本文共字，预计阅读时间。

当围棋界迎来阿尔法狗，逛街有了虚拟购物，汽车出现“无人驾驶”……炙手可热的人工智能裹挟着种种“威胁论”闯入人们的生活：有人预言，不久的将来，翻译、记者、会计等职业将被取代。一片喧嚣之下，各路资本不断进场，谷歌、阿里巴巴、腾讯等科技巨头纷纷开始布局。据统计，自2016年到2017年，投资人工智能领域的机构就达到近150家，2016年全球投资金额逾200亿美元，深度学习、机器视觉、服务机器人、智能无人设备被认定为最具投资价值的领域。越来越多的企业开始贴上人工智能的标签，标榜利用人工智能优化企业运营。然而，在基础设施层，人工智能强依赖的数据累积和分析环节仍然薄弱，数据流通方面存在法律法规的缺失，强人工智能尚未实现关键技术突破。在市场的翘首期盼下，人工智能技术在现实中迟迟未出现有影响力的应用。从概念到现实落地，人工智能的道路还有多远？

人工智能处在哪个发展阶段？

韩冰：AI这个概念从诞生到落地已经跨越了60年，经过阿尔法狗这个概念才开始走入了大众的视线。前一段时间有一个机器人后空翻的视频引起人们的热议，今天我们谈金融科技的时候必谈人工智能，非常荣幸邀请到金融科技领域的几位大咖，聊聊“AI当道谁主沉浮”，请各位也介绍一下AI在各自的业务领域有哪些实践的应用。

李婷：关于智能投顾，不少人认为机器人炒股的能力比单独的基金经理强，这是一个伪命题。很多人把智能投顾和量化投资混在一起谈，这实际上挺危险的，因为量化投资已经在市场上20年、30年了，完全不是一个新东西，用数据分析来进行投资决策，这一块已经有很多巨头做出了尝试，不可能每一个模型做的都比基金经理好。目前是投资端打着这个旗号做，这其实是一条死胡同。

智能投顾最关键的是服务，从服务端想这个问题，从客户端、资产端、推荐端，整个贯穿始终的有没有用到比较好的技术。现在有不少观点认为我们这个行业会有很多人失去工作，会出现一个超级机器人，比基金经理的业绩好，这是不可能发生的事件。即使有这么一个超级机器人，运算能力和执行能力都超强的机器人，那么谁给它做对家呢？韭菜不够多的话，阿尔法哪里来呢？这也是不可能出现的情况。智能投顾解决不仅仅是投资单点的问题，应该是自始至终的服务问题。

黄伟：像机器狗会做后空翻，如果放到5年前、10年前我们并不会认为它是人工智能技术，而是自动控制技术。以前传感器非常少，我们可以获得的数据非常少，像这个课题可能在以前是放在自动化系的，因为它基本上是一个自动控制，包括像机器。今天传感器很多，等同于我在瞬间会获得很多数据，同时后空翻是非常复杂的过程，需要精准的控制，对算法的效率、算力要求很高，很难讲说大狗翻个空翻还要连接云端，我们不把它直接看作是机器控制的问题，而是人工智能的问题，在接下来不长时间里面，可能很多行业我们认为不是人工智能的，但是都不能避免的要被AI化，这是整个社会、行业的发展趋势。

李丹枫：刚才短片里提到了，我们现在离强人工智能还很远，现在所处的环境是弱人工智能。所谓弱人工智能，这个算法找的是事件之间的相关性，而不是因果性，要找事件的相关性，那么数据在场景中是非常重要的。弱人工智能有三个非常重要的要素：算法、计算能力和数据。对于计算能力和算法来说，大家的水平现在越来越接近，你有很多钱可以买到很多机器，也可以积累很多计算的能力；而对于数据来说，如果你没有数据，很多好的算法是无法实现的。

于瑞：在我们理解特别关键的一点，新的技术，包括人工智能、互联网、物联网，它和每个传统行业的结合不能违背每个行业本质的规律，这是最核心的。金融发展史都是围绕方向的，怎么样提供金融的效率？如何降低融资成本？这些都是为了解决信息不对称这个问题，这当中就是金融科技不断要探索的方向。

智能投顾面临哪些难点？

韩冰：提及金融业的发展，科技肯定是第一的推动力，在这一波金融科技的浪潮当中智能投顾又是一个非常热的热点。目前，国内智能投顾平台实力差距明显，无论从产品的种类、配比到对大数据的挖掘，存在天壤之别。从行业发展角度，请您分析一下国内智能投顾处于什么样的阶段？距离比较成熟广泛的应用还有多远？

李婷：谈论智能投顾不能把国内市场和海外市场分割掉，不是说国内智能投顾市场是一个初级阶段，事实上全世界智能投顾的市场都处于初级阶段。

现阶段国内有一些机构完全是复制Betterment和Wealthfront的模式，这两家公司其实2008年就开始做了，发展到后面增长变得非常缓慢，它们遇到的核心问题是什么？它既没有达到智能，又没有嵌入生活场景，其实做资产配置的服务业是非常单点，这样门槛就非常低，我只要拉几个人就可以做APP的开发，能够做出7、8个标准化配置模型的话我就可以完全复制你的东西，这对于在传统金融机构已有提供的服务里面没有任何革命和创新。传统金融机构一旦进入整个领域，底层的ETF全都有，你怎么跟我打，我也便宜。

韩冰：您能不能简单总结一下，制约智能投顾发展的因素有哪些？

李婷：因素很多，包括大家对于投顾的要求。为什么现在短时间，哪怕AI做到真的像人一样，很多人尤其是在进行大的投资时，他还是希望跟一个人有沟通，实际上他的需求并不是一个理性分析的需求，而是一个情感寄托。他需要有一个人对于他的投资逻辑有认同，他心理上是觉得“我也心里没数”，另外有一个人告诉他“你说的对、有理”，他就能够下决心，这是心理上的需求。

智能投顾解决两个问题，一个是覆盖率的问题，大多数人从没有到为你提供一定顾问的服务；一个是解决标准化的问题，因为你今天见到一个投顾，把所有情况跟他讲一遍，他会给你提供一个组合和建议，你再找另外一个人，可能就是完全不一样的建议。智能投顾解决的第二个问题是希望通过大数据分析，无论是两端的分析，一端是对于客户画像越来越精准的了解，另外一端是资产端你越来越精准的了解，遇到的困难是两端，大家对于客户理解远远没到精准的程度，对于资产端的理解还远远没到精准的程度，这个需要团队技术和金融两端都非常强才能够做成，所以它非常难。

语音、语义商业化的关键是什么？

韩冰：语音、语义、人脸识别技术是比较公认人工智能发展非常迅速的领域。请问一下黄总，在发展到现在相对比较成熟的阶段，您认为接下来的发展空间有哪些？还有哪些技术上的难点有待突破？

黄伟：语音和语义在金融行业刚刚起步，应用面还没那么广，这是因为语音语义的环节、链条比人脸识别更复杂，它不只是比对问题，还存在着不同场景中不同终端、不同人群、年龄、口音等输入的问题，还有理解的问题。

比如你对着电话说我想办理什么业务，语音识别只是把这个转换成文字，转换成文字需要自然语言理解以及精准捕捉。对话的方便和智能是一种互相背离的过程，如果我们希望更加方便，符合人的说话习惯，实际中很有可能我不是在一句话里面把我所有的意思都表达完，像我订一张机票，我会直接说帮我订一个去上海的机票，我不会在一句话里说帮我订一张今天下午6点钟从某某地方出发到上海某个机场，我偏向哪个航班，我喜欢靠坐还是过道，不会在一句话里面把意思讲完，这是多轮对话，这种对精准度就提出了更高的要求。

语音、语义不仅是技术问题，需要和业务层面有更深的耦合，比如在保险方面问的问题和在银行里面的问题是不一样的，这里面还有知识库等。我们首先技术是开放的，让用户体验更好，语音语义在金融行业可能会落地越来越多。

韩冰：在语音语义行业目前有一点各自为战，前面有巨头，后面有很多新进入的竞争者，您觉得掌握哪些核心技术才能够在竞争当中立于不败之地？

黄伟：不管是主动还是被动，你想在这个行业里面能够长期的处于竞争者的态势，而不是被淘汰者，两个能力很重要：第一，你现有能力持续的提高。随着时间的进步，技术永远是迭代的，五年前的技术放在今天会是很落后的技术，即便五年前有很好的技术，五年后还能不能够保持在领先的状态，如果你没有持续的提升能力是很容易被淘汰掉的。

第二，不光是现有能力的提高，还有能力的横向拓展。在一个交互环节、场景里面你应该是具备全能力的，不可能只做这一个部分，作为一个团队你想保证核心的竞争力，不是这个事仅有你能做别人不能做，如果把它提供成一种用户可以接受的服务能力必须全占。

如何有效利用大数据？

韩冰：基础设施层面，人工智能对大数据有着非常强的依赖，包括数据积累、分析等，您觉得在竞争态势下怎么样保持大数据方面的优势？

李丹枫：最重要一点是，你需要有一个业务场景能够源源不断的把数据更多积累起来。我刚才也提到了，人工智能三要素里面计算和算法门槛相对来说是比较低的，现在的算法非常强依赖于数据，深度学习动辄就是几百万的参数，需要非常多的数据做这个算法才能够出来一个很好的模型，如果没有数据的掌控权就很容易被制约。

弱人工智能是强依赖数据的，物理学的公式是强人工智能，是告诉你原因的，因为这个所以有结果，但是人工智能是一个相关性。我经常举的一个例子，你的鞋湿和你带雨伞，你不能说因为你的鞋湿了所以你代替雨伞，反过来也不行，它背后的原因是，因为下雨了所以你鞋湿了所以带雨伞，人工智能找到背后的原因还是比较困难的，这样的环境下数据的场景非常重要。

韩冰：您提到的有一个观点我并不是完全认同，数据算法的核心竞争力，大家差异化问题确实由某个单一的算法很难形成绝对的壁垒，但是在每一个细分领域上的进步整合起来可能是会形成一个优势，比如变量的提取、整合、分析，这些都体现了一个算法的能力。您说到大数据，算法和数据本身就是相辅相成的。

最近监管部门针对于现金贷也发了一个文，其中有一条我注意到各级金融机构要谨慎使用数据驱动的模型。您怎么看？

李丹枫：国内数据的缺口非常大，对整个人群的覆盖以及征信相关的记录，一个是历史很短，因为这件事情大家并没有做多久；一个是数据不完善、覆盖量不够大，即使覆盖到了数据也不一定是完整的。对于数据的利用是值得顾虑的，当然会有一些限制，你不能侵害用户的隐私，如果真的能造成很大歧视的数据是不是能用，这是需要讨论的。在目前整个环境中，政府还是需要鼓励大家利用数据去做风控，当然不能滥用数据，现在国内市场上有很多灰色的渠道，这些数据的来源实际上是非常不明确的，它拿了很多你不应该被别人拿到的数据，这种情况下对用户的权益和隐私造成了很大的伤害；对于合理的数据源，政府还是需要鼓励的。

韩冰：消费金融领域人工智能+大数据也是应用非常广泛的，于总，您在这方面有哪些思考和落地的想法？

于瑞：金融本身是强监管的行业，人工智能的这些技术用于金融领域，不光是技术本身，而且在于监管对技术怎么认可。金融行业的发展在各个国家发展的程度是不一样的，在中国有它的特殊监管体系，大家现在可以看到，现在技术的发展，数据的获取，包括风控的模型，是否能够真正的符合，如果把这些技术作为金融机构，作为一个被监管的金融有牌照的机构是否能够被接受，这是很大尝试探索的过程。未来的发展必须要结合金融的监管、金融的规律、金融大的生态体系去做，这样AI在金融体系的发展才会有生命力，才能够真正促进整个行业健康、持续、稳定的发展。

人工智能投资前景如何？

韩冰：如果是单纯从投资的角度，你们更看好哪些人工智能发展的方向和领域？为什么？

李婷：金融科技覆盖的领域是非常好、非常广泛的，真正现在能够突破的是支付领域，核心是进入场景，除了支付领域，我们可以说金融科技对于传统的金融有所颠覆，但其他的还远远不够，无论哪个方面，你真正能挤入场景当中去、能够结合得好，那个地方才会有突破。

黄伟：我个人比较看好人工智能技术在金融和医疗。像金融和医疗在过去几年，前面提到我们今天国内的数据相对比较缺失，但跟其他行业比，在数据纬度方面、丰富度方面还是不错的，无论今天用的深入学习还是传统的统计学习，它们对这些差异化的数据能够比较好的结合，发挥效果是最大的。

李丹枫：黄总把我想选的都说了，金融和医疗，如果你这个行业是非常重依赖于经验的，现在人工智能肯定是有机会。金融对于投资来说见效更快、立竿见影，的确是场景非常明确，医疗需要更多场景，我本科是学生命科学与仪器的，有不少朋友做医疗公司，现在投资界非常火，但是我怎么把钱赚进来，他们不清楚。大家都看到这个肯定是方向，但是怎么把钱收上来，至少现在是一个问号，但是我是有信心这个是肯定可以成功，稍微更长期一点。

于瑞：在我看来从另外一个角度来看可以倡导一下“传统+”的概念，现在传统行业的发展也面临着跟人工智能结合，不光是医疗，包括运输、物流以及传统的一些行业，加工制造业、工业4.0等，行业非常广泛。核心的一点，任何一个新的技术在它面临与新领域结合的时候，不要想着如何颠覆它，应该是如何理解、了解它，再结合人工智能的技术就会创造新的价值，一个新的商业模式。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！