在新技术面前，金融行业往往既“激进”又“保守”。“激进”的原因在于，金融本身是一个复杂的业务体系，在日常运营中依赖于大量技术的支持，加之金融服务变得无处不在，客户需求也在促使金融机构进行业务的持续变革与创新；而“保守”的原因在于，金融处于强监管之下，在业务稳定性、安全性、可靠性等方面有着严苛的要求。面对在第三次发展浪潮中呈现爆发式增长的人工智能技术，金融行业的应用实践经历了从探索、跟风到理性的三个阶段。在这个过程中，金融行业不断摸索智能技术能够为业务带来的价值，与此同时，也面临着一系列的挑战。在 InfoQ《超级连麦. 数智大脑》直播中，太保寿险首席架构师周建华分享了金融智能化过程的三个挑战，并针对性地提出了金融机构进行智能化实践的两个前提和两个关键。在他看来，所有技术的引入，都要回归到企业的业务目标进行评估，与此同时，还要配以业务流程的重塑，才能让技术价值真正发挥出来，实现技术运营的可持续性。以下是分享全文（经 InfoQ 进行不改变原意的编辑整理）（点击链接「阅读原文」可查看完整直播回放）：人工智能技术已经经历了三次重要的技术浪潮：第一次是从 1950 年到 1958 年，第二次是从 1980 年到 2007 年，而第三次则延续至今。从严格意义上讲，我们目前正处于第三次浪潮的蓬勃发展阶段。其中，智能化应用爆发点出现在第三次浪潮中。这一点也主要归因于深度学习的突破，它推动了智能化应用的迅猛发展。具体来说，可以追溯到 2012 年，AlexNet 在图像识别领域取得了重大突破。在那一年，一个非常重要的事件发生了——AlexNet 首次在图像识别任务中超越了人类的精准度。当然，此后涌现了许多其他算法，如雨后春笋般不断涌现。但 2012 年是智能化应用领域的一个关键引爆点。从那时起，各个行业开始广泛地应用智能化技术，金融行业也不例外。
人工智能技术本身在这个过程中经历了从弱人工智能、强人工智能（通用人工智能）到超人工智能的发展。其中，弱人工智能指的是在特定领域有一些突破，但整体上还无法达到全方位的人类能力，主要局限于感知和计算等特定能力；强人工智能或通用人工智能意味着人工智能具备了类似人类意识和广泛知识储备的特点；而超人工智能指的是超越人类智能水平的一种状态，全面超越人类在各方面的能力。那么我们现在处于哪个阶段呢？在大型模型如 ChatGPT 出现之前，实际上我们仍处于弱人工智能时代，人工智能还有许多限制，不能处理所有任务。而当下，我们正朝着通用人工智能的道路前进，但并未实现通用人工智能（AGI）。聚焦金融行业智能化应用，具体可以划分为广度和深度两个维度。首先，从广度的角度看，金融行业的智能化应用可以分为三个阶段。第一个阶段是探索阶段，大约在 2012 年到 2015 年左右，这时一些大型金融机构以及具有较强创新倾向的小型机构开始尝试将人工智能应用于业务场景，这个阶段主要强调创新的需求。第二个阶段在 2016 年到 2018 年左右，一些领先企业开始尝试较为成熟的应用，比如智能投保、智能客服、OCR 等等。同时，许多中小金融机构也开始跟随，大量智能化应用嵌入到金融场景。然而，这些应用的实际效果如何，定位并不是十分明确。第三个阶段发生在 2019 年之后，直至现在。在这个阶段，智能化被普遍认为是降低成本、提高经营效率的关键要素，开始回归理性，强调的是解决业务问题，而不再只是创新或跟风。从深度的角度来看，以银行和保险为例，我没发现，不同金融领域的应用情况也有所差异。比如，根据《人工智能技术金融应用情况调研报告》显示，由于业务种类多样化，银行业的应用广度和深度相对较高；而保险业的跨领域智能化应用较少，主要应用于客户服务和运营等领域，目标主要偏向于成本削减和效率提升。可以看到，尽管一些领先的公司在智能化应用方面取得了一定成就，但与我们的最终目标相比，仍然存在较大的差距。其中面临的挑战和障碍具体是什么呢？大概有以下三个方面：首先，当下许多公司尚未建立健全的数据资产管理体系，导致在需要数据时往往无法准确地获取数据。第二，数据治理体系的不完善。尽管制定了一些制度和保障体系，但在实际执行中，往往出现许多问题，比如数据使用过程中存在错误、不一致性、重复性或遗漏的问题，这使得这些数据在智能化应用中可能变得无法使用。行业监管也是一个值得考虑的因素，主要有以下几个方面的影响：第一，监管要求模型具备公平性和可解释性，这在一定程度上成为金融行业智能化应用水平的制约因素，因为要兼顾解释性和公平性，很多智能化算法或模型在应用时可能受限。第二，还是数据。比如，刚刚提到的数据稀疏性，虽然可以通过外部数据来弥补，但目前的隐私计算技术和各类数据交易所还没有真正解决数据交换障碍的问题，即便是结合了自身数据和外部数据，这个问题仍然存在。第三，涉及个人隐私保护。个人有权撤回他们提供的各类隐私数据，这可能对未来的应用造成一些限制。这是一个需要平衡的问题。从业务方面来看，他们可能会抱怨技术人员不太了解业务，无法真正解决问题。实际上，并不是说技术人员不理解我们的系统是如何构建的，问题在于，技术人员可能不太理解业务中的痛点，不清楚业务流程背后的真正价值是什么。另一方面，从技术角度来看，他们常常会抱怨业务人员不理解技术，总是乱提出各种无用需求，将大量需求压在开发团队身上，并要求快速上线。如果我们彼此不能跨越这个鸿沟，很多的努力可能只会停留在表面，无法真正解决实际问题。
在分享智能化应用实践之前，我们再重新审视一下智能化的定义和内涵。我认为，智能化的内涵非常简单，即让机器扩展人类的能力，并且需要明确人与机器之间的协同关系。具体来说，它表现为三种形态（这些形态通常是共存的）：- 辅助决策型：机器的参与相对较少，主要集中在信息采集、整理、加工、绘制和报告等领域。人类在决策中仍然扮演着主要角色，特别是在经营管理等重大决策中，机器的作用有限。
- 决策增强型：机器和人类共同参与决策过程，各自扮演一半的角色。机器或算法可以提供决策建议，但最终决策仍由人类来做出。这种形态下，机器在决策方面的作用更加显著，是我们常见的一种智能化手段。
- 决策自动化型：机器可以自动进行决策，人类主要在策略管理方面发挥作用，指导机器的自主决策。机器在这种情况下承担了更多的决策职能，人工智能可以自主决策，但仍受人类的战略指导。
我们以弩的发明为例，更好地理解人和机器的关系：在春秋时期，战争主要依赖于弓箭，但驾驭弓箭需要强壮的人，经过长时间的训练，才能获得高超的技能。为了在有限的人才资源下进行有效防御，墨子发明了弩——给弓加入了机械装置，不再需要特别强壮的人，也不需要长时间的训练，几乎任何人都可以使用，这扩大了参与战斗的范围。这个例子给我们带来了一些启示，即如何在人才有限的情况下实现更好的目标。第一，找到核心瓶颈，释放潜能：墨子并没有改进弓箭的细节，而是通过引入机械装置来解决人才稀缺的问题。而我们常常认为数字化升级需要大量的专业人才，但我们能否通过工具来降低对人才的依赖，从而达到同样的目标呢？第二，价值创造需配套业务流程重塑：弓和弩的发射方式不同，操作流程不一样。对于数字化升级而言，同样也不仅仅是引入新技术，更应该与业务流程相结合，以实现价值的创造。据此，我们总结了企业智能化应用实践的两个前提和两个关键。第一个前提，是在进行智能化升级之前，必须首先识别场景，拆解业务目标并梳理业务流程。假设我们的业务目标是触达客户数、转化率和客单价，这时候需要明确要针对哪个业务目标因素进行升级；接下来，需要进一步分析在这个业务目标下，我们的业务流程是什么样的，确定哪个业务流程是真正需要升级的。在上图左侧，我用红色字体标记出了需要重点关注的部分，这个部分代表着我们应该集中力量进行升级的场景。在右侧，展示了一个业务流程图，它能够帮助我们确定哪些节点或流程需要进行升级或变革。这个业务流程图是确保成功升级的一个关键前提。第二个前提，是需要系统化评估可以应用智能化的领域。就像弓和弩的例子一样，不是所有地方都适合升级，有些领域的升级潜力较低，而其他领域的升级潜力较高，甚至有些地方根本不适合升级。所以，在我们进行智能化工作之前，无论是应用 AI 还是其他技术，必须自问所处的场景是否适合。对此，我们可以建立一个应用场景的评估模型，以确保能够在预期的效果下实现智能化，具体可以从以下三个方面进行评估：首先，评估智能化是否能够为业务带来实际价值；其次，从技术可行性的角度来审视，正如之前提到的，人工智能技术在不同阶段有不同的成熟度和边界，我们需要明确技术能够支撑的智能化水平；最后，评估数据的可及性，我们需要确保有足够的高质量数据来支持智能化应用。在很多公司，智能化应用以失败告终其中一个主要原因，就是场景本身并不适合智能化。这导致很多资源投入到了错误的方向。此外，关键之一是业务流程的重塑，简单地将智能化能力嵌入到原有流程中往往无法充分发挥其作用。业务流程是在特定业务目标下，基于当前生产力，不同角色的协同关系，业务流程是协同关系的表现形式。如图所示，生产力决定着生产关系。生产力涵盖了各种技术，包括智能化技术；生产关系在实际中体现为业务流程。如果我们要应用好这些生产力，那我们的生产关系也需要相应变革。如果我们的业务流程，没有跟上变革步伐，那么价值提升是难以实现的。虽然关于业务流程重塑每家公司的情况各异，但有些问题是相通的：比如，原有的流程是否真的有必要？比如，原有的流程是否能够进行再造，以适应新的技术发展？再比如，原有的流程是否可以自动化？假设仍然使用老的流程来执行这个任务，能否充分发挥技术的价值？当然，重塑业务流程并不仅仅是简单地将新的智能化能力嵌入到现有流程中，需要重新审视流程并作出调整，以充分发挥智能化的潜力。关键之二是持续的运营和迭代，任何智能化的能力或者模型都不可能一蹴而就，甚至包括如今的大型模型，它们都需要不断的演进，而且演进速度极快。在金融行业，几乎每家公司都拥有各种各样的智能化模型和算法，但实际上，有许多项目在完成后就不再被使用，其中有两个主要原因：首先，一些模型本身缺乏持续的迭代更新；其次，某些算法的输出结果缺乏持续的人工运营和反馈。当然，从运营的角度来看，即便不考虑智能化模型本身，缺乏持续的运营也会带来严重问题。在很多情况下，项目最终可能会变得无用，虽然初始时创新性很高，但上线后不久就会被遗忘。这对于项目的可持续性是非常致命的。关注「InfoQ 数字化经纬」公众号，公众号对话框内输入「太保」 便可下载本次演讲的 PPT。周建华，太保寿险首席架构师，武汉大学硕士。15+ 年财务及保险领域产品规划、研发及技术管理工作经验，对业务需求和痛点具有深刻洞察力，在架构规划、科技规划、平台架构设计、大数据及 AI 产品研发等方面经验丰富。
活动推荐首届 FCon 全球金融科技大会将于 11 月 19-20 日在上海举办。大会将围绕金融领域数字化转型挑战探索、DevOps 在金融企业落地实践、金融行业大模型应用、创新的金融科技应用、金融实时数据平台建设之路、金融安全风险管控、数据要素流通与数据合规等 10+ 专题进行交流。目前大会邀请了汇丰科技中国区的代理总经理马国栋、度小满金融数据智能部总经理杨青、蚂蚁集团副总裁 & 首席技术安全官韦韬博士、恒生聚源总经理吴震操担任大会联席主席。更多嘉宾仍在邀请中......我们诚挚地邀请您加入我们，共同探索金融科技的未来。扫码即可查看全部演讲专题：目前 5 折 优惠购票，仅限前 100 人，咨询购票可联系：13269078023（微信同手机号）。今日好文推荐玉山银行数字化（下）：普惠金融、智慧金融、场景金融三大 FinTech 策略如何落地
玉山银行数字化（上）：构建台湾第一个银行自建的“微服务架构”核心系统
大模型落地金融业，想象力在哪？
银行智能化转型：AI 中台的关键要素与实施策略
- 关注【InfoQ数字化经纬】公众号，回复“抽奖”可以参与本周活动，有机会获得定制礼品。
欢迎添加小助手进群，我们将为您推送更多数字化内容和活动信息。