2018年3月7日，美國智能投研公司Kensho被標普全球以5.5億美元收購，這是迄今為止，華爾街最大規模的人工智能公司併購案。
Kensho模式將給國內智能金融行業帶來怎樣的啟示？「甲子光年」特此採訪了被認為對標Kensho的智能金融公司文因互聯創始人鮑捷博士。他以Kensho為切入點，闡述了自己在金融科技領域摸索兩年後的深度思考。
一直以來，智能金融行業的一個痛點是，智能投資、投顧和投研，被證明並不能直接提高交易的“回報率”，即不能直接幫客戶掙更多錢。高預期和實際情況之間的落差，影響了客戶的付費意願。
兩年前，一個總資產千億人民幣規模以上的資管公司總經理曾問鮑捷：第一，你現在立即、馬上就能幫我掙錢嗎？第二，你立即、馬上，就能幫我比市場上其他人掙更多的錢嗎？
在得到否定答案後，這位經理問：那你們搞智能金融還有什麼意義？
在這篇文章中，鮑捷博士則將細緻闡述一種反常識的新思路——智能金融的切入點，一定不是股票交易，離交易越遠越能落地。
他認為，Kensho 不會取代任何交易員、投資人或分析師，想坐在Kensho這類智能系統上躺著賺錢是不切實際的。
智能金融系統目前真正的價值，不是直接幫投資人掙更多錢，也不是省錢，而是通過人工智能建立起金融機構的大規模自動化系統，讓監管、銀行、投資機構等決策行為減少對個人經驗的依賴，從而減少人員流動對機構的衝擊，建立新型的協作系統。
智能金融當下在中國真正的合理路徑是：由零件的標準化導向“大工業金融”，其本質是金融信息處理過程的（部分）標準件化。把金融信息和數據資產化，才是智能金融系統最大的價值所在。
鮑捷，文因互聯 CEO。從1998年開始從事人工智能研究，曾在圖靈獎得主Tim Berners-Lee實驗室工作。2011年，鮑捷基於語義和社交數據的基本面分析所撰寫的論文，獲得了IEEE金融工程和計算智能會議最佳論文。2013年，鮑捷在硅谷創立文因互聯，並在2015年後開始專注智能金融業務。成果有基於知識圖譜的基本面分析、金融問答引擎、財務報告自動化提取、自動化監管等。
Kenso公司簡介
2013年，Daniel Nadler創立了Kensho；2014年kensho與高盛合作，並獲得高盛的1500萬美元投資；2017年,獲標普國際領投的B輪5000萬美元融資，估值達5億美元；其核心產品是金融決策引擎“warren”,曾成功預言英國脫歐後的英鎊走勢，及2017年美國科技股的強勢上漲。
*以下內容系文因互聯CEO鮑捷博士智能金融沙龍23期演講，向甲子光年獨家提供。
金融科技中，哪些部分真正具有AI屬性？
人工智能到現在已有60年的發展歷史，經歷過幾次低谷，我入行20年以來，也已經歷過兩個小低谷。總體來說，人工智能總是處在媒體的兩極分化中：一會兒說人類要毀滅了，一會兒又說人工智能是騙子。尤其是去年，“人類要毀滅”了的新聞到處都是，但從今年以來，各種反思乃至否定的文章也開始出現。
以下的新聞是幾個神化人工智能的例子：一個是說高盛的交易員要被人工智能取代了。
另一個是說35歲以前，如果還一事無成，你還能去哪？
最後一個新聞最令人恐慌，用了一個非常誇張的詞，“人神共憤”。
這到底還是不是人工智能？
要判斷一個應用是否具有AI屬性，不考慮科學論證的嚴謹性，一個直觀的判斷標準，看裡面是否有機器學習、知識圖譜、自然語言處理等成分，如果沒有，其實它更多的是傳統的自動化。
回過頭看這三個新聞，第一個並不是人工智能。因為交易本身是一種執行，並不涉及策略的形成。當然交易也分低級、高級，現在真正被替代的是一些機械的，已經既定的策略。與其說是人工智能替代了這些人，不如說是數據庫和網絡替代了這些人。
第二個技術其實是會計的自動化 。德勤等很多會計事務所都推出了過程的自動化、財會的自動化，這些技術很難說是人工智能。
最後一條關於Kensho，Kensho的的確確是人工智能。從數據層到表現層，最後到策略層，是人工智能的一個綜合應用，比如Kensho有一個很大的知識圖譜部門。
大約從2013年、2014年開始，新一代真正的人工智能系統開始應用在金融領域，所以人工智能確實是在改變這個世界，改變這個行業。
但它真能做到人神共憤的層面嗎？
Kensho 能做到什麼？
Kensho 是一個日語詞，意思是“見性”，明心見性——大徹大悟，醍醐灌頂。
其實本質就是三個字——“相關性”。
大數據領域興起後，其核心想法是，與其去發現因果性，不如把數據積累起來，尋找事件和資產之間的相關性，以及事件對價格、特別是價格長期趨勢的影響，這就是 Kensho 提供的主要服務。
Kensho 推出的最主要應用，是 Warren 搜索引擎，或者說決策引擎。它能在一分鐘內，完成過去分析師要做幾個小時甚至幾天的工作。
首先， Kensho 的底層是一個很大的數據庫。兩年前，它是9萬個數據集的數據庫，在此基礎上有各種事件、價格和基本面。
下圖是一個ETF（Exchange Traded Funds 指數基金）的基本面研究，數據包括：ETF裡包含哪些資產、各類資產比例、它們最近的趨勢……像這樣的數據，Kensho有成千上萬個。
在這之上，Kensho要做一個趨勢性研究，即判斷一些特定事件和資產價格之間的長期相關性趨勢。以下圖為例，是在講歐洲的整個資產相對於英國的貿易之間的相關性，這是一個很長的圖，下圖只截取了前面一段講述相關性指標的部分。
第二個例子是原油（見下圖），在某一種價格變動後，WTI原油的表現一週內會發生什麼變化？這也是各種指標和指標之間的相關性。所以Kensho裡不僅有股票，也有各種大宗資產、期貨。
第三個例子是事件影響分析，下圖描述了2000年以來，春節對資產的影響，由此可以決定我們的策略。“事件影響分析”也是 Kensho 在新聞裡最常見的一個賣點。
第四個例子是長期趨勢分析，下圖描述了2010年美股恢復以來，每年9月三大指數（標普、納斯達克、道瓊斯）的表現。Kensho有非常多的數據切片的分析。2016年美國大選結束後第二天Kensho就推出一個圖，預測共和黨總統上臺後，會對資產有什麼長期影響。各種相關性的比較，可以想象出無窮種組合。
第五個例子是一個策略：如果在原油價格超過50美元一桶後買入，5天后賣出，從歷史預期來看，能得到什麼樣的回報率？像這樣的簡單策略，也有無窮多種組合。
對一個初級分析師來說，要做以上這些事，他要去收集數據、整合數據、自己做相關性分析，還要畫圖。Kensho 則可以一分鐘內完成這些以前要幾小時，甚至幾天才能做完的事。從這點來講，華爾街有些人會“人神共憤”，是可以理解的。
以上幾段截圖有些是取自電視節目，這是因為在 Kensho早期，它的商業模式之一就是給媒體提供分析。另外一個模式是為高盛這樣的機構提供獲客、留客服務。因為券商作為一個服務機構，會通過向客戶提供投研能力，吸引更多交易發生在自己的平臺上，從而提高分倉佣金，Kensho 從當中可以分得收益。這個模式在中國能不能複製成功？到目前為止還沒有先例。
5.5億美元，貴嗎？
上個禮拜，Kensho 以5.5億美元被標準普爾收購。我認為5.5億美元是一個合理的價格。
其實兩三年前，大家對 Kensho 的預期遠遠高於5.5億美元。三年前的一個報道指出，如果廣泛加以應用，那麼 Warren可能會撼動長期以來，被彭博社、湯森路透所壟斷的260億美元的金融數據市場。
看好Kensho的觀點認為：如果Kensho 的產品最後能夠研發成功，金融機構的分析師和研究人員將面臨災難，面對更快、更好的機器人分析師，他們毫無勝算。
Kensho創始人在一次訪談中提到，在推出Kensho 系統後，有人給他打電話：你這個叛徒，如果你發現了這種關係，你就用這種關係去交易，但你不要公開它，你公開它，就導致大家都沒法交易了。
但創始人很堅定地說，我們自己不下水做交易，我們要做成千上萬家金融機構決策的提供商。
事實是，5.5億美元的價格，從某種程度上說明，上述預期並沒有達到。
我也找到了一些針對Kensho的反方觀點，這些觀點不一定正確，但是非常值得思考。
第一個說法是，彭博可以很容易地複製Kensho，而且可以做得好100倍。我在諮詢彭博的同學後，感受是，彭博在短期內，還做不出Kensho。
第二個觀點來自高盛的朋友。有一段時間，Kensho與高盛有密切合作，但高盛的朋友說，這些年來，他並沒有看到 Kensho 做出什麼牛逼的東西，也沒見高盛內部人用過Kensho，更多是高盛的客戶在用。
第三個質疑是，Kensho 提供了相關性，但統計過去的事件對股票的影響，對針對未來的操作有指導意義嗎？勝算有多高？
Kensho 這種大殺器，到底它能不能讓人掙錢？能不能讓普通人掙錢？這兩個問題，在目前還沒有明確答案，至少現在還都不是肯定的答案。
那為什麼Kensho還能值5.5億美元？雖然5.5億美元，在某些情況下看是個小數字，但已經是近年來最大的一筆人工智能公司的併購了。
在人工智能領域，一般來說，常見的併購額是1億到2億美元：Siri的收購價格是2億美元；微軟在幾年前收購 Powerset 時，花了2億美元；最便宜的是亞馬遜智能音箱背後的搜索引擎True Knowledge，2600萬美元。
相比之下，Kensho賣了5.5億美元，可以說是給人工智能公司打了一針興奮劑。對某些投資機構，也是一個利好。
其實從底層技術來看，不管是在中國還是在美國，想複製出 Kensho的確不容易。自從我回國以來，我聽到不下10個團隊試圖複製 Kensho，也有一些非常大的國家級機構想做這種東西，但到目前為止，還沒有一個做成的。
基於這樣的技術複雜度，5.5億美元是一個非常合理的價格。
為什麼智能金融領域沒能出現第二個Kensho？
為什麼過去4年沒有一家團隊能夠成功複製 Kensho？
Kensho包含三個比較困難的組成部分，這三塊目前在中國的基礎都還不到位。它們分別是：底層的結構化數據庫、中間層的金融領域知識庫和前端的問答技術。
第一個部分是結構化數據庫。如果我們簡化一下 Kensho，可以不精確地認為 Kensho 是給高盛的結構化數據庫做了一個自然語言的前端。如果讓 Kensho 從頭把所有的結構化數據庫做出來，那一兩年絕對不夠，十年也不一定行。高盛在過去20年多少萬人的積累，才創造出來這樣一個底層數據庫，比如SecDB，現在應該遠遠不止9萬個數據集了，在此基礎上才可能有 Kensho。有了上述的基礎設施以後，在上面做自然語言的前端，才水到渠成。
Kensho的產生也依賴於過去 10年，美國整個數據生態系統的發展。2009年奧巴馬上臺時，曾發佈一個總統令，要求美國所有政府部門都開放數據，其中也包含了大量金融部門，包括 SEC。美國所有基礎證券的信息，各個細分領域的國民經濟政府數據都是開放的，所有人不需要任何申請就能拿到。到目前為止，美國政府已開放了上百萬個這樣的數據集。
而在中國，這樣開放的數據基礎近乎於零。現在連基礎證券的數據，包括新三板或者主板的 XBRL 數據，還不能讓所有人免費、公開地訪問。這個數據生態的差距是以光年來計算的。
第二個是金融領域的知識庫，在做金融統計時，會有各種關聯分析、迴歸分析和細分子領域的分析，比如產業鏈、財務模型、行業模型，宏觀模型、投資模型等等。
以財務模型為例，美國有 GAAP 模型，中國有 CAS 模型，這都是成千上萬條不同的會計準則，有了這些準則後，我們才能做財務的一致性校驗。
在產業鏈領域，國內也有一些公司在做。美國的Capital IQ公司，很早以前就把產業對標做得很透了。而國內，還遠遠沒有做好給公司打標籤，或對標研究這件事。行業模型、宏觀模型、各種投資模型，現在也都是方興未艾。我們如果想做好上面提到的 Kensho的幾個案例，逃不掉這些模型。而要做這些模型，需要協調各領域、各分支的專家，整合各種各樣的專家知識。目前在中文領域，這一塊還比較缺失。
第三塊，從技術上來說是更有挑戰的東西，就是前端問答技術。前幾天，我在知乎上回答了一個帖子，有人問：Kensho 能不能複製？複製的核心技術要點是什麼？我回答，前端問答是其中的一個大挑戰。一位讀者留言說：問答技術沒那麼了不起，現在搜索引擎公司早就解決這個問題了。
但這是一個誤區，像小冰這樣的問答機器人，大家看起來已經很智能了，但這種技術很難用在 Kensho上，因為這是兩種完全不同的技術路線。
小冰本質上是一種基於檢索的技術。它是從一大堆文本里頭，找到過去存在的相似問答，再做答案和問題間的匹配。用術語來說，是用端到端的深度學習的模型來做訓練。但這樣的模型，有兩個問題：第一，它無法精確地理解這個問題是什麼，就是說它無法進行語義解析；第二，它的答案很難被構造出來。比如，像上述Kensho 例子中一些各種不同切面的切分，各種不同指標的組合，我們可以設想出無窮多種的組合，但用深度學習技術，卻無法生成無窮多種答案。
如果想做到這一點，我們必須要做語義解析，也就是真的理解用戶說的話，理解他說的詞是什麼意思，詞和詞之間是什麼關係，這可能是這個問題最難的一點。到目前為止，這還不是一個完全被解決的問題。具體要做語義解析，又要涉及大概十幾種非常專業的技術。小冰的技術是沒有辦法用到 Kensho 這樣的強知識性問答中的。
回顧了這三個關鍵點後，我們可以說，想建立Kensho 這樣的系統，要依賴於很多先決條件，包括數據基礎、領域知識庫基礎和前端問答基礎，這三塊都很有挑戰。對專業人士而言，這不是一個令人吃驚的結果。因為在過去40年的專家系統開發中，這些問題一直都困擾著整個知識工程界，只是現在在金融領域，我們再次遇到了這些攔路虎。
為什麼智能金融不必複製Kensho
但我同時認為，智能金融，不必複製Kensho的模式，我們要跳出Kensho思考智能金融。
先給出兩個反常識的觀點：
第一，建設AI平臺，不能直奔這個平臺而去。
第二，建設智能金融，不能直奔搖錢樹而去，即不必把思維侷限在做交易這一件事情上面。
在展開說這兩個觀點之前，先闡述一下我對Kensho的看法。
我認為，Kensho不會取代任何人，它不會取代任何交易員，不會取代任何投資經理，不會取代任何分析師，甚至未必會取代任何實習生。因為它所要做的事情和我們對它的期望，其實有很大距離。
現在做智能金融，大家會直接說：我要去提高交易效率，或者掙更多的錢，或者打敗這個市場。這個模式是不是應該追求的？經過兩年多的探索後，我認為未必，或者說智能金融應該有一個更大的途徑，而不僅僅是追求 Kensho 這一個途徑。
大概兩年前，我去一個資管公司，他們有千億以上的資產規模。總經理問了我兩個問題：第一，你現在立即、馬上就能幫我掙錢嗎？第二，你是不是立即、馬上，就能夠幫我比市場上其他人掙更多的錢？
我實事求是地說，我現在不能給你肯定的答覆。
他說如果做不到，那你們搞智能金融還有什麼意義？
這個想法在那時很普遍，是一種非常高的預期。但最近這兩年跟大家溝通，越來越少聽到這樣的想法了。包括2017年，我們跟多家機構合作時，都找到了更小的落地切入點，大家不再追求非理性的目標了。
仔細想一想，如果一家公司有3000億，它還有持久地高於市場的回報率，最終結果是什麼？這種事真能發生嗎？市場打敗了不了市場本身。
我們不應該追求替代交易員或者投資經理，我們也做不到。我們也不應該追求跑贏市場，因為市場本身不能打敗市場，當所有人都追求跑贏市場時，沒有任何人能夠跑贏市場。從人工智能角度來說，我們不應該去追求通過圖靈測試，大家對於像 Kensho 這樣的金融問答系統的期待是，在遠期來看，希望它能達到人的水平，那就是通過圖靈測試，但這是很難做到的。
智能金融的路徑：由零件的標準化導向大工業金融
· 標準化會帶來意想不到的新應用
智能金融的新路徑，我認為應該是通過零件的打造，逐步走向所謂大工業的金融。
就目前這幾年時間，比較合理的目標和路徑，是把信息處理過程中一部分的過程標準件化。自動化、標準化、工業化，這三塊是相互影響的。
信息工業影響金融工業，不是今天才發生的。前兩天我讀《美國金融業史》，裡面講了電報的例子：美國在早年有很多交易所，這些交易所的交易規則全不一樣，後來電報改變了這一切，所有的交易所都死了，只留下紐約的交易所。因為信息傳播速度的上升，使得各種信息的披露、交易規則都標準化了，分裂的市場變成了一個統一的市場，其他的市場都沒了。
之後，電話、互聯網，每一次都帶來了類似的變化。比如個人消費信貸，在沒有電話之前是一個情況，二戰後，我們通過改造電話線，有了信用卡網絡，完全激活了一個新市場。
現在也是類似的，如果我們狹義地看標準化本身，第一個階段我們看到的，只是我們做某件事情的效率提升了。當電話進入金融機構時，大家可能只能想到，電話實現了實時雙向語音通話，改進了一點效率，但並不一定讓人激動。但是當我們發現電話上面加一點東西，可以催生出個人信貸新形式時，這就有意思了。所以很多底層平臺的標準化會帶來完全意想不到的新應用。大部分情況下，我們無法預言這是什麼，但首先我們要提供這種標準化，提供這種通用工具。
· 從金融數據農業到金融數據工業
我把現在的金融信息服務業分成四大類：農業、礦業、手工業、大工業，我們要努力去創造的新生事物——大工業。
信息農業是什麼？就是從金融的“自然資源”裡刨數據。我以前跟華泰聯合的一位前輩聊，他說十幾年前，他們每天看《中國證券報》，從報紙裡扒數據，看併購標的的情況。後來進步了，有各種各樣金融終端，但這依然沒有改變這件事的農業本質——基本模式都是一樣的，就是在人力成本較低的地方，找一幫小弟小妹，通常是幾百人，人肉摘錄數字。
農業其實是一個很好的產業，如果農業能夠經營得當，利潤率50%是沒有問題的。但是農業的最主要困難，是它很難規模化。很多信息農業，他們在主板時代做得很好，但在新三板時代，擴大就很成問題，因為我們的主體，已經不是1000家、2000家公司了，而是1.5萬家公司。原來做產業鏈研究，招幾十個人就可以做，現在要招幾百個人來做，要手工處理所有1.5萬家公司的財報、公告的話，則需要幾千幾萬人。規模化是信息農業最大的問題。
信息礦業，就是在已經有了結構化數據，比如工商數據時，改進結構化和半結構化數據的可用性。這也是一種很好的模式，但如果沒有深度加工能力，壁壘並不高。
第三種就是信息手工業。傳統的金融決策過程，大部分是手工業的過程，個人通過大量閱讀、學習，建立起對世界的認知，然後把認知變現。這涉及到個人經驗，也涉及到人脈。我們去採訪一些金融界的年輕人，他就告訴我，感覺他自己的能力跟老闆也沒區別，但就因為老闆認識一些人，所以他在那個位置上，自己在這個位置上，他就憤憤不平。如果一件事本身是依賴於個人經驗的，確實就會這樣。所以當VC或者是券商的某些部門大到一定程度，裡面的人成熟以後，他就憤憤不平，他一定會走，連著他的經驗和人脈都帶走，因為這是一個個人的不可複製的資產。
最後一種是大工業。大工業的特點，並不依賴於個人的經驗和人脈，也不依賴一些現有的自然資源。它是基於一種可複製的技術和系統，建立起一種協作關係，從而製造出千千萬萬種有質量保證的產品。如果說礦業是開採石油，那工業就是製造塑料——中東產油國雖然能夠生產很多石油，但是他們可能連一支筆上的塑料都造不出來，因為他們不具備這種工業能力。
金融信息服務業，在美國是260億美元的生意，在中國還是規模非常小的，是不到100億人民幣的生意。是不是有一天，中國也達到260億美元，或者說2000億人民幣？甚至比美國更大呢？完全是有可能的。但如果走到這一天，一定不是靠農業，一定是通過技術建立起金融數據大工業，從而連帶整個金融產業發生一些大的變化。而且這些變化並不是像 Kensho 這樣，我有了一個變魔術的機器，從而能贏得比市場更多的回報率。
如果我們往前走的話，我認為中國金融在今後十年內，會發生一個很大的變化，它會超越現在的手工業金融，出現更大的標準化生產。我相信每一個投資人都有自己的EXCEL表格，每個人都有自己的分析模型，每個人都有自己積累的一些小技巧。其實在早期的手工業裡面，也能看到，造個輪子或造個碗，每一家都會有這樣的小技巧，每一家都把自己的小技巧藏著掖著，擔心其他手工業者搶他們的飯碗。但最後這些手工業者都被大工業給幹掉了，這樣的事情會不會在金融界也發生？我相信會的。
所以，最關鍵的事情，不是現在這個階段，大家都去追求超出市場收益率的投資決策，如果我們大家想用 Kensho 就能坐著數錢，這件事情永遠都不會發生，現在不會發生，再過10年不會發生，再過100年也不會發生。
· 新協作、新體系，讓投研不再依賴於個人
我們應該追求的合理的目標，是建立起一個金融信息處理的協作系統。或者更現實一點講，並不一定是要去跑得比整個市場快，有時候跑得比旁邊的人快就行了。
智能金融在不同部門裡會有不同的落地形式。前兩天我跟一個機構的IT部門負責人聊，他說以前在上投研工具時，領導沒什麼動力，因為在領導來看，無非是省了點錢，在整個公司的三張表裡，它是放在費用裡，而不是放在收入裡的。
我們已經講了，長期來看，通過這種投研工具提高收益回報率是不切實際的，但如果僅僅是省錢，又不是一個足夠性感的目標。但另一件事對機構有吸引力——就是在一個基金裡，研究員是不停流動的，比較有意義的目標，是讓整個投研不再依賴於個人。其實金融就是信息和數據，把這些信息和數據資產化，才是上這個系統最大的價值所在。
我覺得這是一種非常正面的思路，不再是傳統的、狹隘的，一個個人提高投資回報率的過程，而是從系統角度，去建立一個協作體系，從而提高整個組織的資產（assets）。
智能金融的本質就是：金融信息處理過程的（部分）標準件化。在投行、銀行這些行業都已有類似案例。
另一個值得關注的問題是監管，從去年十九大以來，整個金融監管對科技，特別是對人工智能的關注度一下子上來了。從股票、基金、債券，包括新三板的合規性檢查，還有下面的評估、評級，和整個宏觀風險的監控，目前國家的投入非常大。
這是一個特別值得關注的宏觀方向，它會一層一層傳導下來。前天我看到一個券商的高管在朋友圈裡抱怨，說以後沒法再做了，一罰罰50個億。其實這就代表，關注投資時，不能僅僅只看收益或者是金融創新，現在這個階段，更重要的是如何規範化。中國新金融會有一個傳導週期，國家機構可能會在整個產業最上游，最先把最核心的技術應用起來，然後一步步傳導到券商，再往下傳導到上市公司，上市公司的子公司、連帶公司，一級一級傳導下去。這個傳導週期，可能會有好幾年，但是我相信大家在未來都會逐漸感受到。
· 投資、投顧、投研：不能直奔平臺而去
回到前面說的兩個反常識觀點：第一，做AI平臺，不應該直奔平臺而去。
做好 Kensho 有很多攔路虎。我們不應該一下子就去追求做這樣的系統，不管是智能投研系統、智能投顧系統，還是智能投資、智能投機系統，可能在短期內都是做不到的。
通常人工智能系統都是一個非常複雜的系統，要幾百個人幾年才能做到。不管你做語音也好、做圖像也好、做文本也好，如果你一開始就搞一個很大的平臺，一下子砸10個億、砸100個億，基本上一定會失敗。最典型的就是日本的五代機，日本在80年代時，想做第五代計算機，說是人工智能計算機，舉國之力，沒有做成，目標太大。
這可能是大型系統普遍的規律，它不是設計出來的，它是生長出來的，它是一點一點地通過一些很小很小的組件，一點一點地逐漸地碰撞、組合，慢慢生成的。這件事很難通過一下子砸100個億就能達成，直奔這個平臺而去，基本上會收穫100%的失敗。
再說第二個反常識：做金融領域的人工智能，不能直奔著搖錢樹而去。
最早時，也有人給我建議，說你跟客戶談錢就好了，說我能幫你掙更多的錢。可能一開始剛剛進入智能金融行業時，很多人最直接的想法都是這樣：我要造一個系統，能夠持續幫我掙錢，躺著都能掙錢，睡覺都能掙錢，但這真的做不到。如果奔著搖錢樹而去，最終真是長不出樹，也長不出果子。
具體分三個領域來講：投資、投顧、投研。
在智能投資方面，打敗市場是困難的，最重要的是打敗自己。每個人都是非理性的，所以僅僅通過數據不可能形成正確的決策。在前幾年時，曾經有一個很火爆的東西，叫大數據指數基金。2010年時，印地安納大學的一個教授提出了這個理論，他自己開了一個公司，兩年後公司就破產了。過去這幾年，所謂的大數據指數基金基本上回報率都很低。在此基礎上，跟它相關的智能投顧，整個回報率也低於市場回報率。
另外一點就是規模，脫離規模談策略都是耍流氓。我們經常會遇到有人說量化有用，人工智能有用，但是你要問他一個問題，你是在多大的錢上有用？
在幾十萬上是一個事，在幾千萬上是另一個事，如果在一個億以上，那還能做得到，那真是非常非常厲害。在座的很多人應該身家過億，或者管理的資金規模超過1個億。在這個基礎上，每個策略能夠做什麼事，它對市場產生的影響是什麼，是不是一旦有效就變得無效？我相信很多人都有這方面的體會。
智能投顧也是一樣。投顧技術分成幾大塊，一塊是底層的資產配置，這裡沒有多少人工智能。另一塊是用戶畫像，這方面現在用到了很多機器學習。從去年年中開始，越來越多的也人開始關注智能投顧的投後。
最開始，智能投顧之所以能夠吸引這麼多錢，有兩個原因：第一是機構對人工智能有期待，期待它能打敗市場，獲得更好的回報率。但目前市場表現證明，這一點很難做到。第二個原因是，機構的客戶本身對人工智能有期待，某隻基金只要說我用人工智能了，是智能投顧了，就會有很多人買，一買就買上百億，用這種方式來獲客，但資產新規出來後，這條路也被關上了。所以智能投顧往後走得開發新的東西，特別是和投後相關的東西，在智能陪伴這一點上，人工智能也可以幫助投資人。
第三點，智能投研。在投顧、投資或者投機裡頭都是需要投研的。市場上已有很多投研產品，包括幫助投資者更好地看公告、看研報，更好地看數據的產品。但是不是智能投研只能用在傳統場景？會不會新興場景、新興應用、新興機構才是投研更能發揮作用的地方？
在中國，我們看傳統投研——券商有幾千人，買方分析師、投資經理有幾萬人，加在一起可能不到5萬人。如果智能投研只服務這5萬人，就是嚴重低估了這個技術，也許有5000萬人都需要這項技術。
其實上面這幾點一直都在講，我們構造智能金融系統，不必把我們的思維侷限在做交易這一件事情上面，很多環節都可以用到，而且我們不一定要從一個所謂的大的系統開始做這件事。
· 用零件的標準化觸發系統性變革
用歷史眼光來看，整個金融IT建設的歷史，可以分為四個階段：信息化、大數據化、自動化、智能化。
第一個階段是信息化，或者說是電子化，就是開始使用各種信息化系統。大概從十年前，我們開始大數據化，比如銀行有各種雲，把分散的各個部門數據彙總在一起。這兩年開始有了自動化，包括自動化報表、自動化服務。從去年開始有了智能化的需求。每一步都依賴於前面的一步。
在我看來，現在這個階段，最重要的是自動化，前面那一步已經做得挺好了，經過過去近10年的實踐，銀行、券商的大數據化都做得相當不錯了。銀監會剛發佈一個文件，要求各個銀行加強內部數據治理，以後要有數據治理標準。
我們最近剛剛和一個銀行交流，他們在做了內部數據治理後，有了比較好的機構化數據，接下來馬上就會有新東西出現：各種自動化需求，自動化匹配、自動化報表、自動化研究。我還認識一個券商資管部門的研究員，他們現在用各種EXCEL表來做資產配置，這種事以後肯定會自動化，不會再用EXCEL表格來做了。
核心就是自動化，怎麼做到自動化？怎麼做到人工智能化？要把底層數據結構化，底層的這些東西，就是要一層一層的從零件開始做。我們要從投研的各個不同的環節開始做零件、打造工具，先做解決方案，再做系統。
舉個例子，瓦特其實不是蒸汽機的發明者，而是改良者，他發明了熱力學某某定律嗎？他發明了一種新的熱機循環的方法嗎？都不是。瓦特對蒸汽機效率提升的最大貢獻，是在零件層面上的：他發明、改進了分離式冷凝器、行星式齒輪、平行運動連桿機構，有了十幾個這樣零件層面的改動，才導致了後面系統的變化。
再舉個例子，很長一段時間內，法國汽車比美國汽車造得更好，產量更高。但等福特發明了流水線之後，這一切全變了。一直到第一次世界大戰之前，法國一年只能造4萬輛汽車，因為要手工打造每一輛汽車，流水線的標準化改變了所有這一切，這就是零件的標準化能帶來的價值。
要打造一個智能金融系統，我們已經能造其中的一部分零件了，有一百多種，但這還不是所有的零件。我相信未來的金融大工業會需要比這多得多的零件，但我們可以從這些零件開始，來做一些現在、立即、馬上，就能做的事。
如果我們去構造一個智能金融系統，可能得要1000萬、2000萬。但如果我們從現在就能做的小事開始，不需要這麼多錢，也許20萬就能啟動，很多事可能沒有想象得這麼難。
用人工智能打造新金融需要新金融人，我們要把我們腦子裡面很多原有的想法給清掉。很多業務未必要通過原有的做法向外推，我們需要一種新的適應大工業時代的協作方法。
最後，我就希望大家記得一句Take-home message：智能金融的路徑是由零件的標準化導向大工業金融。智能金融就是標準化和大工業這兩件事。
END.
閱讀更多 甲子光年 的文章
