人工智能真的要騎在人類的頭上，并在下完棋后把第一刀砍向人的錢袋子嗎?

　　2017年1月開始，日本壽險巨頭富國生命保險開始利用價值170萬美元的人工智能系統(tǒng)IBM Watson Explorer，取代34名人類保險索賠職員，約占理賠部員工的30%，每年維護費用則為12.8萬美元。而可節(jié)省的人類員工薪資支出則達110萬美元/年。僅此一項，不到2年，成本即可收回。

　　2016年底，一直秉承人工智能威脅論的霍金在《衛(wèi)報》的專欄中發(fā)文稱：“工廠自動化已經讓眾多傳統(tǒng)制造業(yè)工人失業(yè)，人工智能的興起很有可能會讓失業(yè)潮波及到中產階級，最后只給人類留下護理、創(chuàng)造和監(jiān)督工作?！辈贿^幾十天功夫，“失業(yè)”預言即在大金融領域成真。

　　人工智能是學徒，簡單勞動下替代白領

　　在復盤2016年初AlphaGo對戰(zhàn)李世石、2017年化名Master連斬中日韓三國棋手的諸多文章里，常會引用一個數據“深度學習了3000萬個圍棋對弈”。

　　其實這恰恰是人工智能的精華所在，即所謂3千萬個對弈，就是圍棋世界里的大數據，一個可以被收集、整理和捕捉的數據圖譜。每一個AI能夠驚世駭俗，根基也在于此。

　　富國生命保險重金購買的人工智能其實就扮演了這么一個角色，通過掃描醫(yī)院記錄和其他文件，根據保理傷害、病人醫(yī)療史以及程序管理等信息，確定是否進行理賠。

　　這一切都建立在一定的數據信息能夠有效接入和掌握的基礎之上，而擁有了不算真正完整的大數據流后，AI的工作則可以看做是——洗地。

　　一個學徒的角色，幫助師傅打打下手，按照規(guī)定的流程、既定的標準，用已經明確量化好的審批程序來完成既定工作。一切都在老師傅的計劃之下。只是比起人類學徒來說，更快速、更不容易出錯。

　　在同一篇報道中，另外3家日本保險公司也正在測試或安裝人工智能，以便實現更多自動化任務，比如幫助客戶尋找理想保險計劃等。這其實依然是標準化作業(yè)流程下的循規(guī)蹈矩。

　　這種標準化流程的最大好處就是解放了老師傅的雙手，也節(jié)約了用戶時間。以國內運用了人工智能的某手機貸為例，據稱通過人工智能進行信審和風控的比例已經提升至90%以上，而另一個手機貸則宣稱實現了單月放款筆數超100萬。

　　在這個過程中，無一不是按照標準化流程來比對各種數據。只是，人工比對，效率慢、用戶等待時間長罷了。

　　做幫工的AI和被其替代的那些人類員工，最大的共通之處就在于都是流水線上的工人，看似白領的業(yè)務，實際上都是簡單勞動。如果用一個比方來對比當下的人工智能替代人類的水準，不妨用O2O來想象。

　　以往的線下門店，除了廣告和口碑來招攬生意外，還需要人類雇員到街頭去散發(fā)各種優(yōu)惠劵，比如肯德基，但O2O通過網上聚合的方式，將這個散發(fā)優(yōu)惠劵和期間耗費的人工、時間以及投放人群的精準度都進行了簡化，有需求的人根據優(yōu)惠的不同、距離的遠近，直接通過O2O平臺進行選擇，而線下門店僅需要根據電子優(yōu)惠劵乃至先期抵達的電子菜單、座位預定做好后期準備即可。

　　客人和門店的距離，縮短到了極致，效率得到空前提高，但對于最核心的服務來說，并無根本性改變。而人工智能目前在當前金融領域亦是如此，一個讓客戶無需等待的學徒模式。

　　根據螞蟻金服公布數據，網商銀行的花唄與微貸業(yè)務上，使用機器學習把虛假交易率降低了近10倍，為支付寶的證件審核系統(tǒng)開發(fā)的基于深度學習的OCR系統(tǒng)，使證件校核時間從1天縮小到1秒，同時提升了30%的通過率。

　　以智能客服為例，2015年“雙11”期間，螞蟻金服95%的遠程客戶服務就已經實現大數據智能機器人，同時實現了100%的自動語音識別。

　　在這個基礎上，再去理解李開復口中：“人工智能最好的應用領域之一是金融領域，因為金融領域是唯一純數字領域?！逼渲姓鎸嵉囊馕兑簿驮谟诖肆?。

　　也因此，智能顧投之所以成為人工智能+金融的第一站，除了受益于國內互聯(lián)網理財的高滲透率、傳統(tǒng)理財市場服務的空白、居民強大的理財需求等傳統(tǒng)因素外，這方面的個人金融數據最為單純，基本上只要掌握用戶投資風險程度，即可作出數據篩選和產品推薦，而不似保險那樣需要更多非金融領域的數據來源。

　　獲客和實現客源轉換的難度與成本雙低，也使得只是傳統(tǒng)人工顧問投資效率加強版的智能顧投成了突破尖兵。

　　可如果僅此而已，人工智能也就是一個快速工具罷了。這樣的學徒是永遠無法晉級老師傅的，尤其是在沒有數據的前提下。而金融，也不僅僅是一個顧問投資而已。

　　進階幫工，人工智能先要邁過大數據的坎

　　從學徒到幫工，必須有更多的數據。

　　AlphaGo的成功就在于它掌握了圍棋領域近乎全部的數據，也即大數據強調的全量樣本。盡管面對人類的智慧來說，萬一出現一個不懂圍棋的虛竹用自絕死路的非正常方式打破僵局，依然可以在進入常態(tài)競技的后半段，用標準化的下法，逼死絕頂高手。

　　可如果沒數據呢?李開復的解答看似很圓滿：

　　一是在金融界里相對隔離得非常清晰。金融領域是不跟其他定領域混在一起的，股票就是股票、保險就是保險、銀行就是銀行、賬單就是賬單，這些東西是能夠用來計算的，且屬于狹窄的領域。

　　二是利用手中擁有的大數據量，可以獲取更多的數據。

　　三是金融是最無摩擦的領域，錢進錢出，這里沒有生產、倉庫和物流。

　　但其實，盡管數據流非常充足，但依然不是全量數據。僅以征信數據為例，基于傳統(tǒng)金融機構的服務能力限制，使得傳統(tǒng)金融無法服務的領域非常大，加之國內傳統(tǒng)征信體系不完善，在收錄的8億自然人里，有征信記錄的僅有3億人，另外5億人在系統(tǒng)中只有基本信息，傳統(tǒng)征信覆蓋的人數僅為35%。

　　也即是說，即使接入，也不過是增加了一定的基礎數據，距離真正能夠反映一個人各種金融體征的全量數據還差距極大。

　　目前人工智能+金融所能做到，也就是風險系數較小、流程簡單規(guī)范、數據量需求較少易掌握的保險和小額貸等業(yè)務之上。唯一純數字領域的金融尚且如此，又何況其他領域。沒有大數據加持，再好的人工智能也只是一個高檔玩具。

　　大數據，其實也就與人類的經驗認知和理性分析相似了，成為了人工智能能否長大的基礎“飼料”。

　　且不論人工智能的深度學習模式，能夠形成怎樣的精準分析和判斷，但僅僅從金融領域的人工智能應用上看，最容易獲得更強大數據流的來源，其實在電商之上。在電商和O2O上已形成寡頭之勢的騰訊、阿里和百度，在2016年大舉布局人工智能，其原因之一也就在于此。

　　越來越多的證據表面，當前的計算能力、算法與聯(lián)網設備所產生的數據量已經構成了人工智能真正崛起的基礎。除了在圍棋領域戰(zhàn)勝人類冠軍，在圖像識別和語音識別正確率上，機器性能也在近年超過了人類平均水平，這既是算法改進的功勞，又離不開大量的訓練數據和計算。

　　在中國，有足夠訓練數據的，除了傳統(tǒng)金融機構外，就只有BAT了，而且更加獨特和立體。這其實就是金融的棋譜。

　　如在2016年9月，百度高級副總裁朱光在百度世界大會上表示，百度金融將以身份識別認證、大數據風控、智能投顧、量化投資、金融云為方向發(fā)展金融科技。這其實就是用大數據+云計算來喂養(yǎng)人工智能，以期在金融上和傳統(tǒng)金融業(yè)形成差異化的節(jié)奏。

　　而因與余額寶合作一戰(zhàn)成名的天弘基金亦透露出更為強烈的需求，尤其是在智能顧投這個被互聯(lián)網金融巨頭列在首要破局點的領域上。

　　其智能投資部總經理助理劉碩凌就認為：“最好的人工智能是人腦和大數據技術的融合。把復雜的巨量數據的線性，非線性計算和歸納工作都交給機器?！倍嫶蟮陌⒗锵禂祿鳎酮毩⒂谡餍畔到y(tǒng)之外、以電商消費和余額寶投資為基礎的芝麻信用，則可更為真實的為用戶做出更多立體面的畫像。

　　每一個用戶都有不同的立面，無數反映用戶消費、投資的數據點，則可讓這樣的用戶畫像從平面走向立體。而對市場的分析、研判以及更精準的輿情監(jiān)控，這些同樣是互聯(lián)網平臺更為擅長和已經深度大數據化和逐步人工智能化的先發(fā)領域。

　　只是，一旦需要更多的數據之時，每一個有志于金融的平臺都會設立壁壘，確保自己的獨家優(yōu)勢。人工智能的求學之路，初期靠自家數據，武功日益千里，后期要多方化緣，殊難精進。

　　任何一個老司機，在徹底離開方向盤之前，都不敢說自己不會出事，因為車(自家數據)可以掌控，來自道路上的各方車流(外部數據)則是不可控的。

　　除非，大家伙全都是自動駕駛，而且數據全面互通，或許才能說“大話”。

　　塑造賈維斯，每個人都需要一個私人管家

　　Facebook創(chuàng)始人扎克伯格在2016年初時開始謀劃，要打造一個人工智能“管家”，如同電影《鋼鐵俠》里的超級管家賈維斯。只要說出自己的需求，它就可以幫你做任何事情。他花了近一年的時間讓這一想法成為現實。

　　而這個在2016年末出現的、等陪孩子玩耍、能理解主人情緒的JAVIS人工智能程序(翻譯過來就是賈維斯)，卻說出了作為主顧的大多數普通人，對人工智能+金融的訴求，其實亦是藍海。

　　有觀點認為，目前中國金融行業(yè)正在運用的人工智能可以整理為四大類應用場景：機器學習與知識圖譜;金融預測、反欺詐;融資授信決策;智能投顧。

　　不難看出，其實這就是一個金融管家的角色。只是對于大多數使用者來說，這個管家并不是自家的私人管家，而只是金融機構派來幫忙的勞務輸出“人員”，這些人工智能官派管家，恰恰因為模擬人類思維、而非傳統(tǒng)上的按鈕工具，難免骨子里向著東家，而未必裝著用戶的利益。

　　這其實也將是金融機構人工智能化后不可避免在用戶心中投射出的悖論。但如果沒有金融背景，只是為用戶量身打造的私人專屬管家呢?即使真正在平臺全面開放數據、大數據真實打通之下，也未必能夠派上用場。

　　或許很多人會認為，第三方機構的這類產品未必能夠精通金融、制造出高效、有用的金融分析模型，但這個問題可以通過足夠的專家和日益完善的模型體系形成強力外腦和不斷升級來補完，但更重要的則在于除了大數據以外，人工智能還需要強大的計算能力。

　　“我們都知道，只有更強大的計算能力才能處理人工智能應用所需的大數據，”英特爾公司副總裁兼數據中心事業(yè)部數據中心解決方案部門總經理詹森·韋克斯曼就在2016年底透露：

　　英特爾預測，到2020年，用于人工智能的計算將比現在增長12倍。因為很多原有的基礎架構并沒有考慮到去適應人工智能應用，只有7%的應用部署符合人工智能的要求。

　　對計算能力要求的日益提高，將讓真正商用化、金融化的人工智能淪為巨頭的游戲，而普通用戶將只能用接入的方式，成為這個巨頭金融互動網絡游戲里的一個參與者，而非主導者。

　　但也并非說用戶級定制的高端人工智能完全不可能出現，只是在很長一段時間內，想要在人工智能+金融上創(chuàng)業(yè)和顛覆市場的第三方公司只能把希望寄托在云計算之上。

　　畢竟，在任何一個通過獲取用戶行為而形成大數據流之下，或許能夠反映出用戶的更多立體面，甚至形成一個從外形到內心的立體建模，實現精準的需求把握和心理分析，以更好地和外部的金融市場分析進行比對，但是任何大數據的形成，無論計算數據多快，都是一個過去式，一個過去的用戶。

　　每一個人的性格或許不會變化，但瞬間的需求和心理延伸，卻未必是人工智能通過大數據和云計算所能徹底把控的，也是難以捉摸的。這就是破解珍瓏棋局的那自絕一子。而或許，只有真正專屬于自己、忠誠于用戶、沒有金融機構后門和利益訴求的賈維斯，才會是傾吐心聲、掌握用戶實時動態(tài)和心態(tài)，能窺見“透明人”的那個唯一。

　　而這樣的服務，才會是最為貼心和精準的，也是最具有用戶黏性的。若真如此，賈維斯也就成了《鋼鐵俠》里那樣，一個值得把自己的后背托付給它的“放心的人”。也唯有那樣，才是真正從老司機，成為一個私家專車司機。話說，《特工卡特》里的真人版賈維斯，不就是個專職老司機兼管家嗎!

　　換言之，基于金融機構自身獲客和吸引現金流考量的人工智能，是現在和之后一段時間內的主流。而非主流的第三方金融人工智能產品，則在相關限制解除和大數據、云計算條件相對成熟之時，成為用戶的最后選擇。

　　只是真如此，還一定需要專業(yè)金融機構扮演什么角色呢?這是個問題，應該和人工智能部署一同布局。