清華大學“人工智能前沿與產業(yè)趨勢”系列講座的第五講，由螞蟻金服集團首席AI科學家與副總裁、達摩院金融智能負責人漆遠親臨現場，與清華大學海峽研究院大數據AI中心專家委員、百度七劍客之一、酷我音樂創(chuàng)始人雷鳴老師共同參與，深度探討AI賦能金融服務的發(fā)展趨勢。

首先，雷明老師提出了目前人工智能在大數據方面的發(fā)展，對金融、醫(yī)療、企業(yè)經營、教育等領域有哪些應用以及影響。

雷鳴首先拋出了一些很有意思的點。首先雷鳴講到目前大數據領域遇到的比較大的挑戰(zhàn)包括異構數據、高維數據的處理以及稀疏性、動態(tài)性等，這些問題目前還在持續(xù)的攻克中。

其次是應用。雷鳴提到，在醫(yī)療方面，人類已經定義的疾病有3萬多種，這疾病如何分類、如何預測，都是需要通過大數據來解決的問題；大數據還可以銷量預測，例如雙11商家如何減少積壓；金融方面，預測借款人的還款概率從而能夠減少回款風險；針對企業(yè)可以進行客戶的特征分析；個性化推薦，預測用戶的口味提供更好的服務；除了個性化推薦，還可以進行個性化營銷以及個性化教育，都可以通過大數據分析有針對性的為個體提供定制化的服務。

可以看到，大數據在很多領域都有非常廣泛的應用。這其中，金融是一個特別強的應用場景，尤其是量化交易。比如通過分析全球主要產地的圖像，預測農副產品的產量增幅或者跌幅，進而預測期貨未來的價格。

如果說有哪家企業(yè)在AI+金融方面做到全球領先，螞蟻金服肯定是其中之一，它也是全球市值最高的獨角獸之一。今天就由螞蟻金服集團首席AI科學家與副總裁、阿里達摩院金融智能負責人漆遠為大家?guī)砭收n程《AI賦能金融服務》。

真正的金融科技公司，既有技術深度又有情懷溫度

漆遠提到經常有人問他一個問題：人工智能寒冬什么時候到來。其實這個問題沒有答案，但是漆遠認為機器學習只是一個開始，未來還有很長的路。

漆遠提到一本非常著名的書叫做《從0到1》，里面講人類發(fā)展有兩個特別關鍵的點：首先是從0到1的科技創(chuàng)新；另外一個是從1到N的全球化。

科技創(chuàng)新非常重要，螞蟻金服是一家科技公司，要不斷創(chuàng)新；然后，將創(chuàng)新成果推向全球化。比如從中國市場得到驗證的經驗，就可以分享給印度。漆遠提到在印度，螞蟻金服的支付產品Paytm能夠在2年之內成為全世界第四大錢包，獲得上億用戶，支付寶為其提供了大量技術創(chuàng)新能力和經驗。

近兩年，不少全球大型科技公司不同程度地被媒體和政府挑戰(zhàn)。他認為，這背后應該反思的是，一些有黑科技的大公司是否在推進社會向好的方向發(fā)展。

同時，在中國不少所謂的金融科技公司說自己是做普惠金融，但其實沒有風控能力，只是高利貸互聯網化而已。沒有真正技術的金融科技公司的情懷只能是無源之水。

而螞蟻金服在做有技術深度也有情懷溫度的事情。從快捷支付，到小微貸款，到相互寶等等，螞蟻金服一直通過技術創(chuàng)新做真正的普惠金融。

比如相互寶是一個互助產品。一人有難八方支援，從而可以將一個人的風險分散攤出去。5月8號還發(fā)布了老年專享產品：60到70歲專享的三高及心血管疾病均可申請加入。

但所有的有關懷溫度的金融產品背后都是有風險的，金融本身與風險是密不可分的，這就需要一個真正有深度的技術支撐。

如何通過人工智能實現既保護了用戶隱私，又能提供有價值服務

技術需要解決三個關鍵問題。第一個是風險，金融場景里風險無處不在。 第二個是數據安全和隱私保護。所以如何實現既保護用戶隱私，又提供有價值服務成為需要解決的問題，第三個是效率和體驗問題。

漆遠舉了一個貸款違約風險的例子。如何從 一個海量的、缺少標注的數據集來識別貸款違約風險。在深度學習上又往前走一不，把有監(jiān)督和無監(jiān)督的兩種深度圖算法結合起來做一個綜合學習，效果非常明顯，可以保證準確性的前提下，大規(guī)模提升效率，更有效的控制風險。

漆遠還提到他團隊開發(fā)的一個新算法，這種算法把注意力機制和深度圖模型結合起來，自動識別關鍵路徑和關鍵深度， 并用于精準識別騙保的風險。他們還開發(fā)了基于多層注意力的深度圖算法來檢測套現騙局。

大家都在講數據孤島，希望這些孤島能夠打通，發(fā)揮數據聚合價值 ，但同時如何保護數據隱私？解決這些問題在醫(yī)療與金融等行業(yè)都有很大價值。

為了解決這些關鍵問題，螞蟻金服4年前就領先世界金融界開始研發(fā)基于隱私保護的機器學習和多方計算的共享學習。在該領域有50多個專利在審，國家認證技術證書。

在螞蟻金服的實踐里，共享學習技術應用于跟中和農信等合作伙伴的合作，他們向農村市場提供小微金融服務，通過共享學習大規(guī)模提升了合作伙伴的風控能力，降低貸款逾期率50%以上，服務全國300 多個縣。

漆遠說，計算機視覺和知識圖譜技術在螞蟻金服也有很多應用。例如在多收多保理賠的案件里，50％以上是完全自動處理，準確率達到了99％以上。使用計算機視覺，自然語言處理和知識圖譜來有效防止騙保。利用技術，多收多保做到了2分鐘申報，一秒鐘核實，2小時到賬的高效智能理賠。

漆遠還提到，為了提高客服機器人對客戶的服務質量，除了多輪對話和遷移學習外，他們還使用了對抗學習技術，通過兩個自然語言處理BERT模型之間的對抗，類似金庸小說里周伯通的左右互博術，在對抗學習中模型變的越來越強大。

2015年，支付寶智能客服實現了94％的自助率，2017年，客服機器人已經超越人工客服的滿意度，做到了不僅效率高，同時效果好。在2019年螞蟻智能客服賦能生態(tài)，服務了近萬個釘釘企業(yè)群。

最后，漆遠說一個優(yōu)秀金融科技公司一定是一個有深度有溫度的公司。

未來在金融科技上能夠大放異彩的技術

「你認為，哪些技術未來可能在金融科技上大放異彩？」討論環(huán)節(jié)，雷鳴向朱軍拋出這個問題。

朱軍是清華大學計算機系教授、2013 CCF青年科學家獎、IEEE Trans. on PAMI副編委（Associate Editor），他認為一個是在人臉識別或者圖像識別中存在對抗樣本，這在金融領域非常重要；另外是大規(guī)模的圖計算的快速算法；還有一個大數據處理相關，比如很多的文本和圖數據這種異構數據做一些應用；還有就是如何在信噪比較低的數據中，挖局有價值的東西，不是簡單用一個CNN就能實現，可能需要一些機器學習方法。

明勢資本創(chuàng)始合伙人黃明明認為，相比阿里這樣的公司，首先金融科技的初創(chuàng)企業(yè)本身沒有海量數據，其次也很難跟銀行拿到數據；其次銀行本身把控非常嚴格，所以他們沒有投太多這方面的創(chuàng)業(yè)公司。銀行覺得已經把這么有價值的數據提供給創(chuàng)業(yè)公司了，因此不愿意給創(chuàng)業(yè)公司更多實際的收益。

黃明明認為，總的來說哪數據多往哪去。而創(chuàng)業(yè)公司的機會是在新數據。因為原有的數據要么在巨頭手里面，要么是在傳統(tǒng)行業(yè)的巨頭手里面。對創(chuàng)業(yè)公司來說，有新數據產生的地方，可能是創(chuàng)業(yè)公司有更大機會，比如說自動駕駛，即使對于BAT也是新的。包括反欺詐方面也是非常大的機會。

漆遠認為如果能結合自身優(yōu)勢，在一個行業(yè)扎進去了，然后它產生金融服務，也是很好的結合。

雷鳴談到在垂直領域，或許能產生一些新模型讓封孔變的更精確，另外也可以做一些新的金融模式的創(chuàng)新。比如淘寶商家需要小微貸款，這市場對銀行來說利潤太少。但是店鋪的歷績、客戶群體、復購情況等數據能夠綜合體現出商家的經營能力，螞蟻金服可以對整個銷售進行預測，從而通過機器評估出風險。

算法能不能做交易呢？

漆遠說螞蟻金服自身不做算法交易，但算法是可以服務交易的。比如國外有研究人員用強化學習來分析交易對市場環(huán)境的影響來實現自動交易下單。另外， 市場上很多風險是由人性導致，在于人的選擇。從計算機的角度其實是可以幫助避免的，因為AI算法本身并沒有人類心理的恐懼與貪心。但也有可能出現不好的情況，如果設計的不好，幾個交易系統(tǒng)算法互相正反饋可能導致大規(guī)模股市暴跌。

給立志從事AI＋金融的學生的建議

黃明明認為需要往產業(yè)走，因為數據都在產業(yè)，AI一定和產業(yè)是深度結合的，多找實習。

漆遠認為要把社會需求、自己想做、和是否擅長做結合起來。漆遠還特別提到，在大學學習階段不要化太多時間學習各種AI框架上，應該多花一點時間打好AI基礎，包括優(yōu)化與概率，線性代數與邏輯，數據結構和算法，博弈論，機制設計（及經濟學），甚至大腦科學。