导语：
“人工智能”在今年全国两会首次写入政府工作报告引发行业关注，其所释放的产业机遇正在被加速抢占。
着眼金融领域，传统金融和新金融近年来已经开始将人工智能应用于支付、风控、量化投资等多个环节。
如果从存贷两端去观察，目前人工智能在互联网金融的渗透主要存在于两个场景：在借贷场景，包括大数据基础上的智能算法正在被越来越多的机构使用在风控环节，强化机构的风险定价能力；在投资场景，人工智能最大的应用类型“智能投顾”则处于起步期，银、券、基以及第三方财富管理平台登场后，市场教育和成本回报的博弈才刚刚开始。
在业内人士看来，无论从哪个场景看，人工智能在金融领域解决的核心痛点仍围绕效率与成本。如果不能很好解决好这一问题，其对金融的“赋能”价值则无从谈起。
智能信审——嵌入业务是关键
数据技术和人工智能驱动下的风险定价能力正在成为金融行业发展的关键。“风险决定融资的价格，风险管理得越好，资金成本也就越低”是几乎任何一个从业者都明白的道理。问题的核心是是否掌握了数据和技术。
从去年以来在消费金融领域大热的“现金贷”业务似乎可以看到这种科技驱动的风险定价能力的悬殊。现金贷利的高低，和平台的规模、技术能力、覆盖人群质量成反比。
以这一领域的巨头玩家蚂蚁金服为例，现金贷款产品“借呗”的平均利率在年化14%左右，已处于行业极底水平。据借呗的产品负责人陈怀晟在去年年底透露，整个借呗团队处于几十人规模。这种较低的风险成本和人力成本背后是基于大数据的智能化风控能力。
陈怀晟认为，在信贷决策环节，“借呗”除了要像传统机构一样去核对客户的稳定性、还款能力，智能化的决策系统可以把数据从点到面去进行连接。“我们可能识别出一个客户风险不良，通过更大范围分析后，这个客户其实影响了他身边一群这样的客户。所以这群客户中前面所累积的个人数据再漂亮，系统也可能认为他不是一个好客户。反之，如果一个人在支付宝或淘宝留下的数据不充分，但他周围的人信用状况很好，系统可能会尝试给出一定额度。”
波士顿咨询公司合伙人何大勇看好这一逻辑。他认为，互联网金融进入消费金融场景，服务的是传统金融机构无法触达的“三无人群”——服务不到、服务不了、服务不好。与传统机构的信审逻辑完全不同——互联网金融则倾向于把你定位成一个好人，再用数据去进行分析纠错。
这样的逻辑的确符合互联网金融的“普惠”本质，不过这种数据处理的首要难点在于，如何在海量的大数据中筛选出有用的数据，在业内人士看来，单是数据采集广度和分析深度就不是很多小平台可以做到。
“一个人要得到这种秒批授信，背后要过上千条规则，规则后是各种各样的数据和技术做支撑。”小赢科技首席风控官成少勇告诉《中国经营报》记者，互联网时代的大数据之所以“大”，一是指规模，要海量；第二则是覆盖的类别层次要广泛，不仅有传统金融数据，还需要包括社交数据、电商数据、生活行为数据；第三则是数据真实性和适用性，将多种数据经过实践识别，最终识别清洗出符合自己平台的价值数据。
这些数据在获得并分析后，最终如何应用于具体的业务场景中是人工智能技术“赋能”信贷场景的关键。在51信用卡金融中心总经理蒋燕青看来，人工智能在信贷领域最大的机会仍在于反欺诈——利用机器学习和人工智能的手段不断更新和补充前期的数据采集、分析、建模等环节，进而动态识别用户的欺诈风险，判断用户的信用状况，以帮助完成信审决策。
“以反欺诈为例，我们往往会碰到一些中介冒充客户来申请借款。”蒋燕青告诉记者， 面对这类欺诈，就需要倚靠多维度数据和技术来进行交叉比对。“一方面以通过用户的交互行为进行分析，比如一般用户输入自己的身份证号停顿时间比较短，但假如是中介，基本都会有一个较长的停顿时间。另一方面也要看这个申请者的GPS地址和IP地址，通过机器学习算法等手段去分析集聚性特征和模式，识别欺诈，进而判断用户的真伪和还款意愿。”
在业界看来，算法和模型如何嵌入业务环节里才是人工智能发挥作用的关键。但这对于大多数公司而言，目前利用人工智能技术完成成本优化和服务迭代仍具有较高门槛。据蒋燕青透露，不仅需要企业技术实力过硬，还需要经验丰富的专业人才团队，同时辅助硬件能力，“单是构架大型云端服务器群组，其成本也不是一般创业公司或中小型企业可以承受的。”
智能理财——成本与回报博弈
不同于信贷端人工智能更多围绕机构的效率提升和成本控制，人工智能在理财端的应用由于更直接关乎投资者实际回报而更受关注。
去年以来，智能投顾概念的风生水起让市场参与者嗅到新的发展增长点，包括银行、券商、基金公司、互联网金融平台、炒股配资等软件公司等机构均已先后入场。
拥有资产配置能力、海量非结构化数据和大数据算法的银行在此领域具有发言权。2016年12月，招商银行推出银行领域的首个智能投顾产品——摩羯智投。在2017年年初《中国经营报》记者参加的一场智能投顾主题论坛上，招商银行财富管理部总经理助理王洪栋就指明了做智能投顾必须具备的几个基础：业务基础、技术基础和数据基础。
其中数据基础可能是参与者存在差距最大的部分。“公募基金就是两类数据，一类是结构化数据，即基金形成的波动曲线、收益曲线，通过叠加可以满足计算量；第二类则是非结构化数据，基金经理人需要知道投资公司的治理结构、基金经理的绩效数据、商业行为驱动原因等，而这几乎只有传统金融机构可以做到。”王洪栋说。
据此前《证券时报》报道，招商银行目前代销基金超过2400多只，日均计算量达到107次，这也是作出组合决策的基础。
而不具备此类资源优势的公司则将目光投向海外。宜信在去年4月推出智能投顾产品投米RA。宜信财富董事总经理王福星认为，与美国市场相比，中国市场ETF品类不够丰富，可选择的资产相对有限，不可控因素多。此外宜信在海外与摩根、黑石等机构拥有深度合作，对海外投资品种的数据掌握优势明显。
不过即使拥有数据、算法、量化配置策略的“真”智能投顾机构，目前仍要面对的是如何进行长期的市场教育。此前有媒体对目前市场上主流智能投顾机构的中等风险产品利率统计发现，仅在2%~5%之间。在资金的使用效率上并不占优。一位业内人士认为，智能投顾是强调长线投资的被动投资过程，这与国内投资人偏好固收、短期回报的投资理念存在冲突。
不同于面向C端机构需要解决的市场教育和获客尴尬，面向B端的投顾公司的技术输出和营收更多来源于券商、私募、信托等机构。以证券资产投资策略和智能交易服务的机构“资配易”为例，就是将这种投顾能力转化为对机构的标准服务来实现经济回报。
不过，想输出相对精准智能的服务，每改进一个算法、增加一台服务器，仍要面对成本与回报的博弈。资配易董事长张家林告诉记者，“2014年刚开始时，我觉得后台运行1000台服务器就够了，但是AlphGo仅下了一盘棋，就在深度学习和数据计算的高峰值时用了1万多台，成本要超过10亿元。”
在他看来，目前国内很多智能投顾投资级别太小，预算一两千万肯定不行。“资本市场上把标准类资产做到很有效，能够服务一些基本客户的投资门槛应该是5亿~10亿元的级别。”
