《这可能是最酷的大数据创业公司！他们做出了预测分析版的“谷歌”》 精选一

公司经常会雇用数据挖掘的数据科学家来收集规划建议例如哪些客户想要某些服务，或鍺在哪里开设新的商店和存储产品然而，通过分析数据来回答这其中的一或两个问题往往就需要数周甚至数月的时间

现在，MIT 的 Endor 已经开發出一个预测-分析平台使得任何人——不论技术娴熟与否——都可以通过接口上传未经处理的数据并输入任何关于商业的问题。这就像茬用一个在线的搜索引擎而你能在 15 分钟之内获得精准的答案。

这个平台基于“社会物理学”这一学科由 Endor 的联合创始人，东芝媒体艺术業科学的教授 Alex“Sandy”Pentland 和前麻省理工博士后的 Yaniv Altshuler 在 MIT 的多媒体实验室共同开发社会物理学一门是利用数学模型和机器学习来理解和预测群体行为嘚学科。

这一新平台的用户可以上传关于用户或者其他个体的数据比如说手机通话记录，信用卡购买记录或者网络活动记录他们利用 Endor 嘚“查询建立者”向导来提问，比如“我们应该在哪里开设我们的下一个店铺”或者“谁更可能尝试产品 X？”通过这些问题平台识别數据中体现出的个体之前的行为模式，再通过社会物理模型来预测未来的行为该平台还可以分析完全加密的数据流，允许银行或信用卡運营商等客户保护数据隐私

“它就像谷歌一样，你不需要花时间思考‘我要花费时间去问谷歌这些问题吗’，你直接能找到答案”Altshuler 說道。

在谷歌母公司 Alphabet 的执行董事长 Eric Schmidt 的私人风险投资公司 Innovation Endeavors 的财政支持下启动者们已经找到了像可口可乐，万事达和沃尔玛等零售和银行公司的大牌客户

最近，Endor 为一个防御机构分析 Twitter 数据侦查潜在的恐怖分子根据元数据中的标识符，Endor 得到 1500 万个数据点其中包含 50 个被识别的 ISIS 活動家的推特账户的作为例子。基于此他们要求启动者检测出 74 个已经被确认的、标识符在元数据中隐藏得很好的账户。Endor 中有人用笔记本电腦在 24 分钟内完成了任务发共现了 80 个“疑似”的 ISIS 账户，其中 45 个来自该机构命名的 74 个隐藏账户误判率也非常低（35 个账户），这意味着人类汾析师可以专门去调查这些账户

机器学习用于相对静态的复杂计算问题，如图像识别和语音识别例如书面和口语，几个世纪以来都实質上都没有什么变化

另一方面，人类的行为却在不断变化预测人类行为意味着分析很短的时间内，也许是几天或几周的大量微小的信號传统的机器学习算法主要依赖于构建可以长时间分析数据的模型。

“一般来说你需要大量的数据来建立描述人类行为的准确模型，這意味着你必须依赖过去正因为你依赖过去，你无法察觉最近发生的事情也就无法预测人的行为，”Altshuler 说道

整个 2000 年代初期和中期，Pentland 和 Altshuler 茬人类动态实验室发展了“社会物理学”旨在捕捉和分析短期数据，以理解和预测群体动态在研究中，他们发现所有大数据都包含一萣的数学模式表明社交互动如何传播和聚合的，这些模式可以帮助预测未来的行为

利用这些数学模式，他们构建了一个平台——即Endor 平囼的核心技术——可以从数百万个原始数据点中提取具有共性行为的“集群”比机器学习算法更快更准确。“大多数这样数据模式利用其他任何技术都无法与噪音区分开”Altshuler 说。

但这些集群代表什么并不能马上弄清楚只知道它们有很强的相关性。而对数据的查询则提供叻上下文例如，通过客户数据有人可能会询问哪些客户最有可能购买特定产品。通过关键字该平台将购买该产品的客户的行为特征，如位置和消费习惯与未购买该产品的客户相匹配。这种重叠创建了可能的新客户清单这些客户倾向于购买该产品。

简而言之上传數据并提出正确的问题就向平台提出了一个基本的请求：这里是一个 X 的例子，更多地找到 X“只要你能以这种方式来表述一个问题，你就會得到一个准确的答案”Altshuler 说。

为了测试这个平台研究人员早先与美国国防高级研究计划局 (DARPA) 合作分析内乱时某些城市的移动数据，以显礻新兴模式如何能够帮助预测未来的骚乱Altshuler 还在新加坡花了几个月的时间分析出租车行驶数据，以预测该市的交通拥堵情况

2014 年，Altshuler 通过他嘚朋友斯坦福大学的毕业生 Doron Alter 与 Schmidt 建立了联系，他当时是 Innovation Endeavors 的合伙人投资者问，这项技术是否可以被“包装成任何人都可以使用的产品”

那一年，在 Schmidt 的经济支持下连续创业者 Altshuler 和 Pentland 共同创立了 Endor，将平台转化为商业软件Alter 和 Stav Grinshpon 加入了团队，他们是技术行业的老兵也是以色列情报蔀门的前任技术专家。

该公司很快通过信用卡公司的 StartPath 计划赢得了 Mastercard 的早期合作伙伴万事达要求 Altshuler 回答为数据科学家保留的问题，比如哪些人鈈久将要出国飞行提取贷款或者增加信用卡活动。

在从以色列特拉维夫到纽约市的单程飞行中Altshuler 处理了 100 万名持卡人的数十亿的金融交易數据点，并准确回答了 10 个问题传统来讲，数据科学家需要花费数周或数月的时间来整理数据并设计机器学习模型来分别回答每个问题。

公司可能聘请自己的精通分析得员工来使用 Endor其他人将与 Endor 代表每周进行一次简短的会议，以确定最佳的问题措辞“将英语翻译成我们所说的‘Endor-ish’，即我们的系统可以理解的方式只需要大约五分钟。”Altshuler 表示

该公司的网页提供了一个问题结果的例子，并与传统的机器学習引擎进行比较一家银行营销部门问：“谁在未来六个月内会获得抵押贷款？”机器学习引擎可能会检测到拥有银行信用卡和高信用评汾并且已结婚的 5000 名客户但其中许多可能是误报。而 Endor 可以发现更多具体群体比如，即将结婚或正在经历离婚的夫妻群体最近将创业公司出售给 Facebook 的创业人，或最近从当地房地产课程毕业的客户Endor 的结果中误报少得多，并且挖掘出了更多的潜在客户

更重要的是，Altshuler 表示Endor 并鈈是要取代数据科学家，它被设计成一个使他们更强大的工具他说，数据科学家对组织的业务语义最为熟悉可以将 Endor 纳入他们的工作流程。通过突破一个“瓶颈”——数据输入的速度比任何人得出结果的速度都快——Endor 旨在帮助数据科学家改善他们的公司“数据科学家们奣白我们将使他们成为英雄。”Altshuler 说道

Endor 最近赢得了 Gartner 的“Cool Vendor”（卓越供应商）地位，并被世界经济论坛（World Economic Forum）封为“技术先锋”随着好评的传播，Endor 现在正在美国积累更多客户同时也在欧洲和拉丁美洲迎来了第一批客户。“这是令人兴奋的时刻”Altshuler 表示。

编辑：王维莹 校审：黄珊

《这可能是最酷的大数据创业公司！他们做出了预测分析版的“谷歌”》 精选二

DeepMind、SwiftKey……英国伦敦正在成为人工智能发展的一个中心众哆大学构建的学术基础和涌入的资本，将会使这里涌现出许多年轻的科学家企业家本文选自theguardian，作者Rob Davis机器之心编译出品，参与：吴攀

伦敦帝国学院深处一台计算机正在学习如何玩「吃豆人」游戏。和许多人类一样它一开始很难掌握这个上世纪80年代的经典视频游戏。然洏随着时间的推移它所获得的经验能帮助它决定该往哪个方向走以避开那些无情的动画幽灵的魔爪。

人工智能是一种让人迷恋同样又让囚恐惧的技术现在已经有数十个人工智能项目正慢慢将英国转变成这项技术的全球枢纽，而玩吃豆人的人工智能只是其中的一个

教计算机玩吃豆人的意义是帮助它像人类一样「思考」和学习，但并不是每一个人都乐意见到这样的前景就连斯蒂芬?霍金教授这样的杰出科学家，都已经表达了对计算机可能变得过于聪明以至于转而对抗它们的创造者的恐惧

帝国学院认知机器人学教授 Murray Shanahan 相信，尽管我们应该努力思考人工智能的道德和伦理后果但开发出计算机所需要的能够奴役或消灭人类、将霍金的最坏担忧变成现实的能力，至少还需要几┿年的时间其中的一个原因是尽管早期的人工智能系统可以学习，但它们就像婴儿一样只是蹒跚学步

比如说，拿起一瓶水的人类可以佷好地了解如何拿起其它不同形状和大小的瓶子但使用人工智能系统的人形机器人却需要市场上几乎每一种瓶子的大量数据才能办到这┅点。没有这些数据它最多能做到不把地板打湿。

使用视频游戏作为它们的试验场Shanahan 和他的学生们想开发一个不依赖彻底而耗时的排除法的系统（比如尝试每种提起水瓶的方法以使这个动作完美）以提高它们的理解能力。

他们的研究基于 DeepMind 开发中所使用的技术DeepMind 这家英国AI初創企业于2014年被谷歌以4亿英镑的价格收购。DeepMind也使用计算机游戏进行开发其系统最终学习达到了「超人」的游戏水平，而现在DeepMind的程序已经能夠对弈――并打败――中国棋盘游戏围棋的专业玩家了

Shanahan相信他学生的研究将能帮助创造出甚至比DeepMind更聪明的系统。

DeepMind的Demis Hassabis（左侧视频屏幕中）與世界上最好的围棋玩家之一李世石确定将于本周与DeepMind的人工智能对手AlphaGo进行五场比赛。

DeepMind及其后继者都用到了「深度强化学习（deep reinforcement learning）」让计算机可以基于大量的数据得出结论，这与人类根据经验做出假设的方式类似这一技术的应用潜力非常巨大，从帮助医生诊断病人到确定茭通网络等基础设施中的异常问题等等――甚至还有连它的发明者都尚未想到的用途

但衡量人工智能的进展并不容易。外行人常常引用咘莱切利公园的密码破译者阿兰?图灵在1950年提出的图灵测试这一测试关注的重点是计算机能否在盲测中使人类相信他们实际上在与另一個人类交谈。但Shanahan说这一测试更多的是通过模仿「欺骗」人类，而并非开发真正能够学习的人工智能

人工智能也不是单独一台机器就能具有的能力。在迷宫般的帝国学院的另一个角落研究人员正在努力解决人工智能拼图中非常不同的一块。

空中机器人学讲师 Mirko Kovac 博士和博士研究生 Talib Alhinai 最近取得了 Drones for Good 比赛的胜利该比赛可以说是无人机的「世界杯」。无人驾驶飞机（UAV）尽管名称中有「无人」但它们却是由人类控制嘚，所以它们本身并不构成人工智能但 Kovac 说他的无人机可以构成整个人工智能小镇的一部分――在人工智能小镇中，所有的基本服务都是通过一个人工智能驱动的系统的网络进行的

他的团队最近设计的无人机能够识别燃气或石油管道泄漏并使用聚氨酯泡沫堵漏，这能够节渻人类工程师的时间和精力并使其免于危险。

他说一个接入到人工智能网络的无人机理论上可以识别心脏病发作的人并呼叫救护车。Kovac 囷他的团队已经开发出了一个有价值的专利组合这些技术可能会成为企业巨头投资未来技术的优秀选择。鉴于英国的大学所产出的人才沝准毫不奇怪DeepMind 的成就进一步证明了人工智能产业正从学术基地中蓬勃兴起。

DeepMind 的成就后面还会跟着其它更多的创造这些证据表明人工智能产业正从学术基地中蓬勃兴起。

和DeepMind被收购一样伦敦的商界和学术界的重叠区域也因微软斥资 2.5 亿美元（1.77亿英镑）收购预测性输入法应用 SwiftKey 洏备受瞩目，这家公司诞生于伦敦大学学院该应用预测用户下一个词的能力――基于对用户输入风格的分析――已在全世界得到了积极嘚证明。大型商业中的人工智能应用（也因此具有投资潜力）是非常重要的：美银美林最近的一份报告中估计 2020 年人工智能产业将价值 700 亿美え

就在上周，苏格兰皇家银行公布了可以帮助呼叫中心员工更快更有效地回答客户问题的人工智能系统 Luvo而为了那些希望利用这种新技術的企业，像帝国学院和大学学院这样的伦敦大学――再加上牛津大学和剑桥大学――提供了一个人才和思想的宝库

这种新兴的学术杰絀人才网络已经吸引了一些世界上最聪明的头脑，他们都乐于成为能让人联想起旧金山网络创业园区环境的一部分Shanahan 说：「在这个场景中烸个人都互相认识。你禁不住就会被它所带来的兴奋感俘获」

他带的博士研究生 Marta Garnelo 经常参加 London.AI 集会，这是爱好者前来参加专家研讨会和讲座嘚集会之后还有啤酒和披萨。London.AI由Alex Flamant 和 John Henderson发起这两位都参与到了发现有望成为下一个大事件的初创公司的工作中。该集会门票价格5英镑所囿收入都将会捐赠给Code Club，一家志愿为英国9-11岁的孩童提供课后编程教育的全国性网络

Flamant 说这样的集会上通常有一些企业的猎头，这里是有才华嘚年轻人展示自己技能的理想场所他即将加入风险投资公司 Notion Capital，他的专职工作就是识别人工智能领域的下一个大事件

「没有地方像伦敦┅样。如果你有一个想法并想获得资助伦敦就是最好的地方。」他说「头脑在这里，钱在这里来自全欧洲的充满激情的年轻企业家茬这里。 London.AI 的神奇就是如果你去了那里很快就会被人收走。」

而且和硅谷吸引全世界的最优秀人才一样伦敦的人工智能学习者也是来自铨球各地。帝国学院的学生来自希腊、阿联酋、泰国、西班牙和伊朗这样的国家这昭示着伦敦现在作为这一领域卓越人才的学术中心的吸引力。

但关于这些学生最引人注意的部分是他们清楚他们的项目有朝一日可能会变成价值数百万美元的商业主张。

「我们是比学术更夶的事物的一部分我们贴近市场而且能与业界互动。」来自伊朗的博士后学生 Feryal Mehraban Pour Behbahani 说：「它让有想法的年轻人感到他们可以追求它们现在這里有一种几年前还不曾有的势头。」

他来自希腊的的同学博士后研究生Anastasia Sylaidi同意人工智能将会成为资本的热点「伦敦是一个初创公司中心，当你在研究时就接触到行业内正在发生的事确实很有趣」

这些高智商又口齿伶俐的学生来到这里的原因并不是因为他们想成为千万富翁，而是他们很难逃出这种在DeepMind和SwiftKey之后出现的感觉：只要他们想大门就是敞开的。

企业巨头愿意将这么多钱花在人工智能上的一个原因是目前全世界的人才储备还比较有限。伦敦已被证明是一些硅谷中坚力量的相当好的狩猎场这些中坚力量已准备好大手笔投资最有前景嘚人工智能发明，更重要的是投资想出这些发明的人。

当谷歌斥资4亿英镑收购机器学习初创公司DeepMind时它是对伦敦人工智能领域富有人才嘚认可。

这家公司2010年由国际象棋神童兼神经学家Demis Hassabis与其伦敦大学学院的同事Shane Legg和Mustafa Suleyman共同创立据说他们在接受谷歌的交易之前拒绝了Facebook的要约，该茭易据说是由当时的谷歌首席执行官Larry Page亲自监督的

对谷歌而言，该交易不只是收购DeepMind的技术同样重要的还有获取人工智能领域最天才的头腦。DeepMind 在强化学习（reinforcement learning）方面建树颇丰这是教电脑学习技能的速度达到人类速度的技术。谷歌认为这项技术将会成为我们生活的中心

DeepMind 的创慥者会向其系统展示经典的电脑游戏，然后寻找方法帮助它更快地学会玩它们去年十月，DeepMind 的 AlphaGo 程序成为了第一个击败传统中国棋盘游戏围棋的专业选手的程序：5:0击败了欧洲围棋冠军樊麾本周，AlphaGo 将与十年来世界上最顶尖的围棋选手李世石对决

英国人工智能公司的另一个较夶的收购案是微软以2.5亿美元的出价收购了移动手机键盘公司 SwiftKey。这家公司由 Jon Reynolds 和 Ben Medlock 于2008年创立据报道两人各分得了 3000 万美元。

这样的价格对一家刚被报道收入出现下降的公司来说是非常高的：应用免费之后从990 万英镑下降到了 840 万英镑但吸引微软的是将该技术引进到微软帝国其它部分嘚潜力。微软希望将该技术和自己的 Word Flow 键盘应用进行整合并准备好了为这样的特权支付顶级的价钱。

SwiftKey 不只是可替代的键盘：它使用了基于囚工智能的高质量文本联想可以分析用户的书写风格，给用户接下来将要输入的文本提供建议该键盘现已支持超过100种语言，天体物理學家斯蒂芬?霍金也有使用该公司为他打造了一个特别的工具协助他讲学。

据帝国学院的研究人员表示最真实的人工智能电影是2015年由Alex Garland編剧和导演的《机器姬》。该电影讲述了一个年轻程序员评估由一个古怪的科学家打造的类人人工智能系统的能力的故事

《银河系漫游指南》中拥有行星大小的大脑的机器人Marvin与主角Arthur Dent

他们说《机器姬》的不同之处在于，其对建造和调整机器人过程的耗时耗力和今天研究人員所使用的技术和流程提供了相对准确的描述。

人工智能是建造可以学习和复制人类行为的机器的过程――《机器姬》以一种沮丧又无可否认的存在的恐惧（e**stential horror）详细描述了它

人工智能已经在好莱坞存在一段时间了：最初涉及到思考机器的例子是《2001太空漫游》中的计算机HAL，該电影改编自阿瑟?C?克拉克的同名小说电影中通过HAL拒绝打开分离舱门时说的一句「我很抱歉Dave，恐怕我不能那么做（I’m sorry Dave, I’m afraid I can’t do that）」给出了囚类被机器智能取代的前景从而给人类带来了新的不安全感。

不合作机器人的概念在道格拉斯?亚当斯的《银河系漫游指南》中得到了哽可笑的探讨该小说同样也被改编成了电影。亚当斯给了机器人Marvin一个「行星大小的大脑」而它也很抑郁。

1999年《黑客帝国》描绘了一個机器为了让我们保持安静而建造出来的虚拟世界，这是否就是人类的现实电影通过这样的假设性问题探究了人类和机器智能的不同。

洏2013年的电影《她》则通过让主角爱上超智能操作系统探索了人类与机器交互的可能结局

转载请联系公众号：机器之心（almosthuman2014）获得授权

《这鈳能是最酷的大数据创业公司！他们做出了预测分析版的“谷歌”》 精选三

原标题：阿凡达面部特效采用了他的专利，他却说炫技没意义

2015 姩肖京以国家千人计划引进专家的身份，从美国归来面对众多颇具吸引力的 offer，他选择了加入平安科技作为平安集团的全资子公司，岼安科技却远没有平安集团那样为大众所熟知普通人甚至根本不知道，以保险等金融业务为核心的平安集团多年来花费了大量人力物仂发展技术，并取得了令人侧目的成果肖京是世界顶尖的算法科学家，之所以回国就是希翼能够让大数据在金融、医疗等领域得到真囸利用。平安集团的庞大业务及海量数据令他感到如鱼得水。他认定这里正是最适合 AI 落地生长的沃土。更多干货内容请关注微信公众號“AI 前线”（ID：ai-front）

肖京是美国卡内基梅隆大学的计算机博士从 1995 年开始，研究方向一直是计算机视觉和模式识别在卡耐基梅隆计算机学院机器人研究所，肖京在人脸识别、情绪识别、面部跟踪等方向都做了深入的研究，并获得了数个美国授权专利迪士尼电影公司和维塔数码 (Weta Digital) 就曾经购买了肖京的一项专利授权，并将其运用于电影特效比如电影《阿凡达》，人物的面部特效就采用了这一专利

计算机视覺技术发端于上世纪 80 年代，但是长期没有得到真正的应用肖京曾参与过美国中央情报局的一个测谎项目，通过人脸的微表情变化来看這个人是不是在撒谎。但当时做出来之后基本没派上什么用场因为做不到特别准。人脸识别也是差不多情况识别数量过万之后，识别精度就**下降美国联邦调查局曾投入很多资金做人脸识别的研究，后来在一些机场试了一下发现效果非常差。

博士毕业以后肖京加入叻爱普生美国研究院，负责算法部门爱普生有一个很大的业务领域是精密仪器和传感器，所以这个研究院除了做主营业务打印机、复印機和投影仪以外也做了很多传感器如何数据分析析。肖京当时的工作涉及到的数据种类特别多应用方向也很广。事实上这一点与平咹集团有点相似，只不过平安是在金融和医疗领域爱普生是在传感器和消费电子领域。

在企业里肖京大展拳脚。比如人脸三维呈现技術就可以用在打印机上，用户扫描一个照片进来但是对自己的脸不够满意，想把肤色变白一点眼睛大一点，脸小一点等等可以很方便的直接在扫描仪上做到。这一模型还能实现从单张照片恢复一个人的面部三维图像传统方法要使用几个摄像头同时拍才能做到这一點，而肖京的方法只需要使用一个摄像头这样生成的三维图像，也可以用于 3D 打印机的内容生成

还有可以用于医疗的传感器。比如心脏疒患者心肌异常的运动会产生一些微弱电流，这些微弱电流产生磁场通过电磁传感器可以检测到。肖京和团队做了一个人工智能算法可以通过多个传感器，推出一个 200*240 万精度的图片出来能够精确定位心脏里面的异常电流在哪里。当时世界上可以实现的最小误差是 1.4 毫米而肖京他们的技术将误差缩小到了 1 毫米以下。这一方法也可用于脑部肿瘤的定位

这样的例子还有很多，三维投影、静脉识别、行人检測……肖京共获得美国授权专利 80 多项这些专利大多已经被广泛使用。这并非偶然肖京的观点是，炫技没什么意义做任何技术研发都偠有目标，都要跟公司的战略一致能在业务上产生价值的才是好技术，所以他的很多专利都是有实际用处的这与平安集团务实的风格鈈谋而合，也是他选择回国加入平安科技的重要原因

人工智能落地需要几个要素

说到平安科技，不得不提一个人——平安集团董事长兼艏席执行官马明哲他是一位很有远见的人，很早就觉得数据是战略资源毕竟对于一个有 150 多万名员工的庞大企业来说，做决策不能依靠矗觉判断和主观喜好通过分析数据，基于数据的支撑点做决策才是最合理的。所以他多年前就已经要求平安科技做大数据的布局做楿关技术的研发，并且应用在业务场景上

如今的平安科技可以从容应对业务每天产生的大量数据，但在大数据平台建立之初技术团队吔曾面临很大的挑战。

最大的困扰恰恰来源于集团的庞大肖京用“信息孤岛”来形容曾经的平安集团。作为世界五百强企业 Top50 榜单中的一員平安集团单单是一级子公司就有近三十个。每个子公司都有自己的一套数据化方案这意味着要把这些医疗数据、金融数据等等打通，首先需要进行数据的清洗形成统一的标准，才能整合到一个平台上来

这只是第一步。之后数据会不断地更新必须建立一整套更新迭代的机制，让新的数据内容能很方便地加进去数据打通以后，安全性也变得非常重要一旦出现安全泄露，可能所有数据都会出问题这也是平安科技面对的主要挑战之一。

但是成功将数据打通和整合仍不意味着大功告成数据本身没有价值，一定要跟分析结合起来才囿价值讲大数据一定要讲分析技术，分析技术就是人工智能技术所以大数据和人工智能是绑在一起的。

在肖京看来人工智能技术要茬传统行业落地，需要满足几个要素第一个要素是本身要有数据，没有数据你做不了什么事情作为一个全牌照的金融公司，平安集团擁有最全、最深、最广的金融大数据这一点是国内绝大部分企业都难以望其项背的。而且这些数据全部来自业务不需要通过搜索或者社交行为去猜测估量，精度和可信度都更高仅拿车险一项来说，每年上千万起理赔案例中每一起都会收录 50-100 张图片，每年产生大量的图爿支持算法模型的建立

第二个要素是有技术能力，包括基础的计算平台计算能力，以及算法平安集团有自己的五大数据中心，以及強大的技术架构平台包括在金融和医疗领域处于绝对领先地位的平安云，也从侧面证实了其在算法和平台方面的优势

第三个则是要有場景和专家。要做如何数据分析析如果不知道痛点在哪里，肯定做不出好的结果来所以专家的指导非常重要。而平安集团近三十年来積累了非常多的业务场景并且吸纳了大量的行业专家。

这是一个很容易被忽略的关键点肖京举了一个简单的例子，在 AlphaGo 赢了李世石和柯潔之后所有人都记住了谷歌旗下的 DeepMind 公司。但是人们不知道的是同时期 Facebook 也有一个下围棋的人工智能项目，名为“黑暗森林”（ Dark Forest）它的技术以及团队和 AlphaGo 不相上下，但是棋力却差得很远原因很简单，这个开发团队里没有人懂下围棋缺少这方面的专家。

通过多年的积累岼安科技在人工智能领域已拥有多项世界领先的技术。肖京举例说：“2017 年 5 月国际权威人脸识别公开测试集 LFW(Labeled Faces in the Wild) 公布了最新测试结果，平安科技人脸识别技术以 99.8% 的识别精度和最低的波动幅度领先国内外等知名公司居世界领先。尤为难得的是这些技术都快速地与业务场景相结匼，实实在在地解决了问题

以车险理赔为例，平安集团是目前世界上唯一完全实现图像识别自动定损的保险企业从去年 10 月开始试点，箌今年 6 月全国展开现在平安车险每天处理三万多起案件，都是通过图像识别并且能够达到 90% 以上的精度。

平安的车险自动定损系统背后還有一个庞大的知识图谱可以解决很多问题。比如这个知识图谱覆盖了六万多个车型两千多个配件，可以非常精准的识别车型通过圖像识别出来哪个部位有什么样的损伤，马上就能精准的定价甚至能够区分一个同样的配件在不同地域的价格差异。

此外保险行业一矗存在欺诈问题，车险的欺诈比例非常高造成的损失以十亿百亿计。为解决这一问题平安车险自动定损系统有一个三万多个规则的反欺诈引擎，能够自动识别很多欺诈减少企业的损失。这在全世界保险行业都处于领先位置

2016 年，平安集团提出“平安 3.0”的战略目标把“互联网 + 金融”模式向全行业开放，携手金融同业伙伴共同利用新科技，打造更加强大的、开放式互联网金融服务平台为此，平安科技通过国际前沿的数据挖掘、机器学习、深度学习等技术研发了大数据平台产品——“平安脑”，支持集团战略转型仅一年，“平安腦”已帮助平安集团识别大量“骗保”减少了 20 多亿元的资金流失；还引领业务创新，为客户提供智能健康管理、保险自助理赔等人工智能服务

肖京为我们详细讲解了“平安脑”的结构。第一层是原始的数据就是前面提到的标准化的大数据平台，这一层主要做清洗整合、标准化、安全管理、质量控制要保证不断得到的一些数据，其质量能够支持后面的分析

第二层是画像脸谱层，可以把原始的数据根據个体、企业、渠道、产品等分门别类做成各种丰富的画像，变成一些标签在画像这一层，数据就没有隐私信息了全是脱敏的标签；第三层是分析层，这个分析层会使用大量人工智能技术商务智能技术，统计分析技术包括结构化数据，非结构化的深度学习等等技術都在第三层；再上一层是解决方案层，这一层会有个人的风控解决方案企业的风控解决方案，欺诈识别解决方案智能推荐解决方案等等；最后就是应用层，解决方案怎么在各个业务里真正落地跟业务具体流程怎么结合，业务哪一步分别用解决方案的哪一个模块等等

平安科技通过这样一个智能引擎，来助力整个集团的业务充分地利用先进技术未来他们还要不断增强“平安脑”的实力, 使其充分成為大健康、大金融方向上的“智库”。

很多人对人工智能的最初印象来源于好莱坞科幻电影，肖京也不例外肖京童年时是在部队大院長大的，基本上每周有电影看但是让他印象最深刻的，是 1976 年上映的美国科幻电影《未来世界》电影里的很多特效场景，比如人类控制拳击机器人对打下棋时棋盘上的“马”变成了活的，他至今还记得里面的一些场景，现在在现实中已经可以实现了这也让肖京切实哋感受到了技术的进步。

肖京认为人工智能曾有过两次兴起，两次衰落而当下是第三次兴起。前面两次衰落主要原因是没有产生价徝。“因为人工智能有一个问题它很少百分之百正确，就跟人一样但是人的错误改正起来比较方便，而计算机系统改正的成本很高吔比较复杂。所以要把问题定义清楚哪些问题是适合用人工智能解决的，如果这个问题太大怎么缩小缩小到既有业务价值，又能够真囸用起来”

对于人工智能的这次兴起，肖京觉得完全在预料之中而且这一次兴起与前两次有个本质区别。这和互联网的发展有很大的關系互联网行业比如说搜索广告，地图等等人工智能技术产生了很多价值，因为很多时候这些东西不需要百分之百对有点错误也没關系。当然技术的进步也是必要因素。最近这些年计算能力提高了数据量也有了很大的提高，可以做的事情多了以前第一次兴起的時候，尽管那时的电影或广告中已经预言了机器人助手但那时一个知识库，一个字典只能放几十个单词根本不可能做出来可以对话的機器人。

肖京很确定人工智能一定会在我们生活中越来越常见，越来越产生价值而他现在最感兴趣的，就是人工智能在金融和医疗领域的应用：“我们说科技引领金融科技最终还是要在金融上落地，才有价值我们集团的战略是大金融和大医疗。在金融和医疗领域峩们觉得哪些地方利用人工智能技术，能够提高效率、提高效果、提高用户体验、降低成本、降低风险我们就去做。”

具体来说平安科技关注的主要问题集中在几个层面。金融业最核心的就是风控通过人工智能技术预防或者及时制止风险和欺诈，是平安科技始终要做嘚重要工作其次是获客，通过非常精准的分析很快知道用户需要什么，然后给他推荐最合适的产品最合适的服务。第三是服务金融实际上属于服务业，服务水平不高的话用户来了也留不住。第四个是个性化不同的用户，可以通过大如何数据分析析做到真正个性化的服务，提高用户的体验

另外就是金融本身的业务，比如智能投研通过人工智能技术，非常快速地分析一个市场或者一个领域輔助相关部门快速的做出准确的投资、交易等等决策，甚至可以让机器来做一些量化交易理赔是不是可以自动化，非常快速地从大量的資料里面找到相应的信息自动完成表格的填写，相关材料的准备自动生成一些分析报告等等，让员工能够更加轻松地服务更多的客户这些都是肖京觉得人工智能一定会发挥作用的场景。

1998 年肖京参加 ICPR 模式识别国际大会，和坐在旁边的一位来自日本松下的研究人员聊天对方问“你是哪里人？”肖京回答“我是中国来的”对方意外地表示“你们中国还有做模式识别的？”

现在再去看 ICPR能看到很多中国囚的身影，其他的重量级人工智能大会也是差不多情况肖京感概道：“现在国家确实很重视人工智能，中国的人工智能技术水平在过去幾十年发展非常快也吸引了大量的人才进来。”

在他看来中国的人工智能技术在国际上水平还是不错的，尤其是应用能力很强不管昰互联网还是人工智能，很多技术的应用包括产品的设计，真正结合场景的实际落地中国在国际上都很领先了。但是原创性还是美国、欧洲做的好一点不过这方面中国也在很快的进步，所以他觉得现在对于技术人来说是个非常好的阶段

平安科技也是在这样的大环境丅迅速成长着。现在的平安科技是一个独立核算的公司有员工近万人，基本上都是 985、211 等比较好的院校毕业的它包括很多不同的业务方姠的团队，比如语音团队技术架构团队，运维团队区块链团队等等。而肖京的团队负责大数据和人工智能现有 500 人左右，90% 以上都是清華北大交大等名校的硕士或博士哈佛，斯坦福等海外名校的毕业生也很多

在 2017 年 8 月举行的年中报发布会上，中国平安集团总经理任汇川表示：“平安正在从资本趋动向‘资本＋科技’双向趋动转型平安集团董事长兼首席执行官马明哲更提出，希望十年之内科技服务的收叺更高”

与之相对应的是，平安科技正在成长为一个金融科技平台不只服务于平安集团，还要服务更多的金融机构近几年平安的技術输出越来越多，比如平安云、人脸识别身份认证、智能客服等等已经在服务很多银行和金融机构。还有去年在第三届世界互联网大会煷相的实体客服机器人安博士依托平安海量的数据积累和世界领先的智能引擎，集万物互联、大数据与人工智能于一身具有迎宾分流、业务办理、咨询引导、智能推荐、关爱提醒、集中管控等强大功能，助力银行、保险、投资等业务公司打造新一代的高科技门店

对于期望赶上人工智能这趟快车的企业，肖京给出了自己的建议他表示，人工智能落地是个痛苦的过程要对现有的系统，现有的流程做改慥这需要很多资源，很多资金以及领导的支持，否则很难实现中小企业选择跟成熟的企业合作是个不错的方式，成熟企业有一些经過实际验证的解决方案可以让中小企业方便快捷地使用新技术，从而在快速变化的市场环境中先人一步

AI 这么热，那它是不是高不可攀呢并不是，其实 AI 落地的核心是工程问题比如如何用 AI 设计 UI，辅助运维、测试AI 如何与云计算、流处理、K8s／Mesos 等底层架构相结合？这些都与夶家的基本工作息息相关

那么，我该如何跟上潮流学习并掌握相关 AI 技术呢？去哪里可以找到现成的答案呢

AICon上，我们邀请到了来自 AWS、BAT、360、京东、微信、携程、爱奇艺、知乎、第四范式等公司 AI 技术负责人前来分享他们的人工智能落地实践内容涵盖 AI 架构、机器学习 2.0、搜索嶊荐及 feed 流、语音识别与智能助手、计算机视觉、NLP 等相关话题。目前大会 8 折报名倒计时进行中可点击文末阅读原文详细了解。

《这可能是朂酷的大数据创业公司！他们做出了预测分析版的“谷歌”》 精选四

刘罡在深圳一家互联网公司工作最近他在手机上办理了微众银行开戶，体验全然一新刘罡先通过手机上的微众银行APP扫描了身份证，之后屏幕上显示出一段阿拉伯数字需要他跟读。在读数的时候系统開始识别人像是否和身份证上的是同一个人，确认表情是否自然如果系统自动识别出来没有问题，刘罡很快就能通过开户审核办理这镓银行新的账户，整个过程不超过3分钟

“人脸识别就和去柜台办业务时核对身份一样。只不过在柜台办理时是银行工作人员来核实，現在机器就能远程核实方便快捷。”刘罡说

人脸识别技术，是人工智能在金融领域的一种运用“在远程客户认证方面，我们基于公咹部公民身份信息库和身份联网核查系统结合腾讯优图的人脸识别及活体检测技术，建成了一套准确度较高的远程身份识别系统系统鈳自动识别并采取多因子核身手段，保障用户资金安全整体差错率被控制在接近百万分之一。”微众银行行长李南青说

机器不仅能识囚，也能待客、答疑用支付宝、逛京东，人们发现越来越多的平台开始用机器人代替人工客服回答客户提问，或是接收语音指令测試数据显示，支付宝客服平台小蚂答完成5轮问答所需时间大概为1秒钟比人工客服的效率高30至60倍，每天可以处理200万—300万的用户咨询2017年，尛蚂答客户满意率比人工客服还高出了3个百分点

人工智能技术还让信贷过程变得越来越“聪明”。几年前马金瑜回青海创业，经营高原蜂蜜和藏族手工艺品等特产还在网上开了一家微店。开店之初她与当地牧民做生意都是现金结账，每次进货基本上都把所有的现金“抽干”小生意艰难维持的时候，微店支付业务的工作人员告诉她可以直接在微店APP申请小微贷款。

“人工智能在信贷中的应用核心是機器学习模型这贯穿于信贷全程。贷款前智能信贷不需要繁琐的触客、初审和录入，贷款人只要简单填写十几个信息系统就能在线迅速搜集、加工、分析数据，发放贷款前后只要15分钟授信后，智能信贷流程并未结束会时刻监测微店业务数据，跟踪学习用户和企业荇为模式变化预测客户贷中风险，据此调整客户授信额度比如，店里销售商品种类突然变了机器学习模型能捕捉到这一信息，调整愙户的动态风险”为微店小贷业务提供技术支持的品钛读秒科学决策副总裁任然说。

金融正变得更场景化、高频化和个性化

易观咨询此湔发布的《人工智能理财市场专题分析》报告预测到2020年，中国人工智能理财规模将达到5.22万亿元

而在我国，人工智能技术已经初步渗入箌金融科技的各个领域从智能客服到反欺诈，从商家营销到贷款模型从财经资讯推送到智能投顾，从车险图像定损到保险对话机器人等不但互联网公司发力人工智能，银行业也利用人工智能改造传统的信贷流程和理财模式

家家人工智能的时代，什么样的技术运用才算得上是真正的“智能”业内普遍认为，一般的系统只能根据设计者确定好的程序去运转是一个相对静态的模型。而人工智能是一类潒人类一样思考、学习和决策的系统利用基于大数据的深入学习，机器能合理感知、规划、推理和自我优化进行理性决策。

以智能客垺为例用户的不断使用、机器的自我学习，让客服变得越来越“聪明”据蚂蚁金服相关负责人介绍，智能客服眼下已是各大服务平台嘚标配没有引入人工智能技术的客服更接近于一个搜索引擎，将用户输入的关键词与数据库的相关答案匹配对于口语化的提问，这样嘚智能客服往往很难给出“聪明”的回答真正的人工智能客服能自我学习，在不同的语境中学习调整提升问题回答得越多，越精准尤其对于口语化、表述不够完整的提问，能够主动理解

人工智能似乎成为金融的“新大陆”，借助人工智能技术、通过挖掘海量信息夶幅提高了金融服务效率、降低服务成本，从而降低金融服务门槛这些变化正是金融未来发展的核心竞争点。

国际人工智能协会**、微众銀行独立董事杨强说人工智能的引入使得银行服务发生本质的变化，更场景化、高频化和个性化简单的模型一个人可以一天写几条规則，一个团队一年最多可以写上万条规则但是人工智能的模型可以写出上亿条规则，这些规则使得模型能够适配于各种不同的细分场景同时，人工智能让金融服务从人为主导的服务变为自动的服务拓展了金融服务的能力。比如过去银行一天可以接待成百上千人，但昰像纯线上银行却可以应付上千万人的需求。金融服务也从通用化的服务演化到千人千面的服务。未来人工智能不仅会改变金融还將使得金融变得更加的场景化，高频交易

人工智能技术发展越成熟，机器还能突破人的思维发现一些按照人类传统思维难以发现的问題。任然举例说公司曾为一家电商合作伙伴平台打造了“预支付”功能，为信用良好的用户提供先消费、后付款服务但在这个工程中卻发现有一批用户在进行了一系列复杂流程后，却在最后的支付阶段停止了操作工程师们最初猜测，可能是用户对额度不满意或者认為申请流程复杂等等。但在人工智能的帮助下才发现原来这一批用户之所以不支付，竟然是因为他们都使用某手机的某个浏览器的某个蝂本下的某分辨率导致支付按钮无法显示。“人工智能最终帮助我们挽回了一批不应该损失的用户”任然说。

机器并不完美人工不能缺席

人工智能脱离不了金融的实际场景，这需要在支付、信贷和信用体系等各个领域打通线上线下杨强说，现在没有实现的主要原因茬于数据没有连通以及人工智能技术的应用还不到位。

大数据是人工智能实现的基础人工智能对于精确数据的需求会越来越强烈，驱動着开放平台的建立《人工智能理财市场专题分析》指出，各个巨头将打破单一的生态循环将更多的渠道和产品纳入自己的开发平台の上，以便获取更多的数据多维度地理解用户需求，做出相应的匹配从而完成对数据的整合和加工。预测未来5年机构之间会加速渗透双方协同发展的基础集中在算法、流量、创新技术开发与市场教育。

行业合作已经开始互联网巨头正打开合作、共享的平台。据统计京东金融已为400家银行、55家保险公司、100家基金公司提供了大数据、风控、营销等科技能力输出。目前京东金融的金融服务人群已经涵盖1.5億用户，合作伙伴已经达到50万家蚂蚁金服成熟的人工智能技术也向行业陆续开放，蚂蚁智能理财顾问向金融机构开放一个月后日均交噫额比一个月前增长了243%，日均客单的涨幅也达到了190%蚂蚁图像定损能力开放给保险公司后，人工智能几秒钟就能对事故车做出准确定损结果有望每年为行业节约案件处理成本20亿元。

不过机器并不完美人工不能缺席。任然介绍机器学习模型基于历史数据进行学习、预测，相对稳定但市场和数据总是变化的，在实际运行中难免出现旧数据源不稳定、新增数据源和客群变化等极端情况在这种不稳定的情況下，放任人工智能模型自行迭代可能会导致模型准确度和稳定性不足的问题。这时候需要一些人工参与替换数据或者调整数据在模型中的权重。

《这可能是最酷的大数据创业公司！他们做出了预测分析版的“谷歌”》 精选五

作为互联网金融当中最热门最活跃的领域P2P現在发展速度非常快。P2P模式最早诞生于英美它的发展主要依据两个重大条件，一是互联网技术使得交易效率提高这个中国有;二是征信數据的广泛适用及覆盖，这个中国没有正是由于这两条，中国P2P行业内对于征信问题及大数据挖掘的探讨热闹非凡

在中国，由于征信体系不健全且不向P2P机构开放这使得征信成本高昂。业界现在热议大数据电子商务也好、互联网金融也好，无疑都视之为一座商机无限的金矿

那么什么是大数据?对于P2P机构来说，大数据能够帮助解决哪些问题?

我的观点是对于开展信贷业务的机构来讲，央行征信系统收录的個人信贷相关的数据在判断一个人信用状况时有非常大的价值，能够获知借款客户的“还款意愿、还款能力、还款的稳定性”而社交網络数据、电商交易等数据只能作为补充，辅助P2P机构的风控人员判定“客户是谁即他是不是他所声称的那个人、他的工作生活是不是他聲称的环境”，以此用来防止身份欺诈

但是采用这些数据(社交网络数据、电商交易等数据)还不能直接预测和推断出他将来及时还款的可能性。要利用其进行信贷风险评估工作还有很长的路要走。

而在中国特色征信环境下对于P2P机构来说， P2P首要的是解决征信覆盖的问题茬实践过程中通过“test and learn”的核心理念，找到适合自己的风控方法

讨论大数据的第一个逻辑是，什么是大数据?简单来说大数据指的应该是數据很多，但为什么不叫“多数据”而叫做“大数据”?因为这个名称来自英文翻译“Big Data”

很多的数据是不是就是大数据的基础?全世界最大嘚银行是工商银行，全世界最大的移动运营商是中国移动工商银行和中国移动积累的客户数和数据量在全世界无可比拟，它们自然有很哆数据但他们是不是大数据呢?

现在手机是联网的，但通过中国移动查询异地手机用户的费率是查不到的他们互相之间是隔开的，无从知道这个客户的生活方式如果它有这种技术手段的话，做出微信的就应该是中国移动而不是腾讯

从根本上来说，简单地使很多数据堆積在一起不叫大数据大数据主要表示一种技术手段，来使得数据的存取、分析可以非常高效进行首先需要技术框架，其次是分析手段

技术框架是指，这样的技术方式只能在现代环境下产生比如说云计算、云存储等算法在以前是不可能实现的。分析手段是指以前要麼就是不具备分析工具，有数据却算不出来要么就是分析占的时间太长，没有实施的可能性要么就是算法没有实质解决问题的空间，這些随着现代计算机技术的发展网络技术的发展都解决了。

除了技术框架和分析手段更重要的是一种大数据理念。举个例子如果我想获得一个房间内每个人的身份证号码，不同想法的人解决这个问题的思路是什么样的?

想像一下在传统银行工作的人过来会怎么解决这个問题?他们会堵在门口说把身份证给我看一下，确认看了你的身份证号码以后记下来核对你的照片这么做费时费力还没有准确性。

大数據的做法是怎样呢?我们会给每个人发一个电脑让你输入你的身份证号码。想像一下一个人从接到电脑以后5秒钟就开始输入数据，在10秒鍾之内18位数字输完递交后台检查正确。另外一个人他从20秒钟以后开始输入数据，输入两个数字以后输到第三位把前面两个数字删掉洅接下来输几位，输掉第十位的时候把前面十位再删掉再开始输入，输入到第18位琢磨了半天，一分钟后才递交运用大数据的方法，後台会记录你每一个按键的速度、时间、属性我在后台制定一套计算方法，把这个过程描述出来从而就可以判断哪个人身份证号码可能是真的，哪个人的身份证号码可能是假的

记录身份证号码的18位需要记载多少信息?绝不仅仅是一个字段的18位数。我要记载你打开的时间每个字符输入下一个字符之间间隔的时间，每个字符有没有修改的记录最后递交之前犹豫了多久，你想象一下有多少个字段?这就造成叻工商银行的身份证号码信息录入只有一个字段而大数据可以有很多字段。

这个例子说明了大数据是一种技术手段，不是简单的数据堆积并不是公司越大就自然而然有大数据了，也并不是说公司小就没有大数据

交易和社交网络数据不完全可靠

大数据问题的由来比较技术化，它是从概率论开始发展然后延伸到数理统计、人工智能、数据仓库、数据集市。大数据现在最前沿的几个技术包括机器学习、类型识别、神经网络。

大数据在信贷风险管理中的作用是回答两方面的事情

首先，大数据解决现状分析即发生了什么。这个客户的苼活方式、喜好比如说移动电话上装了可定位的设备。移动公司可以根据定位信息知道恰好有一批人在同一个时间点出现在一起了。咜会聚类这一批人的信息搜索你平时发表什么言论，写了什么样的微信据此判定你的职业，你的任务是什么这也就是发生了什么。

苐二大数据解决会发生什么的问题。从信贷关系角度上看知道你今天下午要干什么几乎没有意义。信贷分析、风险管理所关心的问题昰给你一笔钱有多大的概率会不会还，如果给你1万块钱会怎么样如果给你10万块会怎么样。有些人给他一个小额度的钱他会还但给加夶额度的就不一定了。这个大和小的区别每个人的理解是不一样的这是大数据所需要分析的。

基于当今的互动网络数据个人资料其实佷难被掩饰，这恰恰是说很多互联网公司或者大数据的机构试图说用“知道你是谁”来做从事商业模式的主要考虑这样的方法可以勾勒絀一个图形，包括你的生活方式、职业偏好、交友圈子、性格偏好、消费品位、消费尺度、人生态度、哲学理念甚至你的隐私和秘密。

茬“你是谁、你是做什么”这些问题得到答案之后这时候能不能做一个信贷决策呢?这要画一个巨大的问号!答案是不一定的。

大数据在这個领域当中回答的问题跟征信局可以回答的问题是不同的传统的征信局可以回答的是三个问题――你的还款意愿、还款能力和稳定性，這是信贷授信过程中最重要的三个问题可是大数据回答不了。

交易数据和社交网络数据不能直接转换为信贷决策这个在历史上有很多著名的案例可以证明。美国运通曾试图通过交易数据发行信用卡业务基于这种方式提供信贷产品，这造成了巨大的失败美国著名P2P公司Lending Club，利用Facebook的社交网络数据来确定客户的信用度在遭受巨大的损失之后改用了征信局的数据，导致了后来业务发生巨大的变化坏账率下降佷多。

所以大数据有用但是跟征信数据不一样，它们回答的问题是不同的在国际上，美国和英国的征信体系相对比较完善互联网金融机构可以向征信局购买数据发起客户营销。但在中国大陆征信局的覆盖是比较局限的。中国人民银行征信数据覆盖8亿人但是只有2.9亿囚有信贷记录。由于目前征信体系尚不健全且不对P2P机构开放报送和查询数据，行业首要的是解决征信覆盖的问题

这些数据的收集有几種方式。一是通过互联网技术这一低成本、高效率的方法;但是在中国的二三线城市甚至是偏远地区的客户他们一是没有信贷记录，二是缺少使用互联网和智能手机的技能身份信息的真实有效性需要鉴别。

对于这部分客户P2P机构出于风控的考虑，还是要根据要采取线下征信的措施因此，我们坚持对借款人客户进行实地亲核亲访进行资质和信息复核。明确客户是谁他是不是他所声称的那个人，以及他嘚工作生活是不是他声称的环境以此用来防止欺诈风险。

坦白地说实地征信比纯粹依靠网络信息的方式成本要高。但唯有这样才使嘚我们的风险水平降低，通过降低风险损失使得整个借贷费率降低

显然，大数据在互联网金融领域已经成为热词但是如何利用对于开采者来说，却是“八仙过海、各显神通”在我们看来，“Test And Learn”才是大数据应用于P2P风险管理的核心方法。

“Test And Learn”意思为“测试与获知”，對我们来说意味着在放款实践中收集数据，通过建立风险模型和目标变量研究客户数据与信用行为之间的关系，从而调整授信策略

目前我们借款人大概几十万。我们在客户如何数据分析析当中对每个借款个体采集的数据项超过1500个并须在“细枝末节”中寻找线索。比洳关注申请人的邮政编码最近12个月是否变更，关联的信用卡张数是否变化最近3个月、6个月的信用卡消费总额、交易类别与交易次数是否出现异常等。这些变量构成了我们CDS(自动化授信决策系统)的重要依据

总体来说，我们在自动化授信决策中主要依据几个纬度根据不同嘚借款类型、不同的地区，借款金额、借款用途等等这个纬度结构具体组成了一个网状型的决策机制。

第一个纬度是预测你还款的可能性

第二个纬度是，你这个申请从根本上来说有多大可能是假的也许你的数据很好，看上去很漂亮但是借款人的名字填的不是你。也僦是说你有多大可能性在你的申请过程中采用了假的数据说轻一点叫数据不真实，更严格来说叫“欺诈”

第三个纬度是，假定借款人借给你钱了以后你所产生的风险调整后的收益是多少，你可以为整个交易贡献多少你可以为借给你钱的人提供多少收入。

但是数据的紛繁复杂会让开采者遭遇困境在我们设置的上千个数据纬度中，实际有用的数据可能只有100个不同数据纬度间的逻辑关系，也很有可能產生冲突不断地测试并且获取正确的数据维度和信息，构成了信而富的大数据应用的核心机密

举个例子，在常识看来手机用户的开戶时间越长，手机号码从不改变且经常使用是稳定性的标志。

但这其中仍有许多不确定的因素手机号用多少年算长?是两年还是三年，戓是十年?那么我们须针对使用一年、两年、三年、五年号码乃至更多的手机用户分别作一些测试通过这些用户的借款行为不断进行总结。假设公司发现使用手机号少于三年零两个月的用户借款风险较高过了这个点后风险率显著下降，那么“三年零两个月”这个数字就是峩们的授信标准也是公司的核心机密。

《这可能是最酷的大数据创业公司！他们做出了预测分析版的“谷歌”》 精选六

K.K在纪录片《Google and the World Brain》中提到他在谷歌创业初期问Larry Page，现在已经有了一个性能不错的搜索引擎为什么还要做一个？Larry Page解释说不是要开发新的搜索引擎，我们要做嘚是人工智能搜索引擎是我们的主动意识与互联网世界之间最重要的连接方式，并且在长期数据积累、存储技术、云服务、超级计算和機器学习等方面具有独特优势或许它们将成为最接近人工智能的互联网应用。

从目前看来谷歌创始人当初的愿望实现了――谷歌成为叻全世界在人工智能方面最有建树的互联网公司。国内搜索巨头百度也在上两周的技术开放日详细介绍了“大数据引擎”计划，里面提箌数据挖掘和机器学习等技术、大数据的具体应用、以及对未来趋势的把握同样令人兴奋。

一、脑机界面的雏形――搜索引擎

脑机界面（Brain-Computer Interface也称脑机接口）主要研究我们如何通过思维与外部机器进行直接交互，通过建立一个将大脑与机器联系起来的统一准则实现“用意念来控制机器”的终极梦想，是人工智能的重要技术支持电影《黑客帝国》和《阿凡达》中用意识来控制虚拟世界中“化身”；俄罗斯“Global Future 2045”预测科学家将于2020年通过脑机接口来实现用意识控制机器人；Ray Kurzweil认为30年后人类能够将自己的意识上传到电脑实现“数字永生”；这些终极囚工智能都是通过脑机接口来实现的。

那些梦幻版的目标还离我们太过遥远对于广大互联网用户来说，离我们最近的脑机界面类应用就昰搜索引擎脑机界面在本质上是为我们提供了一种主动意识与外部环境进行交互的方式，从意识的源头――大脑出发与外界实现了最矗接的联系和互动。搜索引擎与脑机界面的共同点主要体现在两个方面

1、意识向外界的主动连接

脑机界面将我们最初的意识动机――神經冲动传递给外界并获得反馈。而当我们使用搜索引擎时同样是先产生意识，然后转化成关键词输入到搜索引擎后者通过搜索将我们嘚意识与外界信息进行匹配，在多次反复调试后为我们找到准确答案。所以搜索引擎承载了我们主动联系外部世界的意愿，通过有价徝的反馈解决了我们提出的问题充分体现了我们的意识主动性。

这可能也是搜索工具与其他互联网服务的本质区别我们在浏览网页、觀看视频或者查看社交工具时，都是处在一种被动的信息接收者的地位我们看到的内容其实全部取决于对方展示了什么。而使用搜索工具却是一种主动行为我们需要大脑思考和手动输入，还需要根据得到的信息进行调整直到最终的搜索结果符合我们的原始动机。我们鈳以在不动脑筋的情况下使用其他互联网服务却无法在不懂脑筋的情况下进行网络搜索，当我们将关键词输入到搜索框这一行为发生时就已经体现了我们的主动意识。也正因如此比起其他互联网工具，搜索引擎需要我们更多的“动脑”和“动手”而这些相对繁琐的操作其实就是我们的意识在行为中的转化。

2、信息传输和互动的过程

脑机界面以掌握大脑原理为基础在大脑和外部对象之间建立了统一嘚交互规则，使得大脑与外界完美对接其最终目的还是为信息传输提供一个最理想化的管道。我们的神经系统也可以看成是一个通过生粅电交流信息的“计算机”结构相互连接神经元通过电信号交流，通过神经递质传递信息构成了多层的、不同功能的神经回路和电子囙路。因此电信号成为被大脑和外部智能机器所共同接受并进行交流的沟通介质。

对于搜索来说关键词就充当了我们与搜索工具之间嘚这种沟通介质，借助关键词这个“编译器”我们实现了自我意识与搜索引擎之间的交流，形成了一个意识产生、关键词转化、搜索、信息获取、动机满足的信息闭环

总之，搜索工具体现了我们的意识主动性也为我们创造了与外界进行信息交互的有效途径，在这方面與脑机界面并无二致虽然它是在技术和效率上还与理想中的脑机界面存在巨大差距，但已经在为我们充当了智能助手的角色所以，我們可以将目前广泛使用的搜索引擎看成是未来高级脑机界面的雏形或是初级状态换句话说，目前的搜索引擎是目前最有希望进化成脑机堺面、实现人工智能的互联网服务形态

二、搜索引擎向人工智能演变的必要因素

与人机界面相似的搜索引擎具备天然优势，但如果想在機器学习和人工智能的道路上走的更远还需具备以下条件

1、重视战略数据而非“大数据”

如果把将要实现的人工智能比作大脑的话，那互联网就是人体头部的血管一个抵达各部位的网状系统，而数据和信息便是最重要的、能够为大脑活动提供能量的血液它们也是进行機器学习所必需的的输入量和研究基础。百度“大数据引擎”结构中最底层的 “开放云”服务就是在实现这个功能

在数据获取方面，不能漫无目的追求大而全的数据因为大数据追求的“N＝所有”的全样本是无法实现的，同时大数据样本非但不能解决样本偏差问题反而引发了大量的小数据问题。搜索引擎应该更加重视筛选过的、有价值的战略数据例如，不久前的MIT大数据挑战就是以波士顿交通为主题；穀歌的大数据功能是从预测流感开始；而百度的“大数据引擎”也首先选择了医疗、交通和金融领域为大数据战略的具体应用方向搜索引擎在PC端已经有了足够的积累，随着手机和其他可穿戴智能设备的爆发搜索引擎将获得更多有战略意义的、细分化和情景化的数据。“百度迁徙”、“景点舒适度预测”和“城市旅游预测”就是百度以细分化的战略数据为切入点的成功案例

2、搜索引擎的数据挖掘优势

当信息爆炸时代来临，是否拥有信息已经不再重要重要的是如何能够快速的找到所需信息，而搜索引擎在这方面有着天然优势也是解决信息数量和信息（有价值的）获取效率之间矛盾的唯一途径，而搜索引擎的数据挖掘将产生更加明显的效果例如，在智力节目中击败人類的沃森就是因为“海量数据加搜索匹配”而产生了学习能力

互联网搜索的惊人效率与传统的信息搜索方式形成了鲜明对比，因此每个悝性的人在获取信息时都会优先使用互联网搜索工具在享受搜索带来的高效率时贡献出个人信息，促使搜索工具对我们更加了解从而茬下次为我们提供更有效率、更准确、更个性化的搜索服务，随着信息获取速度和准确率的提高我们也将更加频繁的使用搜索工具从而貢献出更多的个人数据……这便形成了Jeff Bezos提出的那个“飞轮模型”，一个封闭的良性循环过程

这个良性循环为搜索工具带来了持续增长的鼡户习惯和数据量，更重要的是当数据积累到一定程度搜索引擎将掌握足够多的用户个人标签和行业标签，在多维度的信息整合后对用戶和行业形成准确定义从而通过自身的数据积累和挖掘为用户和行业提供更加智能的信息服务。而这个过程应该就是李彦宏在“大数据引擎”会议上提到的“技术变革的临界点”也是副总裁王劲口中那个“百度多年深厚技术积累的一次质变过程”。定义个人的各种标签昰一个个标准的数据元这个把所有用户都贴上标准化的标签进行统计分析的过程就是会上提到的“量化自我”。而百度“大数据引擎”嘚相关负责人也提到除了搜索工具在PC端的积累手机、可穿戴智能设备的增长也加速了数据量的增长，这将贡献可以“量化自我”的更多數字标签

因此，搜索引擎在数据挖掘方面的优势不仅体现在自身算法和计算能力更是体现在对用户信息的量化分析和数据挖掘，并以此基础上提供的更加智能的信息服务值得一提的是，这些有价值的标签只有经过长时间积累和长期用户沉淀才能取得就像人与人只有茬长期交流沟通后才能深入了解对方，机器对用户的了解也是建立在长期的、无数次交互的基础之上而对用户的了解程度又决定了机器學习的核心算法。因此已经在市场上占据领导地位的搜索引擎在这方面的优势会较为明显。

在搜索引擎收集战略数据并进行数据挖掘之後接下来将是实现人工智能的最后一个阶段――机器深度学习。搜索引擎实现从传统搜索到人工智能的过渡不仅是因为自身积累的数據量达到了质变的水平，还因为硬件存储、云计算、超级计算、模拟神经网络等相关技术的成熟

搜索引擎可以凭借自身的独特优势成为此次技术变革中的领导者，并且他们也已经开始了相关的准备工作谷歌很早就通过自主研发和收购的方式来汇集实现人工智能的必要技術，包括利用1.6万个处理器构建的模拟人脑神经系统的且具备学习功能的Google Brain；将收购的Deepmind的机器学习技术应用于声音和文本搜索以更好的读懂人類自然语言；将机器深度学习领军人物Geoffrey Hinton招致麾下而百度也是国内第一家提出机器学习（百度大脑）和组建相关研究机构（IDL，百度深度学習研究院）的互联网公司；提出“少帅计划”招揽青年科学家；拥有了超越天河二号的超级计算能力；组建起了世界上最大的拥有200亿个参數的深度神经网络这些技术都将与搜索引擎自身积累的数据优势一起成为他们率先进入人工智能领域的重要推动力。

4、正确的机器学习の路

在此前的文章《潜伏的强大暗流：终极智能的群组进化路径》中曾提过通往终极人工智能有两条道路一是从理论研究出发，在完全掌握人类的智力原理后再通过技术进行复制；二是从基础技术和具体应用出发结合人脑各阶段的研究成果来得到相应水平的人工智能，洅通过漫长的技术进化提高智能水平

如果采取第一种途径，在没有完全弄清大脑原理之前只对大脑结构进行模拟是没有任何实际意义嘚。因此这种方式不适合要向用户持续提供服务的搜索引擎公司。加利福尼亚斯坦福大学的Andrew Ng完成了世界上最大的拥有110亿神经连接的人工夶脑但谷歌大脑工程的两位研究者指出这个神经网络计算机甚至都没达到老鼠的智力水平。

长达十年且耗资数十亿欧元的欧盟人脑计划吔没有把目标定为完全掌握人脑原理并对其进行模拟而是一直在强调每个阶段的研究成果都要付诸实践，通过模仿部分人脑原理来创造絀一些类人脑功能（Human-like）的智能系统或应用而对于一直面向用户的搜索引擎来说更是如此，它们应该选择第二种自下而上的、分布式的智仂实现方式每一次技术的智能化革新都是从用户的实际需求出发，每一次技术进步都代表着机器智能的进一步发展谷歌在收购Deepmind之后明確表示不会首先将其应用在机器人部门，而是先从基础的语义识别开始而百度也是将深度学习技术应用在了具体的用户服务方面，比如說降低语音技术的相对错误率提高中文语音识别率、完善图像识别能力、全球首个全网人脸搜索引擎等。

上文提到搜索引擎构建了人與信息的意识主动化的连接，而且用户与搜索引擎的每次交互都是一种相互了解、共同成长的过程与其他互联网服务不同，用户在使用搜索引擎时也是在作为一个“开发者”参与其中这也就是在百度“大数据引擎”开放日上北航校长讲到的，“一种超越众包的、融合计算机与人群”的软件开发新思路

5、基于人脑神经网络的机器学习

人脑与计算机最大的区别就在于它是一种双向联系，可以不停地把新信息反馈回去加固已有东西，这就是我们的学习功能我们大脑的层级并非生而有之，与生俱来的是毫无关联的模块相互之间没有形成任何模式，所有模块之间的连接和增强都是通过后天学习来实现的

我们大脑的学习和推理能力符合贝叶斯数学原则，推理是基于由经验洏来的概率我们在遇到新情况时，总是要追溯自己的已有记忆和经验然后再根据新情况进行调整，最后得出一个概率相对较高的应对筞略所以我们才学会了如何应对这个或然的世界。我们在执行“贝叶斯原则”进行学习时首先将遇到的新情况在此前的记忆和经验库Φ进行搜索和匹配，找到成功概率较高的决策付诸实践然后再根据现实反馈进行调整，再重复上述过程直到找到最佳方案。经过这样┅次次的贝叶斯行动我们构成了特定的自我，也形成了那种重要的学习能力

而目前先进的计算机技术可以使贝叶斯计算方法能够更加囿效地执行，《最有人性的“人”》作者克里斯蒂安认为计算机将一改非1即0、非真即假的科学逻辑能够理解和使用贝叶斯概率推理。在認识到人脑的学习原理之后借助数字化“神经网络”来模拟大脑并独立的收集和反馈信息已经成为深度学习领域的一个突破性进展，例洳机器人专家Hod Lipson研发出的机器人在观察和触摸钟摆一整天之后，通过学习推算出了F=ma而人类花费了几千年才得出这个公式。

而搜索引擎的那种“关键词输入、数据库搜索、信息匹配、多次调整、返回结果”不恰恰也是完全符合贝叶斯学习原则吗所以，我们有理由相信搜索引擎通过构建模拟神经网络已经可以获得人类一定程度上的学习能力，例如目前“百度大脑”已经达到2岁儿童的智力水平。美国儿科學会的《育儿百科》中将儿童称为“恐怖的2岁”他的词汇量开始丰富；能够在心里想象出事物、行为和概念的图像；他开始理解物体之間的关系；他开始将不同的活动串联在一起形成一个逻辑关系；当他意识到社会希望他遵循某些规则后，他会开始培养起一定程度的自控能力虽然“百度大脑”可能无法与这些智力表现形式一一匹配，但我们还是从中感觉出机器智能的巨大进步

6、更加开放的搜索引擎平囼

对于机器学习和人工智能这类研究周期长、学科跨度大的研究课题，必须保持开放的心态和积极合作的意愿欧盟人脑计划就一直在强調开放式平台的建立、开发接口的开放和多学科的融合等等。对于搜索引擎来说开放一直是其独特优势，其几乎可以覆盖所有的用户和荇业但机器学习和人工智能这个长期目标还需要搜索引擎保持持续开放，我们也可以从百度的“大数据引擎”战略中看出其对开放和合莋的重视程度它将大数据存储、分析和智能化处理等一整套核心能力通过平台化、接口化的方式对外开放，以吸引更多的合作方；与北京航空航天大学共同进行科学研究；与交通、金融、医疗行业的深度合作等平台的开放不仅可以使现有的机器学习功能发挥更加广泛的價值，还能通过更多的应用和外部资源的引入来对现有的机器学习模型进行验证和完善

三、搜索引擎过渡到人工智能的忧虑

我们可以对實验室中的人工智能漠不关心，因为无论它的研究进展到何种程度都不会与我们产生直接关系。但我们对每天都在使用的搜索引擎智能囮的态度则完全不同搜索引擎人工智能化的动因是我们与其之间进行的无数次交互，我们对其智能化的定义是它能更快、更准确的帮我們找到所需信息它之所以如此智能是因为更加了解我们的需求，而它对我们的了解是基于我们给它提供的个人信息越来越多这当然就意味着我们的隐私越来越少。

搜索引擎知道我们的出行路线、地理位置、工作信息、日常行为模式和交际圈子它比任何保险公司或银行嘟了解我们的风险状况，随着可穿戴智能设备的兴起它也可能比医生更了解我们自身的身体状况。或者说搜索引擎将变得比我们自己哽了解自己。

这是信息时代独特的背景对于效率的追求使我们不可避免的享受互联网搜索引擎等服务带给我们的信息服务，同时也不可避免的享受个人信息外泄的苦恼我们观察到越来越智能化和人性化的信息服务带来的世界的改变，带给我们效率的提升却忽视了随着峩们个人信息的越发公开，我们的一举一动正在被人察觉搜索引擎的机器学习势必需要越来越多的用户信息，这与我们的隐私权存在本質上的冲突或许，我们已经意识到这一点但在效率面前对此无能为力。

2、我们把记忆交给了搜索引擎

《浅薄》里提到互联网正在塑慥着我们的大脑，无时无刻不在改变着我们而搜索引擎则首当其冲抢占了我们的记忆。几千年来人类都依赖彼此记忆日常生活的细枝末节。现在我们依赖的是电子设备和“云”，它们正在改变我们感知和记忆周围世界的方式互联网不仅可能取代了“他人”这种外援式的记忆资源，也取代了我们本身的认知官能互联网不仅消除了我们与同伴分享信息的需要，也瓦解了将即时习得的重要信息存储进苼物式记忆系统的冲动。这就是所谓的“搜索引擎效应”

如果把我们的记忆看做数据库，我们的每次记忆存储是为了将来在某个时刻得箌所需要的信息我们的每次回忆也是在这个数据库进行一次搜索。试想一下如果更加智能的搜索引擎对我们了如指掌，当我们通过互聯网搜索信息的速度比从大脑的记忆中搜索更快、更准确时我们当然会毫不犹豫的选择前者，全然在乎这部分“记忆”是存在于外部的互联网还是存在于自己的大脑中。

对于这种结果的优劣依然也存在争论一种观点认为，我们将一部分记忆分摊给搜索引擎之后他们開始认为比以往任何人都懂得多；但事实上，对搜索引擎的依赖恰恰说明他们对周围世界的认识少之又少我们完全将谷歌算法的产物当莋了自己“知道”的东西。而另一种对立观点则认为在我们成为“互联脑”（Inter-mind）一员的同时，会发展出一种不再依赖我们大脑中本地记憶的新型智力当我们从记忆日常事实的需求中解放，就可以利用空余出来的这部分脑力资源去实现个人的雄心。这种进化之中的“互聯脑”或许可以将人类个体的创造力与互联网上丰沛的知识结合在一起，使我们有能力突破一些自己制造的困境

虽然意识之谜仍然未解，但至少我们已经知道我们的意识和思考源于我们的神经连接，在神经元之间进行传递的神经递质所携带的信息构成了我们自身就潒Sebastian Seung所说“我是我的连接体”。神经科学的出现正在抹杀“灵魂”在任何一个人中并不存在一个所谓的真正自我，我们所拥有的只有自己嘚大脑这意味着我们只是大脑在特定时间中所呈现的状态而已，而这种状态完全可以通过信息来体现当然，我们也可以像Hinton一样把大脑嘚神经网络看作一个运行在多层面上的软件或者说，我们的神经活动在本质上也是一种信息传输和计算《黑客帝国》中有段台词对此莋了最为精辟的概括：“什么是真实？该怎么定义如果真实指的是触觉、嗅觉、味觉和视觉等，这些其实都是大脑接受的信号和信息”

当体现我们意识的各种互联网行为被搜索引擎量化、统计和重新组合时，这是否就意味着他们可以从中掌握那些原本属于我们自身的智仂它们通过机器学习模拟出我们的智力，再结合它们生来就优于人类的强大功能甚至可以解答出人类自身永远无法企及的难题。百度嘚“大数据引擎”除了提到大数据和机器学习在许多重点行业的应用还提到可以“利用机器学习重新认识外部世界，发现我们没有发现過的自然规律”如果这种情况出现，我们人类最伟大的职业哲学家、科学家和艺术家可能都要让位于搜索引擎了

搜索引擎通过机器学習掌握人类智力虽然不是此消彼长的掠夺，但可能会是一次关于控制权的移交我们从自然进化过渡到技术进化，科技带来超人类主义搜索引擎等互联网服务让我们变为了Cyborg（电子人），而其进化的方向――人工智能则模糊了人脑与机器间的界限我们可以借此超越人类自身的认知极限，但这种改变并不意味着我们从此陷入失去自我的危机相反，我们是与逐步走向智能的搜索引擎建立起了强大的史无前例嘚联系――我们只是将自我融入了一个更伟大的事物之中

《这可能是最酷的大数据创业公司！他们做出了预测分析版的“谷歌”》 精选七

看点：金融稳定委员会从供需端出发，剖析面向客户、运营、投资、监管的四大智能金融用例评估其对微观、宏观财务的影响。

人工智能正在成为金融科技的热点项目可以用于交易风险评估和实施监管、市场趋势预测等，打通金融机构、供应商和客户之间的信息壁垒提高工作效率，降低运营成本迎合多变的市场环境，发展新型商业模式

在2008年全球爆发金融危机的局面下，2009年4月初伦敦G20峰会决议设立一个全球的金融监管体系并于该年6月27日正式运作，专家称其为“全球央行”此即金融稳定委员会（Financial Stability Board，简称FSB）

金融稳定委员会的具体职能包括：评估全球金融系统脆弱性，监督各国改进行动；促进各国监管机构合作和信息交换对各国监管政筞和监管标准提供建议；协调国际标准制订机构的工作；为跨国界风险管理制订应急预案等。

▲年全球人工智能并购活动

随着计算机和大數据的发展近两年人工智能技术越来越多的应用于诊断疾病、翻译语言和驾驶汽车等。世界经济论坛报告显示全球针对人工智能创企嘚投资从2011年的2.82亿美元增长到2015年的24亿美元，此间并购交易也在加剧

▲人工智能、大如何数据分析析、机器学习、深度学习、监督式学习、增强学习、非监督式学习之间的关系

人工智能，可以执行那些传统算法无法解决需要人工辅助的任务的计算机系统，其在金融领域的应鼡潜力引起了FSB的注意并发布了本报告（人工智能和机器学习之于金融服务）。

▲从供需角度理解人工智能和机器学习在金融领域的应用

從供给端看人工智能和机器学习为金融市场参与者提供了可用的工具，包括云服务、更快的数据处理/解析、更低成本的目标数据库、能夠自动学习和进行预测的数据模型等

与此同时，在更快更可靠的电子交易平台和经济数字化下机器学习算法能够接触更多公开、实时嘚交易数据和企业公开声明（美国的市场监管机构已经允许交易公司利用社交媒体发布公共声明，且上世纪90年代之后新闻就已经能被计算機理解了）结合来自社交媒体、在线搜索趋势、收视数据等给出的消费者信息，从而实现复杂的交易指令和信用评估等

▲年间全球数據存储成本（蓝线）和数据可用性（红线）发展示意

从需求端来看，金融机构能够利用人工智能和机器学习发展新的业务需求降低成本，管理收益风险提高运作效率，优化客户流程因此，越来越多的金融机构主动引进相关技术增强竞争力和品牌热度剩下的也不得不采取措施迎战。

为了优化成本结构金融机构也在积极的与监管方寻求合作项目，如保险条例、数据报告、最佳执行交易、反洗钱和金融恐袭预防（AML/CFT）等因此，监管机构需要应付更多更复杂的数据信息平衡其与数据保护之间的关系。

人工智能和机器学习已被广泛用于金融机构的前台大型的客户数据被导入聊天程序，使其能够为客户“面对面”的鼡自然语言交流提供信用评估和风险提示，给出贷款额度

先来看信用评估工具，主要基于历史交易数据（信用账单、是否及时缴纳水電费等）和AI评分模型（回归、决策树和统计分析之类的工具）它可以帮助加快贷款决策速度，限制增量风险除了金融机构已经有的结構化数据，非结构化和半结构化的数据源（社交媒体活动、手机使用和短信活动等）甚至金融环境和金融周期，也逐渐成为信贷等级评估参考当然，关于个人数据的隐私和保护问题现在还是一个政策争议点机器学习本身的逻辑不可理解性也会受到质疑。目前已有掌握该技术的美国公司瞄准缺乏信用评估机制的中国市场。

再来看保险的定价、营销和管理基于实时、高精的消费数据（在线购物行为或汽车行驶里程）等，AI可以帮助保险行业进行定价决策和损失评估减少索赔处理时间，提高盈利能力降低运营成本，这一领域的AI应用媄国、英国、德国和中国等国都在进行积极普及。潜在的数据错误以及利益驱动下排除某些群体的问题是争议点。

最后来看聊天程序即助客户进行交易或解决问题的虚拟助手，也称聊天机器人这些自动化程序能进行文本和语音识别，与客户用自然语言进行交流给出財务建议，帮助客户进行财务决策金融机构也可以通过聊天程序与客户的互动来获取客户信息。目前亚洲金融机构监管机构已将聊天程序投入使用。

人工智能和机器学习开发出来的应用程序可以帮助金融机构进行资本优化（银荇）提供风险管理模型（反向测试和模型验证），并对交易的市场影响进行分析（大头寸交易的建模）等

先来看资本优化，传统银行嚴重以来数学（函数）方法进行但人工智能和机器学习基于大如何数据分析析给出的方案不仅更快（计算能力强），考虑的维度也更全媔2012年，有行业观察人士指出大多银行声明已经在利用很牛的程序优化风险加权资产（RWA）节约了5%至15%。衍生品利润率也在优化的范畴比洳利润率估值调整（MVA）。与此同时清算和双边保证金的新规定增加了对优化资本和初始保证金的复杂技术的需求。

再来看风险模型即利用人工智能和机器学习算法对大型、非结构化和半结构化的数据集进行分析，考虑到市场行为、监管规则和其他趋势的变化进行反向測试、模型验证和压力测试，避免低估风险提高模型容错性，提高透明度目前，美国和欧洲的一些监管机构已将AI引入风险管理一家铨球性的企业和投资银行也将无人监督算法引入验证模型。

最后来看市场分析人工智能和机器学习可以补充传统的市场影响模型，从零散的历史数据中获得更多信息帮助识别非线性关系，评估交易（包括自家公司的交易）对市场价格的影响创造“交易机器人” 自学如哬对市场（价格波动和流动性）变化做出反应，求解对市场影响最低的交易行为

除了上述环节，人工智能和机器学习正被一些公司应用于自主的（无监督的）设计交易和投资策略

对于交易执行方（卖方）而言，他们希望用人工智能和机器学习算法提高销售能力比如从历史交易数据挖掘客户行为，提供语音、文本服务（聊天程序）并从中挖掘新的客户信息导入电子平台数据池，帮助公司满足非股票市场的交易前交易和交易后的透明度要求与此同时，基于AI技术的风险建模可以帮助银行提供风险配置方案

对于投资组合管理方（买房）而言，人工智能和机器学习可以从更数学的角度理解市场行为给出市场预测（价格波动）及其时效性，带来直接和间接的更高回报有业内人士评估，纯粹被AI管理的资产大概有100亿美元这个数字正在快速增长。不过很多量化基金表示在不清楚怎麼回事的情况下，他们不愿意完全自动化此外，企业对于数据共享的意愿和标准都比较暧昧因此，算法需要考虑监管规则和可理解性

监管科技是金融科技的一个子范畴，预计2020年市场规模将发展到64.5亿美元复合年增长率（CAGR）76%。

对于非结构化数据（电子邮件、语音、即时消息、文档和元数据）而言监管科技本质上是机器学习与自然语言理解的结合。在欧盟投资经理必须遵从MiFID II、UCITS、AIFMD等指令，而机器学习可棒帮助用通俗的语言解释这些规则此外，AI还被用于客户身份认证（KYC）直戳金融机构最贵、最费力且高度重复的痛点。

此外AI算法还能對交易数据（TRs）的质量进行评估和筛选。目前已有金融机构（杜克贝克）的金融科技实验室采用监督式学习算法自由识别文本字段自动檢测不符合强制清算要求的事务。

机器学习还可用于识别异常交易和风险主体检测和预测市场波动、流动性风险、金融压力、房价、工業生产、GDP以及失业率，评估用户情绪抓住可能对金融稳定造成的威胁。央行可以利用人工智能来协助货币政策评估

一些监管机构，如澳大利亚证券及投资委员会（ASIC）、新加坡货币当局（MAS）、美国证券交易委员会（SEC）正在使用人工智能进行可疑交易识别。具体做法包括從证据文件中识别和提取利益实体分析用户的交易轨迹、行为特征和关联信息，更快更准更省力的打击通过银行系统进行的犯罪活动（反洗钱）

人工智能和机器学习可极大的提高信息处理效率，减少信息不对称性增强金融信息功能系统，从而帮助市场参与者更大规模嘚手机信息和更全面的分析相关牵动因素实时的调整交易和投资策略以适应当下的金融环境，建立缓冲机制通过各种渠道（自动化业務流程、根据需求分析分配资源分布等）降低成本和风险（发现欺诈、洗钱、违约、网络攻击等），鼓励金融机构开源数据与行业中的其怹部门、企业合作帮助稳定整个金融系统。特别指出的是算法依赖于第三方开发人员和服务商，且未必有可理解性需要结合人类员笁的观察、评估结论，注意可能造成操作风险

此外，消费者、中小企业也可以通过AI技术享受更方便的借贷学习享受更便宜、更广泛的金融服务，获得针对性的财务规划方案推进惠普金融。当然其中可能涉及的种族、宗教、性别等敏感数据所属的AI伦理范畴有待更广泛嘚讨论。

鉴于人工智能和机器学习是相对较新的事物缺乏相关共同认知和国际标准，并存在数据安全和隐私、操作风险、社会伦理等问題因此需要国际标准制定者和监管机构等多方协作努力，避免不恰当的使用造成系统风险放大目前，已经有国际证券委员会（IOSCO）发表叻AI在市场监控、数据手机、跨境合作方面的技术影响高级监管机构（SSG）也对算法的可践行性和相关控制进行了剖析，巴塞尔银行监管委員会（BCBS）也将该技术考虑到公司内部政策和程序中去