它看準了金融行業數字化程度高、歷史數據準確等特點，像熔漿一樣無孔不入的流進金融的各個業務中，並給它們燙上了自己的烙印：智能投顧、智能風控、智能營銷、智能客服......
但同時，很多人也在質問它是否名副其實。國內好的智能投顧產品幾乎為0，智能風控的效果太過依賴樣本，智能營銷推薦的商品讓人“摸不着頭腦”，智能客服遇到不會的問題秒變“復讀機”。
人工智能到底給金融帶來了哪些改變？它是否真正產生了實實在在的經濟價值？是雷聲大、雨點小，還是真正解決了金融業務中的諸多痛點？每個人選擇不同，答案不同。
AI金融“四處碰壁”
｜1000億美元投入“大海”，愣是沒砸出一個花來。
AI這條路，真的不好走。
即使是曾經一度成為世界首富的孫正義，最近也在人工智能的投資上栽了跟頭。
作為人工智能的頭號粉絲，為了投資人工智能，過去的幾年中，他籌集了1000億美元的基金，其中大部分資金投資了以人工智能為中心的70多家公司，但戰績潦倒，僅2019年，軟銀便虧損了880億元，相當於一年損失了兩艘“伊麗莎白女王”級航母。
其實，在現階段的大部分行業中，AI能顛覆的場景並不多。即使在數字化程度頗高的金融行業，AI也並非一帆風順。
比如「AI風控」，因為事關財產安全，一直是銀行等金融機構關注和投入的重點。
一直以來，銀行對「信用卡套現」等產業詐騙團伙十分頭疼。一些不法分子利用漏洞，通過有組織的活動，將信用卡的資金提現，用於投資、賭博。而「AI風控」可以通過對個體騙貸行為的分析，找到某種聯繫，識別出詐騙團伙，進而做出相應的封卡措施，減少損失。
但是，AI風控的效果的好壞十分依賴樣本，如果樣本的數量或者質量不達標，會嚴重影響風控的效果。
在欺詐等場景中，樣本天然比較充足，效果也相對較好。
但是在信用卡盜刷、賬户盜用等場景下，因為銀行的防控力度比較強，發生的案件數量較少（能積累到的樣本較少），使得AI風控的效果也是參差不齊。
邦盛科技副總裁王雷認為：“樣本的質量高低，很大程度上依賴於專家的經驗。”而目前，AI專家人才緊缺，有經驗的科學家更是鳳毛麟角，這也使得AI風控在行業整體效率上難以提升。
然而，相比智能投顧、智能營銷、智能客服等AI在其他場景下的應用，「AI風控」取得的成果已殊為不易。
在“AI+投顧”的場景中，智能投顧企業遲遲未能解決獲客成本高、大多數投資人未能實現盈利的問題。
虞愛是一家金融科技公司——悦保科技的CEO，他平時常常會接觸到做智能機器人的客户，也喜歡體驗新的產品和技術，在被問及AI在哪些場景中落地並不理想時，他首先就提到了智能投顧。
他認為NLP需要對語義有更精準的理解，現階段NLP只能實現部分流程的替代，若不能實現進一步突破，智能投顧公司與客户之間始終會存在一條看不見的“天塹”，很難進行有效且順暢的交流。
“此外，實現AI能力的基本要素在於數據的積累，而目前的情況是智能投顧公司積累的數據量普遍較少，這也阻礙了行業的進一步發展。”虞愛説道。
在非常火熱的“AI+營銷”的場景中，消費者多元化的需求和市場上產品的稀缺，形成了鮮明的對比，商品的推薦效果並不理想。
智能營銷通過優化AI算法，根據購買商品的網絡痕跡等非常有限的信息，為每一個客户構建用户畫像。構建好畫像後，把用户分層，然後和相應的標籤進行匹配。
“然而，智能營銷的模型做的效果再好，也很難通過少量的產品滿足消費者的全部需要。”專注於智能金融賽道的慧安金科CEO黃鈴説。
撬起AI金融的“支點”
AI金融不是一條坦途，人工智能在金融領域每一個業務的落地過程都充斥了“分歧”與“爭端”，想要更好地落地金融，需要共同的衡量標準和相對通用的技術指標。
而這些標準，不僅能為技術提供方和使用方達成共識“牽橋搭線”，也撕開了一道AI金融難以大規模落地的口子。
隨着與科技公司的合作愈發緊密，金融機構逐漸摸索出一套比較通用的技術指標，比如KS值、AUC、F-score，來鑑別哪家金融科技公司的AI實力更強。
KS值越大，表明正負樣本區分的程度越好，AI模型越好；「AUC」（Area Under Curve）可以分析在一條曲線下的面積到底有多大，如果曲線下的面積越大，這個模型效果越好，反之模型效果越差；「F-score」，用來判斷準確率。
此外，模型覆蓋率也是考驗AI產品是否有很好效果的指標之一。
假設模型可以覆蓋1000萬人，目標是需要觸及客户900萬人。如果在測試時，模型覆蓋了1000人，觸及到的目標客户達到901人，達到了模型的測試標準，但是，因為測試的樣本量太少、測試的次數太少，不代表AI產品就達到了標準。
AI模型也是有時效性的，隨着時間的變化，它的性能是否會大幅下降？AI模型在更新的過程中，是否需要大量時間和金錢？AI模型和銀行的核心繫統在對接的過程當中是否簡易？AI模型本身是否做的很標準化？
這些都是在技術指標之外，銀行使用AI產品時，必須要考量的標準。
冰鑑科技CEO顧凌雲説到：“部分金融機構，會執行一套客觀的指標來考察AI企業的產品質量。以24小時、7天或者30天為一個期限，他們會時時刻刻監控模型的效果，一旦模型的效果超出規定範圍，馬上就會根據期限調整產品。即使你本身的模型效果很穩定，他也會每3個月做一次測評，每6個月做一次測評，每一年對供應商進行一次重新的測評和調換。”
通過這種方法，金融機構可以保證他們使用的產品，一直由最佳技術實力的公司提供，而反過來，也不斷磨礪和推動科技公司在技術上的不斷創新與發展。
｜給我一個支點，我能撬起整個地球。
作為第一個掌握槓桿原理的科學家，阿基米德認為只要找到事物的內在規律，即使撬動地球也是一件自然而然的事情。
但是，想要撬起「AI金融」這座大山卻殊為不易，需要找到許多支點，除了推進金融科技公司和金融機構“達成共識”外，怎樣驅動人工智能更加“智能化”和怎樣促進監管與科技之間的“協同發展”，也是我們需要思考的問題。
人工在前，智能在後
｜人工與智能，孰好？
這是一個自AI創立以來，人們就津津樂道的話題，也是每一個AI企業家都需要思考和抉擇的問題。
慧安金科CEO黃鈴認為，人工和智能是互為補充的，具有完全不一樣的屬性。
人工，可以在自己已有經驗基礎上做非常複雜的推理，能夠根據一些蛛絲馬跡做複雜的關聯和分析，挖掘出潛伏非常深、偽裝特別像的風險 。
但是，人工也有幾方面的問題。
第一，要成為一個非常有經驗的專家，需要長時間的積累和沉澱。
第二，「人工」處理數據的“帶寬”非常有限，一天只能處理幾十個案件，發現很少的問題。
而對於機器智能來説，「人工」的劣勢，恰恰是它的優勢。它有足夠的帶寬處理海量的數據，還可以按照一些推理規則或者機器學習模型，幫助人們減少工作。
黃鈴説：“我們可以通過準確率、覆蓋率這兩個量化指標，對人工智能產出的效果進行全面評估。通過ROI來判斷這個人工智能項目是否取得了良好的效果。”
按照目前的發展來看，AI在人臉識別、文本識別以及風控、合規和監管等場景，效果都非常好。有些領域，AI的水平和能力甚至超過人類，比如風控合規監管，機器可以達到人類97%或者98%的水平。
但是相比人類，特別是非常資深的專家，AI的推理能力還是遠遠不夠。
“AI其實像一個被高考機器慣出來的孩子。”螞蟻集團首席AI科學家漆遠這樣形容AI目前發展“偏科”的情況，好比一位有着特別強大記憶體的學生，能通過題海戰術學習了大量知識點之後，做題效率極高，卻不懂怎麼推理。
比如在智能風控領域，存在大量的欺詐分子，他們隱蔽身份的手法千變萬化，機器也難以察覺。如何使用數據、對數據特徵分析以及如何把特徵組合起來，產生一個準確高效的信貸風控模型，十分具有挑戰性，需要有經驗的AI人才。
監管與科技
｜科技可向善，也可為惡。
避惡揚善，是一個永恆的話題。
邦盛科技的王雷認為：“機器學習等技術，最大的一個問題是不透明、不可解釋。”而這一特徵給監管帶來了許多困擾。
人工智能應用往往通過採用神經網絡，使用算法產生結果，其複雜程度只有計算機可以理解，有時候連金融科技公司也不清楚人工智能是如何決策的。這種情形下，相關部門是否監管、如何監管科技公司成了一大難題。
隨着技術與產業的進一步融合，人工智能的決策可能涉及數百萬美元——甚至是關係到人類的健康和安全，在金融等受到高度監管的行業中，不能解釋人工智能的決策，對於企業和個體而言，都面臨着極大的風險，這也給監管部門提出了更高的要求。
人們往往認為監管與科技的關係是，先有人工智能等科技，後有監管，監管部門的技術與理念永遠落後於科技公司，實則不是。
品鈦副總裁李惠科説到：“政府監管部門跟業界之間的討論是非常頻繁的，一些高級別的監管官員會直接在羣裏，提各種各樣的問題和業內的公司管理者們一起進行思考。”科技企業在迅猛發展的時候，監管也在與時俱進，並參與和推動整個生態的發展。
如果非要形容科技公司與監管之間的關係，科技公司就是非常前沿、時尚的法拉利跑車，而「監管」是在整個道路上面設計紅綠燈、限速、停車等各種標誌的交通規則。
跑得再快的法拉利，受到交通規則的管制，到了路口，也要停下來；而紅綠燈的設置，保證了科技公司這輛飛車不至於“超速行駛”或者“跑得太慢”。雷鋒網雷鋒網雷鋒網