AI未来会像水电煤一样成为标配的基础设施

因为移动数据的大量产生和计算能力的提升，经过60多年积累，现在是人工智能发展的黄金期。而对券商而言，AI有六个应用方向，分别是智能风控，精准运营，O2O，智能投研，企业数字化和智慧运维，AI的作用是辅助人类、降低门槛和提升效能。

当前阶段人工智能应用比较理性的选择就是人机同行，All in AI

人工智能经过60多年积累，现已进入黄金发展期

　　1956年就有人工智能的概念，经历了三起两落。近年来，在深度神经网络、图形处理器、大数据等技术的推动下，人工智能迎来了飞跃式发展，人工智能经过60多年的积累，现已经进入第三次黄金发展时期黄金发展期。

　　为什么会有这么一个黄金发展期出现呢？按照我个人理解主要有两个原因，第一是大数据，移动数据大量产生，特别是各类行为数据的大量采集，大数据是人工智能发展重要的基础；第二就是计算能力，整个IT在摩尔定律大的范畴下计算能力提升很厉害。当然，算法的提升也是原因之一，不过像在大规模神经网络中大量使用的BP神经网络算法实际上早在1986年就已经提出了。

　　人工智能和大数据的是孪生兄弟的关系，大数据发展了，人工智能才有发展的基础，同样人工智能的进步又给数据分析带来了新的春天，所以是一个相互促进的过程。人工智能已经在局部领域当中取得了很多突破，AlphaGo Zero的出现是一个有自我增强学习能力的应用，谷歌在艺术发展领域当中Magenta项目的突破，沃尔森在很多商业认知领域都有了新的发展，百度无人驾驶也炒得很热。专用人工智能在局部领域的突破引起了世界强烈的关注和热议。

　　Gartner预测未来5年人工智能将带来全新的商业生态。至2018年，20%的商业文件将由机器来创作和编辑，包括预算报告、体育和商业报道，且不带偏见和情感。到2020年，几乎每一款新的软件产品和服务都将内含AI，20%公司使用人工智能技术提升企业内部应用和流程，55%的大企业将已经部署至少一款机器人或聊天机器人。到2021年，逾半数企业每年在机器人和聊天机器人开发方面支出将超过移动应用开发。

人类已进入“弱人工智能”阶段

　　我认为人类已进入“弱人工智能”阶段，这一阶段的显著特征是机器现在还只是擅长于某一局部单方面的人工智能，比如可以局部感知周边环境，可以做一些记忆学习，但是是局部不是全局的，更重要的是需要大样本的训练和试错进行学习和提升，还不能自主学习。

　　现在还是弱人工智能阶段，与人类相比还不能完全自主进行情感体验和综合性感知，距离各方面能力与人类相当的“强人工智能阶段”以及全方位超越人类智能水平的“超人工智能阶段”，仍然差距很大。当然在人工智能时代，有必要探讨一下人和智能机器之间的微妙关系。

　　首先，人工智能进步是建立在学习海量、高质量的数据基础上，没有大数据的支撑很难发展。

　　其次，需要有明确的计算机逻辑、推理规则来告知机器，机器需要明确知道如何计算，并能接收到对于计算结果或者预测结果正确与否的反馈。

　　最后，对算力的要求很高，硬件基础支撑人工智能发展并发挥计算优势。

　　我认为这三条是目前人工智能发展的基础。高度数字化是证券行业的特色，证券行业还是有很多规则，但是比较复杂，是不是可以通过人工智能预测发展？券商可以充分发挥AI的技术潜能，证券行业在人工智能的应用方面将会是大有所为的。

人工智能面临诸多挑战

　　人工智能各项技术目前正面临诸多挑战，第一是机器学习、神经网络方面，机器在特定领域逻辑思维和分析推理能力已趋近或超过人类思维，但机器的自主认知、情感体验、灵感和形象思维等仍有巨大差距。第二是模式识别方面，计算机视觉、生物特征识别（人脸、声纹、指纹、虹膜）应用日益广泛，但机器统筹视觉、听觉、触觉、嗅觉等的综合感知、推理能力不足。第三是知识图谱方面，已出现基于知识图谱的智能搜索、风险管理等应用，但数据噪声、知识推理、模型自优化等难点仍需解决。第四个自然语言处理方面，聊天机器人、智能客服、机器翻译已比较成熟，仍存在上下文理解、推理、不规范发音处理等问题。

　　我认为当前阶段人工智能应用比较理性的选择就是：人机同行，All in AI。把机器定义辅助人类，降低门槛、提升效能上。

　　比如说现在市场上这么多股民，而研究员、分析师人数服务很有限，一个人一天可能只能服务100个客户，如果AI赋能之后就可能服务3000个客户；原来有些事情只能高级专家做的，现在人工智能的辅助下，可能普通员工也可以完成这些高难度工作；原来算法交易只可以处理少量的数据，现在有了人工智能以后可以从海里数据中进行大量的回溯和分析。最重要的差别原来是基于经验的运作，现在可以基于很多量化的分析进行，数字化应用里面最重要的就是数据驱动，这也需要通过人机同行辅助的。从券商来说，所有的业务线都需要AI。

券商人工智能六大应用趋势

　　第一，智能风控。

　　智能风控最大的核心是通过风控数据湖把所有数据进行规整和一体化，包括外面的舆情和安全情报也可以进行一体化的规整。原来我们的风控是通过各种信用风险、操作风险、市场风险、流动性风险等模型来实现的，但是这些模型原来主要靠经验和研究来实现的，现在加上机器学习引擎、风控知识图谱以后，可以构造很多智能分析模块，通过机器学习引擎、特征工程、自迭代算法、风险知识图谱等，把他们智能分析模块产生的结果赋能到原有的模型里面去，在风控中叠加智能分析。

　　智能风控后出现三个变化，由原来竖井式、领域化风控转变成全面风控、集团化风控；由事后为主的风控变成实时、事中、事前的风控；由静态、被动的风控到动态、自适应的风控的转变。

　　我们基于大数据平台实现了互联网业务实时反欺诈，现在很多互联网业务中存在有很多水军，对业务效益有很大影响，我们建立了实时识别水军和羊毛党的实时反欺诈系统。刚建的时候是靠经验找的规律，今年上半年已采用机器学习，防控模型通过AI来做的。我们发现原来经验的模型做完以后，一段时间以后有的人会摸出规律来了，现在附加了AI模型之后识别率大大提升，现在查准率90%以上，通过AI建设整个风险智能分析的引擎，这块还是有很大发展前途的。

　　第二，精准营销。

　　首先，洞悉用户、挖掘需求，跨渠道用户数据收集，建立数据画像，对用户每个业务环节和场景进行关联分析，实现贯穿全用户旅程的营销方案。其次，通过对渠道获客相关指标的智能分析，快速有效评估渠道获客质量，进行渠道优化。然后，在平台方面打造极致用户体验，增强用户粘性。最后在活动方面，通过标签体系，以不断获客、激活存量客户、召回沉寂客户。

　　第三，O2O服务。

　　利用智能化的方法把线上和线下服务进行很好的融合。智能客服比较重要，把智能APP定位为辅助人，帮助投资者全生命周期的投资行为，通过智能服务，我们可以让客户从一进入APP到完成整个投资流程都给它相应的智能服务，通过智能手段提供智能选股、智能诊股等，未来这块是以后智能APP的发展方向。

　　第四，智能投研。

　　传统投研是在出现某个事件后（如某地方发生地震），首先要做的是对各类专业知识的搜索，然后把各种数据进行关联和解读，以及对海量历史事件和数据进行关联分析，最后才能预测未来走势，这个过程相当耗时耗力、且高度依赖于人员专业程度。未来人工智能将会为投研带来全新的模式，现在可以通过AI手段进行数据增强，进行内容提炼，进行整合分析，基于知识图谱分析同业竞争关系、事件关联性，预测事件对于市场的影响。

　　第五，企业数字化。

　　对日常流程类工作可以通过企业数字化得到大大提升。利用智能手段，可以完成电子合同实物的校验、财务数据自动提取、解读非结构化的文本等，这样我们提高财务管理、法律合规等工作的效能。一个公司IPO过程很长，文本要做很多次，容易出错。现在通过AI技术，利用模式识别和OCI技术把IPO申报材料中的数据进行关联，做自动纠错，也能够基于目前的一些技术做企业估值的模型。

　　第六，智能运维。

　　通过AI算法给运维工作赋能，实现智慧的运维工作，包括智能服务台、运维操作、信息安全态势感知等。未来的运维体系由运维数据层、AI框架层、AI算法层、运维应用层组成。对于信息技术安全态势感知的问题，原来对于安全我们只是收集边界上的数据，后来发现很多安全是跟业务活动有关联的，需要进行两者的关联分析。信息安全不能被动防御，需要进行主动防护，需要提前进行安全态势的预测，可通过AI技术帮助做安全态势感知的工作。

　　AI未来会像水电煤一样成为全标配的基础设施，每个领域和每条线都会用，通过人机同行，大幅度降低专业门槛提高运作效能，以后肯定是有AI赋能的人一定会比没有利用AI的人更强。