“有一個問題?！绷_輯急忙說。……“你是真人還是機器，或者是一個程序？”

這個問題似乎并沒有讓咨詢員吃驚，她回答道：“我當然是真人，電腦怎么能夠處理這么復雜的業務？”

(資料圖片)

同廣告牌上的美人告別后，羅輯對史強說：“大史，有些事情真的不好理解，這是一個發明了永動機并且能夠合成糧食的時代，可是計算機技術好像并沒有進步多少，人工智能連處理個人金融業務的能力都沒有。”

——《三體 II·黑暗森林》

這可能是《三體》這部知名科幻作品中，最不科幻的地方了。智子封鎖下的人類計算機科學兩個世紀未有寸進，人工智能自然也毫無智能，放在今天來看卻別有一番風味。與小說相反，最近 AIGC（人工智能生產內容）爆火，是繼 PGC（專業生產內容）和 UGC（用戶生產內容）之后，一種利用AI自動生成內容的新型生產方式。從文字到圖像，從 DALL-E 2 到 Stable Diffusion 乃至引起極大轟動的 ChatGPT，AI生成超逼真內容的能力使其背后的“生成式人工智能”（Generative AI）迅速走紅，不僅奠定了人工智能作為一種新的內容生產主體的基礎，更將它徹底地推到了大眾的視野中。

圖：《三體》動畫版 丨 來源：藝畫開天

一 生成式人工智能：個人金融業務經理

有了創作能力的加持，AI 似乎越來越聰明，也越來越接近真人了。那么回到“個人金融業務”上，人工智能也可以勝任嗎？答案是肯定的。

即使是現在，金融服務中的智能客服對我們絕大多數人來說也并不陌生，可以在高效解決問題的同時節省大量的人力。而在可預見的將來，《三體》中的咨詢員很可能會被生成式人工智能代替，成為其在金融業務落地層面最直接的應用。雖然目前這一領域的技術仍處于實驗階段，但整個社會對其應用層面的熱情探索，勢必加速其技術的發展和衍生問題的解決，可以想見，未來 AI 不僅可以通過生成文字和語音來提供客戶服務和交互，更能夠生成圖像乃至視頻，在智能營銷乃至廣告投放等金融業務場景下發揮更大的作用。

圖：AI 內容生產 丨 來源：Eric Griffith, Midjourney

二 圖計算：突破迷霧的結構化智能

當然，僅僅是以假亂真的智能服務遠遠沒有發揮出人工智能在金融領域的潛力。從自然語言處理到深度學習，從強化學習到生成式對抗網絡，AI指數級發展的背后不僅僅是算法、算力的進步，更有海量數據的支撐。數字時代，數據為王，對數據的處理方式有著決定性的影響，而圖計算即是一種先進、高維的數據治理方式，一方面更符合人的基本思維方式，另一方面可以通過自動化分析發現一些難以用既有規則和經驗發現的信息。

金融業務所產生的海量數據形成了一張錯綜復雜、牽一發而動全身的網絡，而對其中復雜關系的分析在業務中至關重要，這一點使得圖數據相比于單純的數據存儲來說，天然更貼近金融業務的應用層，可以深度釋放關聯數據的價值。在實戰中，圖計算技術最清晰的應用可能是智能信審、資金流向查詢和金融數據可視化等，不僅方便了個人金融業務，更能極大地幫助金融機構進行趨勢判斷、投資決策和風險規避等等。

三 因果推斷：從打破黑箱到機械降神

“我模擬了每一種可能性，要阻止末日的到來，我看到了一條路徑，僅此一條?！薄段鞑渴澜纭?/p>

科幻燒腦美劇《西部世界》中，機器人伯納德在人工智能的“升華之境”中對現實世界做了 14,000,605 次不同的模擬，得出了唯一一個結局不致滅亡的策略，并按照它一步步走了下去。于是，整個第五季中伯納德的行為軌跡就像先知，他似乎總是知道接下來會發生什么，應該做什么，其未卜先知的能力宛如神跡，不僅讓作為觀眾的我們一臉懵逼、“不明覺厲”，甚至他的同伴斯塔布斯，也同樣全程直呼“看不懂”。

圖：“升華之境” 丨 來源：《西部世界》

其實，哪怕伯納德愿意，恐怕他也無法解釋自己的行為，這就要說到現實中人工智能的黑箱效應了。與伯納德的做法一樣，人工智能深度神經網絡最基本的運作方式就是窮舉出所有的可能性，并從中找出一個解。當前，最好的機器學習算法和模型非常擅長尋找模式和相關性，但其運算模式決定了它們往往只會得出一個結果，卻無法解釋結果的來由，更不能在海量數據中為我們指出，是哪一個因素導致了哪一個結果。這一點在某些領域或許沒那么重要，但在金融行業這樣極其重要的復雜系統中，卻大大地限制了人工智能幫助我們進行數據分析乃至決策形成的能力，其不可解釋性更加劇了人們對其規?；瘧玫囊蓱]，信任的建立困難重重。

不過，作為人工智能和機器學習的下一個前沿領域，因果表征學習（Causal Representation Learning）或許將改變游戲規則。統計學對因果關系的研究分為兩類，分別是因果推斷和概率因果論。人們對因果關系的理解普遍建立在后者之上，而由于無法很好地分辨內生性問題，機器也是一樣，很容易出現將相關性當作因果性的錯誤。而因果推斷的本質則是從產生的數據中回推背后的真相，需要從非結構化的數據里分離出真正存在的因果隱變量，這一點與傳統的機器學習有著很大的區別。

圖：AI“黑箱” 丨來源：Alice Yang

雖然在技術上仍存在許多困難，不過因果表征學習的研究和應用正在變得更加活躍，研究人員都在致力于讓機器能夠真正理解實際問題的基本性質。具體到復雜的金融系統，因果表征學習需要大量的、結合實際的理論研究支持和技術努力，才能得出一種可靠的數據表述方法，做到所謂的可解釋 AI，最終建立人類與機器之間的信任。在這種更高維、更值得信任且具備自主性能的基礎上，人工智能將可以在金融業務中實現智能、定制化的營銷、投資組合建議甚至市場調控等，真正成為金融數據海洋中的智慧大腦。

四 One More Thing

AI 賦能萬物，金融自然也不例外。作為一家金融服務公司，度小滿延續了其自身的百度技術基因，充分發揮 AI 方面的優勢，致力于用科技為更多人提供值得信賴的金融服務。近日，度小滿聯手《麻省理工科技評論》中國，聯合發布了《2023 年金融科技趨勢展望》。1 月 11 日 14:00-16:00，我們將于《2023 年金融科技趨勢展望》線上直播活動中對報告進行深度解讀，除了生成式人工智能、圖計算和因果推斷之外，還將探討多模態情感計算、科技倫理治理、鏈上分布式金融應用、隱私保護計算、虛擬數字技術、自動機器學習以及云上能力升級等與金融行業息息相關的技術。屆時，我們將邀請業內產業端、科研端等關鍵意見領袖共同參與，探討金融科技發展現狀及未來趨勢展望。

關鍵詞： 人工智能 金融業務 機器學習