第四章 AI时代：人类将如何变革？（第16/27页）

据高盛集团2016年12月发布的报告指出，在金融行业，“保守估计，到2025年时，机器学习和人工智能可以通过节省成本和带来新的盈利机会创造大约每年340亿～430亿美元的价值，这一数字因为相关技术对数据利用和执行效率的提升，还具有更大的提升空间”115。

我们已经知道，人工智能之所以能在近年来突飞猛进，主要得益于深度学习算法的成功应用和大数据所打下的坚实基础。判断人工智能技术能在哪个行业最先引起革命性的变革，除了要看这个行业对自动化、智能化的内在需求外，主要还要看这个行业内的数据积累、数据流转、数据存储和数据更新是不是达到了深度学习算法对大数据的要求。

放眼各垂直领域，金融行业可以说是全球大数据积累最好的行业。银行、保险、证券等业务本来就是基于大规模数据开展的，这些行业很早就开始了自动化系统的建设，并极度重视数据本身的规范化、数据采集的自动化、数据存储的集中化、数据共享的平台化。以银行为例，国内大中型银行早在20世纪90年代，就开始规划、设计、建造和部署银行内部的大数据处理流程。经过20多年的建设，几乎所有主要银行都可以毫不费力地为即将到来的智能应用提供坚实的数据基础。

需求层面，金融行业有着各垂直领域里最迫切的自动化和智能化的需求，而基于深度学习的现代人工智能技术正好可以满足这些需要。

过去的几十年里，金融行业已经习惯了由人类分析师根据数学方法和统计规律，为金融业务建立自动化模型（比如，银行业经常使用的控制信贷风险的打分模型），或者采用较为传统的机器学习方法（非深度学习）用机器来自动完成数据规律的总结，以提高金融业务的运营效率。在一个动辄涉及几千、几万数据维度的行业里，人类分析师的头脑再聪明，也无法将一个待解决问题的所有影响因子都分析清楚，只能采用简化的数学模型，来拟合复杂数字世界里的隐含规律。而基于深度学习的人工智能算法显然可以在数据分析与数据预测的准确度上，超出人类分析员好几个数量级。

拿股票买卖来说，人类股票分析师的大脑里最多能够记住几百只股票的交易规律、价格走势，最多能根据股票市场内的几千个影响股价的因素，制定出简化的交易策略。而基于机器学习特别是深度学习实现的量化交易程序，则可以轻松应对几万、几十万个变化因子，全面观察交易场内、场外的各种影响因素，在需要时，可以盯紧全世界每一只股票的交易价格，每一次交易的实时情况，每一个交易市场的整体波动规律，每一个投资人和投资机构在全部历史时间内的交易策略，乃至世界所有证券、财经类媒体上每一篇关乎股票价格的报道，Facebook和推特上每一次关乎股票价格的讨论……基于这种海量、实时数据的量化交易算法，显然有可能发现诸多人类股票分析师难以发现的隐含规律，并利用这些隐含规律，获得远远超过人类的交易收益。

根据高盛公司的评估，金融行业里，最有可能应用人工智能技术的领域主要包括：

·量化交易与智能投顾：一方面，人工智能技术可以对金融行业里的各项投资业务，包括股权投资、债券投资、期货投资、外汇投资、贵金属投资等，利用量化算法进行建模，并直接利用自动化算法参与实际交易，获取最高回报。另一方面，人工智能算法也可以为银行、保险公司、证券公司以及它们的客户提供投资策略方面的自动化建议，引导他们合理配置资产，最大限度规避金融市场风险，最大限度提高金融资本的收益率。

·风险防控：银行、保险等金融机构对于业务开展中存在的信用风险、市场风险、运营风险等几个主要风险类型历来高度重视，投入了大量人力、物力、财力采集相关数据，制定风险模型或评分系统，采用各种方法降低风险，减少损失。而近年来新兴的互联网金融公司，由于其业务的特殊性，更加需要对客户的信用风险进行准确评估。相关的风险防控体系需要依赖高维度的大量数据进行深入分析，在这方面，基于深度学习的现代人工智能算法与人类分析员或传统机器学习算法相比，有着先天的优势，可以对更为复杂的风险规律进行建模和计算。

·安防与客户身份认证：基于新一代机器视觉技术的人工智能产品正在各大银行的客户端产品和网点承担起客户身份认证与安防的工作。今天我们使用支付宝或各大银行的手机银行时，已经有不少应用需要我们打开手机摄像头，计算机自动将摄像头采集的用户脸部图像与用户预存的照片进行比对，以确认用户的真实身份。银行各办公网点则可以利用新一代人脸识别技术，对往来人员进行身份甄别，确认没有坏人进入敏感或保密区域。