1936年，图灵在一篇名为《论数字计算在决断难题中的应用》的论文中，提出了图灵机的概念，1950年，图灵发表了论文《计算机器与智能》，里面提出了“图灵测试”，算是一篇划时代的论文。然而，计算机史上第一个通过图灵测试的机器直到60多年后的2014年才出现。可也正是最近这短短的10多年时间，人工智能表现出井喷式的发展，诞生了很多新的行业，也在改变着很多已有的行业。

金融业算是人类历史上最久远的行业之一，从人们最开始的以物换物，到后来逐渐形成、完善的货币交易，到处都是金融的力量。在人工智能的加持下，人脸识别、声纹识别、智能客服、智能外呼、个性化推荐等的应用，金融业又会发生什么样的变化呢。

 

人工智能，如何智能

人工智能是一个宽泛的概念，而且是一个比较务虚的概念。按照维基百科的定义，人工智能是通过计算机程序来呈现人类智能的技术。当前我们所处的阶段还是弱人工智能阶段，只能通过推理、规划、知识、学习、感知可以使用和操纵机械，虽然在一些影像识别、语言分析、游戏对弈等领域超过了人类，但要实现真正的强人工智能，还有很长的路要走。

换个角度，虽然强人工智能离我们还有一段距离，但是支撑人工智能发展的技术，已经开始为各行各业赋能，这也算是相互成就的过程。比如云计算、大数据、区块链、5G通信以及机器学习等技术，在金融行业已经形成了金融智能+的理念，人工智能与金融领域的融合，正在重塑金融的价值和金融生态。

 

云计算是一种为用户提供按需获取的弹性资源和架构，目标是让计算资源的使用像水和电一样方便，按照部署的方式有公有云、私有云和混合云，按服务的类型有有IaaS（基础设施即服务）、PaaS（平台即服务）和SaaS（软件即服务）。大数据包括了数据收集、数据存储、资源管理与服务协调、计算框架、数据分析和挖掘、数据可视化等。区块链主要是用块-链结构解决可信度问题，其一般结构包括了数据加密、时间戳等所在的数据层，组网机制，传输机制，验证机制等所在的网络层，记账方式所在的共识层，公有链经济激励的激励层，封装算法和合约的合约层，以及终端的各种应用层。5G通信的高速率、大容量、低时延等特点，也在促进着车联网、智能家居、虚拟现实、智能制造等场景落地。此外，以计算机视觉和自然语言处理为代表的机器学习也正在延伸着人类的各种感官体验。

传统金融业需要智能解决方案

传统金融行业存在诸多痛点，比如风险控制一直都是金融行业的核心，但是传统金融一直存在信息不对称，风险更新效率低，速度慢，人力成本高等问题。另外客户量、服务量大，也导致个性化服务远远不够，金融产品多，数据管理也很复杂。人工智能赋能金融的本质就是依托人工智能、大数据、区块链、云计算、联邦学习等科学技术为金融业降本增效。

 

传统金融行业和人工智能相结合，可以让更多数据得到有效利用，通过精准分析挖掘潜在的金融数据规律和风险，而且机器自动化能更高效的处理数据，甚至完成很多传统金融业无法想象的个性化定制。同时，人工智能还能让边际成本降低，金融业对下沉市场的扩张变得更加容易。

历史上其实已经出现过科技赋能金融的阶段，第一阶段是IT金融，主要是上世纪50年代到90年代，这一阶段金融业开始使用计算机来处理金融业务，比如信用卡，自动取款机，也是这一阶段开始使用计算机取代纸质文本来记录金融数据。第二阶段是互联网金融，主要是上世纪90年代到本世纪初叶，诞生了很多网络银行，出现了互联网保险等业务。第三阶段是近十年左右，以智能投顾、大数据征信、智能客服等为代表，人工智能开始探索银行业的核心领地。

 

传统金融业的智能解决方案，主要可以分为三个方向。一个是金融企业的科技转型，如招商银行以零售和本地生活服务为核心推出了掌上生活APP。交通银行业推出了手机银行和买单吧APP，另外针对医院和校园还专门推出了银卫安康和银校通支付。平安集团还就科技行业专门成立了全资子公司平安科技。另一个是科技公司布局金融行业，如蚂蚁金服、京东数科、微众银行等。还一个是传统金融机构与科技企业合作，比如在2017年，中国建设银行和蚂蚁金服进行了合作，中国银行和腾讯开展合作，中国农业银行和百度开展了合作，中国工商银行和京东数科进行了合作。

在这样相互交织的布局下，金融科技正在朝着规格化、普惠化、共享化、全自动化、个性化的方向发展，在政策、技术、市场、教育以及经济的驱动下，金融科技应该会在不远的将来迎来井喷式发展。

人工智能赋能银行业

银行是经营货币和信用业务的金融机构，通过发行信用货币、管理货币流通、调剂资金供求、办理货币存贷与结算来充当信用中介。根据银行的性质和职能，我国的银行可以分为中央银行、政策性银行、国有商业银行、股份制商业银行、城市商业银行、农村商业银行和互联网银行。

 

科技赋能银行业的发展，首先就是其支付清算方式的变化，传统的支付方式主要以卡和现金为主。随着科技的发展，支付方式已经从传统的现金、纸质票据、银行卡支付，拓展到网上支付、二维码支付、手机支付、可穿戴设备支付等新兴支付方式。金融科技还打破了线上和线下支付方式的边界并深度融合，使得支付与商业服务场景加速融合，并向消费信贷、投资理财、保险等金融服务延伸。

另外金融科技也导致融资借贷方式发生了巨大的转变，金融科技公司开拓了有别于传统的房贷、车贷等贷款业务，在小额消费贷、虚拟信用卡等领域与银行展开竞争。金融科技也让资源分配和风险交易发生了转变，以前买投资理财只有银行，而现在有余额宝、财付通等一大批互联网理财平台。所有这些支付方式，融资借贷方式，资源分配方式等的转变也带来了消费金融业态的转变。

银行业的智能化解决方案包括很多方面。如提高业务的处理效率，减少客户的等待时间的智慧员工，同时智慧员工还可以分析客户的行为，挖掘潜在的客户，协助银行进行营销推广。使用声纹识别技术可以有效提升银行的风控能力，比如银行的信用卡业务可以使用电话客服进行声纹核验，App声纹锁在传统如密码登录、短信验证码等认证方式的基础上出现了一项增强安全手段。基于人脸识别技术的刷脸支付甚至会改变银行业的很多业务形态。

机器人流程自动化，可以解决银行大量重复性、流程化、高风险的工作，而且还能提升员工工作效率，降低营运成本。 智能预测分析工具主动识别失败的交易，更好地识别风险概率，提升交易效率和交易透明度。

 

大数据技术和图计算可以加强银行的风险管理，比如把一个客户的风险预测分析可分为欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型等多维度评估系统。而且基于图关系可以洞察反洗钱风险，精准识别反洗钱客户身份，洞察客户交易的目的与性质，跟踪交易的轨迹，以此追溯资金的流向。联邦学习还可以解决数据孤岛的问题，将模型在各个企业的数据库上在加密机制下参数交换的计算方式完成训练，不会有明文的数据传输和移动，不影响数据的合规性，从而有效地保护各方所有者隐私。

区块链技术的去中心化、去信任、含时间戳等特征，在保护数据隐私的基础上可以实现有限度、可管控的信用数据共享与协作。基于区块链技术的共享交易平台，一方面能够帮助用户确立自身的数据主权，另一方面还能够生成自己的信用资产。此外，区块链技术还能提升跨境交付的效率，相比于传统中心化的SWIFT而言，区块链的运作模式可以有更高的处理能力、更快的处理速度和更低的交易成本。

整体而言，人工智能会对银行的信用体系产生革命性的变化，对曾经数据的收集挖掘分析产生巨大变化，同时也会让银行的模式更加开放，也让银行的数据在加密的条件下变得更加共享，同时银行自主预测与规避风险的能力也会变得更强，对银行的监管尺度也会变得更加准确。

人工智能赋能保险业

近代保险起源于14世纪的西方，最初的保险险种是海上保险。在1666年使伦敦城市80%的建筑变为废墟的伦敦大火后，诞生了火灾保险险种。之后，随着越来越多的商人进军保险业，保险的类别也变得越来越多，逐渐出现了人寿保险，社会保险等。

在客服方面，随着人们生活水平的提高，客户对保险客服的需求也会愈加旺盛，导致传统的客户数量远远不够用，另一方面客服本身是重复性比较高的工作，这导致企业的成本高，而效率难以提升。智能客服在降低保险企业人力成本的同时，还提升了客户的体验，通过智能客服，保险公司可以为代理人和客户及时提供产品信息，并允许客户随时、快速购买保险和赎回保险。

 

在理赔方面，有调查发现，保险赔付是整个保险产品消费过程中客户最容易不满意的环节。因为在理赔过程中，在审核上就需要很多细节材料，其次若是出现纠纷，还需要多次调查核验，复杂的流程在耗费客户精力的同时也降低了客户体验。同时，当下的保险还存在很多理赔不合理的情况，一方面是由于投保人签约时草率，对条款理解也不透彻。另一方面，一部分保险公司也存在销售误导、核保不严的情况。与传统的人工理赔相比，智能理赔可快速地查看、核算和定损，能节约大量时间，提升理赔效率。现在应用最广的就是智能车险理赔及定损，而且在农业领域，现在已经出现了智能生猪保险理赔，为拓宽保险业务范围提供了很多的试点方向。

在风控方面，当下的骗保手段已经日趋专业化、团队化和多样化，随着保险业务的逐年增长，保险欺诈手段逐年进化，传统保险风控面临越来越大的挑战。同时传统的保险风控存在巨大的数据壁垒，这也导致保险的反欺诈不彻底。智能风控模型除一般的反欺诈、客户识别监控等，还能有效进行团伙性欺诈识别，降低大规模骗保行为的发生。结合联邦学习技术，也可以极大地降低数据孤岛问题。

在营销方面，传统保险对代理人的筛选、增员、晋升、培训、展业、管理等都存在明显的短板。而且传统的营销基本上是招聘即营销，本质上是在消耗代理人的人脉资源，当人脉资源被耗尽，代理人也会另寻他处，在这种模式下，甚至出现了很多兼职代理人，这让整个行业逐渐变得不再重视产品本身，变得越来越扭曲。在人工智能加持下，科技可以更全面、准确、高效地甄选优秀代理人，而且还能为代理人提供个性化辅导。

此外，大数据还可以帮助保险公司在客户的不同年龄阶段进行精准营销，如对于学生，可推荐医疗险、意外险、教育险等。对于工作的客户，可推荐医疗险、意外险、旅游险、财产险、家庭保险等。对于即将退休或已退休的客户，可推荐重疾险、意外险，养老保险中。通过构建产品知识图谱和智能搜索引擎，为代理人提供销售指引，帮助代理人提高销售转化率。

人工智能赋能证券业

从客户层面，证券公司能够在金融智能的辅助下获取数量更多、范围更广的服务客户，提升客户满意度以增强客户黏性。在交易层面，清算结算、风险管理、客户服务等都可以在大规模的信息处理基础上开展，资金托管、产品登记、信息披露等流程也可以在信息体系的支撑下完成。从券商角度看，大量的非结构化数据是传统证券模式下导致工作效率慢、重复性工作多的原因之一，借助金融文本分析和关键词抓取等技术可用于预测金融舆论、市场动向、股票走势、报告研究、金融政策等。

资产证券化与区块链的深度结合，可以很大程度提升对未来现金流的监控以及本金回收的预测，从而提供资产证券化产品的评级置信度与尽调效率，在提升整体流程效率的同时也可以保护投资人权益。

 

在投资收益方面，现在越来越多的基金，特别是对冲基金开始应用机器学习及深度学习来进行价值预测，通过学习大量数据间的关联、规则、逻辑点来进行处理，以提升预测准确率。证券行业关于金融智能的业务应用，和银行、保险场景类似，主要业务包括了智能客服、智能风控、智能投顾以及智能投研等方向。

比如，同花顺的MindGo就是一款工业级量化投研与交易平台，他支持多因子、风格轮动、事件驱动、统计套利等跨资产、多策略融合研究和交易。MindGo目前已经拥有覆盖长期的财务估值、盈利偿债能力，短期的趋势性能量指标、压力支撑等共计1000多个因子。

最后

人工智能和金融行业结合，不是为了彻底推翻已有的金融系统，而是让整个系统运行得更加高效。的确由于科学技术的出现，让银行业的部分岗位发生了变化，甚至有的岗位被更自动化、更低廉的机器替代，导致失业。但这是社会发展过程中的必然，就像蒸汽机的出现，让很多传统体力劳动被替代一样。面对这样的变化，我们应该持有更加开放的态度，把机械化、重复性的工作交给更高效的机器，人类去做更具创造性的工作，这也更符合亚当斯密所说的分工理论。