人工智能金融应用场景
人工智能技术以其强大的数据处理能力以及自我学习能力使其应用在金融领域的各个环节中。与传统人工处理业务相比较，人工智能在金融领域中的应用有诸多独特优势。首先，计算机的数据计算能力为数据的处理提供了极大的优势，这一点在数据量十分巨大的金融领域来说是极其重要的。另外人工智能拥有人类大脑的某些功能效果，能够对数据进行及时响应并预警。金融领域数据复杂多变、易受外部环境影响，数据为各种政策的制定实施提供了强有力的理论支持，时时掌握最新的金融数据，把握经济动态走向显得尤为重要。人工智能在金融领域的重要特点，决定了其在金融领域的重要地位，并应用到多种场景当中，目前人工智能技术在金融领域中的应用主要集中在智能客服、智能投资顾问、智能投研、智能营销、金融风险防控等方面。
（1）智能客服
语音识别技术、自然语言理解、知识图谱等技术的发展使得智能客服得以应用到实际工作当中。该技术可以用来优化现有的远程客户服务、业务咨询和业务办理等，使得用户能够更加及时地获得满意的答复，提升客户满意度，与此同时降低了人工劳动强东，节约企业运营成本。
（2）智能投资顾问
传统意义上的投资顾问模式是在专业理财顾问的指导下规划符合其投资风险偏好、某一时期资金需求以及某一阶段市场表现的投资组合，费用高昂，也因此导致为一些有一意向的用户带来了一定障碍。人工智能技术下的智能投顾与传统的人类投顾相比具有透明度高、投资门槛低、个性化等独特优势，吸引力众多潜在的人员参与其中，实现了更加普及的投资顾问服务。
（3）智能投研
投研业务需要对数据资料进行分析并撰写报告，由于金融行业数据量大，需要花费大量的时间去寻找相关数据资料，分析数据同样也十分耗时费力。人工智能的应用缩短了数据分析时间并且大大增强了数据的可靠性，从业者可根据给出的结果快速完成相关报告的撰写，甚至可以完全自动生成相关报告。
（4）智能营销
人工智能通过对个人信息的分析，为其分析的每位用户建立数据模型，并根据数据模型的变化实时分析，根据分析结果实现精准销售。这种销售模式实时性强、准确度高、个性化高等众多优势。
（5）金融风险防控
通过人工智能金融机构可以制定各种预案并根据已处理的信息，给出分析结果以及预判信息，对于防范金融风险，促进金融机构的健康发展提供了有利支撑。人工智能通过对历史数据，基本面数据及同业数据筛选、清洗、建模进行自我训练和学习，可以从这些整合到一起的数据中检测数据当中的不一致性，更加全面地评估公司风险。此外，还可以通过提取、筛选企业在其官方网站或社交媒体上的数据，来判断企业和其产品在社会中的影响力。由于人工智能系统运行效率不断提升，金融机构可以借助机器学习实现对借款人还贷能力的实时监控，从而及时对后续可能无法还贷的企业进行事前干预并有效减少坏账，这是传统风险评估模式下难以做到的。此外可以通过人工智能给出的信息开展经济决策部署，应对已出现的金融问题。
金融科技峰会：“人工智能在金融领域的前景与挑战”
这场的主题是前景与挑战，太大了，其实前景我们最关注的是风险，挑战，现在监管政策不是特别明确，所以也不能说监管就是挑战，而是从监管角度，希望它怎样做能对行业好一些，或者说监管能利用AI，或在这个领域怎样与时俱进。所以是两个角度，一个这个行业面临的风险、问题、困惑，另外从监管角度，有哪些建议？或者AI的角度，能给监管做些什么贡献？
正文
第七届上海新金融年会暨第四届金融科技外滩峰会
科技驱动全球金融变革
【速记稿】平行会场四“人工智能在金融领域的前景与挑战”
王海明：女士们、先生们，我们这场主题是“人工智能在金融领域的前景与挑战”。另外一个会场是讲区块链，有很多人很纠结，到底去哪场，我相信你们听完这场后，会为自己的选择正确而骄傲。我们的惯例一样，在座7位嘉宾都非常有“分量”，来自国内和国际非常有代表性的机构，也是技术和金融方面非常精通的精英。每位先用五分钟阐述观点，再讨论，接下来是交流环节。
这场的主题是前景与挑战，太大了，其实前景我们最关注的是风险，挑战，现在监管政策不是特别明确，所以也不能说监管就是挑战，而是从监管角度，希望它怎样做能对行业好一些，或者说监管能利用AI，或在这个领域怎样与时俱进。所以是两个角度，一个这个行业面临的风险、问题、困惑，另外从监管角度，有哪些建议？或者AI的角度，能给监管做些什么贡献？
首先我们有请来自中国保险资产管理业协会的高总。
高嵩：很荣幸参加这次会议，也非常感谢王秘书长，把我放在第一位。首先刚才王秘书长说到监管，我是来自保险资产管理业协会，不属于监管，属于代表行业，凝聚行业力量，但也是一个比较正规的机构。我本人在行业里负责IT，也是我们行业也有信息化专业委员会的主任委员，在委员会里，我们大部分时间还是在聊如何提高目前系统的建设，这么多的新技术，我们很多时候都讨论区块链、人工智能的技术如何应用到保险资管行业。
先向大家介绍一下保险资管行业。这和我们分会场讨论的P2P、征信相比，可能还是比较封闭，大家不太知道。我们管理了差不多20万亿左右的资产，基本以机构为主，没有to C。但大资管的背景下，资管公司现在也可以成立基金公司，公立基金公司，也有私募的，还有养老金产品，也是借力我们的投资能力、协同效果，把我们的产品服务从to B到to C。因此，我们在AI、新技术应用方面，有很多的思考和研究。
今天来参加这个会的专家都是AI大咖，我不是。我先讲讲从机构投资者角度出发，我个人的一些想法，AI可以在哪些环节上得到应用。
从机构投资者来说，我们跟私人客户差不多，首先要有KYC的过程，要了解委托人，他是保险机构，对负债有要求，对资金有要求，资金进来，我们要考虑资产配置，配置好以后，要对行业进行研究、行业的配置。然后就开始要有很多投研、投资，事后的风控、事中的风控、事后的运营，还要向监管报数据，监管可能会根据数据进行比例的判断、计算，识别风险。这些都是比较固化的。
当然，现在技术还没有那么发达，还没有找到很多实际的案例，但我想特别是投研、做资产配置的时候，这些方面AI可以起到很多作用。投资之前的行为，可以通过AI智能化，可以把很大量的以前人工做的工作通过计算机弱人工智能的方式，把它先解决，然后再通过大数据、深度分析、深度学习，对投资数据的分析做一些更好的投资建议，可以帮助投资经理决策的时候能有更充分的理由和依据。同时，在风险防范方面，通过舆情监控、非结构化的数据、市场上发生的现象和事件，通过AI技术，能把它识别出来，从真正意义上做到风险防范或风险管理。
从监管角度来说，现在监管数据也不是非常完整和及时。现在技术手段也不太一样了，不再需要一步步打造，而是可以用现在AI的技术很快提高上去。这在监管层面也会起到积极作用。
接下来我把话筒交给其他的几位同事，因为我不是做专业的AI的，从理解程度来说，也仅仅代表行业目前的认识。希望通过这次交流，能带回去一些好的想法和火花，可以给我们保险资管行业带来新动力，在这个基础上我们再继续努力，使用前沿的信息化手段。
王海明：感谢。您也是大咖，至少是跟大咖坐在一起的人，而且有个美丽的误会。接下来有请家林总。
张家林：为了方便讨论，概念更清晰，我把人工智能的范围稍微收窄一点，这样说起来可能比较清楚。
现在人工智能被很泛泛地说出了很“宽”的东西，我把人工智能，还是定义为能自主感知环境、同时通过自己内嵌入的机器学习的机制，能进行认知的一些计算。最后把机器学习学习出来的认知，能很好地应用，做出决策，然后行动。完成这三个功能的机器，我们叫人工智能的艾真体。
如果这么定义，人工智能我们跑开学术定义，在具体应用的时候，就当成具备了感知、认知和用知。人工智能艾真体到底是干嘛的？比较起来，它能自主地做出决策。这样一个定义，我们考虑它在金融上的应用，它具备了一些自我学习和决策的能力。在很多以前我们熟悉的由人工作的岗位，或是一群人做的工作，都可以拿人工智能这个艾真体来做。这就是人工智能在金融领域或其他领域应用的一个基本的理论基础。
具体讲，金融领域很宽，我结合自己资产管理方面的领域应用人工智能的实践经验和感觉来说说。
人工智能提高短时间的决策，目前看还是比人要强。但中长期的预测，机器目前不具备特别强的能力。这段时间大家老谈智能投资、智能投顾、智能投研，其实最简单的，应该是智能投资，其次是智能投顾，最难的是智能投研。智能投研，不是把所有市场上的投研报告拿过来，用语义分析、算法实现，形成一些观点，而是通过抓住信息，形成中长期的一些概念，比如让机器学出“雄安”这样一个概念，太难了，包括“一带一路”的概念，这也是不可能的。这是一个挑战特别大的系统。相反，智能投资，因为有些资产配置的理论作为支持，在决策时能给机器一些基本的规则，机器能发挥很好的应用的地方，因为数据比较多，速度快，能拼出人心理上的一些弱点。这样我们期望它能产生比人更稳定的、确定性更高的决策，而不是说能超出比我们所有人强的决策，这是做不到的。
还有，大家一直强调人工智能和机器学习，机器学习其实只是人工智能系统的一个分系统。将来的具体工作岗位，到底是完全的交给一个可信任的机器，完全自主去做工作，还是让它干一部分，最后由人判断？这样两个工作场景，差别在哪？就跟AlphaGo一样，现在完全是人类相信它能下棋，全部交给它，中间不做任何的人工干预和打扰。假想如果AlphaGo下棋时走到第50手，下一步帮它干预了，那AlphaGo自己可能就会非常恼火或晕，因为后面的逻辑，跟它不一样。所以未来人工智能在金融领域的应用，要特别小心地区分，有些岗位可以采取AlphaGo这样的形式去用，完全信任，你去做，你做的事情我也信任，在一定的限度范围内可以。还有一些工作岗位，肯定要人+机器学习这样一个工具，辅助人类做出更好的决策。
把这两种工作岗位分开，接下来第三个问题，就迎刃而解了，就是监管的问题。金融监管现在确定的原则，比如穿透式监管，大家很清楚了。未来利用这个原则监管AI在金融领域的运用，就很简单，最终穿透的，就是行为。因为监管部门最关注的就是微观行为的监管，就是行为产生的根源是什么，到底是张三还是李四这个人做出的，还是人工智能艾真体，完全是机器产生的。这样监管规则、方法，就会不一样。由此，将来AI在金融领域的应用，金融机构肯定要小心地区分，哪些完全交给机器，完全自主运行，哪些由人+机器，作为工具辅助运用。分开以后，监管方面在采用穿透原则时，就可以很清晰地知道，哪些最终要穿透到人。穿透到人，现在的体系非常完善。监管行为完全是由机器产生的，比如一个放贷行为，完全机器产生，一个投资指令，是机器产生的，那怎么监管这些行为？
针对这样的监管，我们现在没有太多的已经成熟的方案，包括这几天密集讨论RegTech，怎么做这件事情，现在得出一个基本的想法，就是还是要把它跟人区分，打标签。假设金融机构用AI和不用AI，一定要用把AI部分做的工作和行为打一个标签，这样有助于监管部门识别出来，哪些是纯机器，哪些是人做的。这样一划分，我们感觉将来前景还是可期待的。
针对具体的应用场景，举个例子，比如智能投顾。因为智能投顾还是很希望让它做全自动的全自主的运行，我们要相信它能在一定时间内做好投资，在那段时间，你授权给它做投资的期间内，给它一定的授权，比如给一定的金额，给一定的约束条件，把风险控制在一定的边界范围内。这个时候，智能投顾会不断自主发出一些需要被监管的信息、数据，呈送给监管部门，这样就可以依据行为进行监管，可以有效解决现在的一些问题。
最后，人工智能在金融领域的应用潜力，非常大。最大的挑战，无论是金融科技公司，还是金融机构，还是要跟监管部门有频繁沟通，采取协作、协同的方式，针对你用人工智能的应用场景，来做出满足合规、监管要求的一套规则，然后把这个东西尽可能地用一些技术手段来实现。
这就是我的一些想法。谢谢。
王海明：感谢，穿透式监管，很重要。下面有请来自蚂蚁金服的盛子夏盛总。
盛子夏：我接着张总讲的，就是关于人工智能这个概念，我补充一下关于人工智能的现状。
从人工智能现在的技术角度来讲，它对很多图像识别、语音识别、加强学习、深度学习，这些技术发展现在使得它在一个单维度上解决一个分类的动作，已经做得非常好了，好到可以超过人类的水平。现在分辨一张图片，说它到底是一只猫还是狗，还是听一句话，不管带不带口音，其实它对单维度的分辨力，已经达到了非常高的一个水准。
但是人工智能应用在金融的很多领域，我们拿贷款这个角度来讲，分辨一个客户是否会违约，或是否会欺诈，或是否响应贷款，这些维度，说白了都是一个分类器。如果做这样一个分类，人工智能的算法相比现有的很多传统算法，也能获得很大的提高，能做到。但真正的信贷，它的决策并不是那么简单的一个单维的决策。不是说你知道一个客户好和不好，是否会欺诈，就解决了。满足客户需要，是一个更复杂的维度。客户是否需要贷款，贷款额度多少，定价怎样是合理范围？更复杂的是，当把贷款发给个体客户时，会形成一个大的资产池，这个资产池是不是符合公司贷款的需求？额度太大还是太小？这个过程，是目前人工智能从单维度来讲非常难以实现的。
再看智能投资领域，我非常赞同刚才张总讲的，如果你只是单纯地设计一个策略，你有明确的目标，就是为了追求最大的回报，同时给定一些参数条件，比如最大回撤不能超过10%，所选股票不能超过30%，把这些条件都限定的前提下，要做出一个相对比较好的策略，还是有可能的。但如果要做到对任何一个消费者或投资者，能洞察他的风险偏好是什么，承受能力是什么样，还能匹配他最适合的理财产品，还要懂客户在什么时间点有多少钱要理财，现在要结婚了，为将来小孩存一笔钱用于教育，如果把这些做一个综合投资的建议，这是人工智能现在非常难做到的。
对人工智能目前的机遇和挑战，跟现状，其实是高度相关的。当你把技术用在相对比较明确的场景下，可以做得很好，但用在一个综合场景，非常困难。这就是接下来人工智能在下一个版本，2.0的时代，各个商业公司也好、各个科技公司也好，将要攻克的一个难关，不再只是单纯解决一个单维度的问题，希望能解决更多维度的问题，而且能整合更广阔的全社会的信息。
在投资领域更是这样。对好资产的评估，需要收集的信息非常丰富多样，不光要了解股票背后的企业怎样，法人控制人怎样，更要了解产品、上下游怎样，生产的某些产品，或许有的跟法律法规有关系，或制造食品，因为国家的政策变化，食品会受到一定限制。所有信息的综合，都是将来人工智能领域非常具有价值的。因为这些信息收集，不是靠人工能解决的。
再讲监管的问题。有一点，就是大家应该把技术和技术体现的商业这两者分开。举个例子讲，现在大家一提到P2P，就觉得好像就是贷款，但其实P2P只是贷款的一种资金解决渠道的方式。把这两个等价在一起，是有问题的。为什么等价在一起，可能会有一些其他的原因，因为P2P为了满足很多投资者要求高回报的要求，使得它必须在贷款端也必须收非常高的利息，最终其实形成一个恶性循环。另外一个例子，区块链和比特币，这两个我个人觉得也并不是一回事，区块链本身是一种技术，但是一种表现形式，就是以比特币为代表的数字货币。但区块链在蚂蚁广泛应用在公益的很多场景下，比如捐款这些场景，都可以使用区块链技术。所以技术和商业场景，是两回事。尤其监管层面，当监管一个新事物时，把两者分开去考虑。一方面，鼓励科技创新，一方面，监管要看创新背后使用商业场景上是否有形成恶性循环的可能性。
还是回到刚才说的智能投顾。如果大家未来都用机器的方式去炒股或做完全基于算法的炒股，包括之前发生的各种闪崩，美国在经济危机的时候道琼斯一下子暴跌10000点，可能就是由一个算法引发的一系列的链式反应。这是值得监管和大家考虑的，它本身并不是一个技术的罪，而是大家应用算法的时候，都100%依赖于算法，没有做任何算法可能带来的链式反应的灾难做一个合理评估。这两件事，是可以分开的。是值得监管考虑的。
王海明：讲得非常精彩，给我们分享了人工智能当下的监管启示。我跟蚂蚁金服的首席科学家有过一个小范围的讨论，人工智能毕竟不是人的智能，但未来有一天，可能人会超越人工智能。未来如果达到一种极致的状态，是什么状态？当时描述了一种情景，可能那个人对着镜子看自己，意识到自己是机器，不是人。另外一边是人。那就麻烦了，这是相对冷冰冰的一个未来。
下面一位有请戴文渊。
戴文渊：我跟大家相比，更偏纯人工智能背景出身，后来做过很多行业，最近几年在金融行业做得多一些。我想从AI的角度来看这个问题，可能会给大家一个不一样的视角。人工智能这个事情，大家会很容易理解为人的智能，会做一些类比，但其实会有不一样的地方。更容易理解的，还是生物智能。其实生物智能更多来自脑容量的增加，人类发展的过程中也是，随着从原始人到早期、晚期的人到现代人，脑容量也在不断增加。所以我们会发现，脑容量大的生物，会更聪明。当然，脑容量不是一个计算机能理解的东西，计算机如果要理解什么是智能，必须计算机模型化。这个事情得益于两个科学家，一个姓V，一个姓C，他们提出一个VC维理论。用统计学构筑了人工智能的一个数学的基础，这之后，我们就可以把智能这个东西放到电脑里，然后产生了人工智能。VC为代表的，好理解一点，就是脑容量。计算机也是在做一个大脑或更大脑容量的东西，最后应用的时候怎么应用？可以做一个类比，物理学里有一个很著名的理论，牛顿三大定律。牛顿干的事情，就是总结各种物理现象，总结出三条规律。我们想象一下，我们金融领域也有大量的业务专家在总结各个方面的规律，比如反欺诈、催收，这个事情让计算机怎么做？计算机如果做牛顿三大定律，也会收集各种物理现象，这就是我们的数据，如果数据量大，就会成为大数据。计算机的工作原理，可能和人不太一样，未见得能总结出三条规律，可能总结出三千万条规律。我们可能把物理现象分成很多区间，高速的，低速的，在高速区间里，可能就不是现在的牛顿三大定律。从某种角度也能解决牛顿定律在高速情况下的一些不成立的地方。这就是AI为什么能比人做得好的地方。
这个事情应用到商业领域，特别是金融领域，怎么应用？ 实际应用到金融领域，也是一样，计算机和人过去在干一样的事情。过去我们反欺诈的专家在看反欺诈的数据，总结规律，写出各种欺诈定律，比如一个信用卡，在北京刷了一笔交易，两个小时内在深圳刷了一笔交易，就认为是一个欺诈，因为不可能飞那么快。计算机也在干同样的事情，但区别就在于，过去人写出的规律的数量，因为受限于人的精力，通常也就几百上个，特别多的可能上万个。计算机能很轻松地写到上千万，甚至更多。我举个例子，我们帮助国内的一个投顾股份制银行做信用卡实时交易欺诈，过去业务专家写出了一千多条规则，我们基于计算机读数据写规则，可以写25亿条规则，能把整个反欺诈的识别率提升数倍。这就是计算机为什么能超越人的地方，因为人是会累的，计算机不会累，人也知道写出几十亿条规则能更好，但计算机真的能做到，人做不到。同样的，在营销场景下我们也能做到写出数十亿条规则，显著的比人做得好。这就是为什么现在AI在业务领域能超越人的地方。
当把Fintech技术做到很高维度的时候，监管的压力会很大。我们经常遇到一个问题，就是问，你们这个模型能不能解释？其实我们甚至可以做到数十亿规则，每条规则都可以解释，人都看得懂，但也不能要求监管部门把25条规则都看个遍。所以，监管机构是不是也需要用计算机来监管这些规则？是不是需要做出一个更高维度的机器学习，然后监管低维度的一个机器学习？这可能正是我们现在面临的一个问题。在更多的领域，营销的领域，我们都可以通过用AI的方式写出比过去业务专家写出更多的规则来获得更大的提升。Fintech技术的提升，肯定会给现在的监管带来更大的挑战。
最后，监管其实也需要把技术提升到至少同一个高度，甚至更高的高度，才能支持现在的Fintech技术的发展。谢谢。
王海明：感谢，给我们提供了非常漂亮的一个PPT和非常有诗意的题目，也很有启发。接下来有请传统银行做智能投资方面有代表性的邓总。
邓炯鹏：尊敬的各位嘉宾，很荣幸今天作为一个国内商业银行的代表在这里发言，在人工智能这么一个高大上的前沿领域发言。上世纪末比尔.盖茨说过，21世纪银行将会是灭绝的恐龙。过去很长一段时间互联网+金融的竞争模式兴起，商业银行在资本市场、二级市场的走势并不是太好。但今年以来，情况起了一些变化。做个人投资的都知道，去年以来，是价值投资的一个时代。今年在申万28个一级行业里，银行过去都不太被看好，但今年截止到上周五，银行板块的涨幅接近6%，申万28个行业里排第七，前1/4的分类。众多上市银行里，招行截止到上周五，年内涨幅36.66%，除了一家新上市的银行之外，这个涨幅是最大的。
在今年讲价值投资的一个市场里，市场给出了一个判断，就是技术进步的今天，商业银行好像跟别人不一样，这个不一样，不是因为我们涨得多。我们看估值，可以看得更清楚。如果用市净率的估值指标看，招行到这周五是1.45倍的市净率，一块钱的净资产，别人卖8毛到1块，他可以卖1.45块，这是资本市场对我们投出了信任的一票。
总结来说，我们是有创新基因的一个银行。去年我们推出了国内银行首个智能投顾产品，就是摩羯智投。国内目前有3亿老百姓持有基金，绝大部分是通过余额宝持有货币基金的形式买，绩效非常好，从基金诞生以来，权益类基金年化是16%的收益，但是挣钱的客户并不多。我们做这么一个摩羯智投智能投顾的产品，因为我们做了十几年的财富管理，我个人看过了很多市场上的痛点，基金品种很多，包括对投资理财不熟悉而导致的恶果，所以我们经过一年多的研发，去年底利用人工智能算法，还有别的一些模型，得出了这么一个智能投顾产品。目前这个产品运作非常不错，规模也是国内第一位，客户数量非常庞大。
以上是我们的实践和取得的一些成绩。人工智能到了今天，已经是第三波浪潮，过去还是一个前沿的研究，是偏学术方面的，而今天，随着大数据的出现，大规模计算能力的出现，带来了过去的深度学习的很多技能，开始可以运用在一起，真正成就了人工智能。从去年AlphaGo战胜李世石以后，人工智能一夜之间被广大老百姓所知悉，这说明了这第三次浪潮，跟前两次不一样，因为从各行各业都发现了，现在人工智能所带来的落地性，非常好。
人工智能会不会给我们带来一些取代人的挑战？从我们时间来说，目前还是处于一个弱人工智能的时代，要达到人的思考程度，首先要很长时间。能做到多少程度，这是另外一个问题。目前，从我们应用人工智能的角度来看，人+机器这是目前我们很多年内运用它的一个主要方式。刚才戴总也说了，计算机不知疲倦，比人的长项多很多，比如记忆能力，计算能力，都比我们强。
最后讲讲我们看到的很好的应用场景。一个是对客户的精准营销，来源就是多维度的大数据，为客户进行精准画像，然后进行营销。第二就是给客户进行智能投顾的组合配置。第三是在不远的未来，根据语音识别、语言理解、知识检索等人工智能技术的发展，相信人机对话实现智能客客服，不远的未来会到来。
目前人工智能还处在早期，应用场景非常广大。也有一些挑战。在很多公司、银行领域，操作性的岗位会越来越少，对人员的再培训，这是面临的一个实实在在的压力。从公司层面，相信未来是一个快鱼吃慢鱼的时代。好多公司会在这波浪潮里被颠覆掉。最后就是监管的压力，人工智能更多的是基于对过去发生过的东西做的判断和学习，在社会科学、金融领域，它的能力是有限的，AI进入社会科学领域，是多了一种博弈的力量，而这个博弈的力量跟人类的博弈，可能又会产生新的变量，带来一些跟以前完全不一样的因子。这可能就会导致人工智能在某些大的拐点上，可能会失效。所以在社会科学里，人工智能作为一个辅助工具，人在相当程度上要对它的最终输出结果要进行一定的监测。
谢谢。
王海明：你刚刚讲的前五分钟，一直让我误会为你是招商银行品牌部的，而不是做人工智能的。可能你太爱招商银行了，所以做了很多广告。我们今天这个会场，还是希望能进行头脑风暴，对人工智能当下或面临的问题、监管的挑战、给监管的建议展开探讨，大家互相有一些收获。
再接下来是国际嘉宾，有请Ayasdi联合创始人GurjeetSingh。
GurjeetSingh：谢谢。感谢大家的邀请。我也听到刚才其他人提到了一些主题，刚才我们讨论了不同的AI类型，总结来说，当你在媒体上看到AI的时候，媒体讲了很多重点，比如认知问题，图像理解，文字理解，等等。这些问题在过去的五年里，已经做出了很大的进步，已经有了很大改变。
对于AI，特别是很多企业或金融行业，他们的困扰就是更高维度的问题，你要能有效地使用数据。但有两个具体的应用，比如在人不擅长的领域，我从监管角度来举例。我们现在一直在谈金融科技在监管方面的应用，主要是在数学模型方面，需要监管模型的应用。
其中一个例子，之前可能数据量不够，要监管，肯定是想要一个比较简单的模型，但现在数据量多了，之前的模型还是比较简单，监管要重新建造模型的话，要花很多时间，可能需要5000个人工时。在一些大的银行，没有通过压力测试，比如花旗银行，三次都没有通过，不是因为没有软件或人力，而是因为没有数据。因为有很多不同的变量，数据建造者以及业务部门和监管方，全都要介入。所以最基本的一个问题，就是要有一个经济性的假设，AI在这方面的应用，就是业务部门的人会看到海量数据，然后要有一定的风险模型加以应用，会有一定的自动化的数据报送给监管。新加坡的一个监管者说，如果人们不再是一味送报表，而是这些数据能直接跟我们对话，那就好了。所以我们要是有同样的数据，就能比较清晰地表明数据的意思，没有AI，就没有办法用太简单的模型解读数据。
第二个例子，是有关反洗钱的。所有监管方都对这部分感兴趣，希望能最大化削减洗钱的风险。银行还是很有压力的，就是雇佣几千人通过手工工作，来监督这些交易。这些数据98%可能都没有受到监控，很有可能这98%都有风险。那这些复杂、海量的数据，就可以有效地利用AI大幅度减少人工的负担，在达到人之前，就可以进行AI的分析。这样就可以大大减少合规的负担。
为什么这么重要，为什么要关心AI，在银行、金融机构用AI？世界上前五大公司，他们基本都是技术性公司，银行想要保持竞争力，就必须要有这样一个意识，就是我们都是以科技为中心的公司。比如谷歌，现在就是一个AI公司，没有哪个公司说我可以不投资于AI，因为你的竞争者或以后的竞争者，很有可能会反败为胜。所以我们都要好好考虑，如何最好地应用AI。因为以后这些大公司都会成为一个特别重视技术的企业。
说到AI的解决方案，现在AI的门槛好像特别低。比如硅谷，包括中国的人，很多VC风投资本都想投资于AI。哪怕是建立一个exel表格，都想说我们这是做AI。什么是AI？我觉得有五个重要的特征：
第一，AI的解决方案，要有能力发现信息和规律，而不是导致问题。有不受监管或半监管的机器学习的能力。所有的问题，都要看你是否有这样一个能力来学习这些数据。实际上很多数据都是没有标签的。
第二，就是保护的能力，这非常重要，尤其对金融行业来说，尤为重要。
第三，最为重要的一个能力，就是验证。我认为十年以后，大多数的工作就会自动化，但重要的是，在未来，AI的系统能和人之间建立一个信任的系统。所以，人需要验证，发现异常，这都非常重要。之前我们嘉宾讨论的时候，说到有教授型的模式，所以我们需要这样一个验证。验证的能力非常重要。
第四，就是行为力。任何一个智能的系统，如果不能加以行动，那就没有意义了。所以AI系统一定要插入一个实景中。比如进行预测，做完预测，不做任何行动，有什么意义？所以要加以生产、加以行动。
第五，就是学习能力。随着数据的发展，一定要学习。比如我们会有一些市场的结构，会不断变化，比如银行，每年它的监管机制都会进行一些检测，可能每个月做有点太频繁了，但有些市场每个月都做审查，反而还不够。所以我们可以通过AI来进行甄别，任何一个AI系统，可以让你不用再做exel表格，或者让人工做一些更重要、更有意义的事情。
刚才有人说，担心机器代替人。作为研究这个领域的人，我觉得太遥远了，所以大家不用担心。
王海明：讲得非常好，AI还是有门槛的，不是所有人都能做的。
下一位是来自星展银行的SandeepLal先生。
SandeepLal：我要感谢上海新金融研究院，感谢能邀请我来这里跟这么多专家一起分享、讨论。我并不是AI方面的专家，在星展银行，我们是使用AI的，所以我想分享一下过去一年我们应用AI的经验。
我们要做的一件事情，就是把银行进行转型、变革。我们会有一些经验，就是使用技术。因为消费者希望我们简化、更安全、更快捷的服务，希望在数据化的场景中，来享用这样的产品和服务。AI是其中一个关键部分。2016年4月份，我们推出了印度的数字化银行，希望能提供更好、成本更低廉的用户体验。我们主要着眼于三个方面：提高客户的参与、提高收入、提高生产力。这实际是超出了我们的预想。但有些方面，还是做得不足。
说到服务和生产力，我们发现70%的客户互动，并不是来自于传统的互动、聊天，我们通过Fintech，用一些人工对话，有关账户、转帐，都可以用新的一些人工智能来做。我们发现，一些复杂的交易中，可以用人，先让人工智能做一些简单的，然后人做一些复杂的。60%是通过AI的工具，比如chatbox，还有具体由人做的，比如电话中心。我们还有更多的工作，有些工作需要客户跟人交流，可能比较复杂，可能是用传统的一些电话银行，而不是用chatbox这样的我们的AI产品。我们希望它更便捷，人使用起来更方便。AI能让我们的整个过程更迅速。在新加坡，我们发现这非常激动人心，未来在Facebook上也会启动AI为银行服务，看是否能在银行之外业提供更好的服务。就像刚才演讲者讲到的，大家认为我们应该尽快使用AI，也说到目前还处于早期阶段。有可能会有恐慌，因为你要看到到底什么工作是奏效的，投资会有回报。但我想说，大家都在一条船上，都在一个飞机上，我们的飞机通常都是自动的AI操纵的，所以我们对银行服务方面，比如支付或交易，我认为AI是大有可为的。
我想跟大家分享一下我们在新加坡看到的。在复杂的交易，是很难有非常清晰的答案的，机器投顾方面，用更多的AI，这是很难回答的。为投资者提供投顾服务的时候，比如一个人的风险偏好，市场的波动，以及组合波动等等，当你看到这些不同的复杂情况时，AI要做很多工作，才能有比较清晰的答案。这是一个挑战。这也是需要我们共同合作的，行业、客户、监管，共同协作，看我们怎样找到正确的方向，提供正确的解决方案。这样AI就可以更好地位投资服务。第二，比如给脸书上的人，如何更好地提供银行服务？比如在脸书上能转账、发现交易记录、查询余额，这就要考虑到信息私密度，考虑怎样保护客户隐私。如果允许脸书转帐，怎么解决安全性的问题？是否容易受攻击？这个体系决定了你整个AI的能力会怎么样。
复杂交易、私密性、安全性等，这些问题会不断推动大家对AI的思考，作为监管者，我们自己和客户，这需要我们三方合作，使得AI更好地合作。
王海明：时间有限。这个行业发展，面临很多技术问题或很多跟金融相关的行业问题，可能最重要的一个问题，还是这个行业怎么跟监管有个良性的互动。接下来我们想谈一个问题，你认为面对AI，监管最大的挑战是什么？给监管提的建议是什么？我们不分顺序，哪位有观点就可以陈述，尽可能控制时间。
邓炯鹏：平时我跟监管这边打交道比较多，坦率说，借助科技手段再监管业界，难度非常大，乃至不可能。以前人工智能是先从学术再到商业企业，而商业企业因为拥有大量的技术和实践，以至于学术界已经很难超越在商业企业里的研究了。因为大家都看到，各个商业巨头本身已经垄断了大量的数据，这是在很多大的象牙塔里的教授到国际企业工作的一个重要原因。监管好像已经很难发明更好的东西制约人工智能了。
我觉得还是应该应用穿透式的方式，看结果，通过人工智能以后造出来的东西，把风险归因，跟哪些有相关。这是监管能做到的一些事情。
GurjeetSingh：我想说，监管者都做得很好，这点我得首先强调。我发现监管者非常开放，很喜欢跟我们讨论未来的变化。以前我认为，和监管者很难打交道，他们不会太过支持，但事实上，至少在美国，投资者非常开放，和我讨论。另外，在教育方面，我和美国金融稳定局花了一天时间，告诉了他们什么是AI以及AI相关的应用，我们发现监管界都非常友好，非常开放。非常感谢。
张家林：刚才星展银行的嘉宾说了，现在是timing，或者一个时机，要做很多教育，包括对监管的教育和将来使用AI生成的金融服务的教育。对无人驾驶飞机我们已经很熟悉了，其实从北京飞到纽约，航程14小时，其中差不多十几个小时都是无人驾驶的状态，那个时候其实机器很可靠，我们非常信任，只不过我们没有感觉而已。现在升级了，很多金融服务的岗位或生成的东西，用机器做，我们对它有时候第一很期待，第二目前还没有建立足够的信任。所以接下来要跟监管部门沟通，一个机构用AI，到底做什么，做了什么，这个要非常明确。第二，AI做工作的时候，产生了哪些行为？这些行为在中间有没有人工的干预？有，还是没有？这样一分解下来，其实监管就比较清晰了，如果完全是用AI，机器产生的形成，那监管层影响对AI采取什么方法监管？目前在其他领域有很成熟的经验，比如测试或认证，等等，将来对金融机构用AI提供金融服务，完全可以参照认证的方式。这是准入的监管。
业务提交以后，在持续经营过程中，要持续合规，就要跟监管部门说，应该对业务部门采取不一样的、持续合规的方法监管AI或服务。如果人做行为最终的判断，监管还是应该监管人。那个时候，不应该对机器有太多约束。
高嵩：结合家林总说的话，如果给个AI，这个公司没有人，纯机器，那肯定监管要好好考虑一下，怎么给它发license，我们说AI，其实不是说完全不靠人，只是靠人工智能，而是靠它的方法论、技术使人做到短时间内做不到或做得不够完善、完全的地方。这些工作，我们现在已经在做了，我们有这么多的量化投资，智能投研工作，都在做。难道监管还要看这些吗？这是不可能的。从监管角度说，首先，就看你有没有不合规的动作，而你的投资决策，是怎么出来的？只要不超过比例，比如举牌，超过5%，只要不突破红线，就没有问题。对机构投资者来说，我们进行监管。对公募来说，保护民众财产方面，要进行一些判断，有一些标准。但监管本身对技术是比较开放的，并不是说监管好像非常落后，非常不愿意看到创新，不是这个意思。
盛子夏：技术和技术背后产生的商业模式，其实是两回事。我想补充两点。
蚂蚁金服一直对监管有个内部的口号，就是“拥抱监管”，我们一直觉得，监管并不是大家讲的在某些地方会管着我们，其实监管很多情况下，会帮助一个行业更良性地发展。在两点上，尤其人工智能领域，监管是可以考虑帮助产业发展得更好的。
一个，就是信息透明性方面，人工智能的算法，机器学习，把大量的大数据进行高维度的降维处理，使得原本处理几十、几百维的简单的统计方法，现在可以扩展到几万维甚至几千万维，人工智能都可以实现。但对客户来讲，如果长期是一个黑盒子，或完全不可解释，说白了就是在信贷领域，我就告诉你能不能贷款，至于什么原因被拒绝，就是不告诉你，这本身并不能促使这个市场或消费者去理解，客户体验也相对很差。长远来讲，在信息透明这个方向上，让客户更好地理解，为什么这个技术能让我得到一个服务，或被拒绝一个服务，把信息透明化，或让整个过程变得更让大家所理解，其实能更好地促使这个行业发展。
另外一块，很重要的，大家一直提数据孤岛。人工智能将来的发展，能更好地利用大数据，大数据本身核心就是数据要更全民，而不是说在一个单维度上有非常大量的数据。从这个角度讲，监管作为一个国家、政府机构，能很好地促使数据的共享，其实它本身背后的理念，跟很多公共设施是相关的，就是让一家私有机构去投入相对公共的一个事业，本身会有很大的难度，因为任何一家私有机构都要考虑自身的利润、投入产出，要建立全社会的、全国范围内甚至世界范围内的一个大数据的共享，非常困难。跟基础设施建设一样，中国国家发起高铁的建设，效率肯定比一家私有机构投入更好。这也是为什么美国虽然经济发达，但在很多基础设施方面，始终相对落后。相比之下，同样一个类比，监管如果能在大数据更促使数据的共享，因为现在数据很难形成这样一个共享，任何人都觉得，我把数据共享出去，别人得到了，我的好处是什么？但监管能促使这件事情发生，能让数据真正流动起来，去解决数据孤岛的问题。这样才能最终为人工智能建立更好的一个分析基础。
王海明：你提到了两个非常重要的问题，但在我看来，都很难。一个，拥抱监管，肯定没有错，但问题在于蚂蚁金服拥抱的时候，可能那边是冰凉的，招商银行、工行拥抱的时候，它就暖和一点。基于你们身份的不同，可能感觉不一样。所以我特别强调，像AI这种新兴领域，监管沟通非常重要。比如原来你们做商业、贸易，甚至现在想做科技，而不是定位为金融公司，不太需要监管沟通，但只要有金融方面的类似业务，监管沟通都非常重要。而你们之前又没有相应的基础。另外，数据共享，不要说官方跟业界或业界之间彼此的共享了，哪怕三行三会之间的共享，都很难。很明显，这个共享是摆在面前的，大家都需要的。所以像AI这样一个很美好的愿景，都很难，只能说去努力。
还有没有其他的观点？
戴文渊：从技术角度来说，我刚才表达了一定的观点，就是我认为监管机构如果要能监管金融机构，首先，他在能力上要大于这些金融机构。从具体的角度来说，比如监管机构做一个机器学习的系统，它的复杂度能大于金融机构，那才有可能能剖析现在金融机构的机器学习系统到底有什么样的问题。另外我也同意盛总的观点，如果监管机构能获得更多的数据，金融机构使用的数据，监管机构也能获得，这个时候才能真正知道金融机构现在的模型到底有什么问题。
在实现方法来说，国家层面还是有一定办法的，至少所有在网上的这些数据，运营商都有。如果国家层面能打通三家运营商所有的数据，其实并不需要每家都把数据拿出来，三家运营商把数据放在一个公共的地方，由监管机构获得，那在这个基础上，监管机构再配以至少大于等于金融机构的技术实力，这个层面应该是可以实现的。
王海明：也就是说，在这个领域我们希望监管方能收集数据，然后应用数据，并且把这种数据应用用在监管这个领域。这可能是更加有效的。
张家林：我补充一点。戴总的观点，好像有点误区。我觉得监管不是超级股东，也就是说它不能不受约束地获得被监管机构的所有信息。第二，也不是超级CEO，也就是说它能了解被监管机构的经营情况，而且能做出比监管机构更好的经营决策，它不是这个使命。
我感觉监管有它自己的一些基本逻辑。今天上午的会，美联储的嘉宾说得很好，被监管机构认为，只要把风险数据提交给监管机构，监管机构依据这些风险数据，做出他们认为的监管方面的要求即可，微观审慎也好，宏观审慎也好，做出判断和决策。简单说，央行现在做的MPA，是一个简单的例子，就是定期让银行按要求把指标级输入给央行，央行基于这个按一定的方法计算出当前的状态，然后央行做出相应的监管指引。这是一个监管正确的态度。不能说搞一个超级的AI，然后比被监管机构的AI还强大。不是这样的观点。
王海明：官方或半官方的机构，跟纯民营的机构，觉悟是不一样的。
SandeepLal：监管需要跟得上。因为在技术层面，发展得非常快，日新月异。在过去几年，我们想拥抱Fintech，就要开放创新的能力，开放责任和安全的解决方案，这是符合所有人利益的。今天早晨我们讨论，最终的问题在于，已经有很多银行监管的关注点了，现在又要花一些时间来做Fintech，谁给你这个钱做这个监管？你要做的是跟银行监管一样的，传统上银行在做传统业务，也花很多资源做Fintech。所以对监管方来说，也是一样的，对纳税人来说，花很多钱，投资于金融科技，也是比较好的投资。
王海明：好，今天的论坛就到此结束。明年第五届金融科技外滩峰会，期待大家上海见。再见。
点击下方“阅读原文”直接入手此书
↓↓↓
.人工智能在金融领域发展中，主要面临哪些风险
用户隐私被泄露
人工智能的背后，是局域大数据及智能算法的继续升级，人工智能系统通常具有记忆功能，通过收集、统计、分析用户的数据不断提升自己的智能型。如果被黑客入侵，用户隐私可能被泄露，轻则用户信息被不法分子掌握，重则危害用户财产安全甚至人身安全。
故障排解和行为监管成本急速上升
人工智能自身的负载性及系统风险性的增加导致故障排解成本将大幅度提升。在现有法律监管体系下，对机器及运行程序故障造成的损害，难以有效界定责任主体及责任份额。
技术面临失控风险
人工智能在短期内的影响取决于谁来控制，长期影响取决于它是否受到控制。一旦应用环境和数据脱离用户的可控范围，尚无技术避开人工智能失控带来的风险。
人工智能风险防控政策建议
加强访问控制和身份认证
人工智能的安全性很大程度上已超出人工智能用户的控制，开发者和使用者必须提供强有力的安全防御支持，将人工智能与网络安全防御技术相结合，使用密码技术来保证机密数据的安全，统一用户身份管理、授权管理、访问管理，以增强信息安全性。
出台审计措施和相关的监管措施
需要采取必要的验证和升级措施，出台相关评价方案对人工智能软、硬件环境进行严格评价，同时对服务器、客户端、软件配置、负荷管理等进行实时监控和安全测试，及时发现系统故障及受感染恶意控制的情况，一旦出现问题立即报警。
不能过度依赖人工智能
基于深度学习的人工智能将会创造更多价值是发展趋势，它能为人类服务甚至取代某些工作，但用户不应过度依赖人工智能，仍要掌握安全主动权，做好保护措施，通过技术、服务和管理相互配合的方式，形成共同遵循的安全规范，营造保障人工智能健康发展的可信环境。人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：1.人工智能时代，AI人才都有哪些特征？http://www.duozhishidai.com/article-1792-1.html2.大数据携手人工智能，高校人才培养面临新挑战http://www.duozhishidai.com/article-7555-1.html3.人工智能，机器学习和深度学习之间，主要有什么差异http://www.duozhishidai.com/article-15858-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
人工智能的应用实例介绍，人工智能有哪些应用领域
人工智能是一门贯穿性的综合学科，主要包含计算机、控制论、信息论、神经生理学、语言学，人工智能是从计算机应用系统角度出发，研究如何制造出人造的智能机器或智能系统，来模拟人类类智能活动的能，来延伸人类智能科学
人工智能的应用实例：指纹识别、人脸识别、视网膜识别、虹膜识别、专家系统、智能搜索和博弈等
目前人工智能应用领域比较多，具体如下：
机器人领域：人工智能机器人，如RET聊天机器人，它能理解人的语言，用人类语言进行对话，并能够用特定传感器采集分析出现的情况调整自己的动作来达到特定目的
语言识别领域：该领域其实与机器人领域有交叉，设计的应用是把语言和声音转换成可处理的信息，如语音开锁、语音邮件以及未来的计算机输入等方面
图像识别领域：利用计算机进行图像处理、分析和理解，以识别各种不同模式的目标和对象的技术；例如人脸识别，汽车牌号识别等。
专家系统：具有专门知识和经验的计算机智能程序系统，后台采用的数据库相当于人脑，具有丰富的知识储备，采用数据库中的知识数据和知识推理技术来模拟专家解决复杂问题人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：1.人工智能时代，AI人才都有哪些特征？http://www.duozhishidai.com/article-1792-1.html2.大数据携手人工智能，高校人才培养面临新挑战http://www.duozhishidai.com/article-7555-1.html3.人工智能，机器学习和深度学习之间，主要有什么差异http://www.duozhishidai.com/article-15858-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
人工智能都在哪些领域有所应用
AI中国网https://www.cnaiplus.com
随着社会的发展人工智能已经逐渐走进并融入我们的生活，且应用在各个行业领域，AI不仅给许多行业带来了巨大的经济效益，同时也为我们的生活带来了许多改变和便利。现如今，人工智能都在哪些领域有所应用？今天我们就来了解下。
一、无人驾驶汽车
相信大家都不陌生，无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内以计算机系统为主的智能驾驶控制器来实现无人驾驶。无人驾驶中涉及的技术却包含很多，例如：计算机视觉、自动控制技术等，这些技术的组成才形成了一套完整的无人驾驶。
随着近年来，人工智能浪潮的兴起，无人驾驶再次成为人们热议的话题，国内外许多公司都纷纷投入到自动驾驶和无人驾驶的研究中。例如，Google的GoogleX实验室正在积极研发无人驾驶汽车GoogleDriverlessCar，百度也已启动了“百度无人驾驶汽车”研发计划，其自主研发的无人驾驶汽车Apollo还曾亮相央视春晚。
但由于人们发现无人驾驶的复杂程度远超几年前所预期的，要真正让无人驾驶实现商业化还有很长的路要走。
二、人脸识别
这项技术已经走进了大多人家里，人脸识别也称人像识别、面部识别，主要是基于人的脸部特征信息进行身份识别的一种生物识别技术。现阶段人脸识别涉及的技术主要包括计算机视觉、图像处理等。
目前，人脸识别技术已广泛应用于多个领域，如金融、司法、公安、边检、航天、电力、教育、医疗等。随着人脸识别技术的进一步成熟和社会认同度的提高，其将应用在更多领域，给人们的生活习惯带来更多改变。
三、机器翻译
机器翻译其实算是计算语言学的一个分支，它是利用计算机将一种自然语言转换为另一种自然语言的过程，机器翻译用到的技术主要是神经机器翻译技术（NeuralMachineTranslation，NMT）。目前，该技术当前在很多语言上的表现已经超过了人类。
四、声纹识别
其实，生物的特征识别技术包括很多种，除了人脸识别，目前用得比较多的有声纹识别，声纹识别是一种生物鉴权技术，也称为说话人识别，包括说话人辨认和说话人确认。
声纹识别的工作过程为，系统采集说话人的声纹信息并将其录入数据库，当说话人再次说话时，系统会采集这段声纹信息并自动与数据库中已有的声纹信息做对比，从而识别出说话人的身份。
相比于传统的身份识别方法（如钥匙、证件），声纹识别具有抗遗忘、可远程的鉴权特点，在现有算法优化和随机密码的技术手段下，声纹也能有效防录音、防合成，因此安全性高、响应迅速且识别精准。
目前，声纹识别技术有声纹核身、声纹锁和黑名单声纹库等多项应用案例，可广泛应用于金融、安防、智能家居等领域，落地场景丰富。如：支付宝、微信就运用了该项技术登录自己的账号。
五、智能客服机器人
智能客服机器人在生活中也越来越常见了，它是一种利用机器模拟人类行为的人工智能实体形态，它能够实现语音识别和自然语义理解，具有业务推理、话术应答等能力。
当用户访问网站并发出会话时，智能客服机器人会根据系统获取的访客地址、IP和访问路径等，快速分析用户意图，回复用户的真实需求。同时，智能客服机器人拥有海量的行业背景知识库，能对用户咨询的常规问题进行标准回复，提高应答准确率。如对大多数电商企业来说，用户所咨询的售前问题普遍围绕价格、优惠、货品来源渠道等主题，如果在该场景运用智能客服机器人，这样可以减少人工客服每天都会对这几类重复性的问题进行回答，从而提高在更多复杂问题的客户群体中及时提供服务。
智能客服机器人还能为用户提供全天候的咨询应答、解决问题的服务，它的广泛应用也大大降低了企业的人工客服成本。
六、智能外呼机器人
智能外呼机器人是人工智能在语音识别方面的典型应用，它能够自动发起电话外呼，以语音合成的自然人声形式，主动向用户群体介绍产品。
在外呼期间，它可以利用语音识别和自然语言处理技术获取客户意图，而后采用针对性话术与用户进行多轮交互会话，最后对用户进行目标分类，并自动记录每通电话的关键点，以成功完成外呼工作。
七、智能音箱
相信大家对智能音箱也不会陌生，属于语音识别、自然语言处理等人工智能技术的电子产品类应用与载体，究其本质，智能音箱就是能完成对话环节的拥有语音交互能力的机器。通过与它直接对话，家庭消费者能够完成自助点歌、控制家居设备和唤起生活服务等操作，这类设备相信很多人家里已经拥有。
八、个性化推荐
个性化推荐也是生活中常见的一项应用，是一种基于聚类与协同过滤技术的人工智能应用，它建立在海量数据挖掘的基础上，通过分析用户的历史行为建立推荐模型，主动给用户提供匹配他们的需求与兴趣的信息，如商品推荐、新闻推荐等。
个性化推荐系统已经广泛存在于各类网站和App中，本质上，它会根据用户的浏览信息、用户基本信息和对物品或内容的偏好程度等多因素进行考量，依托推荐引擎算法进行指标分类，将与用户目标因素一致的信息内容进行聚类，经过协同过滤算法，实现精确的个性化推荐。
九、医学图像处理
医学图像处理是目前人工智能在医疗领域的典型应用，它的处理对象是由各种不同成像机理，如在临床医学中广泛使用的核磁共振成像、超声成像等生成的医学影像。
要知道传统的医学影像诊断，主要通过观察二维切片图去发现病变体，这往往需要依靠医生的经验来判断。而利用计算机图像处理技术，可以对医学影像进行图像分割、特征提娶定量分析和对比分析等工作，进而完成病灶识别与标注，针对肿瘤放疗环节的影像的靶区自动勾画，以及手术环节的三维影像重建。
十、图像搜索
要知道，在早期我们是是无法进行图片搜索的，要知道图像搜索分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素，因为当时程序技术还无法支持识别图片内容，随着AI的发展，图像搜索在近几年用户需求日益旺盛的信息检索类应用，基于AI深度学习的图像搜索，已经逐渐提升了该项技术，用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求，如搜索同款、相似物比对等。
AI中国网https://www.cnaiplus.com
本文网址：
什么是人工智能人工智能的应用有哪些
什么是人工智能？人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能的应用有哪些实际应用：机器视觉：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，博弈，自动程序设计，还有航天应用等。…研究范畴…自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法人类思维方式…应用领域…智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂等
应用领域语音识别领域。除了大家已较为熟悉的科大讯飞输入法，一家叫作云知声的人工智能公司，最近开发了智能医疗语音录入系统，采用了国内面向医疗领域的智能“语音识别”技术，能实时准确地将语音转换成文本。这项应用不仅能避免复制粘贴操作，增加病历输入安全性，而且可以节省医生的时间。目前，一些医院已应用了这一技术。
金融智能投资领域。所谓智能投（资）顾（问），即利用计算机的算法优化理财资产配置。目前，国内进行智能投顾业务的企业已经超过20家，其面向的服务群体，就是那些并不十分富有、却有强烈资产配置需求的人群。
中国的BAT（百度、阿里、腾讯）都已涉足人工智能。2016年，“百度大脑”项目正式启动，致力于打造综合的人工智能平台；阿里巴巴推出了人工智能项目“ET”，未来将具备感知能力，并在交通、工业、健康等领域输出决策；腾讯已将人工智能的相关技术，应用于QQ、金融、微信业务板块。
而其他诸多企业都在开发人工智能的“对话机器人”（相当于“虚拟助理”），如微软的“小娜”、谷歌的“Allo”、苹果的Siri、百度的“度秘”等。