI则是依托清华大学人工智能研究院设立的人工智能企业，由清华大学人工智能研究院院长张钹院士、清华大学人工智能研究院基础理论研究中心主任朱军教授共同担任首席科学家。从研发背景来看，两者都拥有国内最顶尖的技术、人才资源。“学者型”特质的公司强在科研和技术能力，可以直接定位到AI产业发展的最前沿，而这类公司的最终目标是实现平台型产品的AI赋能，一旦成功，想象空间巨大。但是，除了“学者型”气质浓厚的创业公司，AI行业里还有诸多“接地气”的传统厂商。田天认为，渠道占优的行业厂商，是在传统解决方案的基础上加上一部分AI进行升级改造，进而快速实领域内的增量式提升。就以安防行业为例，无论是传统的安防企业诸如海康威视、大华股份，还是人工智能初创企业商汤、旷视等都在加大AI安防领域的投入。然而，如果AI能力不强或者只是实现一些“同质化”的浅层应用，在红海市场中会面临激烈的竞争。此外，AI在行业里落地，一大困难在于“应用场景的碎片化”，最终容易让创业公司沦为一个个的“项目制”公司，导致运营成本高居不下，难以实现技术和产品的高“复用性”。田天认为，正如社交领域的“微信”，电商领域的“淘宝”，平台型公司如果能选择一个好的方向，满足产业价值非常高的功能点，推广成本被摊薄后，成长速度会比聚焦在某个领域的公司更快。但是，走这条路线的公司，具备较长的布局周期和极强的技术和资源粘性，这对于一般的创业团队来说，是一个不小的挑战。 两款新平台：数据安全与算法安全 RealAI在这次发布会上共发布了两款新品，还是从数据安全和算法安全两方面入手。 首先是，隐私保护机器学习平台RealSecure。隐私保护机器学习平台：从“雕版印刷”到“活字印刷”数据安全主要涉及两方面：一是要解决隐私保护的问题，二是解决数据所有权的问题。 从实现第三代人工智能的思路出发，企业需要用更好的方法打通数据，保证数据隐私安全前提下最大化的挖掘数据价值。 这个过程中，受保护的、可用不可见的数据交互非常重要。在很多高价值商业场景，如金融、医疗、交通场景中，有价值的数据常常分散在不同的机构和用户手中，形成了大大小小的数据孤岛，明显制约了AI能力的提升。早在2016年，谷歌就提出了联邦学习的概念，可以实现“数据可用不可见”。近几年，在产学研的联合推动下，国内外诸多科技巨头，均已开始搭建联邦学习的研究与应用团队。国内也出现联邦学习、共享智能、知识联邦、联邦智能和异步联邦学习等多个相关研究方向，AI金融评论也以多篇文章和数次系列公开课，跟进隐私保护与数据安全的研究进程。RealAI所提出隐私保护机器学习与其同属一类技术范畴，但更强调隐私保护属性。不同于传统机器学习，隐私保护机器学习是分布式、密码学、人工智能三个领域的结合，这就意味着，企业想要做隐私保护机器学习，之前搭建起来的人工智能团队、经验等方法论不能直接拿来复用，需要重新搭建隐私保护机器学习体系下的团队与方法论。田天表示，重新堆人力将原有机器学习代码一点点的改写成联邦学习代码，这种方式显然并不落地，可落地的联邦学习平台，必须是与原有机器学习生态一脉相承的。而“一脉相承”有两层含义：一是算法的一脉相承，指机器学习算法与隐私保护机器学习算法应是继承关系，而非完全重构的关系，原有的AI算法积累，可以通过平台自动实现隐私保护化，实现两大生态的统一。二是应用的一脉相承，建模使用上需要符合原有数据科学家的建模流程，交互方式上既能支持UI的业务级一键建模，还可以支持以jupyter的形式建模，大幅度提高应用灵活度，让数据科学家能够以最熟悉的方式使用联邦学习。田天说到，数据科学家还是数据科学家，本地怎么建模、隐私保护就怎样建模，分布式、加密的工作全部一键自动完成。这也是RealAI推出隐私保护机器学习平台RealSecure（RSC）的两点考虑，据AI金融评论了解，这款平台是业内首款隐私保护AI编译器。以底层数据流图的视角揭示机器学习算法与对应分布式隐私保护机器学习算法的联系，通过“算子”组合将两端的生态打通，解决企业搭建隐私保护生态面临着的性能差、易用性差、黑盒协议等诸多难题。如何理解这里定位的“编译器”？田天解释道，在与传统处理方式相比，RSC能够将机器学习算法一键编译成隐私保护机器学习算法。“如果说此前的改写方式像‘雕版印刷’一样，RSC则实现了‘活字印刷’，将模型代码解构到‘算子’级别，通过算子的灵活组合来适配各种各样的机器学习算法，摆脱重复改写的繁琐工作，实现灵活‘制版’。”据AI金融评论了解，在底层编译的加持，以及融合密码技术与算法的优化，RSC能够实现性能的大幅提升。比如，在某实际风控场景中，RSC模型训练相比某主流国产开源框架性能提升40倍，耗时从4小时40分钟缩减至6分钟。人工智能安全平台：AI算法的“杀毒软件”现在，AI应用随处可见。目前市面上的手机均不同程度地配备了人脸识别方案；在公共场所，地方政府也已经部署了人脸识别摄像头，用于嫌疑犯追踪。最出名的莫过于“张学友的演唱会”，在2018年，张学友演唱会上就累计拿下了近80名违法犯罪分子。但是，随着人工智能规模化应用加速，其面临的安全风险也日益凸显出来。去年，RealAI就实现了通过一副印有特殊纹理图案的眼镜，解锁了他人的手机；针对安防监控的场景，通过穿上印有特殊纹理图案的衣服，就能逃过人体检测算法实现隐身。田天表示，目前，最广泛使用的深度学习技术，是通过查看数据集中许多的示例进行学习从而建立出模型的。与人类不同，深度学习模型没有可以利用的基础知识，它们的全部知识完全取决于训练的数据。当数据集中的数据被攻击者有意的操纵，植入秘密的后门时，模型就会学习到后门中的特征，比如图片中的向日葵。那么在实际运行中时，这个向日葵就会触发模型出错。解决人工智能安全问题的核心，在于理解为什么人工智能模型学习的模式如此脆弱。然而，对于广泛使用的最新机器学习算法（例如深度神经网络）是如何学习和工作的，人们了解得很少，即使在今天，它们仍然在许多方面仍是黑盒的。因此，RealAI推出了首个针对人工智能模型的“杀毒软件”和“防火墙”——RealSafe平台，一方面能够对模型的安全性进行全面检测，另一方面提供多种增强安全性的方案。在本次发布会上，RealSafe平台迎来2.0升级，在模型安全性检测方面，能针对对抗样本攻击，给出安全评分以及将检测场景从人脸识别拓展到了目标检测、图像分类外。此外，RealSafe 2.0还增加了模型后门检测功能，能够在不获取模型结构及参数等具体信息的情况下，分辨出仅在特定输入情况才会识别出错平时表现正常的被植入后门的模型。除了能够对安全性检测以外，平台也提供了安全性提升方案。 通过内置的对抗样本去噪方法，可以帮助用户在人工智能应用中，破坏掉攻击者恶意添加的图像噪声，使模型能够正常运作。 通过内置的对抗样本检测方法，可以帮助用户检测输入数据是否存在恶意添加的图像噪声，避免其进入人工智能系统的业务流程。 通过提供平台自动化生成的、能够使被测模型出错的对抗样本，帮助用户进行对抗训练，训练出更加鲁棒的算法模型。 目前，RealSafe平台已在工信部重大建设项目以及某电网公司落地应用。RealAI产品副总裁唐家渝表示，未来还将在RealSafe平台中集成更多安全风险的检测能力，包括数据逆向还原风险、成员推理风险、模型窃取等安全风险。虽然，AI算法界的“杀毒软件”这一说法由RealAI最早提出，但满足类似功能的产品在市面上也并非独此一家。比如，行业内早有一些人工智能对抗技术的工具包，例如foolbox、IBM的ART以及谷歌的CleverHans。田天认为，这些公司推出的技术，更多还是停留在学术研究阶段，还没有进入到商业应用的阶段。“很多学术机构发布的工具，是一种白盒的算法，如果要商用，要去检测某款AI系统的安全性，我们不可能要求对方把所有的源代码都给我们，他们会觉得更不安全。”因此，人工智能安全平台在提供检测方案的时候必须要具备“黑盒”的检测能力。据AI金融评论了解，RealAI目前在金融、工业、公共服务三大领域中进行布局。田天也向我们表示，这几大领域都有很好的机会，基本处于同步推进的状态。但是在落地速度上，金融领域会相对快一些。这也取决于金融业本身已有的信息化基础、金融问题的定义更加清晰。而在工业领域，由于这个行业的改造周期更长，项目推进的周期也更长。以金融场景为例，风控场景中数据有偏问题尤其突出，如何评估没有贷后表现的拒绝客群、挖掘其中的优质客户一向是行业难题。RealAI利用自研的半监督回捞模型，提高对拒绝客群质量的识别能力，实现捞回客群与原风控放款客群风险一致下，帮助金融机构无成本提升20%的资产规模。刘荔园也向AI金融评论透露，很多金融机构已经在使用黑盒模型，但是金融机构还是希望在可解释性上更进一步。“这个机会不仅仅是留给第一波吃到螃蟹的人，而是让更多的用户能够更安心、更大面积的使用这些模型。”田天说到，“短期内，我们需要做出一些效果突出的行业解决方案；长期来看，我们希望逐步把生态体系打造出来，对AI赋能所需要的各方面能力（算法、数据）进行集成，让解决方案提供商完成一系列AI应用的搭建，这个能体现出我们作为一家平台型公司的价值。” 推荐阅读