在《金融科技之大数据与云打算》中，我们先容了移动互联网、大数据、云打算。

在《金融科技之区块链和物联网》中，我们先容了区块链、物联网。

写到这一篇，终于算是这一系列的收官之作了。

这次我们来负责的聊一聊人工智能（Artificial Intelligence），以及人工智能在金融领域的运用。

全文共3724字，估量阅读时长10-12分钟。

01 怎么看待人工智能

首先要轻微解释一下，我一贯认为想准确定义人工智能这件事是很不现实的，毕竟人类连我们自己的“聪慧”都难以清楚定义。

但是这丝毫不妨碍我们对人工智能的想象和担忧：

人工智能能不能跟人一样思考？

人工智能会不会有人类的感情？

人工智能能怎么帮助我们事情、学习、生活？

人工智能会不会取代我们的事情？

人工智能会不会取代人类？

……

人对陌生的事物，要么期待、要么恐怖，这是一定的。

对待人工智能，也摆脱不了这种两极分解的感情。

在无数的科幻电影中，实在我们早已感想熏染过来这两种感情的交织与困惑。

例如在斯皮尔伯格的著名的《人工智能》中，我们看见机器人是如何“爱”人类的。

例如在《机器管家》中，讲述了家务机器人拥有自己的思维后，是如何想融入人类社会，争取作为个体做具备的权力。

而在《机器公敌》中，机器人具有了自己的意志，自行阐明机器人三大定律，并企图要掌握人类。

在《黑客帝国》中，人工智能已经降服人类，人类已处于被人工智能操作的天下。

在2015年，熊猫谢君翻译过一篇长文，《为什么最近有很多名人，比如比尔盖茨，马斯克、霍金等，让人们当心人工智能？》，文章的第一句话便是这样描述的：

人工智能很可能导致人类的永生或者灭绝，而这统统很可能在我们的有生之年发生。

人工智能便是一朵精细的玫瑰，既俏丽，但是又带有刺。

但我们并不能由于对未来的担忧，从而停下对人工智能研究的步伐。

由于你不愿定有哪些猖獗科学家和野心成本家，会在些未被监督的的地方在研究些什么。

与其这样，还不如把研究人工智能的机构放到"大众视野中，在一些法律和伦理的监督下去做研究，让更友善的人工智能先涌现。

02 人工智能是什么

在《人工智能：一种当代的方法》中，对人工智能的定义是“合理的行动”。

所谓合理的行动，便是人工智能通过逻辑推理判断行动操持，并且按操持实行。
同时在某些不愿定的情形下，为了实现最佳期望结果，能采纳合理的行动。

这种定义的好处在于，不把行为、知识、履历限定在人类本身的行为或思维上，能是通过科学的设计来剖析和解决问题。

所谓“科学的设计”，实际上便是把人类发展至今的大部分学科通过算法的办法呈现出来，例如哲学、生理学、经济学、数学、神经科学、打算机科学、措辞、其他根本学科等等，可谓集人类大成于一身。

一样平常公认的人工智能有两种，一种是弱人工智能，紧张断定机器看起来是不是能智能的行动。
另一种是强人工智能，断定机器能够自己思考。

有段韶光，我深刻的觉得到，大概人类的不断进化、不断进步，大概便是致力于发展一套人类思维难以理解的系统，直到某天，人类融入这套系统，或者被这套系统取代。

举个例子，下图是个利用复合函数及反函数推导参数函数二阶导数的过程，绝大多部分的人，只用看一眼这个公式，顿时就浑身发毛。

这纯粹是种非常自然的反应，由于这种表达是和人类传统思维无关。

而现在，人工智能将会比人类反应快出无数无数无数倍的速率，快速理解这个公式背后的含义。

这就意味着，原来很多依赖于人类履历、躯体、思考能力的的事情，人工智能可以做的更快更好。

03 人工智能关键能力

1950年，阿兰•图灵（Alan Turing）提出了图灵测试（Turing Test），其核心如下：

如果一位人类讯问者提出问题后，不能区分答案是来自人还是来自机器，那么这台机器就算是通过了测试，并被认为具有智能。

图灵测试的细节或者结果，我们暂且不谈论。
但是为了知足进行图灵测试，那么人工智能必须具备这几项基本能力：

自然措辞处理（Natural Language Processing）

人工智能须要具备自然措辞处理能力，这样才能与人类互换，并且能从语音、书面笔墨获取信息。
人的措辞一样平常比较凌乱，而且具有歧义，自然措辞处理便是采取措辞模型，来预测人类表达信息的含义。

除此之外，机器要加入人类的对话中，还须要须要通过语义剖析、机器翻译、语音识别及语音合成技能，从而实现自然措辞的互换。

自然措辞处理

知识表示（Knowledge Representation）：

知识表示是指机器把它知道和听到的信息存储起来。
它包含两层含义：

（1）用给定的知识构造，按一定的原则、组织表示知识；

（2）阐明所表示知识的含义。

在过去，受限于数据处理能力，知识库紧张依赖人工构建、代价高昂、规模有限。

到了大数据时期，受益于海量数据、强大打算能力以及群智打算，我们如今能构建的大规模的知识库。
这种大规模知识库被称为知识图谱，从此知识表示进入一个新的阶段。

知识图谱

自动推理（automated reasoning）：

自动推理是指利用存储的的信息来回答问题，并推出新结论。

推理分为两种。
一种是确定性的问题，例如数学证明，推理和结论都很明确。
另一种是是不愿定性的问题，例如“来日诰日是否会下雨”，这就会有不愿定的结论。

自动推理便是仿照人的思维，采取反向、演绎的方法进行推理。

推理模型

机器学习（machine learning）：

通过机器自己的学习，可以不断适应新情形，并预测未来的模式。

在过去许多年里，机器学习涌现了许多算法方法，包括决策树学习、归纳逻辑程序设计、聚类剖析(Clustering)、强化学习、贝叶斯网络等。
研究职员会用大量数据和算法“演习”机器，让机器学会如何实行任务。

但是传统的机器学习方法，本身离“强人工智能”的终极目标相差甚远。

近几年，由于打算量的飞速发展，基于“深度神经网络”的深度学习方法发展迅猛。

在某些场景中，经由深度学习技能演习的机器在识别图像时比人类更好，比如识别猫、识别血液中的癌细胞特色、识别MRI扫描图片中的肿瘤。
谷歌AlphaGo学习围棋，它能自己与自己不断下围棋，并从中学习。

深度学习

打算机视觉（computer vision）：

打算机视觉，是通过感知的办法，连接打算机与现实天下。

打算机要感知这个天下，依赖对***、图像、笔墨、间隔、空间、光芒、颜色、外不雅观、轮廓等等要素的识别与处理。
常见技能包括光学字符识别（OCR）、图片识别、生物识别、物体识别、障碍物避让等等。

虽然人类似乎对感知天下这件事绝不费力，但对打算机来说，这是件须要大量繁芜打算的过程。

人脸识别

机器人学（Robotics）

如果对一个机器安装了诸如机器腿、轮子、枢纽关头、抓握器等效应器，再给机器人装备传感器，能使机器感知到它们所处的环境，这就能使机器根据外界环境做出相应反应，进行相应的掌握和运动。

机器人学中，最紧张研究的便是如何决策效应器运动的问题。

目前机器人最紧张的运用是在一些能替代繁重人类活动或者危险的领域，如拣货机器人、采矿机器人、外科手术机器人、机器人车、接济机器人、火星探测机器人、扫地机器人等。

机器人足球

04 人工智能在金融领域的运用

在金融行业，沉淀了大量的金融数据，紧张涉及金融交易、个人信息、市场行情、风险掌握、投资等多个方面。
人工智能的运用，可以帮助人们更高效率地决策，提升金融风控及业务处理能力。

目前，在金融领域运用的范围紧张集中在智能客服、智能投顾、智能风控、智能营销等方面。

智能客服

智能客服紧张以语音技能、自然措辞理解、知识图谱等为技能根本，通过自动获取客户特色和知识库等内容，帮助客服快速办理客户问题。

智能客服

智能投顾

智能投顾又称机器人投顾，紧张是根据投资者的风险偏好、财务状况与理财目标，利用智能算法及投资组合理论，为用户供应智能化的投资管理做事。

智能投顾

智能风控

将不同来源的构造化和非构造化大数据整合在一起，剖析诸如客户信用、如约情形、行为数据等关系数据，创造可能存在的敲诈疑点，并能对贷款额度进行自动审批。

智能风控

智能营销

人工智能可以通过用户画像和大数据模型定位用户需求，以此来划分客户群体，从而找到目标客户，进行个性化营销和推举。

智能营销

从目前人工智能发展的水平及金融行业的利用情形来看，目前还没有到“强人工智能”阶段，乃至可能连“弱人工智能”也还没有达到。

统统都任重而道远。

05 关于人工智能的未来

无论如何，短短几十年就，对付人工智能持续的研究已经取得了巨大的进展，人工智能或多或少已经改变了我们的生活，目前看来，正面影响是远远超出其负面影响的。

但科技的高速发展，已然带来诸多不愿定成分，可能我们已经无法预测未来更切确的样子。

然而，统统如图灵关于“打算机器与智能”的短文末了一句话一样：

我们只能向前看到很短的间隔

但是我们能够看到仍有许多事情要做

06 总结

我通过三篇文章，对移动互联网、大数据、云打算、区块链、物联网、人工智能在金融领域的利用做了简要的描述，希望能让大家大概理解金融科技都是什么。

当然，这三篇文章都只是很粗浅的先容了一些信息，如果须要对某个领域进行深入研究，每项技能都须要花费大量的韶光和精力去进行探索。

希望能给大家带来一点点启示和帮助。

我是产品人无冬之冬（"大众号同名），金融科技领域产品专家。

我将持续更新产品设计、互联网、金融科技及个人发展干系履历。

如果你以为这篇写的还不错，请关注我，后续还会有更多更好的内容持续分享