李开复老师说：人工智能最好的应用领域之一是金融领域，因为金融领域是唯一纯数字和钱的领域。

对比跌幅过半的工业富联（富士康和BAT等众多科技公司合体的工业互联网上市公司），我们有理由相信李开复老师的这个判断是正确的。

图片来自网络

为什么AI落地金融优于工业

个人认为，AI落地，金融优于工业至少有两个原因：

原因一：如李开复老师所说的金融是纯数字领域。

“一是金融界是相对隔离得非常清晰的，股票就是股票、保险就是保险、银行就是银行、帐单就是帐单，这些东西是非常能够用来计算的，是狭窄领域的。二是利用手中拥有的大数据量，可以获取更多的数据。三是金融是最无摩擦的领域，我们只要算在这个钱进钱出的过程当中，怎么样最大化我们的收入就好了。”

对比来说，虽然工业富联经常讲“熄灯工厂”的人工智能应用的先进性，但是，工业领域AI人工智能的应用就要受到模具等诸多非数字领域的实体设备的影响，测试和迭代的速度就要慢很多。

再如自动驾驶，就需要汽车硬件的配合，现实环境和硬件设备的各种限制会导致人工智能无法全部发挥其优势，反倒会为AI的发挥形成掣肘。

原因二：AI人工智能需要巨大的投入，需要大量的人才和资金。

就像任正非说芯片的制造一样，“全球几万的科学家”，“不是钱能砸的出来的”，

AI研发和创新，需要巨大资本投入，包括服务器、人才和数据标注等方面都需要巨大投入，而金融机构雄厚的资本使得每年都能够支出大手笔的IT投入。

人工智能在金融中的实际应用

大量的人工智能已经被对冲基金所使用，比如Simplex Equity的Self-learning model，在未经人工干预的前提下实现了在英国退欧时就抛售了日本期货，这已经不是孤例。

明显可以发现，如上文所述，人工智能很耗钱，所以金融科技最先落地的，就是利润率高且有数据积累的领域，因此金融公司愿意投入财力和人力进行开发。

目前，在金融行业内几大主流应用场景为：

征信风控运用大数据进行机器学习，刻画用户画像，关注个性化典型特征，推进反欺诈征信评估。

智能投顾以人工智能算法为基础，为客户提供自动化投资管理解决方案，包括提供投资资讯、构建投资组合、直接投资管理等服务。

金融客服产品设计强调用户交互，“语言识别”、“人机对话”、“人脸识别”目前初步被广泛被运用于对金融服务客户的身份认证环节。

【智能获客】

依托于大数据和AI技术，提高获客准确度。

大数据为AI提供了最好的“养分”。基于大量的数据，金融企业可以凭借其强大的AI数据分析技术轻易推导出用户的消费需求，进而推导出用户信贷需求和投资需求，这样一来，大大提高了金融营销的准确度。

【大数据风控】

大数据风控，海量数据可以提高用户信用评级的精准度。

AI、大数据和风控融合，通过分析用户年龄、收入、职业、学历、资产、负债等强相关数据，搭配上用户在搜索数据、电商、信贷、资产、移动支付、社交、外卖、运动等相关数据，能够大大提高用户信用评级的全面和准确度。

【智能客服】

金融科技AI机器人

为什么互联网银行能开的起来，就是因为互联网科技，尤其是人工智能各项技术的成熟，没有柜台也能核实身份，根据征信数据快速批贷款，人工客服的数量也大大减少。

被315痛批，如今越来越泛滥的智能电话，如今也越来越被人所感知，可以根据用户语音说话的关键词，模拟真人进行对话。

【智能投顾】

关于智能投顾的说法很多，根据我的理解，简单来说，大概是三个方面：

智能选基。2018年，全市场基金数量已经超过5000只，作为一个普通的基民，怎么从海量的基金中选到好的基金？选到适合自己的基金？一没时间，二没能力。智投服务可以通过量化模型，针对你的预期和风险承受，海量筛选层层沙漏出适合你，同时基本优秀的基金产品，最后你只要对这几只筛选出的基金了解即可。

智能调仓。比较常见的就是在你买了基金定投，可以设置一个金额进行“智能定投”，比如说每月定投一万元，在基金便宜的时候，机器人帮你自动多买一点，基金贵的时候，机器人帮你自动少买一点。

智能投顾深入来说，就远不止这些了，这里不详细展开。

【欺诈风险管理】

通过硬件、软件技术，生物技术，模型和流程控制来做一个身份识别和场景识别。例如，通过技术手段，我们能识别申请的设备ID是否显示这是一台全新的手机（欺诈风险较大），或可以通过指纹、人脸识别等技术来判断，客户是否为本人申请。

【模型风险管理】

上述提到的信用、欺诈风险等数据，形成模型。基础模型的输出结果按计算逻辑会成为较高层级模型输入参数，用数据和模型进行风险管理和决策。

【本文由“AI观察”发布】