如今，科技持续深度重塑各个产业，“金融科技”已经成为全球公认的金融发展热点。随着人工智能、云计算、大数据、区块链、5G等新一代信息技术向金融领域的加速渗透，金融与科技的融合发展持续深化。然而，金融科技也因其“敢为人先”的创新性、高技术门槛以及落地场景的探索等方面，面临诸多挑战。

为此，SAIFR于2020年12月起，推出【智金说】金融科技行业专家分享互动系列活动，邀请来自银行、证券、保险、科技公司等各相关行业领域专家，与大家深度分享金融科技最前沿的真知灼见。第二期【智金说】于1月31日晚在交大高金上海徐汇校区举办。

活动邀请了深兰科技（上海）有限公司董事副总裁、深兰科学院研究专家王昕磊博士，为大家作了“AI赋能金融行业智能化转型”的主题分享。该活动受到同学们广泛关注，多名同学以及感兴趣的社会人士冒着严寒参与线下活动，同时逾千人在抖音、B站、小鹅通等平台观看同步直播。

王昕磊博士提出中国错过了工业化、机械化、电气化、信息化等，但在AI发展上，中国有很大机会和欧美并驾齐驱。他以深兰科技在AI赋能上的探索为例，介绍了+AI的巨大行业应用场景。主题分享后，上海高金金融研究院兼职研究员、金融科技公司技术合伙人及高级风控总监、前FICO风险解决方案与风险评分建模专家张伟老师和王昕磊博士以对话形式，探讨了AI产业格局、中国在AI领域的优劣势以及AI带来的技术伦理问题等话题。活动最后，王昕磊博士对现场以及线上同学的提问作了针对性的回复。短短的两个多小时交流，信息密度极大，干货满满，现场积极互动，充满着思维的碰撞。下面就让我们回顾一下活动的精彩内容。

主题分享

中国AI展望

AI成功的最大障碍是缺乏数据或数据管理，中国不缺乏数据，也不缺乏算法人才，中国是有可能战胜欧美的。中国欠缺的是AI算力生态，而生态建设需要全国甚至全球的配合。以芯片产业为例，中国已经错过了通用芯片的发展，没必要追随欧美开发通用芯片，但可以在专用芯片上发力。中国目前真正的人工智能企业并不多，2020年也只有2000多家，一些简单的图像识别企业，也只能归类到人工智能应用领域，而真正的人工智能公司在人才结构上要有专业的算法工程师，领域上要具备计算机视觉能力。因此，基础研究工作是中国下一步最重要的。

AI金融科技

金融是人工智能非常好的一个场景，但金融的数据量要足够大。2019年金融科技规模已达到5.5万亿美金，相比传统金融，金融科技在精准分析，挖掘潜在规律与风险，个性化定制和自我学习方面，都大大提高了数据的有效利用。但金融是个封闭场景，数据不能外露，如何在保证数据安全的前提下，挖掘行业产品落地？王昕磊博士给出了深兰的解决方案。

在人工智能运行模式中， “数据”作为至关重要的参与元素，从本质上决定了人工智能的进化水平。企业在经营过程中产生的图像、视频、语音、文本以及点云的数据，只有经过标注后才能被机器学习。数据标注得越精准，对算法模型训练的效果就越好。AI与行业之间的巨大鸿沟在于AI技术壁垒高、投入大。小公司开发AI不现实，深兰科技MetaMind自动化学习平台，力求AI人人可用、人人易用、人人通用。

深兰科技MetaMind四大技术平台：

1. 智能数据标注平台：AI半自动化数据标注平台，通过机器学习技术和深度学习技术，结合自研SaaS数据标注系统、 AI智能质检系统，对需要处理的数据进行清洗、任务分配、智能预标注、智能质检，实现半自动化的数据标注和质检。
2. 自动化机器学习平台：提供自动生成AI算法的能力，上传数据后，自动生成核心算法，是神经网络搜索的过程。自动化机器学习是人工智能的核心，大大缩短了传统做法需要的时间，增强了实时性。自动化机器学习使得AI更为民主化。
3. AI开放平台：提供整合、管理各类硬件、数据、算力的AI开发环境 ，覆盖CV、OCR、NLP等多个人工智能领域。
4. AI开发平台：提供直接使用AI算法的能力，为AI开发构建高效敏捷的开发平台。

MetaMind平台私有化、公有化部署皆可，数据内部管理，拒绝数据外泄，帮助企业实现自我AI赋能。企业获得的是AI全栈能力，而不是单一算法，授人以鱼，更要授人以渔！

AI探索

1. 联邦机器学习（Federated Learning）：在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习，主要分为横向联邦、纵向联邦和联邦迁移。
2. 图神经网络（Graph Neural Networks，GNN）：涉及到大量的计算算力，目前还没落地场景。
3. 区块链：区块链本质上是一个共享数据库，存储于其中的数据或信息，具有不可伪造、全程留痕、可以追溯、公开透明、集体维护等特征。

分享最后，王昕磊博士提到AI不是一个万能产品，也不是一个高不可攀的事情， AI应该客观、理智、中性，为人人服务。但目前AI的瓶颈是产品真正落地挑战大，如何做好AI的产品化，是未来需要思考的一个关键问题。

对话环节

对话环节，张伟老师精选了几个话题：

人工智能国内产业竞争格局和核心技术情况及未来的技术趋势方向是什么？

王昕磊博士给出预判：2021年人工智能方向将是个百花齐放的格局，每个科技型的创业公司都有机会在垂直领域发展的很好，小应用、大场景的模式将比比皆是。

人工智能领域中国的优劣势及制约因素主要是什么？

对于中国在人工智能领域最大的优势，王昕磊博士给出的答案是：数据。中国数据量庞大，比如电商、金融，还有很多其他未开发的场景数据。中国在垂直领域上会出现几个冠军企业。

张伟老师补充道，目前中国在支付、电商、物流、高性能计算、5G通信、高铁、航天等领域已经处于国际领先地位，这主要得益于丰富的场景、强劲的需求、开放的政策和社会制度优越性。在金融科技方面，推动金融科技发展的核心因素包括三方面：需求拉动、技术推动、政策引导。中国有数据，有场景，有需求，也有政策引导和支持，也不缺乏人才优势。目前制约金融科技发展的因素包括：重视应用创新但缺乏底层基础核心技术，容易偏向短期盈利目标而不是长期战略目标等，部分领域发展体制和机制还有待进一步完善和优化，金融科技高端人才、复合型应用型人才紧缺等。

AI技术可能造成赢者通吃、强者恒强，可能导致缺乏AI技术产品能力的人群被边缘化、被取代等问题。如何看待和解决这些技术伦理问题？

机械化工业革命导致的卓别林问题，信息化电商导致实体店铺的失业问题，随着技术的发展这些问题都自然解决了。人工智能作为第四次工业革命，一定会出现低端劳动、重复劳动被机器替代的问题。这些被替代的岗位，随着技术的发展，将会由新的科技岗位填补，比如管理人工智能。

张伟老师补充道，随着生产力不断提高新技术的出现，对于落后生产力的替代是社会发展进步的必然趋势。任何事情具有两面性，一方面，AI智能机器必然取代一部分工作岗位，但能取代的永远是低层次简单重复可标准化的工作岗位，而依赖丰富知识经验储备和复杂分析决策等的高端工作，以及依赖于人的情感、心理、社交、艺术等相关岗位仍然很难被AI机器取代；另一方面，随着智能机器的普及，部分低端工作岗位被替代，自然会产生很多新的工作类型，例如数据标注工程师，RPA和智能客服机器人运营岗位等。对于每一个人来说，自然会思考如何提升自己的不可替代性，可以通过持续的学习，掌握新技术新技能。

“特许全球金融科技师CGFT认证项目”致力于通过社会化的认证和教育，促进金融科技人才建设，优秀的金融科技人才需要具备哪些知识技能？需要哪些能力素质？

优秀的金融科技人才需要具备探索性学习的能力。素质是一个探索性学习的过程，AI是探索性学习的工具，要学会利用AI工具。

张伟老师补充道，知识技能和能力是不同的两个层次的东西，知识技能是显式的可见的，通过学习和练习的过程来掌握和知道，比如大数据、机器学习、云计算、区块链等属于“知识”，使用Python进行编程和量化分析建模属于技能，而能力是隐式的不可见的，是完成一项目标任务或获取知识技能所体现出来的素质和优势，比如快速学习、分析思维、创新研究等属于“能力”。需要结合自己的岗位，快速学习和掌握一个领域所必须的知识技能，并在此基础之上提升自己的分析问题解决问题的能力。对于CGFT项目来说，学员通过六门课程的学习，掌握金融科技领域必须的基础的知识技能，做到懂行业、懂技术、懂业务，在此之上提升数据分析、解决方案构建、项目管理、分析问题、解决问题等综合能力。

最后，借用王昕磊博士的话作为总结，讲故事的时代已经慢慢过去了，接下来就是要做应用，下一步就是要产品落地。