小线菌京东将 AI 技术应用到餐饮业，实现了「无人化」餐厅；阿里巴巴在香港大学开了一家 AI 服饰概念店，通过分析你的身体数据给你匹配合适的衣服。人工智能之所以能成为投资新宠，是因为它的应用场景和商业化能力开始被放大。科大讯飞董事长刘庆峰曾表示，2019 年将是 AI 进入规模化应用的落地之年。但即便如此，人工智能的门槛还是相对比较高，且有很多场景等待我们持续落地。5 月 11 日，线性资本联合职人社举办了「AI+ 场景化该如何落地」沙龙。本次沙龙由于每位嘉宾分享的都是单独的 AI 的场景化落地，为了让大家有更好的阅读体验，我们决定分开发布。以下是本次沙龙的第一位嘉宾的分享内容，任凯老师从多个 AI 落地金融场景化的难点入手到高盛的几个落地 case ，分析了 AI 落地金融会有哪些未来，希望对你有所帮助。

金融科技公司的难点和趋势

任凯，阿法金融创始人兼 CEO

# 金融科技公司在 3-5 年内的发展状况我们先来看一下金融科技公司的整体发展，从发展的趋势上来看完全没有问题，一定会是现在整个风险投资追逐的热门方向之一。从 2015 年到 2019 年第一季度，我们发现每年都是持续的在增长。大家如果接触到投资圈会知道，2018 年是行业寒冬，很多公司因为经济状况不好，很难找到募资。即使这样，你会发现 2018 年的总体投资的项目数并没有减少，而且 2019 年的一季度与去年的基本上是持平的，这个就会证明金融科技其实是现在持续大家关注的风口之一，这个风口是不会改变的，因为应用科技确实可以在很大的程度上改善我们的金融行业目前较为低效的状态。此外，还有很多领域没有被开发出来。

上图可以发现，有一个超级巨无霸，去年蚂蚁金服第二季度做了 140 亿美元的融资，占2018 年所有融资额的 35%。即使我们去掉蚂蚁金服，也会发现每年的投资总额都是在递增的，而这里面会有几个不一样的变化。即在 3-4 年前，全球市场上，美国是最大的吸收融资方向为金融科技的国家之一，第二名是中国。 而近几年中国出现了反超。

到了 2017-2018 年，中国的项目数量已经超过美国了，并且国内独角兽公司的数量也上来了，但是 2019 年其实所有的投资的项目里面最多的还不在中国，而是在东南亚。东南亚的项目越来越多了，在东南亚、印度、印度尼西亚等地区，他们在金融科技方面有非常多的机会，因为它们吸收到了北美、亚洲，包括中国在内的成功经验。在线支付、在线银行等方面都有非常不错的应用，所以东南亚这段时间的项目越来越多，但是总体上来说整个金融科技行业的投资规模是在不断增大的。

# 金融科技的热门方向到底有哪些？第一个是从移动支付到移动银行的变化，支付宝、微信等线上支付已经出现了非常长的时期了，但你会发现有非常多的金融公司已经开始从移动支付往移动银行的方向转型。当然这个与监管有很大的关系，比如在中国，银行是受监管非常厉害的，由于监管的原因，所以未必所有的初创公司都能够做成移动银行。但是在德国、印度或巴西，我们发现有非常多的科技公司已经在往移动银行的方向转型，就是因为我们发现支付只是大家生活当中的非常重要的一步，但是你的生活一定不是只有支付的钱放在银行，平时应该怎么来进行管理，它在你的支付和你的信贷过程中是一个什么样的关系？银行的业务本身就是把所有的资产都可以给你盘活，你的资金在什么时候需要怎么样的去使用，不使用的时候应该怎样来管理，这些都是银行的主营业务。所以非常多的公司已经从移动支付转向移动银行，而在未来我觉得所有人的生活都应该越来越接近电子化，所以我觉得移动银行会是一个非常大的热门风口。第二个是数据采集的，我们可以报出非常多的公司，包括数据收集、数据清洗、非结构化数据转成结构化数据等类型的公司。但你会发现越来越多的客户现在需要的是分析决策，不仅是数据采集。对于刚刚郑灿分享的：解决问题不代表解决需求。（下一篇文章会提到）我有一个很深刻的感受，当我们去和很多金融机构聊智能投研的时候，他们说：「我们上个礼拜又接待了三家初创公司，都来告诉我们，我们能从 pdf 里面读取研报，然后录取数据，然后把信息都收集到一起。」这个是对的，他们的准确度也确实都非常高，但是有很多的金融机构的下一个问题就是，读取到这些数据之后，我们缺少分析的能力，缺少分析的模型，你帮我收集到这些数据是没有用的。所以他们需要的是如何从数据采集变成一种分析决策，这也是一个非常大的转变。第三个是传统信贷到多元投资，前两年很火热的 p2p、各种信贷的方法大家都知道，由于它的一定程度上的高速发展，使得出现了一些不和谐的声音。所以大家越来越觉得在传统的信贷方面，慢慢会走向多元化的投资，已经有很多的初创公司开始出现，比如说，在房屋按揭或房地产等这些细分的投资领域来进行投资建议，投资能够帮助我们更好的分散资金，而不是把投资仅仅集中在国内大多数人都愿意投资的股票、债券上。最后两个也是比较独特的一个方向，智能合规与保险，这两项都是有巨大市场的。金融行业的一个最大的特点——高监管，如果是高监管，并且你要能够快速的进行决策，快速地控制你的风险，你就必须要能够快速的满足合规的要求，在这种情况下智能合规就显得非常重要。2007-2008 年金融危机过后，美国也出现了一波的智能合规的风口，因为很多人抱怨华尔街的风控没有做好，合规没有做好，风险没有评估清楚，就使得很多的投行需要去满足这种合规的要求。既然要满足合规的要求，就不太可能再靠人力的方式去把这些事情都满足，所以很大程度上都是用 AI 技术的方法来进行这方面的探索尝试。保险科技现在也是个很热的话题，我们希望把保险从一个大的保险集团变成一个个非常细分的、贴近我们生活的这种点，从你的投保开始到整个赔付的过程以及验证的过程都可以用科技方法把整个流程都打通，这也是保险科技方面发展的一个重要点。# 金融科技未来发展趋势我画了一个图，这个图体现了金融科技未来的发展趋势。

在最核心的中间，这个系统与运营就是最早底层在做的一块，包括我们的支付平台、区块链、反洗钱、大数据的算法，它提供的其实是中间系统和运营这一块，但是我们真正要落地的时候就回到我们解决什么样的需求，其实是中间绿颜色的一块：如何在商业银行、券商、保险等各个领域进行落地。只有把绿颜色的这一块做好后，我们才能够讨论更外围的东西。# 金融科技首先解决的是效率问题金融行业的很多需求是我们平时遇到的场景，没有那么多需要代替掉的东西，它不像汽车发明之后替代的马车。如果我们说在线支付是一种支付，即使没有在线支付，你的信用卡也是一种支付。如果投资没有智能投顾，人的投顾也是一种投顾，所以并没有看到用 AI 发明出了一个新的来代替原有的业务，所以更大程度上我们做的事情是如何用 AI 技术，如何用金融科技的技术让我们现在做的业务场景更加的自动化，从自动化上面才能够体现智能化。所以 Investopedia 对金融科技定义是我非常赞同的：金融科技其实是对金融服务的一种优化提升和自动化的核心。因为它体现了我们如何利用技术或者算法把我们现有的事情做得更好。

# 高盛典型的落地案例下面我讲几个高盛的非常典型的落地的案例，希望能带给大家启发。高盛在 2012 年开始了一个新的项目叫 Data Lake。下图左半部分这些数据，我们今天在中国每个机构里面都有，但是这些数据和系统都是割裂开的，比如交易数据可能是在恒生的交易系统里，而市场数据可能是在和恒生或者其他的数据放在对接的接口系统。你会发现所有这些记录其实是并不打通的，这个问题并不是只出现在中国的金融机构当中，在美国包括高盛在 2012 年以前也都是这样，它的系统不光是不横向打通，并且有时纵向的都是割裂的，比如证券交易是在一条线上，衍生品交易是在另一条线上。

这里我们会发现在做了 Data Lake 之后，这些发生了一个系统的改变，比如：· 交易数据告诉我，客户 A 在 4 月 10 号购买了某种资产，花了 4500 万美金；· 市场数据告诉我，资产现在的定价比上个月上涨了 5%；· 投研结果告诉我，这个公司距离第二季度还有两个月，它的盈利可能会增加；· 交流技术告诉我，客户 B 想在 2019 年的第二季度进行建仓，也要购买这个股票；· 客户信息是告诉我，客户 B 是归谁管的，客户 A 是归谁管；· 事件数据是告诉我，这个公司可能拿到了美国的特许，可以和欧洲进行一些贸易。在这种情况下，如果你把数据放到 Data Lake 里，上图右半部分会发生很神奇的现象，比如：· 当投研报告分析出来之后，我们可以立刻告诉客户，谁可能有兴趣购买这个股票或谁可能有兴趣要加仓；· 客户的甄别会告诉我，这个季度你应该去跑哪些客户；· 证券交易会告诉我，因为我知道资产因为事件的驱动在二季度可能会比预想中的结果更好，所以我现在应该先开头寸，并且我知道这个头寸可以卖给谁；· 投资建议告诉我，如果这个公司会非常好，那么我应该把这个公司的这个报告直接告诉哪一类的客户。把所有数据都放到一起之后，它能够对你的销售、产品设计、投资服务都产生不一样的变化，而这里面对事件的分析、怎样找到这些数据的关系、哪些客户对某个公司感兴趣，这些都用到了 AI，所有这些都是 AI 的算法技术在这个场景上的应用，但一定记住它解决的是一个需求，而不是解决问题。第二个是从产品到服务意识的转变。2010 年高盛 CIO 上任之后做的第一个事情是，怎么把我的成本中心变成利润中心。IT 系统在所有的公司里面大部分都是被定义为成本中心的，高盛也是一样，SecDB 的系统开发了 20 到 30 年，高盛所有的工作几乎都是基于这个系统，但是这个系统是个成本中心，因为赚钱是靠前台的业务赚钱。因此高盛的 CIO 把风险模型、数据分析全部包成云服务，用 API 的形式提供给外地的客户。这个时候你会发现，很多本来就是高盛的客户，还可以使用高效的系统进行业务研究，但是还有很多原来不是高盛的客户，但是他却需要用高深的模型，就会购买云服务成为增量用户。所以当我们把这些模型全部用 API 的方式向对外提供的时候，即使他不是你的客户，他会付费用你的服务，所以你的整个系统就会变成从成本中心变成利润中心。这也是一个 AI 落地的例子。这个是从产品到服务的意识的一种转变。以前非常多的初创公司说我要做一个产品，产品非常好，我要卖给我的客户，你的产品卖多少钱，其实并不一定，因为一个产品并不能够解决客户所有的问题，可能客户需要的是你提供某种服务，可以嵌入到用户的场景中的一环，然后让他通过调用你的服务来体现你价值。第三个案例是高盛高层的一个小小的改变。高盛在 2014-2015 年的时候上线了一个新的平台叫 Marcus，它是一次向个人财富管理的转型。高盛在 150 年的历史当中是没有个人业务的，只有机构业务。但是 2007-2008 年之后，他发现摩根大通、花旗因为有个人业务使它的资金非常的充沛，在这种情况下才能够挺过金融危机。如果你只是做一个纯投行业务，那么你的波动是很厉害的，非常容易受到外在环境的重大影响。大家回想一下，在中国有很多金融机构要从经济业务到财富管理的转型，大家在谈转型的时候都在说，原来我是给客户荐股，我现在要给他推荐基金，要把他往配资这方面引导，但是你的客户不会因为你提供了一种服务，就从别的资产管理机构转到你这边机构来，高盛也是面临同样的问题。高盛首先定义：个人财富管理不只是一种管理，而是一系列的管理，它会对你的支付、借贷、投资一种保障，在你的生活当中任何的环节都可以给你提供，所以它体现的是整个业务的全面的转型，有了全面的保障，才能将客户牢牢的吸附到整个体系中。# 金融科技在落地时碰到了哪些难点？首先我觉得金融的业务是多变的，他与 AlphaGo 或智能识别等 AI 不太一样，因为这些都是属于你可以进行有监督的学习，或者是你的解空间是虽然巨大，但还是有限的，是有一定规则的。但金融市场本身有个很特殊的属性，他没有一个特别的规则，而且今天你看到的规则在明天就不适合。

比如投资领域，为什么今天市面上有那么多 β 因子？因为 β 因子曾经都是 α 因子，是因为用的人多了就又变成 β 因子，在最早期的时候，大家不知道金融市场投资应该怎么判断，于是说市场上只有一个因子，就叫市场因子—— β，所有的东西都是「无风险收益 + β ×（ 市场收益 - 无风险收益 ）」。过了一段时间，有人说对 β 里面还可以细分，于是又从市场因子中拆分出两个新的因子：公司规模、市净率溢价，变成了三个因子的 Fama-French 模型。拆出来之后，因为大家用的多了就翻译全部变成 β，所以说金融市场本身就是多变的，你今天发现的规则，明天就不是规则，所以你不能用静态的方法。第二是需求是很多变的，很多的人来问我说，如果用 AI 做量化投资，是不是就是把收益做得很高，要完胜人类？ 我说不是的，那是因为你根本就没有去跟不同的客户去聊，与买方客户、卖方客户、公募、私募、或保险去聊，你会发现他们追求的目标是不一样的。公募基金追求的目标不是收益率有多高，而是产品销售有多强，需要的是增加资产管理规模 AUM。保险公司不是追求超额收益，而是追求每个月的现金流基本上是平稳的，也就是说超额收益对他来说也是一种风险。 私募希望你能提供较高的收益。卖方机构要求的是迅速找到一些信息能够给到客户，追求的是快速提供 idea，至于这个信息是不是拿来就能直接用，这并不一定，可能还需要再深挖加工。第三是技术本身也在高速发展，因为有新的算法的出现，有新的算力在提高，使得我们要不断的去改变技术本身。最后就是习惯很难改变，因为我们去和很多的客户聊的时候，发现有些客户现在的业务的模式不支持我们想要给到他的分析方法，所以他想要改变的不光是系统本身，还有他自己的投资习惯、决策习惯以及整个投资体系都要进一步的提升，才能够结合现在金融科技的发展。以上这四点我觉得是金融科技发展的难点。虽然现在有难点，但是并不代表金融科技没有美好的未来，我觉得金融科技的未来还是非常的大的。而且从现在的金融科技，我相信会成为未来的金融生活。线性资本招人ing线性向有志之士一直敞开大门，投资团队计划引入若干新鲜血液（职级不限，从投资经理到执行董事到合伙人）。我们这没有996! 但我们需要做到在007到933之间流畅切换。我们偏好的候选人：有良好的商业嗅觉，例如曾在大企业商务部门有过工作经验，或者有过创业经历，或者在咨询业有过相关经验；欢迎大家向我们毛遂自荐或者推荐合适的候选人。我们为成功推荐候选人的朋友准备了丰厚的推荐大礼 - 价值1.5万元折叠屏手机或者等值比特币：）简历投递邮箱：talent@linear.vc

五分钟，你可以掌握一个科学知识。五分钟，你可以了解一个科技热点。五分钟，你可以近观一个极客故事。精确解构科技知识，个性表达投融观点。欢迎关注线性资本。Linear Path, Nonlinear Growth。