07 AI带来的普惠曙光（第2/8页）

今天，当百度金融的智能金融信息分析系统处理数百篇行业新闻，并将其中的关键信息结构化，抑或是阅读上市公司的年报并形成分析报告，用时已经缩短到以分钟计。

在这一过程中，机器相当于承担了一个金融机构初级分析师的工作，甚至是一个实习生的工作，承揽了最基础的所有的累活儿。

这位机器实习生的工作逻辑也是类似提取“关键词”，并进行再组合的过程。

机器可以瞬间完成上市公司的公告、财务报表、官方发布、社交平台、证券行情、实时新闻、行业分析报告等海量异构数据的阅读，对于文本中的图片和表格需要OCR（光学字符识别）等技术解析。紧接着，进行关键实体信息的提取，发现埋藏在实体信息之间，如行业上下游关系、供应链关系、股权变更历史、定增与重大资产重组的关系、多张财务报表之间的数据交叉验证等数据关系，形成并呈现这些复杂关系的“知识图谱”。

如果更进一步，分析师只需要选择符合其需求的模板，确定主题，机器即可生成基本的报告文本。在最终输出前，分析师还可以人工校正报告精度，并加上独特的个人分析和结论，这样，一篇格式标准，甚至图文并茂的金融分析报告就诞生了。

这个潜力无穷的实习生显然不会停留在简单处理信息这个阶段。既然已经登堂入室，它必然会走得更远。

人工智能让起点更公平

机器人首先推门进入的就是传统金融的核心区域——信用评级。

2016年7月18日下午，百度宣布投资美国金融科技公司ZestFinance。而一年前，ZestFinance还曾获得京东集团的投资。能同时得到中国两大互联网巨头的青睐，让ZestFinance这家当时仅服务10万名美国人的数据征信公司，为更多的中国人所了解。

这家位于洛杉矶的金融科技公司，使用机器学习的方式来评估个人贷款的信贷风险指数。其创始人是谷歌前首席信息官及工程副总裁道格拉斯·梅里尔和美国第一资本投资国际集团公司前主管肖恩·布德。

在美国，ZestFinance是挑战征信巨头FICO公司的革命者，后者占据着美国99%的信用评分市场和绝大部分发达国家的信用评分市场。

ZestFinance信奉“一切数据皆是信用数据”。不同于FICO的信用分数仅包含贷款人的几十项变量，ZestFinance的模型基于海量社交网络数据和非结构化数据，包含的变量将近1万项，在大数据挖掘的基础上最终形成一个独立的信用分数。而且与常规的信用评估体系相比，效率能够提高约90%。其号称在5秒内，就能对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标。

就在入股ZestFinance之前的百度联盟峰会上，百度宣布，“人工智能对于金融也会产生变革性影响，可以真正做到让征信升级”，并特别强调，“现在百度的教育贷款，基本上是以‘秒’的时间就可以决定是不是给一个人贷款”。

“秒批”的背后，正是以机器学习为基础的大数据风控，在提升信贷服务效率、增加金融服务覆盖率上的小试牛刀。

一般来说，大数据风控的成果跟传统金融机构一样也是两个名单：基于白名单的征信，基于黑名单的反欺诈。后者因为“反黑”的目的，常常笼罩了神秘的色彩。比如彼得·蒂尔创立的、有全球第四大独角兽之称的人工智能公司Palantir，不仅在帮助美国安全部反恐中屡立奇功，更因为整合了40年的记录及海量数据并充分挖掘之后，终于发现了伯纳德·麦道夫(Bernie Madoff )的“庞氏骗局”，而为天下人所知。

但我们更愿意从主流的角度来讲述人工智能在金融风控中的故事。

根据中国人民银行的数据，截至2015年9月，中国人民银行征信系统收录的8.7亿自然人中有信贷记录的为3.7亿人，可形成个人征信报告、得出个人信用评分的有2.75亿人。

这就意味着，在中国还有约5亿人是没有征信记录的“小白”，他们被挡在传统金融服务的门槛之外。

而依托庞大的数据基础以及人工智能实现的人群画像技术，百度金融等企业，正在悄悄改变风控线上化的难题，把以往高高在上的金融服务涓滴到更多亟需帮助的“小白”身上。

比如，在大学学习了4年室内设计的李亮，最近开始在网上搜索UI（用户界面）课程、培训学校、分期交学费等信息，他希望通过学习，未来能进入一家大的互联网公司工作，但教育机构普遍不低的学费成了摆在面前的第一道坎儿。