编者按：在全球新一轮科技革命和产业变革孕育发展背景下，中国经济发展将面临新的重大机遇和挑战。随着大数据、云计算、人工智能以及区块链等技术的普及，金融业也正在大步迈入一个金融科技（Fintech）时代，与此同时，新一代人工智能正在全球范围内蓬勃兴起，为经济社会发展注入了新动能，正在深刻改变人们的生产生活方式。为了帮助国内学者进一步了解金融科技与人工智能的过去、现在以及未来发展，促进学者交流探讨研究成果， 2018年10月11日上午， “金融科技与人工智能未来发展”研讨会在银湖路CDI大厦1楼101会议室召开，本次报告会邀请轩鸿集团首席经济学家陆晨博士进行讲演及交流，现将嘉宾发言进行整理汇编，以飨读者
主要精彩观点
金融科技、人工智能与金融风险管理
陆晨 轩鸿集团首席经济学家
一、贸易战硝烟下的中国2018
在讲人工智能、金融科技之前，我们要先讲一讲目前的经济环境，要弄明白我们是在什么样的环境下来谈金融创新，包括当前大家热议的金融科技与人工智能。
2018年痛苦的“8的诅咒”还在持续：由于今年的公历年份尾数是代表着幸运繁荣的数字8，整个世界的经济和社会都动荡不安。2018年，我们见证了中美贸易战的不断升级，美联储坚定不移地持续加息和缩表，这些都对中美的金融市场投下了重磅炸弹，贸易战的硝烟弥漫，中美投资者损失惨重，哀声一片。
美国加息带来的最大影响就是要挤压中国的两大泡沫：信贷和房子。中国的资产负债表上拥有的大部分资产是房地产，资产负债表右边的负债则是和房地产市场紧密相连的信贷。而最重要的一点就是，作为整个资产负债表的“根和锚”的全部资本是系于美元的外汇储备。美联储对美元的加息不可避免地对我们相对脆弱的资产负债表造成了很大的冲击和影响。美联储的连续加息也对各类资产的定价产生了深渊影响，这就是当前美国股市动荡不安的实质原因，还有就是对于通胀的担忧。美国的加息会传导到中国导致中国被迫提高无风险利率（已经很高了），有可能产生无风险利率的提升挤压信用泡沫的风险，危及信贷市场的安危。
2008金融风暴后，一本畅销书《黑天鹅》让大家熟知了“黑天鹅”这个词。“黑天鹅风险”比喻小概率而影响巨大的风险事件，在人们对于风险的认知中属于“不知道自己不知道的第四象限”；在“黑天鹅博士”塔勒布（Nassim Nicholas Taleb）的大力推动和建议下，美国监管部门从2008年金融风暴后期就开始推行压力测试（Stress Testing），来模拟复制对于“大而不倒”的重要金融机构有致命风险的极端风险场景。
“灰犀牛”则比喻大概率且影响巨大的潜在危机，因为太过于常见以至于人们习以为常从而低估了风险的严重性。我们往往感知到了风险，但是在认知方面却不觉得这是一个风险。中国的房子，美国的股市，都是所谓的“灰犀牛”风险。中美贸易战，我们打个比方，就像决斗的双方都抱一个定时炸弹，双方开始上场决斗，决斗的结果要同时依赖于：看谁怀里的炸弹先爆，在炸弹不爆的前提下，看谁的能力强，是个条件概率事件。
二、什么是人工智能？
自从2016年初AlphaGo战胜了围棋世界冠军李世石，人工智能在中国大地掀起了一股前所未有的热潮，人们对人工智能产生了浓厚的兴趣和好奇。人工智能其中一个创新之处就是把回答问题的场景作为回答问题的一个变量来加以考虑。场景的战略地位对于正确地分析和回答一个问题变得至关重要。
人工智能AI作为计算机科学的一个分支，研究的是通过对人类的智能，知识的学习，意识的构成，大脑生物构造和思维方式的科学研究，目的是要制造出能够感知周围环境，有意识形态的类似人类能够独立思考的机器，包括对于机器人、语言识别、图像识别、自然语言处理和专家系统的研究等。
美国的尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学”。
一个引入到人工智能学习中非常重要的概念是场景。统计是一个高度概括的数据分析工具，但对于场景的变化不敏感。在人工智能中，任何一个问题都有一个标签，那就是场景。在不同场景下同样的问题有完全不同的答案。
分析问题的方式是第一层级就是场景，第二层级是公理和文化，在每个不同的场景下的基本假设（公理）是不同的，公理和文化就是人们所讲的常识，不用学习的知识，也是人们以后开始有意识的学习的起点和基础，就像新生婴儿会自己呼吸，吃奶，游泳等等。这些知识都是他们与生俱来的。某些有先天问题的婴儿其实就是缺少这一部分知识体系。在常识、公理的基础上，接下来才是有意识地学习，不断提出问题和解决问题。
AlphaGo战胜人类的智慧主要来自于人工智能特有的两个方面。第一个方面，尽管人工智能的终极目标是要制造出和人类一模一样的、有感情感觉的机器，但恰恰是因为当前的AlphaGo还没有感知和感觉自我意识，它不像人类会感到疲劳和下棋胜败的压力。人坐着下棋（物理体力消耗不大），但高度用脑紧张思维，精神能量消耗巨大，过一段时间就感到疲劳。但机器不会感觉到累和疲乏。人类的感知、喜怒哀乐，就像膝跳反应一样，不能自我控制。心理情绪上的波动成为战胜对手和战胜自我最大的挑战，为了保持一个平静良好的心态，假装不知道自己的盘面处境，那是不可能。当人这么想的时候，其实潜意识早就知道了。但是AlphaGo呢？它没有人类那么发达的自我感知和感觉，永远一如既往地淡定如初，一丝不苟地按照开赛前制定的指导方针有条不紊地进行。
另一个非常重要的方面就是机器和人类对于知识的学习和预测方式是截然相反的。人类对于知识的学习主要依赖于演绎推理和归纳，特别是归纳法，我们习惯从能亲身感知熟悉的部分来推出和预测未来那些不能感知的世界，所以是从局部到整体。而AlphaGo是学习了“全部”的知识——所有历史上胜利的棋谱，再把最新的变化——人类棋手最新的一步棋更新到数据库中，开始计算下一步最好的对策，即是用全部的信息来解决一个局部问题：下一步怎么走。人工智能的一个巨大先天优势就是把一件事、一项工作做到微观的局部最优，并且坚持到底。
对于风险的认知，可以分为四个象限，第一个象限是你知道的，第二是你知道自己不知道的；第三个是你不知道的自己知道的，眨眼思维（Blink），人特有的“非线性”直觉；最后一部分是黑天鹅的集聚地，你不知道自己不知道的。无论我们怎么博学，不管你多少厉害，永远有我们不知道自己不知道的，比如美国2008年的金融风暴，这事情发生之前大家都不知道。中国2015年市场的千股跌停，这些都是我们不知道的。
人工智能就是要在不确定动态的场景下，依赖学习的知识，快速做出决策。决策的过程需要不断地完善现有的数据和信息。一个有趣的例子：数学家进餐馆吃饭问的第一个问题是什么？答案是：盘子的大小。因为后续的决策过程大概率都会需要这个基本信息。
认识人工智能，首先要了解场景这一要素。在思维的梯次结构中，我们反复强调，人工智能（AI）要回答的是场景。人工智能与自动化的区别在于，自动化的场景是不变的，人工智能的场景是不断加细、动态变化的。
金融里边最大的风险是信用风险。更通俗地说，信用风险就是要划分、区别谁是好人，谁是坏人的问题，也就是分类聚类的问题。在统计和数学中，线性回归是用一条直线，左右两边划定了界限来划分。但是在实际的应用场景中，区分不会有这么简单，好人也做过坏事，坏人也做过好事，也就是说他们在不同的场景下可以反悔来完成转变的，就像马尔科夫过程中的迁移矩阵。
数学是建立在公理化之上的，不能够刻画和反映在金融交易和社会人生中一个和人相关的最普遍的现象：后悔。无论你如何殚精竭虑地思考，当你做出选择得到了实际结果之后，都有很大可能会后悔。因为我们在事后的结果会看到更多更好的选择，从随机性到确定性。
一个有趣的例子就是在选美比赛中，A、B、C三个选手，第一场是A和B的对决，大家一致认为A更漂亮，因此在数学上表示为 A > B，A休息，请出C和B 比赛。这一次，大家毫无悬念地把票投给了B，B > C； 那么，我们还需要让A和C再加赛一场吗？在数学上和象牙塔里这是多余的，因为根据数学公理传递性能推导出A>C，这就是演绎推理的知识学习。但在真实世界中，当A和C同时出现在观众面前，观众经过深思熟虑投出了庄重神圣的一票认为C更美，结果是 C > A，和前面的结果是自相矛盾的（观众反悔了！）。
在数学上，我们没有办法解释这个实际出现的结果。但人工智能（AI）以其独特的场景视角来重新审视这个问题，为什么最后一场观众都反悔觉得C更美呢？是周围什么因素发生了变化来影响了观众感知：灯光、服装、口红……原来只是人本身的因素，现在环境和其它因素也加入了，问题的维度变得更复杂。这里面有一堆的大数据，杂乱无章，这条（曲）线要怎么画，怎么分类？人工智能（AI）和金融科技（FinTech）借助自己的独有优势可以帮助解决问题。当我们用数学理论来比较与推导的时候，没有考虑具体的场景和氛围。而人工智能就是要回答统计学和数学回答不了的问题。
三、人工智能的兴起与发展
1950年，被后人称为“人工智能之父”马文·明斯基（Marvin Minksy），当时还是一名大四的学生，和他的好友艾德蒙（Edmond）建立了世界上第一台神经网络计算机。非常巧合的是，另一位“计算机之父”也是“人工智能”之父的阿兰·图灵（Alan Turing）提出了震惊世界的“图灵测试”：如果一台机器和人展开对话而不被识破身份，那么这台机器就定义为具有“智能”。我们至今在手机移动端的身份验证（login，password）之外，加上了反图灵测试，目的在于确认不是一台机器在破解（hacking）我们的账户。
人工智能历史上的传奇人物，数学家图灵，他在二战期间利用波兰人最初研究发明的算法工具结合计算机解开了德国人引以自豪的自认为牢不可破的加密世界的马其顿防线Enigma密码机，这也是人类历史上首次利用计算机人工智能来对抗人类的智慧，解决人类自身不能解决的数学难题。根据史学家的统计，图灵和他的计算机，让第二次世界大战提前了两年半结束，估算解救了1400万人的生命，这是AI完美战胜人类的首秀,也是AI帮助人类、挽救人类文明和世界和平的最伟大、真实的例子。
1956年，在由达特茅斯学院举办的一次会议上，年轻的计算机专家约翰·麦卡锡提出了“Artificial Intelligence”一词。会议后不久，麦卡锡从达特茅斯搬到了MIT。同年，明斯基也来到了MIT，两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室。但后来两人在人工智能的观点理念上产生分歧导致他们的合作中断。
在达特茅斯学院会议之后的十多年间，人工智能经历了它的第一个黄金十年的快速发展。在这一段时间，人工智能主要应用于数学和自然语言领域，这让很多研究学者看到了人工智能发展的信心和希望。他们认为：“二十年内，机器将能完成人类能做到的一切”。但后面人工智能的发展证明了人的思维方式是线性的（包括最杰出的科学家）。人工智能起起落落经历了20世纪70年代低谷和80年代风靡一时的专家系统（Expert System）；以及七年之痒后，面对台式电脑的异军突起所引发的衰败，都证明了计算机学家们过于乐观严重低估了人类世界的复杂程度和困难。
在这期间也不乏可圈可点的人工智能发展，科研技术人员不断突破阻碍取得了辉煌的成果，比如在1997年，IBM的深蓝（Deep Blue）战胜国际象棋世界冠军卡斯帕罗夫；瑞士洛桑理工学院发起的蓝脑计划，生成并已经成功模拟了部分鼠脑。2009年8月11日，负责蓝脑计划的科学家宣称，他们有望在2020年左右制造出科学史上第一台会“思考”的机器，它将可能拥有感觉、痛苦、愿望甚至恐惧感。
AI学习可以分为两类，一类叫监督学习，把人类已经学习了解的历史知识输入给AI，然后让AI自我学习发现其中的规律，再把根据学习历史数据的规律所做的预测结果和实际人类已知的结果去比对验证。就好像学生在学校就读，老师教授知识，然后通过考试，检验你是否掌握（老师知道所有问题的答案）。
AI的另外一种学习方式——非监督学习，非监督学习则是说我们手上的数据其实并没有一个明确的结果，人类对于数据的内在结构也不了解。通过AI的非线性算法来分析这些数据的共性或者深层关系，最后尝试做出一些聚类。
分类和聚类是重要和基本的人工智能学习方法，包括人工神经网络、支持向量机、最近邻居法、高斯混合模型、朴素贝叶斯方法、决策树和径向基函数分类等。
四、人工智能与金融科技在金融领域的应用
金融科技（Fin-Tech）是指物联网大数据、云计算、区块链、人工智能、数字货币这些新兴科技在金融 领域的融合运用所形成的一些全新的技术、方法和应用。
20世纪70年代早期，其标志是纽约证券交易所(以下简称纽交所)引入订单转送及成交回报系统(Designated Order Turnaround,DOT，及后来的Super DOT)以及开盘自动报告服务系统 (Opening Automated Reporting System，OARS)。进入80年代，计算机已经被广泛应用于股票与期货的跨市场指数套利交易中。80年代后期及90年代，随着电信网络的发展，美国证券市场的全面电子化成交和电子撮合市场(ECN)开始发展。
美国的互联网金融（网络泡沫）的代表性公司就是股票经纪商Charles Schwab、ETrade还有大家都非常熟悉的Paypal。Paypal有两个主要合伙人，一个是现在特斯拉（Tesla）的老板Elon Musk，另一个就是畅销书《从0到1》的作者，硅谷的天使投资家彼得·蒂尔（Peter Thiel）。美国的互联网金融泡沫在2000年见顶崩盘，从5400点一直跌倒1100点，可以想见当时市场血流成河的惨景。不计其数的金融创新公司都葬身其中。
从2000年到2008年美国开始了高频交易的游戏，把交易速度推到极致，人的生理极限眨眼睛是1/10秒，他们做到1/100万秒。迈克·路易斯在他最近一本书中如此描述高频交易的超级速度——“我们只能想象出来1/100万秒是什么样，你眨一次眼他交易10万次。”
2008年以后，金融科技发展的阵地从西方转到东方。2013年中国科学院院士、光纤传送网与宽带信息网专家邬贺铨院士首次提出大智移云的概念，它涵盖了大数据、智能化、移动互联网和云计算等信息技术交融渗透，不仅改变着人们的日常生活，也掀起了新一轮产业变革。人工智能（AI）和金融科技（FinTech）在不同的领域得到广泛的应用，协助企业和金融机构提高效率，控制风险，推动企业的改革和创新。
为什么2008年成为分水岭？2008年，传统金融世界大厦将倾，统治整个金融世界的信用体系遭到前所未有的重创、颜面扫地。而就在这一年的10月31日，就在投资银行黎曼兄弟倒闭后不久，在不为世人所注意的情况下，一位以日本名为中本聪（Satoshi Nakamoto）的互联网用户悄悄地发表了一篇只有8页的开创性论文——《比特币：一种点对点的电子现金系统》。第一批比特币随后被挖出。
比特币几乎是唯一真正实现了“全能” 区块链的落地实际应用的产品，成为第一个世界范围内流通的电子数字货币，不折不扣地执行了中本聪乌托邦式设计的初衷：去中心化，不受任何人和团体的操纵控制，不受任何个体主权国家的控制和监管，自我通过区块链的内在机制调节。
自去年以来，比特币和区块链热潮席卷中国大地，各种新闻媒体争相炒作。但事实上，除了“区块链将彻底改变一切”的赞歌之外，人们至今还没有看到一个令人完全信服的实际应用。利用数学的独立垂直原则，一个新生事物的存在价值在于它能提供其它现有事物（产品）不能提供或者具有的无与伦比的优势和效率。大部分现有产品都是为了区块链而区块链，要么只是在PPT上存在，要么就是用传统的中心信用的方式可以更加简洁有效地完成，成本更低。
中本聪在他的比特币论文的总结中提到，比特币的存在需要两个前提条件：第一，好人比坏人多；第二，作为比特币基础核心技术的椭圆曲线加密算法是牢不可破的。由此可见，比特币并不能完全解决金融中最核心的信用风险问题，它是以消耗大量资源和信息流量来减少信用风险中的信息不对称性，既以科技解决方式来回答金融问题。从这个角度上来讲，大部分一般的信用风险根本不值得动用区块链这样浪费资源很多的技术，只有一些特定的非常重要珍贵的信息需要花这样的成本来维护，比如学历信用信息的维护!
另外一点就是，比特币区块链现在的发展完全背离了中本聪的初衷，当前在这个圈子里最大的风险和上次崩盘的P2P是一模一样的，那就是人自身的风险：是好人还是坏人，很不幸的，一个打着解决信任信用风险旗号的新技术，又被反置于信任信用风险的中心，这是一个无法克服和对冲控制的负面循环。
金融科技的发展本质上是人工智能和科技不断融入金融内涵的进程。金融的核心部位在哪里？投资交易、风险管理是整个金融最核心的决策部分。人工智能（AI）和金融科技（FinTech）技术不断被用于资产配置和投资组合管理、交易动态调整的金融核心组成，也是他们在金融这个场景下功用最大化的完美体现。
风险就是信息不对称性，传统金融中，资产的定价来自于对风险的定价测算。在当前的经济大环境下，银行等金融机构面临对公业务的质和量的下滑，随着美联储的加息，中国也变相地加息，导致不良债权违约急剧上升，银行等金融机构不约而同地转向零售来寻求业务的转型。
中国除政策风险外的最大风险就是交易对手信用风险CCR。信用风险在传统金融世界是无解的，尽管投资者和监管者动用了各种金融风险模型和工具，也引进了数学统计概率等高深理论。但对于谁是“好人”，谁是“坏人”这个难题还是一筹莫展。人工智能与大数据的融合，为金融风控带来了革命性的变革。大数据风控公司从网上收集用户的海量数据（在客户隐私得到保护的前提下），并快速分析预测客户的表现，从微观大数据的角度协助传统的零售客户信用风险分析，从而对其进行信用评级更准确的定位。
人工智能从一个崭新的维度大大提高了风险定价与管理的效率，但是人工智能也不能颠覆、取代金融。我们更加期待看到人工智能（AI）和金融科技（FinTech）为传统金融注入新的活力和动能，带动金融在控制风险的前提下创新发展，让金融成为中国下一个历史时期发展的新引擎。