TMT观察网_独特视角观察TMT行业

對于金融科技行業（Fintech）的從業者來說，如果現在不提“AI+金融”絕對已經OUT了，正像前幾年如果不提“互聯網+金融”就OUT樣。

其實，AI（Artificial Intelligence，即人工智能）并不是一個新生事物，這一概念最早在1956年被提出。算法的持續革新、硬件的發展成熟和更大量級的數據共同驅動AI在沉寂了近二十年之后再一次卷土重來。

金融的核心本質功能是降低交易成本和資產定價，互聯網的廣泛應用可以算作對金融第一個核心本質的顛覆，而AI正在改變金融行業資產定價相關的核心業務條線。傳統銀行的信貸業務、資產管理機構的資產配置和投資業務、證券公司的投資咨詢業務和保險公司的精算定價業務都開始受到威脅。但較強的消費粘性、較重的資本投入和數據的先發優勢為傳統金融機構提供了一定保護。未來產生威脅的不是金融科技的新興玩家，而更有可能是在這三點上不輸傳統金融機構的互聯網巨頭，傳統金融機構需要做出改變。

一、AI已經帶來的金融變化

事實上，已經有為數眾多的金融機構開發了基于AI的智能客服。例如北歐聯合銀行已經推出了名為Nova的基于AI技術的聊天機器人和虛擬助理，這位AI主力已經開始服務于該銀行位于挪威等地的網點。目前Nova能夠順暢地理解挪威語，并回答與養老金和保險業務相關的問題，如果遇到Nova無法理解的問題，會推薦一位人工客服進行回答。

這樣的AI助理在歐洲和美國已經開始逐步取代現實中的網點雇員，這些銀行已經開始關閉線下的實體網點，例如北歐的大型商業銀行在過去的十年內已經關閉了大約30%的線下實體網點。

部分領先的傳統金融機構已經開始通過AI技術進行客戶信息收集。客戶身份信息的收集和認證是傳統金融機構風控的重要一環，而AI技術能夠大大提高這一過程的效率。例如平安已經開發了準確率達到99.8%的活體人臉識別技術，每分鐘處理人臉數最高能夠達到3萬個。

尤其是傳統的信貸審批員已經在失業的邊緣。傳統貸款審批主要由信貸審批員通過收集信息決定是否發放貸款。但隨著AI技術的應用，范圍更廣的數據被用來信用評估，傳統的商業銀行信貸風控模型使用的變量通常只有20-30個左右，但量化的、基于大數據的信貸風控模型超過萬級單位。不僅如此，深度學習等算法模型甚至可以自行甄別出對于信貸表現更加重要的特征變量，而這些變量在傳統的評估框架中可能并未受到重視。此外，AI在反欺詐方面也能發揮作用。

雖然這些AI技術的應用，已經顯著幫助傳統金融機構解放了人力、節約了成本、提高了效率，但這些并不能體現AI對金融行業顛覆的真正實力。核心原因在于，這些變革并沒有觸及金融行業的本質，只能被看作是行業借助AI技術的自我完善，而不算是“革命”，因為并未觸及金融行業的降低交易成本、資產定價兩大核心本質功能。

二、什么才會真正被顛覆？

AI對于金融的第二個核心本質功能——“資產定價”的顛覆，才是整個金融行業所最應該警惕的。目前來看，AI對于金融行業的壓力，恐怕比互聯網金融行業要更大，原因在于對于大部分金融機構來說，“資產定價”相關的業務都比“降低交易成本”相關業務更加核心。例如對于商業銀行來說，吸儲放貸的信貸業務是利潤的主要來源，而非支付結算；對于保險公司來說，核心是保險產品的設計和定價，精算師才是保險公司的核心，而非保險銷售代理人；對于資產管理公司同樣，投資和資產配置相關的業績才是衡量資產管理機構長期水平的標尺，銷售能力通常只能錦上添花。但目前來看，AI的下一個“革命”對象正是這些金融機構的核心命脈。

一些過往嚴重依賴“人”的因素的業務也開始受到AI技術的威脅，例如證券公司的投資咨詢業務。分析師是投資咨詢業務條線的“靈魂”，通過對宏觀經濟數據、上市公司的財務數據等進行研究，撰寫研究報告，為客戶提供股票買入賣出的推薦建議。在過去，分析師自身的經驗和對市場的判斷非常重要，但AI同樣已經攻破了這一堡壘，通過算法模型能夠高速將最新的經濟變量、財務指標輸入模型，并作出判斷，例如可以找到歷史上和當前情況最類似的時間點，并根據當時的資產收益表現對這一次進行預測。

美國的一些平臺已經能夠利用AI基于上市公司公告、新聞媒體報道、甚至社交媒體的最新新聞（例如特朗普總統鐘愛的Tweet）來自動生成分析報告，例如Automate-dInsights和Captricity。華爾街最為人熟知的先行者是Kensho，例如Ken-sho能夠基于歷史大數據告訴你，在歷史上的數十次聯儲加息前一周之內，標普指數和道瓊斯指數的漲跌幅，判斷哪些行業的股票會表現更好，而這在過去需要分析師進行大量的數據處理工作，更不必說這些分析師的高成本。

按照業務的復雜和專業程度看，下一個可能被AI算法顛覆的是保險行業。毫無疑問，保險公司的中流砥柱是設計保險產品并進行定價的精算師，這些精通金融學、保險學和統計學的專家過去主要處理的就是概率，通過生存率、死亡率、發病率等概率來為保險產品進行定價。

由于這一業務的復雜性和較高的專業壁壘，精算業務長久以來并沒有過多收到科技的沖擊，但這一次情況可能有所不同，因為AI的算法的核心優勢就在于預測概率。未來AI將完全改變精算行業的商業模式，海量數據使得能夠動態、更加精確地預測死亡率和發病率。

三、傳統金融機構手中的牌

雖然傳統金融機構的不同業務條線都面臨著AI的沖擊，但目前看來，并不需要過于擔心，核心有三點：

首先，金融行業的消費習慣粘性比較大。畢竟是和錢打交道的行業，很多時候還是需要有面對面的交流才能夠取得信任。例如智能投顧行業雖然能夠吸收很多長尾客戶的小額資金，但高端私人銀行客戶仍然需要客戶經理的服務，此外這些客戶經理也能夠提供更多附加服務。

其次，AI目前仍然需要較重的資本投入，金融機構雄厚的資本使得每年都能夠支出大手筆的IT投入。以美國為例，摩根大通銀行每年的IT指出是95億美金，美國銀行是90億，富國銀行是70億美金，而截至2016年三季度末，美國投資于AI創業公司的資金總額也只有31億美金。例如中國平安每年的研發投入經費在70億元人民幣以上，這是金融科技的新興玩家所不能比擬的。

再次，金融行業在數據的先發優勢上更加明顯。數據是深度學習乃至于AI的基石，與財富相關的數據保密性要求更高，而金融機構在這一方面先發優勢更加明顯。

【來源：經濟觀察報 】