什么是智能金融Robot不算Intelligent才是

[ 億歐導讀 ] 智能金融的核心問題是兩件事情：自動化和智能化。先有自動化才有智能化，像個人征信、銀行大數(shù)據(jù)等，都用到了很多人工智能的算法：如機器算法和知識圖譜。但是，真正以人工智能為核心來構(gòu)造智能金融系統(tǒng)的，目前在國內(nèi)我基本上沒有看到。

【編者按】這是一篇一年前的文章，文因互聯(lián)創(chuàng)始人鮑捷在參加中信證券2016年11月24日舉辦的《中信證券2017年資本市場年會》上的演講，主題是《智能金融的核心引擎：一覽與前瞻》，文章從智能金融的核心、中美兩國智能金融的發(fā)展、智能對產(chǎn)業(yè)的影響、智能金融的底層技術(shù)以及相關(guān)事例等方面，對國內(nèi)智能金融商業(yè)化發(fā)展進行了概論和前瞻：Intelligent、Smart Data。時隔一年半，讀完依舊收獲頗多，億歐特編輯，供業(yè)內(nèi)人士參考。

6月15日，億歐在上海舉辦「2018全球AI領袖峰會——智能+新金融峰會」，峰會將從智能金融商業(yè)模式落地、金融業(yè)務革新、銀行業(yè)態(tài)變遷、智能科技前景與難點等方面進行研討，探析即將到來的智能金融時代。

我們文因互聯(lián)是一家位于北京的初創(chuàng)公司，正在探索智能金融落地的各種場景。智能金融這件事，不僅在中國很新，在美國也是很新的事物。在探索智能金融的過程中，包括技術(shù)的基礎、技術(shù)在金融行業(yè)的切入點、盈利模式等，大家都沒有完全探索出來。我估計還要花上三五年甚至更久的時間才能搞清楚。

之前很多人都會問我：你們是不是做互聯(lián)網(wǎng)金融的?最近幾個月以來，大家開始問：你們是不是做科技金融的?Internet Finance和Fintech這兩個概念，大家都已經(jīng)很熟悉了，但智能金融是一個更小的概念。我的理解是：智能金融是科技金融的一個子模塊，和互聯(lián)網(wǎng)金融有一定交叉，但并不完全相同。

前一段時間我看了《清華科技評論》，這是一本很厚的集子，里面講了國內(nèi)外100多個這樣的公司。畢馬威也出了一個中國Fintech 50強的列表。仔細看的話，這些公司從事科技金融和互聯(lián)網(wǎng)金融的都有，但是涉及到智能金融的其實還是非常少的。智能金融從去年開始在中國剛剛起步，今年又陸陸續(xù)續(xù)出現(xiàn)了一些，但是還處于非常初步的階段。

什么是智能金融?

在之前20多年的金融數(shù)據(jù)化和智能化的過程中，智能金融逐步成熟起來。這離不開之前做的很多工作，從金融到互聯(lián)網(wǎng)金融，再到科技金融，其實經(jīng)歷了很多的準備工作。不僅是數(shù)據(jù)的準備工作，還有市場的教育工作。已經(jīng)有這些領域的前輩幫我們探了路，趟了很多地雷。

按照我的理解，智能金融的核心問題是兩件事情：自動化和智能化。先有自動化才有智能化，像個人征信、銀行大數(shù)據(jù)，還有之前的P2P和眾籌，都用到了很多人工智能的算法，包括機器算法和知識圖譜。但是，真正以人工智能為核心來構(gòu)造智能金融系統(tǒng)的，目前在國內(nèi)我基本上沒有看到。在國外，我們可以看到Alphasense、Kensho這樣的公司，國內(nèi)目前還沒有成熟的對應公司。

智能金融的定義

為什么會有智能金融出現(xiàn)?這是這些年中國經(jīng)濟，特別是金融產(chǎn)業(yè)發(fā)展所帶來的一些因素造成的。

發(fā)展的正負面因素

促進因素包括：

第一點：市場規(guī)模的成長

舉個例子，我們之前找A股的研報，隨便一搜，大概就下載了30多萬份研報的PDF文件。我們?nèi)フ倚氯逖袌蟮臅r候，發(fā)現(xiàn)新三板93%的企業(yè)沒有任何研報，98%的企業(yè)只有一份或者少于一份的研報。在A股市場上，中國的研究員可能有7000人或更多，他們在兩千多家公司上面研究了20年時間，把每個行業(yè)都研究透了，寫出來上百萬份報告。

新三板上現(xiàn)在有將近一萬家公司，未來還有可能達到兩萬家，其中一半以上的公司所在的行業(yè)都是新興行業(yè)。在這些行業(yè)上，如果我們還沿用之前人工研究的方法，需要多少研究員?現(xiàn)在是七千個研究員，要把研究員擴大到七萬個來解決這個問題的話，顯然是不可能的。所以之前的研究體系跟交易體系、資源配置體系，只適合為很少的公司進行運作?，F(xiàn)在面臨著一個十倍甚至更大市場，我們不可能沿用原來的方式來服務這個市場，必須要依靠技術(shù)。而人工智能就是這個過程中最重要的一環(huán)。

第二點：產(chǎn)業(yè)的升級

之前我們看A股的公司，上面有各種各樣傳統(tǒng)的產(chǎn)業(yè)，國有企業(yè)的產(chǎn)業(yè)。那么到了新三板上，我們看到了一大半以上公司都是新興行業(yè)，這些行業(yè)在A股上根本沒有。在新三板，我們找到了六萬多種產(chǎn)品，其中超過60%的行業(yè)標簽在A股上是找不到的。傳統(tǒng)培養(yǎng)行業(yè)研究員的方式跟不上今天的新興行業(yè)的成長速度。新三板還只有一萬家企業(yè)，早期市場有幾十萬家企業(yè)，還有更多新興的行業(yè)，怎么可能用人力完全把它建模出來?必須用技術(shù)的手段。

第三點：人工智能技術(shù)的進步

特別是最近幾年，深度學習技術(shù)和知識圖譜技術(shù)快速發(fā)展，使得我們有可能解決這些問題。這些問題并不是全新的問題，在美國之前也有。十年之前美國有一批公司出來做這種事情，但他們最終大多死掉了。為什么?因為那個時候從底到上，每一層的技術(shù)架構(gòu)都不完善，從數(shù)據(jù)庫到前面的搜索引擎，都是自己來搭。那個時候還沒有成熟的體系來支撐，也沒有開放的數(shù)據(jù)來建立整個生態(tài)鏈。2006年之后，美國的這種數(shù)據(jù)發(fā)展起來了。2001年之后整個語義網(wǎng)的技術(shù)，2012年之后整個知識圖譜的技術(shù)，使得我們現(xiàn)在有可能解決這些問題了，不需要我們再重頭開始構(gòu)造整個架構(gòu)了。

以上是正面的因素。在這些正面因素的前提下，為什么智能金融現(xiàn)在還是一個非常弱小的產(chǎn)業(yè)?我們下面來看看制約智能金融發(fā)展的因素。

制約因素包括以下三點：

第一點：數(shù)據(jù)的缺失

在美國，這個問題已經(jīng)解決得比較好了。在國內(nèi)，相信做過這件事情的同行都會有切身體會。無論是政府數(shù)據(jù)，還是行業(yè)數(shù)據(jù)，數(shù)據(jù)缺失都是第一位的。3月份的時候，我們開了一個沙龍叫“語義對話金融”。在這個沙龍上我問在座的投資人：你們覺得當今最需要解決的問題是什么?答：是數(shù)據(jù)!巧婦難為無米之炊，所以我們必須先把數(shù)據(jù)問題解決?，F(xiàn)在大多數(shù)的數(shù)據(jù)在哪里?其實都被隱藏著。很多數(shù)據(jù)，在政府的各部委的數(shù)據(jù)中，在各個地方政府里面，現(xiàn)在還沒有一套很好的開放方法，讓大家能夠訪問到。實際上，這是全民的財富。

從2009年之后，美國從白宮開始一層一層去搞開放數(shù)據(jù)，最后要求政府每一級都真正地開放數(shù)據(jù)。使用數(shù)據(jù)的每一個人，不需要事先申請就可以使用，這一點在中國目前是還沒做到的。即使是大家能夠接觸到的數(shù)據(jù)，現(xiàn)在用得還不是特別好。比如說機器可讀的金融報表，現(xiàn)在的結(jié)構(gòu)化金融報表本來應該讓每個人都可以訪問，這樣我們就不用雇那么多實習生去爬數(shù)據(jù)了。但現(xiàn)在它也不是每個人都能夠拿到。另外，在股轉(zhuǎn)書、年報、季報里，90%以上的數(shù)據(jù)都是非結(jié)構(gòu)化的。怎么使用這些數(shù)據(jù)?現(xiàn)在沒有一套很好的辦法幫我們用好這些財富。

第二點：人才的缺失

既懂金融又懂技術(shù)，這樣的人才是非常非常少的。因為這兩種人是完全不一樣的，一個來自火星，一個來自金星。能將這兩種背景結(jié)合在一起的人，在中國可以說是鳳毛麟角。

第三點：組織變革的困難

我覺得這個因素是最重要的一個問題。我前兩天在看一本書叫《創(chuàng)業(yè)者》，英文叫Founders at Work。這本書第一篇文章是PayPal的創(chuàng)始人回憶他們當時怎么創(chuàng)造出PayPal的。記者問他們：為什么你們不害怕銀行來做這件事情呢?創(chuàng)始人說：銀行絕對不可能做這件事情，因為銀行關(guān)心的問題是銀行原來的體系內(nèi)部，他們認為PayPal完全不可能做出來，因為他們認為反欺詐的問題絕對不可能被解決。但是PayPal就解決掉了這些問題?，F(xiàn)在我們回過頭來想，是不是還有類似的事。

在一開始的時候，大量金融創(chuàng)新的可用性、可靠性都不是那么好。在這種大型組織里，想運用這種新技術(shù)是很困難的事情。這就是一個典型的創(chuàng)新者的窘境。

特別是在技術(shù)面臨的挑戰(zhàn)前面，它組織的變化，整個理念的變化，它的價值體系的變化都是挺慢的一件事情。我們大家都知道，銀行只看風險是不夠的。國家強調(diào)提高直接融資的比例，降低間接融資的比例。但是銀行為什么就不能很快轉(zhuǎn)變過來呢?因為銀行原來的一整套體制都是風控驅(qū)動。風控是高壓線，所以人的提拔，獎懲全都是按照風控來做的。在外部形勢沒有發(fā)生變化的前提下，這個并沒有什么錯誤。但如果發(fā)生了變化呢?組織在這個過程中會變化，但不會這么快。這使得越大的組織，在使用這些新技術(shù)的時候，反應越慢。這是制約因素。

簡單看一下中美比較，去年畢馬威把中國Fintech 50強和國際100強做了一個比較。他們剛剛做了一個發(fā)布會，這里面有幾個大塊，跟智能金融有一點關(guān)系，但不是完全一樣。我們看框起來這一塊是大數(shù)據(jù)征信。中國對這一塊進行了密集的投入，比美國還密集。我懷疑中國有沒有一千家在做這件事情。另外智能投顧這一塊，做財富管理的公司美國非常多，中國非常少。這跟中國各種產(chǎn)業(yè)環(huán)境也有關(guān)?，F(xiàn)在，中國的監(jiān)管機構(gòu)不是很鼓勵做這件事情。之前，哪怕是非智能的投顧，在中國其實也沒有發(fā)展得特別好。所以智能投顧的基礎并不是很成熟。

中美比較一

中美比較二

再看科技系統(tǒng)這一塊。美國有這么多公司，中國居然是一片空白。中美兩國的發(fā)展，也預示著我們哪些地方發(fā)展過熱，哪些地方可能還需要再加強一下。

最關(guān)鍵的，我覺得是上面兩張圖里都還沒有的東西。畢馬威2016 Fintech榜單里提到了幾家公司，像Alphasense和Kensho，2015年都沒有出現(xiàn)，2016年才把它們加進來。類似這樣的還有其他一些公司。我認為非常值得關(guān)注的智能金融的公司，像Palantir和Dataminr，這些公司真正的是以人工智能為核心來改造金融的數(shù)據(jù)產(chǎn)業(yè)鏈，很多這樣的公司還沒有進入公眾的視野。但實際上像Alphasense和CB Insights這樣的公司，其實已經(jīng)有七八年的歷史，并不是一夜之間冒出來的。

5.jpg

那么他們是怎么起家的?很多新興的技術(shù)，像知識圖譜技術(shù)，其實在2007年、2008年的時候，是非常悲催的。我從2001年開始做知識圖譜，2007年博士畢業(yè)。那個時候想找稱心的工作是蠻難的一件事情，因為大家當時都不看好這些技術(shù)。到了2012年之后，這方面才慢慢受到關(guān)注。特別是谷歌從2010年的時候，買了一個小公司(Metaweb)，發(fā)現(xiàn)這個技術(shù)特別有用。他們發(fā)現(xiàn)，只有機器學習是不夠的，知識圖譜特別有用。之后發(fā)生了幾個大事件，在2012年左右像蘋果的Siri和IBM的Watson，他們發(fā)現(xiàn)，僅僅是通過統(tǒng)計的方法，無法解決他們現(xiàn)在面臨的問題。必須把人的知識、世界的知識放到系統(tǒng)里，才能解決各自的問題。在2007年、2008年之后，已經(jīng)有一些公司先知先覺開始將這些技術(shù)用到金融里面了，Alphasense和CB Insights都是那時候成立的。

Palantir是2004年成立的。用我們行話說，它是個本體編輯器(Ontology editor)，這個東西是非?？菰锏摹?004年到2010年，我自己寫過五個本體編輯器，不過沒有想過進行商業(yè)化。Palantir則商業(yè)化了，變成了一個估值100多億的企業(yè)。這說明，人工智能的價值取決于你怎么用它。把它用到好的角度上，找到市場結(jié)合點，哪怕是看起來很偏門的技術(shù)，也完全有可能成長為一個很大的市場。Palantir背后也有一個很大的知識圖譜團隊，因為要想把策略生成、數(shù)據(jù)集成做好，把下面的邏輯模型做好，都必須用到知識圖譜技術(shù)。

發(fā)展的基礎和階段

智能金融公司在美國從2007年、2008年就開始有了，在中國最近一兩年才開始做起來，就是因為每個國家的經(jīng)濟發(fā)展都有階段性。我們只有一個階段、一個階段地把前面的技術(shù)都夯實了，才能去做更高級的事情。所以之前我們花了20年時間，做銀行的金融的信息化。信息化之后，我們才能做大數(shù)據(jù)化。像工商銀行可能是做這種大數(shù)據(jù)最早的一批，然后做了七八年甚至上十年時間。很多銀行只是為了滿足巴塞爾協(xié)議的那些要求，就花了十年時間。有了這些東西之后，從2015年之后，我們看到有些做信息處理的自動化企業(yè)。做了自動化之后，才能去做智能化，這是一層一層發(fā)展的。我們目前做智能化，坦白說有點早。如果太冒進會成為先烈，所以應該實事求是追求合理的目標。

從大數(shù)據(jù)到智能化

這幅圖是我從工行的前行長楊凱生先生的文章里面摘出來的。這篇文章蠻新的，發(fā)表于2016年。在回顧他們工行的大數(shù)據(jù)架構(gòu)時，他把整個大數(shù)據(jù)的發(fā)展過程分為五個階段。他認為前面三個階段現(xiàn)在都已經(jīng)做得比較好了，報表顯示已經(jīng)發(fā)生了什么事情，分析為什么會發(fā)生這些事情，預測還會發(fā)生什么事情。后面兩個層面，就是運營分析和動態(tài)正在發(fā)生什么，實際上這兩個層面不是光靠大數(shù)據(jù)技術(shù)就能解決的，需要更多的人工智能技術(shù)，包括機器學習技術(shù)、知識圖譜技術(shù)。比如這篇文章里也講了好幾個例子，講了一個工商銀行有上千萬的房產(chǎn)抵押，而這個房產(chǎn)的價值，每天都會變化，不停地變化，該怎么快速跟蹤上千萬的抵押房產(chǎn)呢?他們開發(fā)了一套系統(tǒng)，其中還用到了自然語言處理的技術(shù)，來估計每一個房子價值的變化。

把視野往后推一推，我們今天談的智能對產(chǎn)業(yè)的影響，其實只是漫長的技術(shù)對金融的推進過程的自然延伸。從1960年到現(xiàn)在，過去這半個多世紀的時間，每一代計算技術(shù)的發(fā)展都對金融產(chǎn)業(yè)產(chǎn)生了巨大的沖擊。特別是這些技術(shù)創(chuàng)造了新的業(yè)務，這是最重要的一件事情。所以每一次革新開始的時候，大家總是先提高現(xiàn)有業(yè)務的效率，然后再往前走。隨著每一次效率的提升之后，就會有新的組織出現(xiàn)、新的業(yè)務出現(xiàn)，去挑戰(zhàn)原來的組織和業(yè)務。大家發(fā)現(xiàn)這個技術(shù)不僅僅可以提高效率，還可以創(chuàng)造出新的業(yè)務，從而顛覆原有的大型組織。所以金融組織也是不斷地新陳代謝。

什么是技術(shù)

我看過一篇文章，是中信建投的一位高層寫的，他說中國券商是個高危行業(yè)。他分析了一下過去15年的券商，發(fā)現(xiàn)好像超過一半的券商都死掉了。雖然現(xiàn)在券商的收入很高，好像去年的平均利潤率是50%，但是我們十年后看，券商的淘汰率可能也會很高。那么什么樣的組織能夠存活下來?我們看看上面的表格會得到一些啟示。在每一次的迭代過程中，都會有一些順應技術(shù)進步的新興組織冒出來。最近這些年人工智能讓我們能夠看到，我們可以去做自動化的小貸、精準獲客，還有策略自動化、組合風險管理，這些事情可以做。其實還有很多其他的事情，有待新興的組織去服務。

什么是“智能”

在談智能金融之前，我們來解釋一下什么叫“智能”。我們看到很多東西都冠以智能。我的鞋子里面有一個鞋墊，它稱為智能鞋墊，后來我掰開看了一下有一個小芯片，就稱為智能了。還有智能燈泡、智能音箱、智能汽車，這些東西都稱為智能。這些東西背后的智能指的是同一個東西嗎?

我把上圖中的三種智能稱為智能的三個階段：

第一個階段，是機器人化或者自動化，它代替人完成一般性的、重復性的動作，比如說里面的芯片，或者套了一個公式。

第二個階段，稱為小聰明(Smart)，像智能音箱是典型的，它可以完成一個相對而言比較簡單的數(shù)據(jù)集成的事情，或者人花上很長時間才能完成但是機器很快就可以完成的事情，我們稱為Smart。

第三個階段，就是Intelligent，可以真正地進行預測、分類、聚類、策略等等，提供深度的洞察，這些都需要長期深入的訓練才有可能得到的技能。一般意義上，在說人工智能的時候，我們通常會認為是Intelligent層面才課稱為人工智能。但是目前我們在商業(yè)上看到，很多情況下大家會把這個概念往外伸，把Robot、Smart也說成人工智能。智能燈泡不算是人工智能，智能鞋墊也不算是人工智能，但是我們在提智能的時候，很多人會把這些賣成AI技術(shù)的一部分。

看硬件的時候，我們可以看得很清楚，但看軟件就不一定看得那么清楚了。比如說智能投顧這個概念是不是AI的應用?其實本身它就有多種含義的。如果只看基于60年代就已經(jīng)有的資產(chǎn)配置理論來說的話，那我們可以認為它不是人工智能的。它只是在一些簡單數(shù)據(jù)提取、整合這方面，做了一些Robot的工作，所以這不是人工智能。但是智能投顧這個概念，也用在很多事情上。比如說在智能選股這些事情上面，就有人工智能在里邊。所以說這個概念的含義是多種的。

什么是智能

我認為可以分為三個層面：

第一個層面是Robot。在座很多人都雇過實習生。這些實習生每天從PDF里面扒數(shù)據(jù)是人工智能嗎?這是人工的智能，但不是人工智能。這個工作是非常機械的，就不應該用人來做，而應該用機器來做。

第二個層面是Smart，指數(shù)據(jù)的簡單分析、摘要、過濾、跟蹤、可視化。Alphasense是智能的，是美國的基于知識圖譜的語義、金融搜索。這個軟件可以去監(jiān)視上市公司所有的年報、季報、會議記錄，開會的時候說了什么，董事長一句話說完，一秒鐘之內(nèi)，交易策略自動就推送到投資者那里去了。這樣一種工作，用人來干一個小時也可以完成，但是用機器人，不到一秒鐘就可以干完，這是Smart。

第三個層面是Intelligent，提供數(shù)據(jù)的決策支持和洞察，這是高級分析師才能做的事情。Robot是實習生就可以做到，Smart是一兩年工作經(jīng)驗的分析師才可以做的。Intelligent是高級分析師才能做到的。他真正有這些行業(yè)的經(jīng)驗和洞察力，他才能做出來這件事情，才能夠合格的提出一個參謀的意見。像這樣的事情，我們認為才是真正的人工智能。Kensho從某種程度上來說接近了，但我還不能夠有信心地說Kensho現(xiàn)在已經(jīng)是這樣的東西了，因為Kensho包括兩大塊內(nèi)容，一塊是數(shù)據(jù)集成，第二塊就是策略生成，它的數(shù)據(jù)集成那一塊，我認為還只能說是Smart。

真正的Intelligent是怎么發(fā)展起來的?其實人工智能的行業(yè)是“有多少人工，就有多少智能”。因為每往前走一步，最核心的問題都是成本、成本、成本。如果想去構(gòu)造一個所謂非常聰明的系統(tǒng)，從技術(shù)上來說都是做得到的。我經(jīng)常愛開玩笑說，如果明天發(fā)生第三次世界大戰(zhàn)的話，所有的AI問題我們都可以在五年內(nèi)解決掉。因為只要政府能夠征發(fā)一千萬人，來給我們做數(shù)據(jù)標注就可以了。我們在商業(yè)中，不可能免費得到一千萬奴隸。我們解決這些問題的最好方法，就是經(jīng)過快速的產(chǎn)品迭代。在每一個層次上面，我們從低質(zhì)量的數(shù)據(jù)到高質(zhì)量的數(shù)據(jù)，在投入一些成本之后，我們獲得一些收益，然后不斷地去加速人的輔助價值。

大家常聽到一句話，什么職業(yè)要在人工智能的壓力下失業(yè)了，速記員要失業(yè)了，或者說翻譯要失業(yè)了。坦白說我認為這種話說得不對。其實技術(shù)發(fā)展那么多年，真正的被技術(shù)消滅了的行業(yè)、職業(yè)真的很多嗎?我不覺得，更多的時候是增強了。我們有了計算器之后，真的把會計這個行業(yè)給消滅掉了嗎?其實會計做得更好了。人工智能取代這個、取代那個是現(xiàn)在根本不用擔心的問題。實際上，人應該起到畫龍點睛的作用。每一個層面機器幫我們，我們有了更好的數(shù)據(jù)，我們有更好的創(chuàng)造力，來加速人的判斷，這才是比較好的人工智能的應用。中間有很多的步驟，我不一一去講這些細節(jié)了。

在這里面有兩張表，講了分別從底層技術(shù)的層次上，我們到底有哪些技術(shù)可以用。同樣今天沒有足夠多的時間，把這里面的每一點都講到。如果把這兩張表給解釋完了的話，可能就要花半個小時時間，只好略過。

一些底層技術(shù)一

一些底層技術(shù)二

我們看最后的層面“策略生成”。如果想造出Kensho這樣的系統(tǒng)來，我們到底需要花多少人力和物力?這絕對不是一個小團隊可以做出來的。比如說組一個10人團隊，給他們一年的時間，就能做得出來嗎?這是不可能的事情。因為背后需要做的底層技術(shù)發(fā)展實在太多了。

知識圖譜

這里多提一下知識圖譜技術(shù)。其實知識圖譜是一堆問題，而不是一個技術(shù)。雖然知識圖譜為人所知是最近三四年的事情，實際上這個領域成型已經(jīng)有15年時間了。2001年，我們管它叫Semantic Web(語義網(wǎng))，2006年的時候叫Linked Data(互聯(lián)數(shù)據(jù))，2012年的時候叫Knowledge Graph(知識圖譜)，到了2015年我們又把它改成一個新名叫Smart Data(智能數(shù)據(jù))。今后一兩年，大家聽到智能數(shù)據(jù)這個詞不要詫異，它和知識圖譜是同一個技術(shù)，只是換了一個馬甲而已。因為我們這一行，博士論文每五年一屆，所以每五年我們這個行業(yè)就要換一個馬甲。1998年的時候我們叫Agent，在這之前我們叫Lisp、專家系統(tǒng)。所以整個知識圖譜的技術(shù)，實際上有三四十年的發(fā)展歷程。最早起源的技術(shù)，60年代就有了，整個細分為幾個大塊。我認為細分下來，有幾十種不同的技術(shù)，統(tǒng)稱為知識圖譜。并不是找到一兩個做自然語言處理的人就可以號稱是知識圖譜。

從來源來講，知識圖譜可以分成四大塊：

第一塊：知識提取。這一塊主要是從自然語言處理的角度來看的。比如說，我們現(xiàn)在有股轉(zhuǎn)書或者研報，研報里面有很多表格。把這些表格的數(shù)據(jù)提取出來，就叫自然語言處理的技術(shù)。我們從非結(jié)構(gòu)化的數(shù)據(jù)里，把數(shù)據(jù)信息結(jié)構(gòu)化，也就是知識提取。

第二塊：知識表現(xiàn)。我們拿到了一些數(shù)據(jù)之后，怎么進行有效處理。尤其是背后有意義的數(shù)據(jù)，像股權(quán)關(guān)系網(wǎng)絡里面，股東A和股東B之間有親屬關(guān)系，他的兄弟們、同學們，這些關(guān)系是什么意思?這是一種知識，我們要有一種方法，讓機器更方便地進行自動處理，這一部分就叫知識表現(xiàn)。

第三塊：知識存儲。剛才提到了圖數(shù)據(jù)庫。圖數(shù)據(jù)庫是知識存儲的一個分支，還有很多其他數(shù)據(jù)庫，比如RDF數(shù)據(jù)庫，還有混合的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的管理。

第四塊：知識檢索，有時候也叫語義檢索。這里面又細分成六七種不同的技術(shù)，我就不一一列舉了。

這些技術(shù)對我們有什么用呢?先舉一個小例子，在投資研究的過程中，我們最早跟一些券商研究員聊的時候，逐漸分析他們的行為過程。我發(fā)現(xiàn)應該可以將他們的分析過程分成四個步驟：

以投資研究為例四步走

第一步，是搜索。比如說百度搜索。有時候可能是通過線下聊天或者微信，聽說這個行業(yè)不錯。大家看看這個行業(yè)有哪些公司，比如說珠寶這個行業(yè)，我在搜索里去搜珠寶，繞過了前面若干個不該點擊的鏈接之后，找到了一個正確的鏈接。然后在這個鏈接里頭，我們找到了一篇文章說珠寶行業(yè)里面有8家公司可以看。

第二步，是找數(shù)據(jù)。這8家企業(yè)的數(shù)據(jù)在哪兒呢?打開一個金融終端，把里面的數(shù)據(jù)提取出來?？赡芤荒甑臄?shù)據(jù)不夠，那么把過去幾年的都拎出來，然后一年一年地給篩出來。

第三步，把這些數(shù)據(jù)扔到EXCEL表格里。有些表頭，還有一些公式也都是事先定義好的，他們每天都要做這件事。我們之前還遇到了一個人，他每周一都要發(fā)布一個新的EXCEL，里面包含股轉(zhuǎn)中心中的新三板在審企業(yè)。這些企業(yè)有1000多個，每周一下午三點的時候發(fā)布。他每周一下載下來之后，把數(shù)據(jù)調(diào)出來，用以前定義好的模板把EXCEL表格填出來。每一個周一要花三個小時做這個事情。他怎么過濾數(shù)據(jù)，都是他自己的世界觀。

第四步，就是呈現(xiàn)。他拿到了數(shù)據(jù)，要寫PPT、做報告、畫圖、畫表，然后看風險點，各種進一步分析。

當然這只是非常簡化的一個過程，實際的研究過程可能會比這復雜很多，而且是迭代的過程。這里也沒有包括那些非案頭的工作，如打電話和現(xiàn)場調(diào)研。

在這四步里，其實每一步你都會看到，人80%的時間在做什么?是在把一些文字、數(shù)字從一些地方挪到另外一個地方。這些事情為什么要用人來做呢?這些事情要用機器來做嘛。這就是人工智能在上面能夠起到的作用。每一個層面上，我們可以用語義聯(lián)想來做搜索，做行業(yè)對標簡化發(fā)現(xiàn)細分行業(yè)的問題。我們可以用微信機器人，在微信里快速尋找數(shù)據(jù)。有報道的摘要、產(chǎn)業(yè)鏈的分析、數(shù)據(jù)的集成等等。一系列的算法，可以在每一個細節(jié)上面提高分析師的效率。這就是文因互聯(lián)現(xiàn)在在做的事情。

我們在2016年1月份就做過新三板的金融終端，5月份發(fā)布了搜索，7月份發(fā)布了快報去跟蹤投前和投后的信息。最近我們做了自動化企業(yè)報告。企業(yè)要素分析大概有十來個點，這些點都是以前要一個實習生花上一天時間，甚至兩天時間才能夠做完的?，F(xiàn)在一秒鐘之內(nèi)就可以做成一份。也可以在微信群里說，我要某一個企業(yè)的分析報告，在10秒鐘之后微信機器人會在微信群里給你發(fā)出來。對于一些企業(yè)的負責人，或者時間特別寶貴的人來說，這非常有價值。之前他們的助理做這個報告，至少需要一天?，F(xiàn)在在街上、出租車上，他看到了一個公司，想看看那個公司的信息，一分鐘之內(nèi)就能找到。這種信息的及時性是以前享受不到的。

自動化信貸報告準備

信貸報告準備的自動化是我們跟銀行合作的一個例子。信貸經(jīng)理、客戶經(jīng)理生成報告的過程中，需要填很多表。填完這些表格，他們把數(shù)據(jù)從一個表里挪到另外一個表里。這里面有大量企業(yè)基本信息數(shù)據(jù)、工商數(shù)據(jù)、實際控制人的數(shù)據(jù)。這些數(shù)據(jù)都是從很多其他的表里面提取出來的。一個信貸報告中大概有一兩百個點，根據(jù)我們的評估，這其中大概有一半左右可以自動化。我們就跟銀行一起來自動化。同時，我們還跟一些評級機構(gòu)做類似的事情。在債券的評估報告里，大家要看六百多個點。這六百多個點大部分都是可以自動化的。從各種各樣的地方，把信息從表格中抽取出來，然后定義好，進行呈現(xiàn)和總結(jié)。

自動化上下游分析

自動化行業(yè)的上下游分析是另外一個例子。我們之前就已經(jīng)有這樣的數(shù)據(jù)。但是在新三板以及早期創(chuàng)投一級市場上，有大量的新行業(yè)，這些行業(yè)的上下游從來沒有人分析過。那么怎么做呢?我們?nèi)タ纯词忻嫔弦呀?jīng)公開的數(shù)據(jù)，包括這幾十萬份的新三板上的年報、半年報，還有股轉(zhuǎn)書，還有對整個產(chǎn)業(yè)的描述，這些都是金子。從這里面，我們可以抽取出來幾乎每一個細分行業(yè)，上下游企業(yè)有哪些?他們對應的產(chǎn)品有哪些?所以對這上千個新興行業(yè)，我們都可以機器生成這樣一個產(chǎn)業(yè)鏈。上圖是園林行業(yè)的例子。園林的上游企業(yè)，有沙石、石材，它的下游有綠化、工程、設計、種植景觀。這些工作以前都是要用人工，要用行業(yè)專家來做。我們現(xiàn)在有了機器之后，并不是取代了行業(yè)專家，而是可以讓行業(yè)專家大大節(jié)省時間，把成本降低。

自動化公告摘要

最后一部分是我們正在跟一些交易所在做的公告自動摘要。A股的已經(jīng)基本做好了，明年初還會做美股的。這都還是一些很初步的工作。對于整個投資研究而言，這些可以說都是一些局部的具體應用。我們做了十幾個這樣的工具之后，現(xiàn)在在把它們組合在一起變成一個投資研究系統(tǒng)。這個投資研究系統(tǒng)可以做發(fā)現(xiàn)標的、企業(yè)的研究、行業(yè)的分析、事件的分析，最后生成各種各樣的自動化報告，能夠讓每一位研究人員把他的時間放在能夠創(chuàng)造更多價值的事情上。多一個小時做什么不好?不工作的話，睡覺也好、談戀愛也好，做什么都好。讓金融人士每天延長生命一小時，這就是我希望達到的目標。

投研系統(tǒng)

我們現(xiàn)在做的事情還都非常初步。再回到剛開始說的，智能金融這件事情才剛剛開始，我們的著眼點并不是下一步就替代什么，或者做很智能化的事情，而是把小事情做好，真正地幫助人做一些自動化的小事，提高人的效率。我相信在5年以后，我們會有一個智能金融的生態(tài)系統(tǒng)出來。人工智能在這個過程中會起到非常重要的作用。我們文因互聯(lián)希望跟這個產(chǎn)業(yè)一起同步成長，謝謝大家!