对话吴军：人工智能如何推动金融行业的数字化转型

为探讨金融数字化转型破局之道，由深圳市金融科技协会主办，硅谷高创会、硅谷高创大学、索信达控股（股票代码：3680.HK）支持举办的 “对话吴军：拥抱人工智能，驱动数字变革” 网络研讨会于 3 月 31 日开讲，知名计算机科学家吴军博士与领先商业银行高管、金融科技大咖及顶级专家共同探讨金融数字化转型之道，共商数字金融发展之策；希望通过本次研讨会能联合行业顶尖力量，便于金融机构及从业人士更好地了解人工智能在数字化转型中的重大作用及未来发展趋势，一起赋能金融生态，共享金融 AI 未来。

以下内容整理自：“对话吴军：拥抱人工智能，驱动数字变革” 网络研讨会。观点前沿，干货满满~

开场致词

本次网络研讨会的开场致辞由深圳市金融科技协会联席会长、深圳股权交易中心常务副总经理廖亚滨发表,他一直致力于将信息技术与证券业务发展相融合，曾任国信证券副总裁兼首席工程师、中国证券业协会信息技术专业委员会主任委员。

作为金融机构，特别是作为 CIO 会持续关注技术发展的方向，新的技术和业务的融合点。同时还要更多的关注有什么方式可以落地，因为技术发展变化太快了，从技术落地方式上来看，我们金融 IT 团队的结构通常来说是很难跟得上市场前沿的技术团队。

回顾过去五年，从 AlphaGo 开始，人工智能得到了飞速的发展。在算法、数据等各个领域都有很多应用。包括像传统的大公司，谷歌、亚马逊、微软等，都在迅速的把基础设施做大。同时，我们在过去几年也看到过一些明星级的项目，像 IBM 的沃森医疗停摆。另外，在很多金融机构中最开始应用人工智能客服时，体验也不是特别好。在金融机构，实际上是需要一些客户关怀，人工智能很难做到很专业或者人气味非常足。在证券行业，利用 AI 技术来做投资决策，其实一直没有得到很好的突破。这些都是目前 AI 应用中遇到的挑战。

在这里，我也想提出一些困惑，等会请吴军博士给我们一些建议：未来，对于我们这样的 CIO 来说，在 AI 落地的方式上怎么做才能更快速地应对市场的变化？怎样才能够更好的和市场上的专业资源做有效的对接？

吴军博士精彩观点摘要

大数据和 AI 技术，金融科技正迎来最好的时代，数字化转型下的金融行业正在发生巨变，我们该如何把握机遇？

针对这一议题，知名计算机科学家，《浪潮之巅》、《全球科技通史》等畅销书作家吴军博士与我们分享了如何在人工智能快速发展的当下，把握机遇，推动金融行业的数字化转型与变革。

未来经济发展与科技应用趋势

吴军博士介绍，未来 20 年的科技时代离不开人口老龄化、绿色经济、虚拟经济这三个基准点，其中虚拟经济是未来全球经济发展趋势的重要基准点之一，像金融服务的远程化、虚拟化等都属于虚拟经济范畴。金融服务虚拟化的背后，是多种技术的综合应用。

在吴军提到的未来 20 年最重要的 12 项科技应用，像 GPT-3 生成式预训练的变形器、数据信托、数字化接触和跟踪、多技能的人工智能等，都与金融领域应用息息相关。

关于人工智能

GPT 是一种自然语言处理工具，相当于功能非常强大的人工智能系统，靠数据数量取胜，提供准确的预测，这代表人工智能的一个发展方向。

多技能的人工智能代表了未来 AI 应用的一个重要趋势。它不是集中式的，而是向着大规模分布式的发展，产生聚沙成塔的效果。其中，吴军提到蚂蚁和蜜蜂的技术路线，即靠数量取胜和网络效应，将庞大数量的数据连结起来，形成网络，便形成一个基于群体智慧的超级智能，结合到金融领域，它可以理解用户更复杂、动态的语意和需求，并具备一定常识，提供更精准、更差异化、定制化的高端服务。

关于数据资产、数据安全

金融数字化绕不开大数据这一主题。吴军提到业界需关注数据资产问题，数据资产的价值比我们想象中更巨大。而经济的虚拟化、数字化趋势也同时产生了诸如数据隐私、数据安全的问题。尤其是在具有风险本质的金融领域，其相关的数据资产价值更大，但数据隐私问题也更加值得重视。当前，在数据使用方面，行业还是存在一些乱像。

如何解决这些问题？吴军提出，需从法律和技术两方面着手。在技术方面的解决方案，吴军认为区块链技术的应用非常重要，它能理清三种关系：数据的所有者（制造者）；数据管理者；数据的使用者。而当前区块链应用存在效率低，成本高的问题，吴军认为解决这些问题的一个比较现实的技术方案是用区块链的方式实现逻辑上的去中心化、物理上的中心化，把数据所有权还给大家。

金融行业大咖对话吴军

本次研讨会还邀请了华为 EBG 全球金融业务首席数字化转型官陈昆德、招商银行信息技术部副总经理兼零售研发中心总经理夏雷、安信证券 CIO 兼信息技术部负责人许彦冰、索信达控股首席科学家张磊博士。

围绕如何全面提升金融机构的 AI 能力、什么样的 AI 技术适合金融机构、Al 技术可与哪些金融业务相结合这三个维度展开交流、探讨。

陈昆德

华为 EBG 全球金融业务

首席数字化转型官

AI 技术，最重要的就是要有数据。

以往的数据就是越精准越好，梳理得越干净越容易。但随着 AI 技术的进步，可以进行无监督的学习，可以深度学习。数据量越多就越有机会把人工智能或机器学习的模型做好。

在金融行业中，本身有非常多的数据。比尔·黄的投资爆仓事件，就凸显出银行风险管理的问题，能不能以最快的时间发现风险并且快速避险。整个银行的前、中、后台风险管理全部都是基于数据在运作的，最新的数据效果也最大，当然也需要有庞大的数据才能建出模型。

对于银行来说，提升对 AI 的能力代表着背后经营能力的提升，银行也需要转变自己的商业流程，要有不同的科技，这样才能快速的使用新的技术，利用更多的数据、更大的算力，去协助自身的业务。

夏雷

招商银行信息技术部副总经理

兼零售研发中心总经理

招商银行对外不怎么提自己是一个 AI 的银行。因为我们认为 AI 之于银行，相当于水和空气对于人的关系。在银行的领域里如果把 AI 拉进来，它就能产生明显的效应。我们很早就认为这已经不是一个概念的问题，而是希望把它实用化或者变现。

在招商银行，如果把业务范围拆开来，以前中后结构化的思维来看，每一个环节里面都已经有大量的 AI 使用。

招商银行是以零售见长的银行，所以我们很多是转向客户服务，不再是传统银行资金中介的概念。AI 的应用场景不仅仅是局限在智能推荐、风险控制，还有直播的内容、评论等等，在这些方面 AI 都大有可为。

反观传统银行，像智能客服这些我们觉得有点老套路。从现有的算法，搞来搞去，可能就 85%和 86%的区别。我们对此也很困惑，所以想咨询吴博士几个问题：

首先， AI 领域的精准性偏低。如刚才讲的客服，我们现在也就 85%到 86%，能不能再往上提呢？另外，在小样本领域，很难通过 AI 总结出规律；第三，AI 缺乏推理能力，感觉总有一个绕不过去的鸿沟。

吴军博士

知名计算机科学家

任何一个识别系统，只要是有数字的，做一段时间都会遇到天花板。

85%到 86%的差别是 0.1 个百分点，做产品好像也没有什么意义。因为这 0.1 个百分点通过其他方式也可以拿到。所以，不是要用 AI 代替人，只是从经济上来计算它能省多少钱。将来说 AI 能不能取代人，不知道，打一个问号，但是有一点是肯定的，现有基于单任务的系统肯定是解决不了这个问题的，一定是多任务系统，至少有两个最基本的功能。这也和刚提到的 NLP 这件事相关。

第一条，它能够深度理解语意，如机器人能网上找一张狗的图片，但狗是有很多的含义的，比如说真正养狗的人把狗当儿子，他谈到狗的时候，就不是一个简单的动物了，在这种场景下，对这样一个动物的理解就和我们通常说找一张图片是不一样的。

第二条，它有一些金融常识。比如什么样的事是可能的，什么样的事是不可行的。对于 AI 这件事，我有一个简单的原则，叫做上帝的归上帝，凯撒的归凯撒，有些事不用急着完全用 AI 取代人，因为实际上完全靠机器，有很多事情还是做不到的。

许彦冰

安信证券 CIO

兼信息技术部负责人

AI 在金融领域还是有非常大的价值，这需要有定力去往前推进，比如我们企业里有两大块，一个是对数据的洞察或者叫数据挖掘、数据的深度学习；另外一点是，因为券商有些业务像研究所、投款，其实是有大量文本类的处理，像这种自然语言处理，无论是自动的生成报告，还是反向的自然语言解析，如果能应用，可以极大的提高这两块业务的产能或者提高员工的工作效率。

AI 的应用门槛比较高，依赖很多条件，比如数据质量、算法、模型等等。在推进过程中，金融行业对数据结果的准确性有习惯性认知，如果准确性不高，会认为这个东西是无法使用的。这跟人对这方面的预期和认知是不同的，在这个训练过程中需要业务人员深度参与。所以，在推进 AI 的工作过程中，要考虑投入产出及业务效果，对于这方面吴军博士有没有一些建议？

吴军博士

知名计算机科学家

要更好的应用 AI，你的团队需要三类人。

第一类人，就是 MBA。工程师或者建模的数学家其实很难做到深入现场，去了解业务需求，所以需要对商业比较了解的人，要到一线了解业务逻辑。AI 用不好，一大半原因是业务逻辑没搞清楚；第二类是要有做数学模型的人。这部分人或许可以省略掉，因为现在很多开源工具非常好用，只需要养一个能够把这些开源道理都搞懂的人就可以了。第三类就是工程师，在知道业务逻辑以后，以现有的技术条件去满足需求，实现产品。

张磊

索信达控股首席科学家中科院计算机应用博士

关于许彦冰问题，刚才吴军博士谈到团队人员组成，AI 的能力确实需要人的支撑，我先由这个问题来切入。五年前我们给一家大型国有银行规划大数据分析的团队，当时就涉及团队需要哪些类型的人才。我们参考了很多国内外的领先实践，给出的建议是要有三类人，配置的比例是 2:3:5。第一类人要懂业务，能把业务问题翻译成技术人员能听懂的技术语言。

第二类人要懂数据，做数据加工和 IT 系统的，底层数据的加工是必须要去做的一件事。

第三类的人我们叫做业务分析师。业务分析师的在整个团队建议占比是 50%。实际上，这一类人是万能胶一样的角色，可以向另外两个角色去转换，当然，这类角色必须要懂算法原理，能够通过数据分析来解决业务问题。

其实我一直认为 AI 也好、机器学习或深度学习这些新的概念也好，说白了都在做数据分析，而数据分析是解决业务问题的有效手段。

回过头来谈 AI 能力，无非就做三件事情——第一是找到我们的业务问题；第二是从相关的数据里面用算法来发现规律；第三是用找到的规律去解决业务问题。

我把 AI 能力的构建分解为四个主要的核心能力：

第一部分是业务能力，金融行业需要解答业务问题。目前我们对银行业务问题进行了梳理，包括五大类五十多个专题，基本涵盖银行业所要解决的主要业务问题，而这些业务问题可以通过数据分析来解决。

第二部分是数据能力，没有基础数据的话就用不到先进的 AI 算法，当然，我们会碰到数据质量、数据加工、特征工程等问题。

第三部分是分析能力，我一直在跟踪一些先进的算法，看到新算法层出不穷，但是按照我们的经验和梳理，在金融行业真正用到的分析算法，其实并没有那么复杂。

第四部分是思维能力，我们前面谈到了分析团队，实际上我发现很多人在看到问题的时候，其实没有第一步就从怎么解决问题的思维方式开始着想，而是急于把分析算法用上去。我希望 AI 技术能和解决问题的方法相结合，才能切实有效的解决我们的业务问题。

动态黑色音符

过去十年，互联网大大裨益、丰富了我们的生活；现在以大数据、AI、云计算为代表的新一代互联网技术又在大刀阔斧地改造着我们的工作。

“数字化”未来已来，突围就在当下。在数字经济革命时代，金融行业也将通过人工智能技术驱动数字变革，把握机遇，为金融伙伴赋能，打造良性的金融行业生态，在数字化之道扬帆起航，共同开启金融数字化发展新篇章！

参会嘉宾介绍