头条：AI入局金融，科技如何重塑行业？

“有一个问题。”罗辑急忙说。……“你是真人还是机器，或者是一个程序？”

这个问题似乎并没有让咨询员吃惊，她回答道：“我当然是真人，电脑怎么能够处理这么复杂的业务？”

(资料图片)

同广告牌上的美人告别后，罗辑对史强说：“大史，有些事情真的不好理解，这是一个发明了永动机并且能够合成粮食的时代，可是计算机技术好像并没有进步多少，人工智能连处理个人金融业务的能力都没有。”

——《三体 II·黑暗森林》

这可能是《三体》这部知名科幻作品中，最不科幻的地方了。智子封锁下的人类计算机科学两个世纪未有寸进，人工智能自然也毫无智能，放在今天来看却别有一番风味。与小说相反，最近 AIGC（人工智能生产内容）爆火，是继 PGC（专业生产内容）和 UGC（用户生产内容）之后，一种利用AI自动生成内容的新型生产方式。从文字到图像，从 DALL-E 2 到 Stable Diffusion 乃至引起极大轰动的 ChatGPT，AI生成超逼真内容的能力使其背后的“生成式人工智能”（Generative AI）迅速走红，不仅奠定了人工智能作为一种新的内容生产主体的基础，更将它彻底地推到了大众的视野中。

图：《三体》动画版 丨 来源：艺画开天

一 生成式人工智能：个人金融业务经理

有了创作能力的加持，AI 似乎越来越聪明，也越来越接近真人了。那么回到“个人金融业务”上，人工智能也可以胜任吗？答案是肯定的。

即使是现在，金融服务中的智能客服对我们绝大多数人来说也并不陌生，可以在高效解决问题的同时节省大量的人力。而在可预见的将来，《三体》中的咨询员很可能会被生成式人工智能代替，成为其在金融业务落地层面最直接的应用。虽然目前这一领域的技术仍处于实验阶段，但整个社会对其应用层面的热情探索，势必加速其技术的发展和衍生问题的解决，可以想见，未来 AI 不仅可以通过生成文字和语音来提供客户服务和交互，更能够生成图像乃至视频，在智能营销乃至广告投放等金融业务场景下发挥更大的作用。

图：AI 内容生产 丨 来源：Eric Griffith, Midjourney

二 图计算：突破迷雾的结构化智能

当然，仅仅是以假乱真的智能服务远远没有发挥出人工智能在金融领域的潜力。从自然语言处理到深度学习，从强化学习到生成式对抗网络，AI指数级发展的背后不仅仅是算法、算力的进步，更有海量数据的支撑。数字时代，数据为王，对数据的处理方式有着决定性的影响，而图计算即是一种先进、高维的数据治理方式，一方面更符合人的基本思维方式，另一方面可以通过自动化分析发现一些难以用既有规则和经验发现的信息。

金融业务所产生的海量数据形成了一张错综复杂、牵一发而动全身的网络，而对其中复杂关系的分析在业务中至关重要，这一点使得图数据相比于单纯的数据存储来说，天然更贴近金融业务的应用层，可以深度释放关联数据的价值。在实战中，图计算技术最清晰的应用可能是智能信审、资金流向查询和金融数据可视化等，不仅方便了个人金融业务，更能极大地帮助金融机构进行趋势判断、投资决策和风险规避等等。

三 因果推断：从打破黑箱到机械降神

“我模拟了每一种可能性，要阻止末日的到来，我看到了一条路径，仅此一条。”——《西部世界》

科幻烧脑美剧《西部世界》中，机器人伯纳德在人工智能的“升华之境”中对现实世界做了 14,000,605 次不同的模拟，得出了唯一一个结局不致灭亡的策略，并按照它一步步走了下去。于是，整个第五季中伯纳德的行为轨迹就像先知，他似乎总是知道接下来会发生什么，应该做什么，其未卜先知的能力宛如神迹，不仅让作为观众的我们一脸懵逼、“不明觉厉”，甚至他的同伴斯塔布斯，也同样全程直呼“看不懂”。

图：“升华之境” 丨 来源：《西部世界》

其实，哪怕伯纳德愿意，恐怕他也无法解释自己的行为，这就要说到现实中人工智能的黑箱效应了。与伯纳德的做法一样，人工智能深度神经网络最基本的运作方式就是穷举出所有的可能性，并从中找出一个解。当前，最好的机器学习算法和模型非常擅长寻找模式和相关性，但其运算模式决定了它们往往只会得出一个结果，却无法解释结果的来由，更不能在海量数据中为我们指出，是哪一个因素导致了哪一个结果。这一点在某些领域或许没那么重要，但在金融行业这样极其重要的复杂系统中，却大大地限制了人工智能帮助我们进行数据分析乃至决策形成的能力，其不可解释性更加剧了人们对其规模化应用的疑虑，信任的建立困难重重。

不过，作为人工智能和机器学习的下一个前沿领域，因果表征学习（Causal Representation Learning）或许将改变游戏规则。统计学对因果关系的研究分为两类，分别是因果推断和概率因果论。人们对因果关系的理解普遍建立在后者之上，而由于无法很好地分辨内生性问题，机器也是一样，很容易出现将相关性当作因果性的错误。而因果推断的本质则是从产生的数据中回推背后的真相，需要从非结构化的数据里分离出真正存在的因果隐变量，这一点与传统的机器学习有着很大的区别。

图：AI“黑箱” 丨来源：Alice Yang

虽然在技术上仍存在许多困难，不过因果表征学习的研究和应用正在变得更加活跃，研究人员都在致力于让机器能够真正理解实际问题的基本性质。具体到复杂的金融系统，因果表征学习需要大量的、结合实际的理论研究支持和技术努力，才能得出一种可靠的数据表述方法，做到所谓的可解释 AI，最终建立人类与机器之间的信任。在这种更高维、更值得信任且具备自主性能的基础上，人工智能将可以在金融业务中实现智能、定制化的营销、投资组合建议甚至市场调控等，真正成为金融数据海洋中的智慧大脑。

四 One More Thing

AI 赋能万物，金融自然也不例外。作为一家金融服务公司，度小满延续了其自身的百度技术基因，充分发挥 AI 方面的优势，致力于用科技为更多人提供值得信赖的金融服务。近日，度小满联手《麻省理工科技评论》中国，联合发布了《2023 年金融科技趋势展望》。1 月 11 日 14:00-16:00，我们将于《2023 年金融科技趋势展望》线上直播活动中对报告进行深度解读，除了生成式人工智能、图计算和因果推断之外，还将探讨多模态情感计算、科技伦理治理、链上分布式金融应用、隐私保护计算、虚拟数字技术、自动机器学习以及云上能力升级等与金融行业息息相关的技术。届时，我们将邀请业内产业端、科研端等关键意见领袖共同参与，探讨金融科技发展现状及未来趋势展望。

关键词： 人工智能 金融业务 机器学习