前段时间，本公众号曾推出“AI+”系列文章，详细讨论了人工智能技术在各个领域的应用前景及优势。但在AI长河三起两落的洪流中，经常性的此AI非彼AI，而其中做通用人工智能的更加少之又少。
经过多年的完善，联动北方自研的通用AI模型已较为成熟，该模型具有多模态、多切面、多通道、稳定性强等特点，基于此通用模型，联动北方已经完成了包括智能运维、智能医疗、智能物联以及知识图谱在内的多个项目的落地。
故此，在原有文章的基础之上，联动北方推出修订版的“AGI+”系列文章，以联动北方通用AI模型为基础，详述通用人工智能AGI如何在各个领域发挥作用。
纵观金融领域的发展历程，金融行业的变革一直都与科技联系紧密，金融机构也一直是最新信息技术最积极的应用者。从这个意义上来说，科技驱动金融，并非始于当今，而是早已有之。
在上一篇“AI+”阶段，人工智能在金融领域的尝试更倾向于简化工作流程、提高工作效率，而在如今的“AGI+”的阶段，人工智能的应用正在从产品向综合方向发展，在提高原有工作效率的基础上还需要增加新业务的获取量、提升业务多元化，从而进一步提高客户满意度。
现阶段，人工智能早已融入金融领域的各环节，通过知识图谱、自然语言处理、计算机视觉等核心技术为金融行业的各参与主体、各业务环节赋能。今天的文章，将在原有文章的基础上结合联动北方通用AI模型，简述在通用人工智能AGI的加持下，金融领域又有哪些提升。
AGI+金融现状
智能金融的概念与发展历程
融领域的发展历程，金融行业的变革一直都与科技联系紧密，金融机构也一直是最新信息技术最积极的应用者。从这个意义上来说，科技驱动金融，并非始于当今，而是早已有之。在讨论智能金融的发展现状之前，我们首先明晰一下智能金融的概念。
“智能金融”指的是人工智能技术与金融服务和产品的动态融合。即通过利用人工智能技术，创新金融产品和服务模式、改善客户体验、提高服务效率等，其参与者不仅包括为金融机构提供人工智能技术服务的公司，也包括传统金融机构、新兴金融业态以及金融业不可或缺的监管机构，这些参与者共同组成智能金融生态系统。
人工智能技术与金融的结合并不出人意料，总体来看，科技赋能金融行业发展至今共经历了IT+金融、互联网+金融以及今天的人工智能+金融三个阶段。而我们目前所处的，就是面向未来的金融智能化阶段。
在前两个阶段，科技企业在金融领域一般扮演技术服务或解决方案提供商的角色，金融技术的革新主要是由金融机构发起和主导。而发展到智能化阶段，科技公司不再局限于为现有的金融机构提供技术支持，而是通过改变玩法、挑战中介、改良赋能，来推动金融领域的创新与重塑。
作为未来金融发展的方向，智能金融在政策、经济、技术等方面都获得了巨大的支持，各方面资金的投入也为智能金融的发展创造了极其良好的环境。
据统计，2011年至2018年第三季度累计发生融资事件130起，从2016年起每年的融资事件数量均超过30起，预计未来将保持稳定增长态势，这也侧面反应了市场对金融行业的期待。
AI+金融的现状
相比其它行业，金融与人工智能具有天然的耦合性。
1、海量行业数据支持。金融行业本身的业务关注的金钱的进进出出，在自身内部循环过程中即已拥有海量的数据；同时，金融行业与整个社会存在着巨大的交织网络，每时每刻都能够产生金融交易、客户信息、市场分析、风险控制、投资顾问等多种海量数据 。这些海量的数据，为人工智能的发展提供了天然的实践场景和深度学习进化训练。
2、行业边界相对清晰。在传统金融行业领域，商业银行提供存款的吸收与放贷服务，证券公司提供证券的交易服务，保险公司提供保险服务，不同金融行业之间存在着相对清晰的边界，各个行业所提供的金融产品径渭分明，易于识别。尽管在互联网金融和新金融兴起后，金融界的边界有一定程度模糊化的趋势，但总体来看，金融界的边界依然比较清晰。这种清晰的边界，对于当前还处于“弱人工智能”阶段的人工智能来说，无疑是优良的应用场景，因为处于这一阶段的人工智能“专注于特定领域和完成特定的任务”。
3、行业资本丰富。金融业的本质是为实体经济服务，相比于其他实体行业，金融业拥有轻资产、重资本的优势。同时，由于金融行业的对数据和风险控制近乎偏执的要求，金融业对于人工智能技术的利用积极性要比其他行业更高。
尽管先天条件优厚，传统人工智能技术在金融领域行业的应用仍面临着许多挑战。
首先，伴随着金融服务从线下逐渐迁移到线上，互联网的搜索引擎业务等解决方案也逐渐在线上金融服务中使用。但相对于其他行业，金融行业的广告搜索和个性化推荐特异性强，针对性高，需求更加复杂。
其次，自然语言处理与理解技术虽然在金融行业应用较多，如机器翻译、阅读理解、对话生成等，但仍面临着无法训练出具有足够专业知识的模型的挑战，缺乏充足语料库等问题。
最后，金融领域信息专业性和准确性更高、信息更新迭代快。这也意味着相应的知识图谱也需要更快更新和丰富其内容，传统的人工智能显然无法满足。
AGI+金融
相对于人工智能（AI）的概念，通用人工智能（AGI）更强调智能的通用性特质，即同一个通用模型适用于各个领域，在现有人工智能“专”的基础上兼具了“广”的优点。从总体来看，“AGI”更接近“AI”的初始意义，与“强AI（Strong AI）”的概念更加相似。而联动北方通用AI模型的核心思想正是通用性人工智能，因此该模型除了能够在运维领域加以应用，在金融领域同样能发挥作用。
针对AI+时期智能金融技术方面的不足，以及金融领域数据数量海量、多结构多维度、价值巨大、及时性要求高等特性，联动北方通用AI模型增强了领域性知识图谱的应用，并结合知识图谱的自身特性与使用场景，提出了以代数的群论、拓扑学习以及模糊论集合、图论等数学基础的智慧树模型。
智慧树模型，顾名思义，通过将知识图谱的建立过程类比为结构树，通过结构与分支的不断拓展与交织来完成知识图谱的构建。
在此模型中，每个实体可以比作一个独立的树突，实体间通过不同的关系相互联系缠绕在一起，形成多根的实体树网，树网的意义在于将实体间二维的关系转换为三维，弱化了关系顺序带来的影响，使得实体间的联系更加灵活。
同时智慧树模型采用多维模型而非平面圈层，多维模型的好处在于不仅能够定位实体在某个知识碎片中的位置，同时还定位实体在整个知识图谱中的位置，这个过程可以想象成葡萄与葡萄架的关系。将实体比做一颗葡萄，联动北方多维模型不仅能够找到葡萄所在的整串葡萄（知识碎片）中的位置，更能够通过定位命中簇——映射概念簇——序列化热点簇，定位葡萄在葡萄架甚至葡萄林（知识图谱）中的位置。多维模型模可以精准分析实体间的关系，更好地排除干扰，对于自然语言处理等应用有着极高的价值。
此外，智慧树模型是开放、外延、全方位扫描的，这意味着图谱内任何节点都会成为敏感点和关联热点，节点之间不会存在明显的权重差别，而是根据需要发挥作用；同时开放的模型支持无限拓展，保证数据能够实时更新；实体之间联系紧密，不同切面的节点能够通过关联节点进入其他切面，也可以沿着概念树从一个节点到另一个节点，更加灵活。
联动北方智慧树模型还提供了可视化智能建模界面，在可视化的建模操作界面，用户可以动态地创建、修改和删除各节点之间的关系，从而搭建不同的关系网。此外，用户还可以在构建好的模型中自由选择需要显示的区域进行放大和详细显示，更清晰地展示实体间的联系，以便后续进行分析与处理。
相比通用知识图谱，领域知识图谱更具有针对性，通过构建金融领域知识图谱，可在以下几方面起到提升作用：
1、增强知识融合：通过知识图谱对金融行业数据资源进行语义标注和链接，建立以知识为中心的资源语义集成服务；
2、语义搜索和推荐：知识图谱可以将用户搜索输入的关键词，映射为知识图谱中客观世界的概念和实体，搜索结果直接显示出满足用户需求的结构化信息内容，而不是互联网网页；
3、问答和对话系统：基于知识的问答系统将知识图谱看成一个大规模知识库，通过理解将用户的问题转化为对知识图谱的查询，直接得到用户关心问题的答案；
4、大数据分析与决策：知识图谱通过语义链接可以帮助理解大数据，获得对大数据的洞察，提供决策支持。
AGI在金融领域的应用
根据服务对象的不同，金融机构可分为前台、中台、后台三大主要模块，AGI可在金融的七大领域发挥作用，前台为智能支付、智能客服、智能营销，中台为智能风控、智能投顾和智能投研，后台为智能监管。
1、智能支付
作为与消费者连接最紧密的环节，智能金融对广大用户的支付需求影响得最早、最广、最深。随着智能技术的进一步成熟，各种新奇的支付方式也逐渐进入人们的视野，移动支付已经成为日常。移动支付在发展过程中，支付验证技术也经历了快速迭代，密码支付、指纹支付、声波支付等过程。
金融用户需要验证身份的真实性，主要技术包括人脸识别、语音识别、指纹识别和虹膜识别等，这个场景努力的方向，就是要逐步使得金融产品能够“看懂文字”“听懂语言”，实现与用户的无缝连接与协作，为公众提供智能化金融消费体验。
人脸识别技术的成熟和人们对支付安全便捷需求性的提高，使得刷脸支付出现在大众视野。刷脸支付，即基于人脸识别技术的新型支付方式，将用户面部信息与支付系统相关联，通过拍照把获取的图像信息与数据库中事先采集的存储信息进行比对来完成认证。但由于技术和政策的限制，该验证方式落地还需要很长一段时间。
2、智能客服
智能客服目前已经成为很多行业的标配，尤其是银行、保险、金融等领域。金融领域客户咨询及反馈服务频次较高，对呼叫中心的产品效率、质量把控以及数据安全提出严格要求。智能客服基于大规模知识管理系统，面向金融行业构建企业级的客户接待、管理及服务智能化解决方案。
在与客户的问答交互过程中，智能客服系统可以实现“应用-数据-训练”闭环，形成流程指引与问题决策方案，并通过运维服务层以文本、语音及机器人反馈动作等方式向客户传递。此外，智能客服系统还可以针对客户提问进行统计，对相关内容进行信息抽取、业务分类及情感分析，了解服务动向并把握客户需求，为企业的舆情监控及业务分析提供支撑。据统计，目前金融领域的智能客服系统渗透率预计将达到20%-30%，可以解决85%以上的客户常见问题，针对高频次、高重复率的问题解答优势更加明显，缓解企业运营压力并合理控制成本。
3、智能营销
对于营销，目前被谈论最多的是精准营销，它的出现比较早2011年就已经有了具体的概念。精准营销，指的是在精准定位的基础上，依托现代信息技术手段建立个性化的顾客沟通服务体系，实现企业可度量的低成本扩张之路，是有态度的网络营销理念中的核心观点之一。而“智能营销”是一个新概念，2017年才产生。但是，智能营销并不是凭空产生的，事实上，它是基于精准营销的再精准化。
智能营销是指在可量化的数据基础上分析消费者个体的消费模式和特点，并以此来划分顾客群体，精准地找到目标客户，然后进行精准营销和个性化推荐的过程。不同金融用户拥有不同的风险承担能力和意愿，对金融产品与服务的需求具有差异性，而人工智能可以通过大数据技术精准刻画用户画像，并基于此策划营销方案，进行精准营销和个性化推荐，同时实时监测，不断优化营销策略，建立用户数据库，帮助企业引流获客、留存促活。
相对于传统营销，智能营销基于大数据技术、机器学习计算框架等技术，具有时效性强、精准性高、关联性大、性价比高、个性化强等特点。
4、智能风控
金融的本质在于风险定价，风控对于金融机构和平台来说都是一种保障。伴随着互联网金融、智能金融的出现，金融业务面临的风险挑战越来越大，对智能风控提出了需求。智能风控利用大数据人工智能技术，可以使用海量的多维度数据，塑造出高度精细化的风险控制模型，在感知金融环境的动态变化基础上，不断进行深度挖掘与智能学习，实现针对市场变化的适应性更新调整。
智能风控基本包含数据收集、行为建模、用户画像和风险定价四个流程。
5、智能投顾
智能投顾最早在2008年左右兴起于美国，又称机器人投顾（Robo-Advisor），依据现代资产组合理论，结合个人投资者的风险偏好和理财目标，利用算法和友好的互联网界面，为客户提供财富管理和在线投资建议服务。
投资者对于投资顾问的需求主要体现在“情绪管理”和“投资策略/建议”：一方面，投资者在投资过程中容易产生贪婪或恐慌的情绪波动；另一方面，投资者金融市场信息了解相对较少，信息不对称。
与传统投顾相比，智能投顾具有低门槛、低费用、投资广、透明度高、操作简单、个性化定制等优势。因此，智能投顾更适合满足投资者的需求。
6、智能投研
金融业对数据具有极强的依赖性，工作人员每天一半的时间都用来收集和处理数据。因此，如何节省这一半的处理和收集数据的时间，是金融业对人工智能提出的需求。
智能投研是基于知识图谱和机器学习等技术，搜集并整理信息，形成文档，供分析师、投资者等使用。智能机器效率较高，但创新性不足，而人机结合将大大提高决策的效率和质量。
7、智能监管
全球每年产生约3亿条法律法规数据，人工储存难度较高。通过人工智能学习、积累金融法规，并结合金融机构的实际情况提供合规建议。机器可以从海量的交易数据中学习知识和规则，发现异常行为，对欺诈与洗钱行为进行警示。
智能金融的挑战与机遇
智能金融潜力巨大，发展前景也一片大好，但现在的技术并没有解决全部的问题，智能金融依旧存在一些需要完善的地方。
从技术层面看，目前智能金融发展进程中的潜在挑战主要有以下几个方面：
第一是基础设施层面。具体包括通信、架构、系统、应用和数据安全等问题，随着人工智能等技术在金融中的应用，金融网络安全的重要性也相应提高。因为金融体系对智能科技越依赖，那么，这些技术层面如果出现故障可能产生的冲击也就更大。
第二是数据联通及有效应用的实现障碍。目前用户数据高度集中在少数几家企业中，容易形成数据寡头现象，带来一定程度的数据垄断，造成所谓的数据鸿沟问题，形成信息孤岛，不利于智能金融公司数据的联通。并且如果数据使用不当，精确的数据挖掘也可能会导致不合乎现实乃至荒谬的结果，如何深入理解数据与金融的逻辑，挖掘数据真正的价值成为了又一大挑战。
第三是对智能金融认知偏差可能会导致一定的信任危机。从发展进程评估，目前人工智能还处于“弱人工智能”阶段，大部分智能金融还处于概念阶段，距离其真正落地还有很多问题待解决。如果在目前的发展水准上就一味对智能金融过于夸大事实，使得大众的期望值比较高，一旦出现一些故障，就容易造成信任危机。
除了技术层面的挑战，信息和监管方面也形势严峻。
首先是信息安全问题。智能化的金融服务平台是建立在互联网基础之上，但影响互联网不确定性因素太多，这样无疑增加了系统性风险。
其次是数据量的问题。海量的数据是人工智能技术优势发挥的燃料，离开大数据，人工智能就犹如无米之炊的“巧妇”。随着互联网技术的发展和普及，金融领域的数据流比较充足，但离全量数据相差甚远。
此外监管缺失也是智能金融发展需要解决的问题之一。人工智能所有的操作技能建立在大量的程序基础之上，发生故障的可能性较大。人工智能自身的学习、决策机制的产生等行为无法追溯，这些加大了开发人员人为造成恶意行为的可能性。但在现有的法律和监管体系下，很难界定人工智能由于故障或行为引发的社会责任问题。
从目前的进展看，人工智能在金融领域的应用，开始优化金融现有流程，在前端应用于服务客户，在中台支持授信、各类金融交易和金融分析中的决策，在后台用于风险防控和监督，使金融服务更加个性化与智能化、金融风控能力更强。展望未来，智能金融呈现出以下几个方面的发展趋势。
1、创新传统金融业态，促进智能技术与金融的融合，逐步实现智能化、场景化、个性化。智能化为基础，可分为三个层次：第一层次为Robot，即可以实现简单的数据收集整理工作（可以简单视为助理分析师）；第二层次为Smart，即可以实现数据的简单分析（初级分析师）；第三层次为Intelligent，即可以实现数据的决策支持和深度洞察（高级分析师）。场景化即使金融业态更贴近生活。同时通过智能金融驱动金融服务和产品的创新，提供多元化选择，实现相对个性化的金融服务。
2、降低金融服务成本，使得金融业能够覆盖到传统的金融体系覆盖不到的客户与领域，推动金融普惠化。智能金融中的智能营销可以帮助金融机构精准定位客户，减少不必要的营销成本；智能风控在整个业务流程中可提高风险识别、预警、防范及风险定价能力，也可以降低风险甄别成本。而经营成本的降低是基于整个金融业务流程的智能化，实现从部分到整体的成本降低。智能金融总体成本的降低将扩大金融产品和服务的范围、拓展用户基础，推动金融的普惠化。
3、技术企业和金融企业参与智能金融虽然是基于不同的起点、比较优势和路径，但是从趋势看呈现出相互影响、相互融合的态势。。金融机构与科技公司的合作方式主要包括购买、投资并购、建立加速器等，目前金融机构与科技企业之间的往来大部分停留在向科技公司购买技术服务，或与科技公司合作建立联合实验室。出于规避金融机构与科技企业合作存在的信息技术安全、监管不确定等问题或对长远发展的考虑，未来金融机构有望以更深入协作的方式成为技术的共同所有者。而技术企业表现出的活力，和对市场的敏感，也会深刻影响传统金融行业的金融服务方式。
技术的革新也是行业的革新，在未来的发展中，我们也期待能用技术为金融领域带来更大的变革，服务更多传统金融未触达的人群，进一步推动金融行业的发展。
閱讀更多 聯動北方科技 的文章
