清华大学“人工智能前沿与产业趋势”系列讲座的第五讲

清华大学“人工智能前沿与产业趋势”系列讲座的第五讲，由蚂蚁金服集团首席AI科学家与副总裁、达摩院金融智能负责人漆远亲临现场，与清华大学海峡研究院大数据AI中心专家委员、百度七剑客之一、酷我音乐创始人雷鸣老师共同参与，深度探讨AI赋能金融服务的发展趋势。

首先，雷明老师提出了目前人工智能在大数据方面的发展，对金融、医疗、企业经营、教育等领域有哪些应用以及影响。

雷鸣首先抛出了一些很有意思的点。首先雷鸣讲到目前大数据领域遇到的比较大的挑战包括异构数据、高维数据的处理以及稀疏性、动态性等，这些问题目前还在持续的攻克中。

其次是应用。雷鸣提到，在医疗方面，人类已经定义的疾病有3万多种，这疾病如何分类、如何预测，都是需要通过大数据来解决的问题；大数据还可以销量预测，例如双11商家如何减少积压；金融方面，预测借款人的还款概率从而能够减少回款风险；针对企业可以进行客户的特征分析；个性化推荐，预测用户的口味提供更好的服务；除了个性化推荐，还可以进行个性化营销以及个性化教育，都可以通过大数据分析有针对性的为个体提供定制化的服务。

可以看到，大数据在很多领域都有非常广泛的应用。这其中，金融是一个特别强的应用场景，尤其是量化交易。比如通过分析全球主要产地的图像，预测农副产品的产量增幅或者跌幅，进而预测期货未来的价格。

如果说有哪家企业在AI+金融方面做到全球领先，蚂蚁金服肯定是其中之一，它也是全球市值最高的独角兽之一。今天就由蚂蚁金服集团首席AI科学家与副总裁、阿里达摩院金融智能负责人漆远为大家带来精彩课程《AI赋能金融服务》。

真正的金融科技公司，既有技术深度又有情怀温度

漆远提到经常有人问他一个问题：人工智能寒冬什么时候到来。其实这个问题没有答案，但是漆远认为机器学习只是一个开始，未来还有很长的路。

漆远提到一本非常著名的书叫做《从0到1》，里面讲人类发展有两个特别关键的点：首先是从0到1的科技创新；另外一个是从1到N的全球化。

科技创新非常重要，蚂蚁金服是一家科技公司，要不断创新；然后，将创新成果推向全球化。比如从中国市场得到验证的经验，就可以分享给印度。漆远提到在印度，蚂蚁金服的支付产品Paytm能够在2年之内成为全世界第四大钱包，获得上亿用户，支付宝为其提供了大量技术创新能力和经验。

近两年，不少全球大型科技公司不同程度地被媒体和政府挑战。他认为，这背后应该反思的是，一些有黑科技的大公司是否在推进社会向好的方向发展。

同时，在中国不少所谓的金融科技公司说自己是做普惠金融，但其实没有风控能力，只是高利贷互联网化而已。没有真正技术的金融科技公司的情怀只能是无源之水。

而蚂蚁金服在做有技术深度也有情怀温度的事情。从快捷支付，到小微贷款，到相互宝等等，蚂蚁金服一直通过技术创新做真正的普惠金融。

比如相互宝是一个互助产品。一人有难八方支援，从而可以将一个人的风险分散摊出去。5月8号还发布了老年专享产品：60到70岁专享的三高及心血管疾病均可申请加入。

但所有的有关怀温度的金融产品背后都是有风险的，金融本身与风险是密不可分的，这就需要一个真正有深度的技术支撑。

如何通过人工智能实现既保护了用户隐私，又能提供有价值服务

技术需要解决三个关键问题。第一个是风险，金融场景里风险无处不在。 第二个是数据安全和隐私保护。所以如何实现既保护用户隐私，又提供有价值服务成为需要解决的问题，第三个是效率和体验问题。

漆远举了一个贷款违约风险的例子。如何从 一个海量的、缺少标注的数据集来识别贷款违约风险。在深度学习上又往前走一不，把有监督和无监督的两种深度图算法结合起来做一个综合学习，效果非常明显，可以保证准确性的前提下，大规模提升效率，更有效的控制风险。

漆远还提到他团队开发的一个新算法，这种算法把注意力机制和深度图模型结合起来，自动识别关键路径和关键深度， 并用于精准识别骗保的风险。他们还开发了基于多层注意力的深度图算法来检测套现骗局。

大家都在讲数据孤岛，希望这些孤岛能够打通，发挥数据聚合价值 ，但同时如何保护数据隐私？解决这些问题在医疗与金融等行业都有很大价值。

为了解决这些关键问题，蚂蚁金服4年前就领先世界金融界开始研发基于隐私保护的机器学习和多方计算的共享学习。在该领域有50多个专利在审，国家认证技术证书。

在蚂蚁金服的实践里，共享学习技术应用于跟中和农信等合作伙伴的合作，他们向农村市场提供小微金融服务，通过共享学习大规模提升了合作伙伴的风控能力，降低贷款逾期率50%以上，服务全国300 多个县。

漆远说，计算机视觉和知识图谱技术在蚂蚁金服也有很多应用。例如在多收多保理赔的案件里，50％以上是完全自动处理，准确率达到了99％以上。使用计算机视觉，自然语言处理和知识图谱来有效防止骗保。利用技术，多收多保做到了2分钟申报，一秒钟核实，2小时到账的高效智能理赔。

漆远还提到，为了提高客服机器人对客户的服务质量，除了多轮对话和迁移学习外，他们还使用了对抗学习技术，通过两个自然语言处理BERT模型之间的对抗，类似金庸小说里周伯通的左右互博术，在对抗学习中模型变的越来越强大。

2015年，支付宝智能客服实现了94％的自助率，2017年，客服机器人已经超越人工客服的满意度，做到了不仅效率高，同时效果好。在2019年蚂蚁智能客服赋能生态，服务了近万个钉钉企业群。

最后，漆远说一个优秀金融科技公司一定是一个有深度有温度的公司。

未来在金融科技上能够大放异彩的技术

「你认为，哪些技术未来可能在金融科技上大放异彩？」讨论环节，雷鸣向朱军抛出这个问题。

朱军是清华大学计算机系教授、2013 CCF青年科学家奖、IEEE Trans. on PAMI副编委（Associate Editor），他认为一个是在人脸识别或者图像识别中存在对抗样本，这在金融领域非常重要；另外是大规模的图计算的快速算法；还有一个大数据处理相关，比如很多的文本和图数据这种异构数据做一些应用；还有就是如何在信噪比较低的数据中，挖局有价值的东西，不是简单用一个CNN就能实现，可能需要一些机器学习方法。

明势资本创始合伙人黄明明认为，相比阿里这样的公司，首先金融科技的初创企业本身没有海量数据，其次也很难跟银行拿到数据；其次银行本身把控非常严格，所以他们没有投太多这方面的创业公司。银行觉得已经把这么有价值的数据提供给创业公司了，因此不愿意给创业公司更多实际的收益。

黄明明认为，总的来说哪数据多往哪去。而创业公司的机会是在新数据。因为原有的数据要么在巨头手里面，要么是在传统行业的巨头手里面。对创业公司来说，有新数据产生的地方，可能是创业公司有更大机会，比如说自动驾驶，即使对于BAT也是新的。包括反欺诈方面也是非常大的机会。

漆远认为如果能结合自身优势，在一个行业扎进去了，然后它产生金融服务，也是很好的结合。

雷鸣谈到在垂直领域，或许能产生一些新模型让封孔变的更精确，另外也可以做一些新的金融模式的创新。比如淘宝商家需要小微贷款，这市场对银行来说利润太少。但是店铺的历绩、客户群体、复购情况等数据能够综合体现出商家的经营能力，蚂蚁金服可以对整个销售进行预测，从而通过机器评估出风险。

算法能不能做交易呢？

漆远说蚂蚁金服自身不做算法交易，但算法是可以服务交易的。比如国外有研究人员用强化学习来分析交易对市场环境的影响来实现自动交易下单。另外， 市场上很多风险是由人性导致，在于人的选择。从计算机的角度其实是可以帮助避免的，因为AI算法本身并没有人类心理的恐惧与贪心。但也有可能出现不好的情况，如果设计的不好，几个交易系统算法互相正反馈可能导致大规模股市暴跌。

给立志从事AI＋金融的学生的建议

黄明明认为需要往产业走，因为数据都在产业，AI一定和产业是深度结合的，多找实习。

漆远认为要把社会需求、自己想做、和是否擅长做结合起来。漆远还特别提到，在大学学习阶段不要化太多时间学习各种AI框架上，应该多花一点时间打好AI基础，包括优化与概率，线性代数与逻辑，数据结构和算法，博弈论，机制设计（及经济学），甚至大脑科学。