中国银行信息科技部总工程师 邢桂伟

　　未来，中国银行将以最为迫切的业务现实困扰为出发点，以解决业务问题为最终目标，持续在客户风险预测、精准营销、客户服务、自动交易、反欺诈等领域彰显人工智能技术不可估算的能量。

　　当今世界，信息技术的快速发展，正推动着人类社会由信息时代迈入以开放、兼容、共享为特征的数字化时代。人工智能、大数据、云计算、区块链、物联网等数字化技术正在以前所未有的速度与力度，改变着人类社会生产生活方式，促进着全球范围内的社会形态、经济格局和竞争态势发生深层次变革。

　　最近的微信朋友圈里盛传了一条消息：“华尔街失守，摩根大通的AI(人工智能)将36万小时的工作缩至秒级。”这条消息源自彭博社的报道中提到，摩根大通开发了一款金融合同解析软件，借助人工智能和机器学习技术，将原先律师和贷款人员每年需36万小时才能完成的工作，仅用几秒即可完成，不但错误率大大降低，而且它还无需休假……

　　除了摩根大通人工智能的深度运用，在刚刚过去的2016年，从3月谷歌人工智能程序“AlphaGo”击败李世石，到年末“Master”在中国棋类网站上与中日韩数十位围棋高手对决，连续六十局无一败绩，人工智能一次又一次震撼了世界，这一年将是人工智能发展历史上值得铭记的里程碑之年。

　　从2006年美国权威技术刊物《科学》杂志关于深度学习的开篇论文算起，新一轮人工智能技术浪潮已经历了整整十年的酝酿和发展，按照高德纳(Gartner)技术成熟度曲线预计，2～5年内将迎来人工智能的大规模商业应用。

　　当前，传统商业银行正面临着宏观经济转型、金融市场改革、全球化进程加速、客户需求更加复杂多元、跨界竞争不断加剧的生存挑战与历史性发展机遇。从某种程度上来说，数字化时代，传统商业银行将不再是单纯的金融服务提供者，而将会成为移动连接的缔造者、数据价值的创造者，依托金融行业积累的大数据基础，通过人工智能等新技术的广泛运用，商业银行将在大规模快速分析、智能预测、精准营销等领域焕发出新的生机与活力，具备更强的决策分析力、洞察发现力和自我优化力。

　　一、人工智能技术发展脉络与特征

　　1956年夏天达特茅斯会议上人工智能诞生，无论是身体机能还是大脑智力，人工智能都被寄托了太多人类对突破自身局限的希望。在这六十余年间，它经历了“搜索推理”的1.0时代和“专家系统”的2.0时代两次高潮和低谷，道路虽然曲折，但是从理论基础与软件算法，再到产业应用，均取得了长足的发展和进步。

　　业界普遍认为，从2010年开始，人工智能迎来了3.0时代，这一时代最显著的特征是机器学习和深度学习的大规模应用。基于深度学习，人工智能可以通过学习不断提高和改进自己的能力，具备了“思考”、“智慧”的表象。人工智能的再次兴起得益于以下三方面的共同支持：一是硬件计算能力的大幅提升，人工智能芯片的出现，特别是基于GPU的计算机硬件体系的革新，为人工智能提供了坚实的物理基础;二是人工神经网络尤其是深度学习算法的发展，新的算法通过模拟人脑的层次抽象结构，利用算法去实现人脑神经元细胞和神经突触的联接关系，从全新的角度让计算机呈现“智能”，实现特征和规则的自动提取，使得机器自主学习和训练成为现实，突破了人工智能“专家系统”时代面临的知识描述瓶颈;三是结构化与非结构化各类数据的几何级增长，移动互联时代使信息的采集、传播速度和规模达到空前的水平，基于互联网海量大数据的支持，为人工智能深度学习提供了大量的文本、图像、语音等原材料支持，极大提高了深度学习模型的准确率，推动了算法的更新和发展。

　　至此，人工智能掀开了新的篇章，它不再是受摆布的工具，而是被人类赋予了未知的“生命”。

　　1.芯片是人工智能的“本体”

　　芯片决定了人工智能是“硅基生命”，不论是CPU、GPU、或是TPU等其他专用芯片，都是人工智能赖以生存的物理基础，为其提供存续运行的计算能力。在人工神经网络发展初期，各类算法都是运行在通用CPU上，GPU作为图形处理器，其内部高并行结构在处理数据和算法方面相比传统CPU有得天独厚的优势，与人工神经网络训练所需的大规模浮点计算和矩阵计算能力不谋而合，可以有更快的处理速度、更少功耗和投入。随着深度学习算法的逐步发展，谷歌、IBM、英特尔等公司开始研发专门支持卷积神经网络、递归神经网络等深度学习算法的硬件加速器，大幅提高了人工智能算法运行效率，但对芯片的特殊要求也会使人工智能的大规模快速推广遇到障碍，在实际应用中需要权衡计算速度和硬件通用性。在人工智能实际应用中，由于组成超算平台的芯片数量太多(AlphaGo的后期版本需要1202个CPU和176个GPU支持)，支持分布式架构或云计算已经成为必然要求。

　　芯片作为人工智能行业的最上游产业，未来人工智能的任何突破性进展都离不开硬件技术的支持，它的发展情况也在一定程度上能成为整个行业发展的晴雨表。

　　2.算法是人工智能的“大脑”

　　如果说机器学习还是浓缩了人类经验，仅仅节省人工劳动，本质上依然是按照人类指令，去做计算机最擅长的工作，那么近年来基于人工神经网络的深度学习算法就是放手让计算机自由发挥，试图让计算机突破人类的思维定式去思考、总结经验。当人类无法精准总结出特征或规则的时候，便可以交予人工神经网络去处理和学习，比如：在图像识别领域，人类看一眼图片便能精准识别图片中的猫，但是却无法总结出一套规则让传统计算机同样精准识别图片中的猫，此时给人工神经网络输入成千上万张不同猫的图片，待神经网络训练稳定后，便可以从其他图片中识别出猫。所以，人工神经网络、深度学习算法的发展，是人工智能学习与思考的基石，使人工智能在以往人类更擅长的图像识别、语义分析等领域实现了巨大突破，彻底激活了人工智能。

　　客观来讲，目前的人工智能深度学习算法的本质还是依靠大规模计算能力去“试”出一套“行之有效”的规则和模型，模拟智能表现，并不具备主动意识，但是深度学习的黑箱原则就像人类在月球上踏出的第一步，“未知但有效”，也许是这一轮人工智能高潮最令人振奋之处。同时，人工智能深度学习算法衍生出的应用场景和领域已经非常宽广、切合实际，也容易落地实施，目前它的发展状况已经足以给各行各业带来实质性的影响和变化。

　　3.数据是人工智能的“灵魂”

　　在这一轮高潮中，人工智能发生了质的变化：从原来人脑设计参数的人工智能转变为由数据驱动的人工智能。目前，人工智能有三大应用场景：一是语音识别和自然语言理解，基于语音和语义技术，可自动将海量语音通话内容打上各类标签，挖掘分析有价值信息，为后续服务与营销等提供数据与决策支持;二是图像识别，在人脸识别和无人驾驶场景中利用该技术可快速识别出特定目标或判断当前状况，为授权或决策提供输入;三是分析预测，基于已有大量数据，使用深度学习技术，从数据中自动发现模式和规律，能提前预测变化趋势。由此可以看出，这一轮人工智能最大的特点是数据在其中扮演的角色，它既是“因”又是“果”。

　　简而言之，这一轮人工智能可以简述为“从数据中来，到数据中去”，数据就是人工智能的“灵魂”。人工神经网络(或深度学习)的基本算法特性决定了其内部是一个黑盒子，在经过成千上万次训练和调试后，是训练数据成就了神经网络的最终形态，成就了“智能”的实在表现——你之所以能成为你，是因为你经历过的一切。

　　二、金融行业人工智能应用实践

　　目前，人工智能在金融领域的运用主要聚焦在三方面。

　　1.改善客户体验

　　人工智能技术的恰当运用能够有效提升金融服务的客户体验，在银行网点中设置“网点机器人”，可以实现指定区域自动巡航功能，对客户进行迎宾分流和语音互动交流，利用人脸识别技术，既能提前识别VIP客户，为客户提供个性化贴身服务，也能识别可疑人员、提示可疑行为动作，还能通过前端采集客户数据，开展精准营销工作;“智能客服”能够根据客服人员与客户的通话情况，进行业务咨询热点问题梳理统计，由机器进行自动学习，梳理生成知识问答库，并作为后续机器自动回复客户问题的参考依据，还可以分析客服人员的应答用词和态度，对服务进行质检，有针对性地提高服务水平;人工智能技术还能显著提升人机交互场景中的客户体验，利用面部识别技术，还能在手机银行等终端设备中对客户进行身份认证，实现远程开户、登陆授权或者支付时的二次身份认证等功能。

　　2.实现量化分析和交易

　　传统投资顾问需要站在投资者的角度，帮助投资者进行符合其风险偏好特征、适应某一特定时期市场表现的投资组合管理。传统做法需要以大量昂贵的人工方式完成，财富管理服务也因此无形地提高了进入门槛，只面向高净值人士开设。智能投顾以最少人工干涉的方式进行投资组合管理，以更强大的计算机模型运用人工智能的技术对大量客户进行财富画像，以人工智能算法为每一位客户提供量身定制的资产管理投资方案。Wealthfront就是一家非常具有代表性的智能投顾平台，借助于机器与量化技术，为经过调查问卷评估的客户提供量身定制的资产投资组合建议，包括股票配置、股票期权操作、债权配置、地产资产配置，旨在提供一个自动化的投资管理服务最大化投资回报。此外，更为知名的是号称“取代投行分析师”的投资机器人——Kensho，它结合自然语言搜索，图形化用户界面和云计算，将发生事件关联金融市场，提供研究辅助，智能回答复杂金融投资问题，从而加速交易时间，减少成本，用动态数据与实时信息，及时反映市场动态。

　　3.提升风险管控水平

　　采用深度学习技术，导入海量金融交易数据，从数据中自动识别欺诈交易，总结交易模式，提升银行欺诈、反洗钱侦测系统的侦测率，降低误报率，同时能够实现事中拦截，阻断欺诈交易，降低合规风险;或者结合社交媒体中的大量客户数据，采用知识图谱技术，即根据专家设计的规则与不同种类的实体连接所组成的关系网络，实现金融风险管控。英国Garlik公司收集网络和社交媒体上的个人信息，采用知识图谱技术与大规模语义数据库，实现个人信息盗窃自动及时报警。除此之外，还有Dataminr公司基于Twitter及其他公开信息的实时风险，致力于从数据爆炸的社交网络中提取精简且具价值的风险情报与挖掘关键信息，如舆情热点、金融相关的非交易信息、公共机构安全预警、企业安全等，并直接向客户推送。

　　三、中国银行在人工智能领域的探索实践

　　多年来，中国银行高度关注新兴信息技术发展，始终密切跟踪新兴技术变化趋势，不断探寻捕捉恰当业务场景，大胆推动新兴技术试点运用。面对数字化时代技术发展的滚滚浪潮，中国银行以人工智能和大数据为新兴技术研究运用突破口，同时加大区块链、生物识别、物联网、VR等技术研究深度和广度，不断提升研究水平，着力强化运用效能。

　　对于人工智能的广泛应用，中国银行重点关注人工智能两大运用基础：一方面是需要清晰定义问题解决的应用场景，另一方面是确保人工智能依托的数据质量和数量，特别是流程数据的完整性和更新及时性决定了人工智能应用的基础是否牢固。

　　目前中国银行正在进行人工智能领域探索实践：贸易融资业务反洗钱核查项目。项目背景是国外监管机构要在海外贸易融资反洗钱核查中对中国银行所有贸易金融交易进行全方位交易审核，包括交易相关人员、机构的背景调查与负面新闻调查，交易相关船只的合法性和航行路径调查，货物名称种类与价格调查等等。传统做法是业务人员从海量的纸质单据中手工找出被调查对象，并登录多个网站及系统对单据内容或清单进行核实，一般情况下，审核每单交易需一个工作人员花费2小时左右。贸易融资业务反洗钱核查项目综合运用文本分析、图像识别、机器学习等人工智能技术，以银行自有客户数据和交易数据为基础，结合从外部交易网站、制裁名单、船运公司、新闻媒体抓取的海量数据，可自动对贸易交易过程中的货物单价、交易对象、货运船只真实性等内容进行识别并交叉验证，最终生成分析报告，为核查提供依据。项目试点后，原本每单审核时间从手工2小时下降到2分钟，效率与质量得到极大提升，银行人工成本大幅降低。

　　此外，中国银行还正在网点机器人、智能客服、人脸识别、反洗钱侦测、信用卡欺诈风险防控等领域进行试点应用。未来，中国银行将以最为迫切的业务现实困扰为出发点，以解决业务问题为最终目标，持续在客户风险预测、精准营销、客户服务、自动交易、反欺诈等领域彰显人工智能技术不可估算的能量。