人工智能是个伪命题
3混淆了大数据与人工智能的概念
有的企业觉得做了大数据系统就是做了人工智能，或者建了点模型就是人工智能。像不少客户和我说，我们做了用户画像，做了标签体系，做了实时反欺诈，做了智能投顾，还用开源玩了CNN，是不是就是人工智能了？
在我看来，人工智能=大数据+机器学习+认知应用，三者缺一不可。大数据有数据采集、平台基础设施、数据治理与标准、数据科学、数据挖掘，机器学习有统计分析、特征工程、算法建模、模式识别、模型训练、模型评估，认知应用有语音识别、语义识别、NLP、生物特征、计算机视觉...这么多领域和学科，真正能落地实践的企业凤毛麟角，更不要说很多项目其实是搭了一个数据库，做了一个报表工具，用了几个数学模型建了一个决策支持系统（DSS），哪来的智能？
4重视技术本身而忽视业务场景
大数据、机器学习与人工智能是当下最热的应用科学领域，尤其对金融业来说似乎成为了低迷市场环境下的强心剂，也像是不少机构的“救命稻草”。但无论是金融机构、互联网金融还是金融科技公司，似乎都过于重视技术本身，而忽视的应用场景的开发和业务领域的关联。例如，强调算法和模型，而忽略了业务规则和辅助决策；强调系统平台构建，而忽视了数据积累和探索方向。在某些专题领域，如智能投顾、区块链等，当下的金融科技都似乎陷入了迷思——只要涉及到这些话题，就把技术生搬硬套上去，最终难以落地，或做出不伦不类的产品。毕竟，“为了做而做”的故事早已不新鲜了。
另外，算法模型上的突破，在真实应用场景中往往没有什么用；技术性能测试和刷分，也是技术公司自己high，一旦到了复杂应用场景，人工智能基本上就等于废品，深度学习、CNN、NLP弄的再复杂，可能还不如一个回归准确率高。
从算法到成熟产品，还离着十万八千里；从产品到商业变现，起码还有几万光年。
5人工智能本身解决不了什么问题
大数据、人工智能目前只能作为辅助技术手段帮助金融机构优化、改进服务模式，但并不解决金融业的根本性问题。资金面、流动性问题还是会存在，信贷欺诈还是会发生，不是用了大数据、算法模型就可以解决的。好不容易做了一个产品，可能金融市场环境变了，客户行为模式也变了，数据要更新、模型要改进、技术平台要扩展，再推翻重新来一遍。
你可以做策略和马尔科夫过程预测股市走势，可以借助征信、行为数据做自动化消费信贷审批、反洗钱，也可以用人脸识别、OCR技术做身份验证。只是金融风险无论怎么控，还是会发生，不是你给客户画了像、做了适当性管理、做了KYC、做了实时反欺诈就可以解决的，因为风险传播形式、途径、风险模式本身永远都在变化，机器能否应对这些变化是个未知数；获客成本无论怎么优化，还是降不下去，因为投资者心理会变化，行为也会变化。大盘涨20%，你根本用不着什么模型也一样有量；哪天股灾了，行情不行了，你的营销再精准，一样获不到客。或者你只用人工智能来做信贷和零售，看看坏账率会涨还是会跌、客户流失率会涨还是会跌？
按照大数据的说法，你不需要了解过程“怎么做”，只需要了解结果“是什么”。人工智能目前只能辅助判断，优化服务体验，节省人工成本，并没有解决根本性问题，也达不到解决问题的要求。围棋下法再多，至少是可以穷尽的；金融市场、资本市场的规则呢？
6投入周期长，投入产出比低
金融机构说，我花了钱、招了人、请了咨询、买了产品，最后投入产出比怎么衡量？我说基本上没有一家人工智能公司敢承诺ROI，甚至他们自己都不知道是否有产出。金融公司对人工智能期望越大，失望就越大。招一个数据科学家年薪百万，再建一套大数据平台耗资百万，后面发现还不够，还要整合数据、做数据治理，搞算法做模型，模型评估再优化、搞深度学习、买服务器，全部弄下来，做出来几个软件系统，预测了几个月的客户流失发现效果也就那样，整个下来没产出没效果，只能靠领导到处开会宣传宣传自己做了大数据和人工智能，找媒体、杂志发表点文章，证明自己也参与了金融科技而已。
7人工智能公司市场前景不明朗
ToB还是ToC永远是一个问题。就人工智能这类技术导向性公司，从ToC切入是不现实的，因为既不掌握数据，也没有存量业务，人力成本又极高，靠增量纯属砸钱。要快速变现满足投资方，只能够靠卖产品或者服务，也就是做toB。但ToB就很容易做吗？
技术型公司的通病是不了解业务，切入不到金融场景中去。一些公司用“咨询+产品”的方式提供人工智能服务，像弥财（智能投顾）、第四范式（精准营销）、TalkingData（用户画像），试图通过在客户方做项目来熟悉业务，这样既做了项目，又补充了业务，还能帮助优化自己的产品。只不过这种方式是项目制，基本上都要驻场实施，对人依赖较大。公司本身又不是纯咨询公司，本质还是想卖产品，做项目又拖慢了变现节奏。而且就人工智能与金融场景的结合，每家机构想法、数据、技术能力情况都不一样，换个领域隔行如隔山（银行、证券、保险业务完全不同），最后发现做了半天还是项目制，产品化越走越没特色，同质化严重，业务做的还一知半解。
目前几家融资情况较好的人工智能创业公司，商汤科技（做人脸和图像识别的）、第四范式（从精准营销和风控切入）、智臻智能（智能客服）、文因互联（做知识图谱的）、云知声（语音识别）…无一不是做产品和服务。包括FinTech独角兽蚂蚁金服、众安科技也开始做B端，抛弃了C端模式。ToB意味着真刀真枪的拼技术、拼人头，随着资本风口越吹越旺，做的人越来越多，最后落到拼价格。
所以，人工智能市场未来还是寡头竞争，大的如蚂蚁金服有做生态的能力，小公司要么站队BAT，要么烧钱太多做不下去。像科大讯飞、华大基因这种独角兽，基本上不太可能在金融领域里面出现。
8资本力量推动了人工智能的虚假繁荣
历史上风口一个接一个，要么是政府吹起来的，要么是资本吹起来的。一旦有了热点，互联网、媒体、咨询公司都会跟着造势，于是企业借势而为，也不奇怪。跟着互联网和人工智能的红利，能多赚些钱当然是好的，学术变现也不是今天才有。
就像前面说的，人工智能公司的决定性因素在人。这类公司比拼的是哪个名校的博士，发表了多少文章，被引用了多少次数，在算法模型大赛上获得了多少个第一。如果是MIT、CMU、SU的大牛，自然会有人才吸附效应，说不定这些教授能带着学生一起做点项目。对人工智能公司来说，估值估的是人，不是企业，连投资方自己都说不清楚，为学术能力买单，是不是值得，毕竟这些在象牙塔里搞学术的，也不懂什么是商业化。
可能真的这一切都源于那个AlaphGo，然后是吴军的《智能时代》、尤瓦尔赫拉利的《未来简史》、李开复的《人工智能》...一切走到今天，资本着急，马云李彦宏着急，创业公司着急、金融机构着急，谁还会冷静点呢？
友情提示
随着“ABCD”技术（人工智能、区块链、云计算、大数据）成了金融科技的标配，金融机构愈发重视新兴技术的运用。但金融从业者仍需审慎的看待科技的资本驱动效应，像人工智能、区块链等在金融业中仍然缺乏较实际的落地案例，而多处于探索、研究阶段，只有那些能够为业务带来实际价值的可行化技术实践才是金融科技的意义。
01.从投资组合理论与实践角度看智能投顾
02.互联网时代商业银行的数据思维与企业转型
03.大数据时代的金融风险管理
04.金融科技的数据逻辑
05.机器学习与金融风险管理
06.云计算时代业务绩效管理BPM构想
07.从机器学习角度看智能投顾
08.区块链与数据库：一种混合计算系统架构
关于作者
多年金融服务、金融科技咨询经验，曾服务于大型金融集团、FinTech公司、大型IT企业，为多家商业银行、证券公司、保险机构提供业务战略咨询与信息化解决方案，在金融科技、大数据、金融风险管理、数据治理和企业信息化战略等方面拥有丰富的经验。返回搜狐，查看更多