云智一体加速融合 全面支撑智能金融自主可控

导言

本篇为金融行业“自主可控”系列文章。前几期我们从政策、行业的角度分析了金融行业“科技创新”、“自主可控”面临的问题。本期我们从 AI 和云对金融的变革作用谈起。

在新一轮科技革命和产业变革的带动下，金融行业进入了智能金融阶段。这一阶段，AI 与云将加速融合，帮助金融行业快速数字化转型。那么，AI 与云融合有哪些挑战，自主可控之后，能为金融行业带来哪些变化，未来将如何发展？本文将进行深度解读。

政策驱动力

自2017年人工智能被写入政府工作报告起，“智能金融”的概念就逐渐走入大众视野。在近年来政府、行业协会等多个指导性文件中，更是明确指出要推动互联网、大数据、人工智能等各产业深度融合。

中国人民银行在《金融科技（FinTech）发展规划（2019-2021）》中，提出金融科技应用先进可控的发展目标。其中有几个重点方向：

• 科学规划运用大数据，健全企业级大数据平台，提升数据洞察能力和基于场景的数据挖掘能力。
• 合理布局云计算，搭建安全可控的金融行业云服务平台，构建集中式与分布式协同发展的信息基础设施架构。
• 稳步应用人工智能，稳妥推动人工智能技术与金融业务深度融合，构建全流程智能金融服务模式，推动金融服务向主动化、个性化、智慧化发展。

而近日央行金融科技委员会会议强调2021年要以深化金融数据应用为基础，以强化金融科技监管、加快金融数字化转型为主线，以风险技防能力建设为保障，全面提升金融科技应用和管理水平。

从落地来看，各家商业银行聚焦于开放银行生态场景建设、服务渠道重塑、数字化营销、智能运营风控、基础设施升级等领域。

国有银行和部分大型股份制银行在人工智能领域布局较早，技术与场景的结合也相对充分，需求更具有前瞻性和探索性；而中小行随着业务复杂度提升和数据量增长，与科技公司在人工智能领域的合作也在不断加深，合作方向主要集中于智能风控、智能营销、智能客服和供应链金融等场景。保险公司、证券公司、交易所等金融机构也与 AI 公司进行了战略合作，积极探索 AI 落地场景。

AI 落地金融行业 需应对诸多挑战

这一部分要先从智能金融的结构讲起。

智能金融一般包含基础层、技术层、应用层三部分。其中基础层是指为人工智能提供计算、存储和网络等能力的云平台；技术层主要提供感知、认知等通用算法和人工智能平台服务；应用层是由人工智能通用技术与金融业务深度融合产生的具有应用价值的产品和服务。

从落地需求来看，随着 AI 应用场景数量的增长，催生了 AI 中台，为 AI 应用开发提供快速构建能力的支持，助力金融行业智能化落地。自主可控也驱动金融机构部署 AI 中台。目前，头部金融机构已经开始积极搭建 AI 中台架构，中小规模企业也开始尝试 AI 中台构建。

同时，我们也应当看到金融行业在推动 AI 落地，面临诸多挑战：

• AI 工程化能力建设不足：智能化应用落地很大程度上依赖 AI 工程化的能力，Gartner 研究表明，只有53%的项目能够将 AI 原型转化为生产。这是由于 AI 落地从模型开发到部署应用，是一个技术门槛高、流程复杂的过程。

• 技术能力不足、人才短缺：AI 的效果高度依赖数据科学家的专业经验和算法能力，而目前 AI 人才输出短期内难以有效补充。

• AI 数据价值释放不足：信息孤岛尚未充分打通，数据质量和完整性有待提高。

• 资源重复建设：行业没有统一标准和系统，同时传统模式下烟囱式的 AI 应用开发架构导致企业无法有效形成技术和知识沉淀并快速复制推广。

• 业务敏捷响应度低：应用场景碎片化、个性化和专业化致使已开发的模型难以复用到相似的场景中。
  

为此，云智一体化是金融智能化的必然趋势，将 AI 中台作为底层的基础设施，通过云计算提供充足的算力资源提升 AI 落地的效率，担当 AI 的输出载体，加速企业快捷生产和使用 AI 能力，促进 AI 应用的规模化落地。

百度是云智一体化的践行者与领导者，并在2020年率先提出“云智一体”的理念，推动产业智能化进程。以金融行业为例，如宁波银行、银联商务、度小满、浦发银行等，通过落地 AI 和云的不同解决方案，百度正在全面帮助这些金融类机构构建 AI 和云的核心能力。

AI 需要云融合 全面落地智能金融

智能金融在落地的过程中，必然会寻求 IT 厂商的支持和帮助。于是，国内外 IT 供应商蜂拥而至，提供各类 AI 和云相关的产品及解决方案。在这种局面之下，不可避免的是海外厂商和国内厂商的同台竞技，相互学习和促进，也体现在智能金融的技术层、基础层和应用层三个层面。

• 技术层为企业定制符合自身需求的金融人工智能中台解决方案，提高金融机构的 AI 工程化能力。

• 基础层打造金融云基础设施技术基石，实现自主可控、软硬一体的解决方案。

• 应用层构建面向金融行业的云应用解决方案，利用“云+AI”能力在风控、营销等场景落地中提供技术支撑。
  

在这种竞合关系中，云智融合成为国内外互联网巨头的共识，以国内首先打出智能云口号的百度为例，其所倡导的云智一体，已不再是简单地将云与智的能力相加，而是通过对云原生与 AI 原生的重塑，将 AI 逐渐能力化，成为行业智能化的基础设施，实现云智融合的意义。

云智一体发展路径

云智一体加速融合之后，除了涉及到上面三层架构之外，还涉及到一些底层的技术架构和平台，也是国内外互联网厂商的竞争点。在某些关键领域中，如人工智能平台、AI 芯片等，国内厂商均取得不俗的表现，为国内智能金融的安全可控保驾护航。

AI 芯片：在业内，人工智能对芯片的需求主要为两部分，即训练需求与推理需求，各大厂商均有布局，竞争激烈。 

百度自主研发的云端 AI 通用芯片——百度昆仑，其中百度昆仑1已实现量产和应用部署，量产约2万片，性能相比 NVIDIA TESLA T4 GPU 提升1.5~3倍。2021年2月在刚刚结束的全球芯片顶级会议 ISSCC 2021上，百度携昆仑芯片荣登“热点商用芯片发布”环节；百度昆仑2预计在2021年上半年实现量产，与百度昆仑1相比性能将提升3倍。

人工智能平台：在2020年 IDC 发布的《中国 AI 赋能的工业质检解决方案市场分析》报告显示，百度智能云以16%占比位列第一，领先同行。在深度学习平台方向，据2020年12月 IDC 报告，在中国深度学习平台市场综合份额中，Google、百度、Facebook 稳居前三，占据70％以上市场份额。其中百度占比提升3.38％增速第一，综合市场份额位列第二，与位列第一的 Google 几乎持平。

比如，某银行在百度智能云助力下，在全行范围内提供一个统一的机器学习平台，实现对人工智能模型从训练、测试、部署、运行、迭代的全生命周期的研发管理，引入多种机器学习、深度学习先进算法和模型，加速人工智能应用在全行业务场景的落地。

边云协同：根据 IDC 数据，2020年有超过500亿的终端与设备联网，50%的物联网网络将面临网络带宽的限制，40%的数据需要在网络边缘分析、处理与储存，是“云计算”的延伸概念。边缘设备直接存储数据，根据封装好的模型计算处理，减少云端压力，提高了效率及用户体验。

2018年，百度智能云正式发布 EasyEdge 端与边缘 AI 服务平台，支持深度学习模型的自动转换与优化，生成适配多种主流 AI 芯片的端计算模型，并转换成适配主流 AI 芯片的端计算模型，目前已推出端云协同服务，支持在云端进行端/边缘的设备管理、服务下发等。

AI 能力市场格局：在 AI 能力方面，国内呈现人工智能厂商百家争鸣态势。在 IDC 发布的《中国 AI 云服务市场（2020上半年）跟踪》报告显示，百度智能云仍然处于 AI 公有云服务市场份额第一的位置，其 AI 应用全面开花、多行业落地。

AI Cloud：多家头部企业都完成了云智一体的布局。百度智能云自主打造的 AI Cloud 体系，涵盖了芯片、框架、平台、边云协同到 AI 服务应用的全栈矩阵。

云智一体正在翻开新篇章

当前可以看到，基础设施不断升级、新型的 AI 芯片、便捷高效的云服务、全功能的应用开发平台、开放的深度学习框架、通用的人工智能算法等，必然成为未来新的基础设施。

在这种技术趋势下，以人工智能和云计算为代表的新技术将为金融等行业带来更大想象空间。云和 AI 一体化后，云计算降低人工智能落地的门槛，人工智能为云计算制造新的场景，最终打开云智一体化的新篇章，为金融行业的自主可控贡献力量。