什么是智能金融Robot不算Intelligent才是

[ 億歐導(dǎo)讀 ] 智能金融的核心問(wèn)題是兩件事情：自動(dòng)化和智能化。先有自動(dòng)化才有智能化，像個(gè)人征信、銀行大數(shù)據(jù)等，都用到了很多人工智能的算法：如機(jī)器算法和知識(shí)圖譜。但是，真正以人工智能為核心來(lái)構(gòu)造智能金融系統(tǒng)的，目前在國(guó)內(nèi)我基本上沒(méi)有看到。

【編者按】這是一篇一年前的文章，文因互聯(lián)創(chuàng)始人鮑捷在參加中信證券2016年11月24日舉辦的《中信證券2017年資本市場(chǎng)年會(huì)》上的演講，主題是《智能金融的核心引擎：一覽與前瞻》，文章從智能金融的核心、中美兩國(guó)智能金融的發(fā)展、智能對(duì)產(chǎn)業(yè)的影響、智能金融的底層技術(shù)以及相關(guān)事例等方面，對(duì)國(guó)內(nèi)智能金融商業(yè)化發(fā)展進(jìn)行了概論和前瞻：Intelligent、Smart Data。時(shí)隔一年半，讀完依舊收獲頗多，億歐特編輯，供業(yè)內(nèi)人士參考。

6月15日，億歐在上海舉辦「2018全球AI領(lǐng)袖峰會(huì)——智能+新金融峰會(huì)」，峰會(huì)將從智能金融商業(yè)模式落地、金融業(yè)務(wù)革新、銀行業(yè)態(tài)變遷、智能科技前景與難點(diǎn)等方面進(jìn)行研討，探析即將到來(lái)的智能金融時(shí)代。

我們文因互聯(lián)是一家位于北京的初創(chuàng)公司，正在探索智能金融落地的各種場(chǎng)景。智能金融這件事，不僅在中國(guó)很新，在美國(guó)也是很新的事物。在探索智能金融的過(guò)程中，包括技術(shù)的基礎(chǔ)、技術(shù)在金融行業(yè)的切入點(diǎn)、盈利模式等，大家都沒(méi)有完全探索出來(lái)。我估計(jì)還要花上三五年甚至更久的時(shí)間才能搞清楚。

之前很多人都會(huì)問(wèn)我：你們是不是做互聯(lián)網(wǎng)金融的?最近幾個(gè)月以來(lái)，大家開始問(wèn)：你們是不是做科技金融的?Internet Finance和Fintech這兩個(gè)概念，大家都已經(jīng)很熟悉了，但智能金融是一個(gè)更小的概念。我的理解是：智能金融是科技金融的一個(gè)子模塊，和互聯(lián)網(wǎng)金融有一定交叉，但并不完全相同。

前一段時(shí)間我看了《清華科技評(píng)論》，這是一本很厚的集子，里面講了國(guó)內(nèi)外100多個(gè)這樣的公司。畢馬威也出了一個(gè)中國(guó)Fintech 50強(qiáng)的列表。仔細(xì)看的話，這些公司從事科技金融和互聯(lián)網(wǎng)金融的都有，但是涉及到智能金融的其實(shí)還是非常少的。智能金融從去年開始在中國(guó)剛剛起步，今年又陸陸續(xù)續(xù)出現(xiàn)了一些，但是還處于非常初步的階段。

什么是智能金融?

在之前20多年的金融數(shù)據(jù)化和智能化的過(guò)程中，智能金融逐步成熟起來(lái)。這離不開之前做的很多工作，從金融到互聯(lián)網(wǎng)金融，再到科技金融，其實(shí)經(jīng)歷了很多的準(zhǔn)備工作。不僅是數(shù)據(jù)的準(zhǔn)備工作，還有市場(chǎng)的教育工作。已經(jīng)有這些領(lǐng)域的前輩幫我們探了路，趟了很多地雷。

按照我的理解，智能金融的核心問(wèn)題是兩件事情：自動(dòng)化和智能化。先有自動(dòng)化才有智能化，像個(gè)人征信、銀行大數(shù)據(jù)，還有之前的P2P和眾籌，都用到了很多人工智能的算法，包括機(jī)器算法和知識(shí)圖譜。但是，真正以人工智能為核心來(lái)構(gòu)造智能金融系統(tǒng)的，目前在國(guó)內(nèi)我基本上沒(méi)有看到。在國(guó)外，我們可以看到Alphasense、Kensho這樣的公司，國(guó)內(nèi)目前還沒(méi)有成熟的對(duì)應(yīng)公司。

智能金融的定義

為什么會(huì)有智能金融出現(xiàn)?這是這些年中國(guó)經(jīng)濟(jì)，特別是金融產(chǎn)業(yè)發(fā)展所帶來(lái)的一些因素造成的。

發(fā)展的正負(fù)面因素

促進(jìn)因素包括：

第一點(diǎn)：市場(chǎng)規(guī)模的成長(zhǎng)

舉個(gè)例子，我們之前找A股的研報(bào)，隨便一搜，大概就下載了30多萬(wàn)份研報(bào)的PDF文件。我們?nèi)フ倚氯逖袌?bào)的時(shí)候，發(fā)現(xiàn)新三板93%的企業(yè)沒(méi)有任何研報(bào)，98%的企業(yè)只有一份或者少于一份的研報(bào)。在A股市場(chǎng)上，中國(guó)的研究員可能有7000人或更多，他們?cè)趦汕Ф嗉夜旧厦嫜芯苛?0年時(shí)間，把每個(gè)行業(yè)都研究透了，寫出來(lái)上百萬(wàn)份報(bào)告。

新三板上現(xiàn)在有將近一萬(wàn)家公司，未來(lái)還有可能達(dá)到兩萬(wàn)家，其中一半以上的公司所在的行業(yè)都是新興行業(yè)。在這些行業(yè)上，如果我們還沿用之前人工研究的方法，需要多少研究員?現(xiàn)在是七千個(gè)研究員，要把研究員擴(kuò)大到七萬(wàn)個(gè)來(lái)解決這個(gè)問(wèn)題的話，顯然是不可能的。所以之前的研究體系跟交易體系、資源配置體系，只適合為很少的公司進(jìn)行運(yùn)作?，F(xiàn)在面臨著一個(gè)十倍甚至更大市場(chǎng)，我們不可能沿用原來(lái)的方式來(lái)服務(wù)這個(gè)市場(chǎng)，必須要依靠技術(shù)。而人工智能就是這個(gè)過(guò)程中最重要的一環(huán)。

第二點(diǎn)：產(chǎn)業(yè)的升級(jí)

之前我們看A股的公司，上面有各種各樣傳統(tǒng)的產(chǎn)業(yè)，國(guó)有企業(yè)的產(chǎn)業(yè)。那么到了新三板上，我們看到了一大半以上公司都是新興行業(yè)，這些行業(yè)在A股上根本沒(méi)有。在新三板，我們找到了六萬(wàn)多種產(chǎn)品，其中超過(guò)60%的行業(yè)標(biāo)簽在A股上是找不到的。傳統(tǒng)培養(yǎng)行業(yè)研究員的方式跟不上今天的新興行業(yè)的成長(zhǎng)速度。新三板還只有一萬(wàn)家企業(yè)，早期市場(chǎng)有幾十萬(wàn)家企業(yè)，還有更多新興的行業(yè)，怎么可能用人力完全把它建模出來(lái)?必須用技術(shù)的手段。

第三點(diǎn)：人工智能技術(shù)的進(jìn)步

特別是最近幾年，深度學(xué)習(xí)技術(shù)和知識(shí)圖譜技術(shù)快速發(fā)展，使得我們有可能解決這些問(wèn)題。這些問(wèn)題并不是全新的問(wèn)題，在美國(guó)之前也有。十年之前美國(guó)有一批公司出來(lái)做這種事情，但他們最終大多死掉了。為什么?因?yàn)槟莻€(gè)時(shí)候從底到上，每一層的技術(shù)架構(gòu)都不完善，從數(shù)據(jù)庫(kù)到前面的搜索引擎，都是自己來(lái)搭。那個(gè)時(shí)候還沒(méi)有成熟的體系來(lái)支撐，也沒(méi)有開放的數(shù)據(jù)來(lái)建立整個(gè)生態(tài)鏈。2006年之后，美國(guó)的這種數(shù)據(jù)發(fā)展起來(lái)了。2001年之后整個(gè)語(yǔ)義網(wǎng)的技術(shù)，2012年之后整個(gè)知識(shí)圖譜的技術(shù)，使得我們現(xiàn)在有可能解決這些問(wèn)題了，不需要我們?cè)僦仡^開始構(gòu)造整個(gè)架構(gòu)了。

以上是正面的因素。在這些正面因素的前提下，為什么智能金融現(xiàn)在還是一個(gè)非常弱小的產(chǎn)業(yè)?我們下面來(lái)看看制約智能金融發(fā)展的因素。

制約因素包括以下三點(diǎn)：

第一點(diǎn)：數(shù)據(jù)的缺失

在美國(guó)，這個(gè)問(wèn)題已經(jīng)解決得比較好了。在國(guó)內(nèi)，相信做過(guò)這件事情的同行都會(huì)有切身體會(huì)。無(wú)論是政府?dāng)?shù)據(jù)，還是行業(yè)數(shù)據(jù)，數(shù)據(jù)缺失都是第一位的。3月份的時(shí)候，我們開了一個(gè)沙龍叫“語(yǔ)義對(duì)話金融”。在這個(gè)沙龍上我問(wèn)在座的投資人：你們覺(jué)得當(dāng)今最需要解決的問(wèn)題是什么?答：是數(shù)據(jù)!巧婦難為無(wú)米之炊，所以我們必須先把數(shù)據(jù)問(wèn)題解決?，F(xiàn)在大多數(shù)的數(shù)據(jù)在哪里?其實(shí)都被隱藏著。很多數(shù)據(jù)，在政府的各部委的數(shù)據(jù)中，在各個(gè)地方政府里面，現(xiàn)在還沒(méi)有一套很好的開放方法，讓大家能夠訪問(wèn)到。實(shí)際上，這是全民的財(cái)富。

從2009年之后，美國(guó)從白宮開始一層一層去搞開放數(shù)據(jù)，最后要求政府每一級(jí)都真正地開放數(shù)據(jù)。使用數(shù)據(jù)的每一個(gè)人，不需要事先申請(qǐng)就可以使用，這一點(diǎn)在中國(guó)目前是還沒(méi)做到的。即使是大家能夠接觸到的數(shù)據(jù)，現(xiàn)在用得還不是特別好。比如說(shuō)機(jī)器可讀的金融報(bào)表，現(xiàn)在的結(jié)構(gòu)化金融報(bào)表本來(lái)應(yīng)該讓每個(gè)人都可以訪問(wèn)，這樣我們就不用雇那么多實(shí)習(xí)生去爬數(shù)據(jù)了。但現(xiàn)在它也不是每個(gè)人都能夠拿到。另外，在股轉(zhuǎn)書、年報(bào)、季報(bào)里，90%以上的數(shù)據(jù)都是非結(jié)構(gòu)化的。怎么使用這些數(shù)據(jù)?現(xiàn)在沒(méi)有一套很好的辦法幫我們用好這些財(cái)富。

第二點(diǎn)：人才的缺失

既懂金融又懂技術(shù)，這樣的人才是非常非常少的。因?yàn)檫@兩種人是完全不一樣的，一個(gè)來(lái)自火星，一個(gè)來(lái)自金星。能將這兩種背景結(jié)合在一起的人，在中國(guó)可以說(shuō)是鳳毛麟角。

第三點(diǎn)：組織變革的困難

我覺(jué)得這個(gè)因素是最重要的一個(gè)問(wèn)題。我前兩天在看一本書叫《創(chuàng)業(yè)者》，英文叫Founders at Work。這本書第一篇文章是PayPal的創(chuàng)始人回憶他們當(dāng)時(shí)怎么創(chuàng)造出PayPal的。記者問(wèn)他們：為什么你們不害怕銀行來(lái)做這件事情呢?創(chuàng)始人說(shuō)：銀行絕對(duì)不可能做這件事情，因?yàn)殂y行關(guān)心的問(wèn)題是銀行原來(lái)的體系內(nèi)部，他們認(rèn)為PayPal完全不可能做出來(lái)，因?yàn)樗麄冋J(rèn)為反欺詐的問(wèn)題絕對(duì)不可能被解決。但是PayPal就解決掉了這些問(wèn)題?，F(xiàn)在我們回過(guò)頭來(lái)想，是不是還有類似的事。

在一開始的時(shí)候，大量金融創(chuàng)新的可用性、可靠性都不是那么好。在這種大型組織里，想運(yùn)用這種新技術(shù)是很困難的事情。這就是一個(gè)典型的創(chuàng)新者的窘境。

特別是在技術(shù)面臨的挑戰(zhàn)前面，它組織的變化，整個(gè)理念的變化，它的價(jià)值體系的變化都是挺慢的一件事情。我們大家都知道，銀行只看風(fēng)險(xiǎn)是不夠的。國(guó)家強(qiáng)調(diào)提高直接融資的比例，降低間接融資的比例。但是銀行為什么就不能很快轉(zhuǎn)變過(guò)來(lái)呢?因?yàn)殂y行原來(lái)的一整套體制都是風(fēng)控驅(qū)動(dòng)。風(fēng)控是高壓線，所以人的提拔，獎(jiǎng)懲全都是按照風(fēng)控來(lái)做的。在外部形勢(shì)沒(méi)有發(fā)生變化的前提下，這個(gè)并沒(méi)有什么錯(cuò)誤。但如果發(fā)生了變化呢?組織在這個(gè)過(guò)程中會(huì)變化，但不會(huì)這么快。這使得越大的組織，在使用這些新技術(shù)的時(shí)候，反應(yīng)越慢。這是制約因素。

簡(jiǎn)單看一下中美比較，去年畢馬威把中國(guó)Fintech 50強(qiáng)和國(guó)際100強(qiáng)做了一個(gè)比較。他們剛剛做了一個(gè)發(fā)布會(huì)，這里面有幾個(gè)大塊，跟智能金融有一點(diǎn)關(guān)系，但不是完全一樣。我們看框起來(lái)這一塊是大數(shù)據(jù)征信。中國(guó)對(duì)這一塊進(jìn)行了密集的投入，比美國(guó)還密集。我懷疑中國(guó)有沒(méi)有一千家在做這件事情。另外智能投顧這一塊，做財(cái)富管理的公司美國(guó)非常多，中國(guó)非常少。這跟中國(guó)各種產(chǎn)業(yè)環(huán)境也有關(guān)?，F(xiàn)在，中國(guó)的監(jiān)管機(jī)構(gòu)不是很鼓勵(lì)做這件事情。之前，哪怕是非智能的投顧，在中國(guó)其實(shí)也沒(méi)有發(fā)展得特別好。所以智能投顧的基礎(chǔ)并不是很成熟。

中美比較一

中美比較二

再看科技系統(tǒng)這一塊。美國(guó)有這么多公司，中國(guó)居然是一片空白。中美兩國(guó)的發(fā)展，也預(yù)示著我們哪些地方發(fā)展過(guò)熱，哪些地方可能還需要再加強(qiáng)一下。

最關(guān)鍵的，我覺(jué)得是上面兩張圖里都還沒(méi)有的東西。畢馬威2016 Fintech榜單里提到了幾家公司，像Alphasense和Kensho，2015年都沒(méi)有出現(xiàn)，2016年才把它們加進(jìn)來(lái)。類似這樣的還有其他一些公司。我認(rèn)為非常值得關(guān)注的智能金融的公司，像Palantir和Dataminr，這些公司真正的是以人工智能為核心來(lái)改造金融的數(shù)據(jù)產(chǎn)業(yè)鏈，很多這樣的公司還沒(méi)有進(jìn)入公眾的視野。但實(shí)際上像Alphasense和CB Insights這樣的公司，其實(shí)已經(jīng)有七八年的歷史，并不是一夜之間冒出來(lái)的。

5.jpg

那么他們是怎么起家的?很多新興的技術(shù)，像知識(shí)圖譜技術(shù)，其實(shí)在2007年、2008年的時(shí)候，是非常悲催的。我從2001年開始做知識(shí)圖譜，2007年博士畢業(yè)。那個(gè)時(shí)候想找稱心的工作是蠻難的一件事情，因?yàn)榇蠹耶?dāng)時(shí)都不看好這些技術(shù)。到了2012年之后，這方面才慢慢受到關(guān)注。特別是谷歌從2010年的時(shí)候，買了一個(gè)小公司(Metaweb)，發(fā)現(xiàn)這個(gè)技術(shù)特別有用。他們發(fā)現(xiàn)，只有機(jī)器學(xué)習(xí)是不夠的，知識(shí)圖譜特別有用。之后發(fā)生了幾個(gè)大事件，在2012年左右像蘋果的Siri和IBM的Watson，他們發(fā)現(xiàn)，僅僅是通過(guò)統(tǒng)計(jì)的方法，無(wú)法解決他們現(xiàn)在面臨的問(wèn)題。必須把人的知識(shí)、世界的知識(shí)放到系統(tǒng)里，才能解決各自的問(wèn)題。在2007年、2008年之后，已經(jīng)有一些公司先知先覺(jué)開始將這些技術(shù)用到金融里面了，Alphasense和CB Insights都是那時(shí)候成立的。

Palantir是2004年成立的。用我們行話說(shuō)，它是個(gè)本體編輯器(Ontology editor)，這個(gè)東西是非?？菰锏?。從2004年到2010年，我自己寫過(guò)五個(gè)本體編輯器，不過(guò)沒(méi)有想過(guò)進(jìn)行商業(yè)化。Palantir則商業(yè)化了，變成了一個(gè)估值100多億的企業(yè)。這說(shuō)明，人工智能的價(jià)值取決于你怎么用它。把它用到好的角度上，找到市場(chǎng)結(jié)合點(diǎn)，哪怕是看起來(lái)很偏門的技術(shù)，也完全有可能成長(zhǎng)為一個(gè)很大的市場(chǎng)。Palantir背后也有一個(gè)很大的知識(shí)圖譜團(tuán)隊(duì)，因?yàn)橐氚巡呗陨?、?shù)據(jù)集成做好，把下面的邏輯模型做好，都必須用到知識(shí)圖譜技術(shù)。

發(fā)展的基礎(chǔ)和階段

智能金融公司在美國(guó)從2007年、2008年就開始有了，在中國(guó)最近一兩年才開始做起來(lái)，就是因?yàn)槊總€(gè)國(guó)家的經(jīng)濟(jì)發(fā)展都有階段性。我們只有一個(gè)階段、一個(gè)階段地把前面的技術(shù)都夯實(shí)了，才能去做更高級(jí)的事情。所以之前我們花了20年時(shí)間，做銀行的金融的信息化。信息化之后，我們才能做大數(shù)據(jù)化。像工商銀行可能是做這種大數(shù)據(jù)最早的一批，然后做了七八年甚至上十年時(shí)間。很多銀行只是為了滿足巴塞爾協(xié)議的那些要求，就花了十年時(shí)間。有了這些東西之后，從2015年之后，我們看到有些做信息處理的自動(dòng)化企業(yè)。做了自動(dòng)化之后，才能去做智能化，這是一層一層發(fā)展的。我們目前做智能化，坦白說(shuō)有點(diǎn)早。如果太冒進(jìn)會(huì)成為先烈，所以應(yīng)該實(shí)事求是追求合理的目標(biāo)。

從大數(shù)據(jù)到智能化

這幅圖是我從工行的前行長(zhǎng)楊凱生先生的文章里面摘出來(lái)的。這篇文章蠻新的，發(fā)表于2016年。在回顧他們工行的大數(shù)據(jù)架構(gòu)時(shí)，他把整個(gè)大數(shù)據(jù)的發(fā)展過(guò)程分為五個(gè)階段。他認(rèn)為前面三個(gè)階段現(xiàn)在都已經(jīng)做得比較好了，報(bào)表顯示已經(jīng)發(fā)生了什么事情，分析為什么會(huì)發(fā)生這些事情，預(yù)測(cè)還會(huì)發(fā)生什么事情。后面兩個(gè)層面，就是運(yùn)營(yíng)分析和動(dòng)態(tài)正在發(fā)生什么，實(shí)際上這兩個(gè)層面不是光靠大數(shù)據(jù)技術(shù)就能解決的，需要更多的人工智能技術(shù)，包括機(jī)器學(xué)習(xí)技術(shù)、知識(shí)圖譜技術(shù)。比如這篇文章里也講了好幾個(gè)例子，講了一個(gè)工商銀行有上千萬(wàn)的房產(chǎn)抵押，而這個(gè)房產(chǎn)的價(jià)值，每天都會(huì)變化，不停地變化，該怎么快速跟蹤上千萬(wàn)的抵押房產(chǎn)呢?他們開發(fā)了一套系統(tǒng)，其中還用到了自然語(yǔ)言處理的技術(shù)，來(lái)估計(jì)每一個(gè)房子價(jià)值的變化。

把視野往后推一推，我們今天談的智能對(duì)產(chǎn)業(yè)的影響，其實(shí)只是漫長(zhǎng)的技術(shù)對(duì)金融的推進(jìn)過(guò)程的自然延伸。從1960年到現(xiàn)在，過(guò)去這半個(gè)多世紀(jì)的時(shí)間，每一代計(jì)算技術(shù)的發(fā)展都對(duì)金融產(chǎn)業(yè)產(chǎn)生了巨大的沖擊。特別是這些技術(shù)創(chuàng)造了新的業(yè)務(wù)，這是最重要的一件事情。所以每一次革新開始的時(shí)候，大家總是先提高現(xiàn)有業(yè)務(wù)的效率，然后再往前走。隨著每一次效率的提升之后，就會(huì)有新的組織出現(xiàn)、新的業(yè)務(wù)出現(xiàn)，去挑戰(zhàn)原來(lái)的組織和業(yè)務(wù)。大家發(fā)現(xiàn)這個(gè)技術(shù)不僅僅可以提高效率，還可以創(chuàng)造出新的業(yè)務(wù)，從而顛覆原有的大型組織。所以金融組織也是不斷地新陳代謝。

什么是技術(shù)

我看過(guò)一篇文章，是中信建投的一位高層寫的，他說(shuō)中國(guó)券商是個(gè)高危行業(yè)。他分析了一下過(guò)去15年的券商，發(fā)現(xiàn)好像超過(guò)一半的券商都死掉了。雖然現(xiàn)在券商的收入很高，好像去年的平均利潤(rùn)率是50%，但是我們十年后看，券商的淘汰率可能也會(huì)很高。那么什么樣的組織能夠存活下來(lái)?我們看看上面的表格會(huì)得到一些啟示。在每一次的迭代過(guò)程中，都會(huì)有一些順應(yīng)技術(shù)進(jìn)步的新興組織冒出來(lái)。最近這些年人工智能讓我們能夠看到，我們可以去做自動(dòng)化的小貸、精準(zhǔn)獲客，還有策略自動(dòng)化、組合風(fēng)險(xiǎn)管理，這些事情可以做。其實(shí)還有很多其他的事情，有待新興的組織去服務(wù)。

什么是“智能”

在談智能金融之前，我們來(lái)解釋一下什么叫“智能”。我們看到很多東西都冠以智能。我的鞋子里面有一個(gè)鞋墊，它稱為智能鞋墊，后來(lái)我掰開看了一下有一個(gè)小芯片，就稱為智能了。還有智能燈泡、智能音箱、智能汽車，這些東西都稱為智能。這些東西背后的智能指的是同一個(gè)東西嗎?

我把上圖中的三種智能稱為智能的三個(gè)階段：

第一個(gè)階段，是機(jī)器人化或者自動(dòng)化，它代替人完成一般性的、重復(fù)性的動(dòng)作，比如說(shuō)里面的芯片，或者套了一個(gè)公式。

第二個(gè)階段，稱為小聰明(Smart)，像智能音箱是典型的，它可以完成一個(gè)相對(duì)而言比較簡(jiǎn)單的數(shù)據(jù)集成的事情，或者人花上很長(zhǎng)時(shí)間才能完成但是機(jī)器很快就可以完成的事情，我們稱為Smart。

第三個(gè)階段，就是Intelligent，可以真正地進(jìn)行預(yù)測(cè)、分類、聚類、策略等等，提供深度的洞察，這些都需要長(zhǎng)期深入的訓(xùn)練才有可能得到的技能。一般意義上，在說(shuō)人工智能的時(shí)候，我們通常會(huì)認(rèn)為是Intelligent層面才課稱為人工智能。但是目前我們?cè)谏虡I(yè)上看到，很多情況下大家會(huì)把這個(gè)概念往外伸，把Robot、Smart也說(shuō)成人工智能。智能燈泡不算是人工智能，智能鞋墊也不算是人工智能，但是我們?cè)谔嶂悄艿臅r(shí)候，很多人會(huì)把這些賣成AI技術(shù)的一部分。

看硬件的時(shí)候，我們可以看得很清楚，但看軟件就不一定看得那么清楚了。比如說(shuō)智能投顧這個(gè)概念是不是AI的應(yīng)用?其實(shí)本身它就有多種含義的。如果只看基于60年代就已經(jīng)有的資產(chǎn)配置理論來(lái)說(shuō)的話，那我們可以認(rèn)為它不是人工智能的。它只是在一些簡(jiǎn)單數(shù)據(jù)提取、整合這方面，做了一些Robot的工作，所以這不是人工智能。但是智能投顧這個(gè)概念，也用在很多事情上。比如說(shuō)在智能選股這些事情上面，就有人工智能在里邊。所以說(shuō)這個(gè)概念的含義是多種的。

什么是智能

我認(rèn)為可以分為三個(gè)層面：

第一個(gè)層面是Robot。在座很多人都雇過(guò)實(shí)習(xí)生。這些實(shí)習(xí)生每天從PDF里面扒數(shù)據(jù)是人工智能嗎?這是人工的智能，但不是人工智能。這個(gè)工作是非常機(jī)械的，就不應(yīng)該用人來(lái)做，而應(yīng)該用機(jī)器來(lái)做。

第二個(gè)層面是Smart，指數(shù)據(jù)的簡(jiǎn)單分析、摘要、過(guò)濾、跟蹤、可視化。Alphasense是智能的，是美國(guó)的基于知識(shí)圖譜的語(yǔ)義、金融搜索。這個(gè)軟件可以去監(jiān)視上市公司所有的年報(bào)、季報(bào)、會(huì)議記錄，開會(huì)的時(shí)候說(shuō)了什么，董事長(zhǎng)一句話說(shuō)完，一秒鐘之內(nèi)，交易策略自動(dòng)就推送到投資者那里去了。這樣一種工作，用人來(lái)干一個(gè)小時(shí)也可以完成，但是用機(jī)器人，不到一秒鐘就可以干完，這是Smart。

第三個(gè)層面是Intelligent，提供數(shù)據(jù)的決策支持和洞察，這是高級(jí)分析師才能做的事情。Robot是實(shí)習(xí)生就可以做到，Smart是一兩年工作經(jīng)驗(yàn)的分析師才可以做的。Intelligent是高級(jí)分析師才能做到的。他真正有這些行業(yè)的經(jīng)驗(yàn)和洞察力，他才能做出來(lái)這件事情，才能夠合格的提出一個(gè)參謀的意見(jiàn)。像這樣的事情，我們認(rèn)為才是真正的人工智能。Kensho從某種程度上來(lái)說(shuō)接近了，但我還不能夠有信心地說(shuō)Kensho現(xiàn)在已經(jīng)是這樣的東西了，因?yàn)镵ensho包括兩大塊內(nèi)容，一塊是數(shù)據(jù)集成，第二塊就是策略生成，它的數(shù)據(jù)集成那一塊，我認(rèn)為還只能說(shuō)是Smart。

真正的Intelligent是怎么發(fā)展起來(lái)的?其實(shí)人工智能的行業(yè)是“有多少人工，就有多少智能”。因?yàn)槊客白咭徊?，最核心的?wèn)題都是成本、成本、成本。如果想去構(gòu)造一個(gè)所謂非常聰明的系統(tǒng)，從技術(shù)上來(lái)說(shuō)都是做得到的。我經(jīng)常愛(ài)開玩笑說(shuō)，如果明天發(fā)生第三次世界大戰(zhàn)的話，所有的AI問(wèn)題我們都可以在五年內(nèi)解決掉。因?yàn)橹灰軌蛘靼l(fā)一千萬(wàn)人，來(lái)給我們做數(shù)據(jù)標(biāo)注就可以了。我們?cè)谏虡I(yè)中，不可能免費(fèi)得到一千萬(wàn)奴隸。我們解決這些問(wèn)題的最好方法，就是經(jīng)過(guò)快速的產(chǎn)品迭代。在每一個(gè)層次上面，我們從低質(zhì)量的數(shù)據(jù)到高質(zhì)量的數(shù)據(jù)，在投入一些成本之后，我們獲得一些收益，然后不斷地去加速人的輔助價(jià)值。

大家常聽到一句話，什么職業(yè)要在人工智能的壓力下失業(yè)了，速記員要失業(yè)了，或者說(shuō)翻譯要失業(yè)了。坦白說(shuō)我認(rèn)為這種話說(shuō)得不對(duì)。其實(shí)技術(shù)發(fā)展那么多年，真正的被技術(shù)消滅了的行業(yè)、職業(yè)真的很多嗎?我不覺(jué)得，更多的時(shí)候是增強(qiáng)了。我們有了計(jì)算器之后，真的把會(huì)計(jì)這個(gè)行業(yè)給消滅掉了嗎?其實(shí)會(huì)計(jì)做得更好了。人工智能取代這個(gè)、取代那個(gè)是現(xiàn)在根本不用擔(dān)心的問(wèn)題。實(shí)際上，人應(yīng)該起到畫龍點(diǎn)睛的作用。每一個(gè)層面機(jī)器幫我們，我們有了更好的數(shù)據(jù)，我們有更好的創(chuàng)造力，來(lái)加速人的判斷，這才是比較好的人工智能的應(yīng)用。中間有很多的步驟，我不一一去講這些細(xì)節(jié)了。

在這里面有兩張表，講了分別從底層技術(shù)的層次上，我們到底有哪些技術(shù)可以用。同樣今天沒(méi)有足夠多的時(shí)間，把這里面的每一點(diǎn)都講到。如果把這兩張表給解釋完了的話，可能就要花半個(gè)小時(shí)時(shí)間，只好略過(guò)。

一些底層技術(shù)一

一些底層技術(shù)二

我們看最后的層面“策略生成”。如果想造出Kensho這樣的系統(tǒng)來(lái)，我們到底需要花多少人力和物力?這絕對(duì)不是一個(gè)小團(tuán)隊(duì)可以做出來(lái)的。比如說(shuō)組一個(gè)10人團(tuán)隊(duì)，給他們一年的時(shí)間，就能做得出來(lái)嗎?這是不可能的事情。因?yàn)楸澈笮枰龅牡讓蛹夹g(shù)發(fā)展實(shí)在太多了。

知識(shí)圖譜

這里多提一下知識(shí)圖譜技術(shù)。其實(shí)知識(shí)圖譜是一堆問(wèn)題，而不是一個(gè)技術(shù)。雖然知識(shí)圖譜為人所知是最近三四年的事情，實(shí)際上這個(gè)領(lǐng)域成型已經(jīng)有15年時(shí)間了。2001年，我們管它叫Semantic Web(語(yǔ)義網(wǎng))，2006年的時(shí)候叫Linked Data(互聯(lián)數(shù)據(jù))，2012年的時(shí)候叫Knowledge Graph(知識(shí)圖譜)，到了2015年我們又把它改成一個(gè)新名叫Smart Data(智能數(shù)據(jù))。今后一兩年，大家聽到智能數(shù)據(jù)這個(gè)詞不要詫異，它和知識(shí)圖譜是同一個(gè)技術(shù)，只是換了一個(gè)馬甲而已。因?yàn)槲覀冞@一行，博士論文每五年一屆，所以每五年我們這個(gè)行業(yè)就要換一個(gè)馬甲。1998年的時(shí)候我們叫Agent，在這之前我們叫Lisp、專家系統(tǒng)。所以整個(gè)知識(shí)圖譜的技術(shù)，實(shí)際上有三四十年的發(fā)展歷程。最早起源的技術(shù)，60年代就有了，整個(gè)細(xì)分為幾個(gè)大塊。我認(rèn)為細(xì)分下來(lái)，有幾十種不同的技術(shù)，統(tǒng)稱為知識(shí)圖譜。并不是找到一兩個(gè)做自然語(yǔ)言處理的人就可以號(hào)稱是知識(shí)圖譜。

從來(lái)源來(lái)講，知識(shí)圖譜可以分成四大塊：

第一塊：知識(shí)提取。這一塊主要是從自然語(yǔ)言處理的角度來(lái)看的。比如說(shuō)，我們現(xiàn)在有股轉(zhuǎn)書或者研報(bào)，研報(bào)里面有很多表格。把這些表格的數(shù)據(jù)提取出來(lái)，就叫自然語(yǔ)言處理的技術(shù)。我們從非結(jié)構(gòu)化的數(shù)據(jù)里，把數(shù)據(jù)信息結(jié)構(gòu)化，也就是知識(shí)提取。

第二塊：知識(shí)表現(xiàn)。我們拿到了一些數(shù)據(jù)之后，怎么進(jìn)行有效處理。尤其是背后有意義的數(shù)據(jù)，像股權(quán)關(guān)系網(wǎng)絡(luò)里面，股東A和股東B之間有親屬關(guān)系，他的兄弟們、同學(xué)們，這些關(guān)系是什么意思?這是一種知識(shí)，我們要有一種方法，讓機(jī)器更方便地進(jìn)行自動(dòng)處理，這一部分就叫知識(shí)表現(xiàn)。

第三塊：知識(shí)存儲(chǔ)。剛才提到了圖數(shù)據(jù)庫(kù)。圖數(shù)據(jù)庫(kù)是知識(shí)存儲(chǔ)的一個(gè)分支，還有很多其他數(shù)據(jù)庫(kù)，比如RDF數(shù)據(jù)庫(kù)，還有混合的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的管理。

第四塊：知識(shí)檢索，有時(shí)候也叫語(yǔ)義檢索。這里面又細(xì)分成六七種不同的技術(shù)，我就不一一列舉了。

這些技術(shù)對(duì)我們有什么用呢?先舉一個(gè)小例子，在投資研究的過(guò)程中，我們最早跟一些券商研究員聊的時(shí)候，逐漸分析他們的行為過(guò)程。我發(fā)現(xiàn)應(yīng)該可以將他們的分析過(guò)程分成四個(gè)步驟：

以投資研究為例四步走

第一步，是搜索。比如說(shuō)百度搜索。有時(shí)候可能是通過(guò)線下聊天或者微信，聽說(shuō)這個(gè)行業(yè)不錯(cuò)。大家看看這個(gè)行業(yè)有哪些公司，比如說(shuō)珠寶這個(gè)行業(yè)，我在搜索里去搜珠寶，繞過(guò)了前面若干個(gè)不該點(diǎn)擊的鏈接之后，找到了一個(gè)正確的鏈接。然后在這個(gè)鏈接里頭，我們找到了一篇文章說(shuō)珠寶行業(yè)里面有8家公司可以看。

第二步，是找數(shù)據(jù)。這8家企業(yè)的數(shù)據(jù)在哪兒呢?打開一個(gè)金融終端，把里面的數(shù)據(jù)提取出來(lái)?？赡芤荒甑臄?shù)據(jù)不夠，那么把過(guò)去幾年的都拎出來(lái)，然后一年一年地給篩出來(lái)。

第三步，把這些數(shù)據(jù)扔到EXCEL表格里。有些表頭，還有一些公式也都是事先定義好的，他們每天都要做這件事。我們之前還遇到了一個(gè)人，他每周一都要發(fā)布一個(gè)新的EXCEL，里面包含股轉(zhuǎn)中心中的新三板在審企業(yè)。這些企業(yè)有1000多個(gè)，每周一下午三點(diǎn)的時(shí)候發(fā)布。他每周一下載下來(lái)之后，把數(shù)據(jù)調(diào)出來(lái)，用以前定義好的模板把EXCEL表格填出來(lái)。每一個(gè)周一要花三個(gè)小時(shí)做這個(gè)事情。他怎么過(guò)濾數(shù)據(jù)，都是他自己的世界觀。

第四步，就是呈現(xiàn)。他拿到了數(shù)據(jù)，要寫PPT、做報(bào)告、畫圖、畫表，然后看風(fēng)險(xiǎn)點(diǎn)，各種進(jìn)一步分析。

當(dāng)然這只是非常簡(jiǎn)化的一個(gè)過(guò)程，實(shí)際的研究過(guò)程可能會(huì)比這復(fù)雜很多，而且是迭代的過(guò)程。這里也沒(méi)有包括那些非案頭的工作，如打電話和現(xiàn)場(chǎng)調(diào)研。

在這四步里，其實(shí)每一步你都會(huì)看到，人80%的時(shí)間在做什么?是在把一些文字、數(shù)字從一些地方挪到另外一個(gè)地方。這些事情為什么要用人來(lái)做呢?這些事情要用機(jī)器來(lái)做嘛。這就是人工智能在上面能夠起到的作用。每一個(gè)層面上，我們可以用語(yǔ)義聯(lián)想來(lái)做搜索，做行業(yè)對(duì)標(biāo)簡(jiǎn)化發(fā)現(xiàn)細(xì)分行業(yè)的問(wèn)題。我們可以用微信機(jī)器人，在微信里快速尋找數(shù)據(jù)。有報(bào)道的摘要、產(chǎn)業(yè)鏈的分析、數(shù)據(jù)的集成等等。一系列的算法，可以在每一個(gè)細(xì)節(jié)上面提高分析師的效率。這就是文因互聯(lián)現(xiàn)在在做的事情。

我們?cè)?016年1月份就做過(guò)新三板的金融終端，5月份發(fā)布了搜索，7月份發(fā)布了快報(bào)去跟蹤投前和投后的信息。最近我們做了自動(dòng)化企業(yè)報(bào)告。企業(yè)要素分析大概有十來(lái)個(gè)點(diǎn)，這些點(diǎn)都是以前要一個(gè)實(shí)習(xí)生花上一天時(shí)間，甚至兩天時(shí)間才能夠做完的?，F(xiàn)在一秒鐘之內(nèi)就可以做成一份。也可以在微信群里說(shuō)，我要某一個(gè)企業(yè)的分析報(bào)告，在10秒鐘之后微信機(jī)器人會(huì)在微信群里給你發(fā)出來(lái)。對(duì)于一些企業(yè)的負(fù)責(zé)人，或者時(shí)間特別寶貴的人來(lái)說(shuō)，這非常有價(jià)值。之前他們的助理做這個(gè)報(bào)告，至少需要一天。現(xiàn)在在街上、出租車上，他看到了一個(gè)公司，想看看那個(gè)公司的信息，一分鐘之內(nèi)就能找到。這種信息的及時(shí)性是以前享受不到的。

自動(dòng)化信貸報(bào)告準(zhǔn)備

信貸報(bào)告準(zhǔn)備的自動(dòng)化是我們跟銀行合作的一個(gè)例子。信貸經(jīng)理、客戶經(jīng)理生成報(bào)告的過(guò)程中，需要填很多表。填完這些表格，他們把數(shù)據(jù)從一個(gè)表里挪到另外一個(gè)表里。這里面有大量企業(yè)基本信息數(shù)據(jù)、工商數(shù)據(jù)、實(shí)際控制人的數(shù)據(jù)。這些數(shù)據(jù)都是從很多其他的表里面提取出來(lái)的。一個(gè)信貸報(bào)告中大概有一兩百個(gè)點(diǎn)，根據(jù)我們的評(píng)估，這其中大概有一半左右可以自動(dòng)化。我們就跟銀行一起來(lái)自動(dòng)化。同時(shí)，我們還跟一些評(píng)級(jí)機(jī)構(gòu)做類似的事情。在債券的評(píng)估報(bào)告里，大家要看六百多個(gè)點(diǎn)。這六百多個(gè)點(diǎn)大部分都是可以自動(dòng)化的。從各種各樣的地方，把信息從表格中抽取出來(lái)，然后定義好，進(jìn)行呈現(xiàn)和總結(jié)。

自動(dòng)化上下游分析

自動(dòng)化行業(yè)的上下游分析是另外一個(gè)例子。我們之前就已經(jīng)有這樣的數(shù)據(jù)。但是在新三板以及早期創(chuàng)投一級(jí)市場(chǎng)上，有大量的新行業(yè)，這些行業(yè)的上下游從來(lái)沒(méi)有人分析過(guò)。那么怎么做呢?我們?nèi)タ纯词忻嫔弦呀?jīng)公開的數(shù)據(jù)，包括這幾十萬(wàn)份的新三板上的年報(bào)、半年報(bào)，還有股轉(zhuǎn)書，還有對(duì)整個(gè)產(chǎn)業(yè)的描述，這些都是金子。從這里面，我們可以抽取出來(lái)幾乎每一個(gè)細(xì)分行業(yè)，上下游企業(yè)有哪些?他們對(duì)應(yīng)的產(chǎn)品有哪些?所以對(duì)這上千個(gè)新興行業(yè)，我們都可以機(jī)器生成這樣一個(gè)產(chǎn)業(yè)鏈。上圖是園林行業(yè)的例子。園林的上游企業(yè)，有沙石、石材，它的下游有綠化、工程、設(shè)計(jì)、種植景觀。這些工作以前都是要用人工，要用行業(yè)專家來(lái)做。我們現(xiàn)在有了機(jī)器之后，并不是取代了行業(yè)專家，而是可以讓行業(yè)專家大大節(jié)省時(shí)間，把成本降低。

自動(dòng)化公告摘要

最后一部分是我們正在跟一些交易所在做的公告自動(dòng)摘要。A股的已經(jīng)基本做好了，明年初還會(huì)做美股的。這都還是一些很初步的工作。對(duì)于整個(gè)投資研究而言，這些可以說(shuō)都是一些局部的具體應(yīng)用。我們做了十幾個(gè)這樣的工具之后，現(xiàn)在在把它們組合在一起變成一個(gè)投資研究系統(tǒng)。這個(gè)投資研究系統(tǒng)可以做發(fā)現(xiàn)標(biāo)的、企業(yè)的研究、行業(yè)的分析、事件的分析，最后生成各種各樣的自動(dòng)化報(bào)告，能夠讓每一位研究人員把他的時(shí)間放在能夠創(chuàng)造更多價(jià)值的事情上。多一個(gè)小時(shí)做什么不好?不工作的話，睡覺(jué)也好、談戀愛(ài)也好，做什么都好。讓金融人士每天延長(zhǎng)生命一小時(shí)，這就是我希望達(dá)到的目標(biāo)。

投研系統(tǒng)

我們現(xiàn)在做的事情還都非常初步。再回到剛開始說(shuō)的，智能金融這件事情才剛剛開始，我們的著眼點(diǎn)并不是下一步就替代什么，或者做很智能化的事情，而是把小事情做好，真正地幫助人做一些自動(dòng)化的小事，提高人的效率。我相信在5年以后，我們會(huì)有一個(gè)智能金融的生態(tài)系統(tǒng)出來(lái)。人工智能在這個(gè)過(guò)程中會(huì)起到非常重要的作用。我們文因互聯(lián)希望跟這個(gè)產(chǎn)業(yè)一起同步成長(zhǎng)，謝謝大家!