为什么智能金融的机会并不在于“帮人挣钱”？| 甲子光年
作者：鲍捷 编辑：火柴Q
设计：孙佳栋 微信公众号：甲子光年（ID:jazzyear）
2018年3月7日，美国智能投研公司Kensho被标普全球以5.5亿美元收购，这是迄今为止，华尔街最大规模的人工智能公司并购案。
Kensho模式将给国内智能金融行业带来怎样的启示？「甲子光年」特此采访了被认为对标Kensho的智能金融公司文因互联创始人鲍捷博士。他以Kensho为切入点，阐述了自己在金融科技领域摸索两年后的深度思考。
一直以来，智能金融行业的一个痛点是，智能投资、投顾和投研，被证明并不能直接提高交易的“回报率”，即不能直接帮客户挣更多钱。高预期和实际情况之间的落差，影响了客户的付费意愿。
两年前，一个总资产千亿人民币规模以上的资管公司总经理曾问鲍捷：第一，你现在立即、马上就能帮我挣钱吗？第二，你立即、马上，就能帮我比市场上其他人挣更多的钱吗？
在得到否定答案后，这位经理问：那你们搞智能金融还有什么意义？
在这篇文章中，鲍捷博士则将细致阐述一种反常识的新思路——智能金融的切入点，一定不是股票交易，离交易越远越能落地。
他认为，Kensho 不会取代任何交易员、投资人或分析师，想坐在Kensho这类智能系统上躺着赚钱是不切实际的。
智能金融系统目前真正的价值，不是直接帮投资人挣更多钱，也不是省钱，而是通过人工智能建立起金融机构的大规模自动化系统，让监管、银行、投资机构等决策行为减少对个人经验的依赖，从而减少人员流动对机构的冲击，建立新型的协作系统。
智能金融当下在中国真正的合理路径是：由零件的标准化导向“大工业金融”，其本质是金融信息处理过程的（部分）标准件化。把金融信息和数据资产化，才是智能金融系统最大的价值所在。
作者介绍
鲍捷，文因互联 CEO。从1998年开始从事人工智能研究，曾在图灵奖得主Tim Berners-Lee实验室工作。2011年，鲍捷基于语义和社交数据的基本面分析所撰写的论文，获得了IEEE金融工程和计算智能会议最佳论文。2013年，鲍捷在硅谷创立文因互联，并在2015年后开始专注智能金融业务。成果有基于知识图谱的基本面分析、金融问答引擎、财务报告自动化提取、自动化监管等。
Kenso公司简介
2013年，Daniel Nadler创立了Kensho；2014年kensho与高盛合作，并获得高盛的1500万美元投资；2017年,获标普国际领投的B轮5000万美元融资，估值达5亿美元；其核心产品是金融决策引擎“warren”,曾成功预言英国脱欧后的英镑走势，及2017年美国科技股的强势上涨。
*以下内容系文因互联CEO鲍捷博士智能金融沙龙23期演讲，向甲子光年独家提供。
金融科技中，哪些部分真正具有AI属性？
人工智能到现在已有60年的发展历史，经历过几次低谷，我入行20年以来，也已经历过两个小低谷。总体来说，人工智能总是处在媒体的两极分化中：一会儿说人类要毁灭了，一会儿又说人工智能是骗子。尤其是去年，“人类要毁灭”了的新闻到处都是，但从今年以来，各种反思乃至否定的文章也开始出现。
以下的新闻是几个神化人工智能的例子：一个是说高盛的交易员要被人工智能取代了。
另一个是说35岁以前，如果还一事无成，你还能去哪？
最后一个新闻最令人恐慌，用了一个非常夸张的词，“人神共愤”。
这到底还是不是人工智能？
要判断一个应用是否具有AI属性，不考虑科学论证的严谨性，一个直观的判断标准，看里面是否有机器学习、知识图谱、自然语言处理等成分，如果没有，其实它更多的是传统的自动化。
回过头看这三个新闻，第一个并不是人工智能。因为交易本身是一种执行，并不涉及策略的形成。当然交易也分低级、高级，现在真正被替代的是一些机械的，已经既定的策略。与其说是人工智能替代了这些人，不如说是数据库和网络替代了这些人。
第二个技术其实是会计的自动化 。德勤等很多会计事务所都推出了过程的自动化、财会的自动化，这些技术很难说是人工智能。
最后一条关于Kensho，Kensho的的确确是人工智能。从数据层到表现层，最后到策略层，是人工智能的一个综合应用，比如Kensho有一个很大的知识图谱部门。
大约从2013年、2014年开始，新一代真正的人工智能系统开始应用在金融领域，所以人工智能确实是在改变这个世界，改变这个行业。
但它真能做到人神共愤的层面吗？
Kensho 能做到什么？
Kensho 是一个日语词，意思是“见性”，明心见性——大彻大悟，醍醐灌顶。
其实本质就是三个字——“相关性”。
大数据领域兴起后，其核心想法是，与其去发现因果性，不如把数据积累起来，寻找事件和资产之间的相关性，以及事件对价格、特别是价格长期趋势的影响，这就是 Kensho 提供的主要服务。
Kensho 推出的最主要应用，是 Warren 搜索引擎，或者说决策引擎。它能在一分钟内，完成过去分析师要做几个小时甚至几天的工作。
首先， Kensho 的底层是一个很大的数据库。两年前，它是9万个数据集的数据库，在此基础上有各种事件、价格和基本面。
下图是一个ETF（Exchange Traded Funds 指数基金）的基本面研究，数据包括：ETF里包含哪些资产、各类资产比例、它们最近的趋势……像这样的数据，Kensho有成千上万个。
在这之上，Kensho要做一个趋势性研究，即判断一些特定事件和资产价格之间的长期相关性趋势。以下图为例，是在讲欧洲的整个资产相对于英国的贸易之间的相关性，这是一个很长的图，下图只截取了前面一段讲述相关性指标的部分。
第二个例子是原油（见下图），在某一种价格变动后，WTI原油的表现一周内会发生什么变化？这也是各种指标和指标之间的相关性。所以Kensho里不仅有股票，也有各种大宗资产、期货。
第三个例子是事件影响分析，下图描述了2000年以来，春节对资产的影响，由此可以决定我们的策略。“事件影响分析”也是 Kensho 在新闻里最常见的一个卖点。
第四个例子是长期趋势分析，下图描述了2010年美股恢复以来，每年9月三大指数（标普、纳斯达克、道琼斯）的表现。Kensho有非常多的数据切片的分析。2016年美国大选结束后第二天Kensho就推出一个图，预测共和党总统上台后，会对资产有什么长期影响。各种相关性的比较，可以想象出无穷种组合。
第五个例子是一个策略：如果在原油价格超过50美元一桶后买入，5天后卖出，从历史预期来看，能得到什么样的回报率？像这样的简单策略，也有无穷多种组合。
对一个初级分析师来说，要做以上这些事，他要去收集数据、整合数据、自己做相关性分析，还要画图。Kensho 则可以一分钟内完成这些以前要几小时，甚至几天才能做完的事。从这点来讲，华尔街有些人会“人神共愤”，是可以理解的。
以上几段截图有些是取自电视节目，这是因为在 Kensho早期，它的商业模式之一就是给媒体提供分析。另外一个模式是为高盛这样的机构提供获客、留客服务。因为券商作为一个服务机构，会通过向客户提供投研能力，吸引更多交易发生在自己的平台上，从而提高分仓佣金，Kensho 从当中可以分得收益。这个模式在中国能不能复制成功？到目前为止还没有先例。
5.5亿美元，贵吗？
上个礼拜，Kensho 以5.5亿美元被标准普尔收购。我认为5.5亿美元是一个合理的价格。
其实两三年前，大家对 Kensho 的预期远远高于5.5亿美元。三年前的一个报道指出，如果广泛加以应用，那么 Warren可能会撼动长期以来，被彭博社、汤森路透所垄断的260亿美元的金融数据市场。
看好Kensho的观点认为：如果Kensho 的产品最后能够研发成功，金融机构的分析师和研究人员将面临灾难，面对更快、更好的机器人分析师，他们毫无胜算。
Kensho创始人在一次访谈中提到，在推出Kensho 系统后，有人给他打电话：你这个叛徒，如果你发现了这种关系，你就用这种关系去交易，但你不要公开它，你公开它，就导致大家都没法交易了。
但创始人很坚定地说，我们自己不下水做交易，我们要做成千上万家金融机构决策的提供商。
事实是，5.5亿美元的价格，从某种程度上说明，上述预期并没有达到。
我也找到了一些针对Kensho的反方观点，这些观点不一定正确，但是非常值得思考。
第一个说法是，彭博可以很容易地复制Kensho，而且可以做得好100倍。我在咨询彭博的同学后，感受是，彭博在短期内，还做不出Kensho。
第二个观点来自高盛的朋友。有一段时间，Kensho与高盛有密切合作，但高盛的朋友说，这些年来，他并没有看到 Kensho 做出什么牛逼的东西，也没见高盛内部人用过Kensho，更多是高盛的客户在用。
第三个质疑是，Kensho 提供了相关性，但统计过去的事件对股票的影响，对针对未来的操作有指导意义吗？胜算有多高？
Kensho 这种大杀器，到底它能不能让人挣钱？能不能让普通人挣钱？这两个问题，在目前还没有明确答案，至少现在还都不是肯定的答案。
那为什么Kensho还能值5.5亿美元？虽然5.5亿美元，在某些情况下看是个小数字，但已经是近年来最大的一笔人工智能公司的并购了。
在人工智能领域，一般来说，常见的并购额是1亿到2亿美元：Siri的收购价格是2亿美元；微软在几年前收购 Powerset 时，花了2亿美元；最便宜的是亚马逊智能音箱背后的搜索引擎True Knowledge，2600万美元。
相比之下，Kensho卖了5.5亿美元，可以说是给人工智能公司打了一针兴奋剂。对某些投资机构，也是一个利好。
其实从底层技术来看，不管是在中国还是在美国，想复制出 Kensho的确不容易。自从我回国以来，我听到不下10个团队试图复制 Kensho，也有一些非常大的国家级机构想做这种东西，但到目前为止，还没有一个做成的。
基于这样的技术复杂度，5.5亿美元是一个非常合理的价格。
为什么智能金融领域
没能出现第二个Kensho？
为什么过去4年没有一家团队能够成功复制 Kensho？
Kensho包含三个比较困难的组成部分，这三块目前在中国的基础都还不到位。它们分别是：底层的结构化数据库、中间层的金融领域知识库和前端的问答技术。
第一个部分是结构化数据库。如果我们简化一下 Kensho，可以不精确地认为 Kensho 是给高盛的结构化数据库做了一个自然语言的前端。如果让 Kensho 从头把所有的结构化数据库做出来，那一两年绝对不够，十年也不一定行。高盛在过去20年多少万人的积累，才创造出来这样一个底层数据库，比如SecDB，现在应该远远不止9万个数据集了，在此基础上才可能有 Kensho。有了上述的基础设施以后，在上面做自然语言的前端，才水到渠成。
Kensho的产生也依赖于过去 10年，美国整个数据生态系统的发展。2009年奥巴马上台时，曾发布一个总统令，要求美国所有政府部门都开放数据，其中也包含了大量金融部门，包括 SEC。美国所有基础证券的信息，各个细分领域的国民经济政府数据都是开放的，所有人不需要任何申请就能拿到。到目前为止，美国政府已开放了上百万个这样的数据集。
而在中国，这样开放的数据基础近乎于零。现在连基础证券的数据，包括新三板或者主板的 XBRL 数据，还不能让所有人免费、公开地访问。这个数据生态的差距是以光年来计算的。
第二个是金融领域的知识库，在做金融统计时，会有各种关联分析、回归分析和细分子领域的分析，比如产业链、财务模型、行业模型，宏观模型、投资模型等等。
以财务模型为例，美国有 GAAP 模型，中国有 CAS 模型，这都是成千上万条不同的会计准则，有了这些准则后，我们才能做财务的一致性校验。
在产业链领域，国内也有一些公司在做。美国的Capital IQ公司，很早以前就把产业对标做得很透了。而国内，还远远没有做好给公司打标签，或对标研究这件事。行业模型、宏观模型、各种投资模型，现在也都是方兴未艾。我们如果想做好上面提到的 Kensho的几个案例，逃不掉这些模型。而要做这些模型，需要协调各领域、各分支的专家，整合各种各样的专家知识。目前在中文领域，这一块还比较缺失。
第三块，从技术上来说是更有挑战的东西，就是前端问答技术。前几天，我在知乎上回答了一个帖子，有人问：Kensho 能不能复制？复制的核心技术要点是什么？我回答，前端问答是其中的一个大挑战。一位读者留言说：问答技术没那么了不起，现在搜索引擎公司早就解决这个问题了。
但这是一个误区，像小冰这样的问答机器人，大家看起来已经很智能了，但这种技术很难用在 Kensho上，因为这是两种完全不同的技术路线。
小冰本质上是一种基于检索的技术。它是从一大堆文本里头，找到过去存在的相似问答，再做答案和问题间的匹配。用术语来说，是用端到端的深度学习的模型来做训练。但这样的模型，有两个问题：第一，它无法精确地理解这个问题是什么，就是说它无法进行语义解析；第二，它的答案很难被构造出来。比如，像上述Kensho 例子中一些各种不同切面的切分，各种不同指标的组合，我们可以设想出无穷多种的组合，但用深度学习技术，却无法生成无穷多种答案。
如果想做到这一点，我们必须要做语义解析，也就是真的理解用户说的话，理解他说的词是什么意思，词和词之间是什么关系，这可能是这个问题最难的一点。到目前为止，这还不是一个完全被解决的问题。具体要做语义解析，又要涉及大概十几种非常专业的技术。小冰的技术是没有办法用到 Kensho 这样的强知识性问答中的。
回顾了这三个关键点后，我们可以说，想建立Kensho 这样的系统，要依赖于很多先决条件，包括数据基础、领域知识库基础和前端问答基础，这三块都很有挑战。对专业人士而言，这不是一个令人吃惊的结果。因为在过去40年的专家系统开发中，这些问题一直都困扰着整个知识工程界，只是现在在金融领域，我们再次遇到了这些拦路虎。
所以我要为 Kensho 团队点赞：他们做得非常好，Kensho团队现在是600多个人，他们技术部门是100多人，用100多个技术人员，就能把这样高复杂度的问题做到现在的结果，非常难，非常不容易。
为什么智能金融不必复制Kensho
但我同时认为，智能金融，不必复制Kensho的模式，我们要跳出Kensho思考智能金融。
先给出两个反常识的观点：
第一，建设AI平台，不能直奔这个平台而去。
第二，建设智能金融，不能直奔摇钱树而去，即不必把思维局限在做交易这一件事情上面。
在展开说这两个观点之前，先阐述一下我对Kensho的看法。
我认为，Kensho不会取代任何人，它不会取代任何交易员，不会取代任何投资经理，不会取代任何分析师，甚至未必会取代任何实习生。因为它所要做的事情和我们对它的期望，其实有很大距离。
现在做智能金融，大家会直接说：我要去提高交易效率，或者挣更多的钱，或者打败这个市场。这个模式是不是应该追求的？经过两年多的探索后，我认为未必，或者说智能金融应该有一个更大的途径，而不仅仅是追求 Kensho 这一个途径。
大概两年前，我去一个资管公司，他们有千亿以上的资产规模。总经理问了我两个问题：第一，你现在立即、马上就能帮我挣钱吗？第二，你是不是立即、马上，就能够帮我比市场上其他人挣更多的钱？
我实事求是地说，我现在不能给你肯定的答复。
他说如果做不到，那你们搞智能金融还有什么意义？
这个想法在那时很普遍，是一种非常高的预期。但最近这两年跟大家沟通，越来越少听到这样的想法了。包括2017年，我们跟多家机构合作时，都找到了更小的落地切入点，大家不再追求非理性的目标了。
仔细想一想，如果一家公司有3000亿，它还有持久地高于市场的回报率，最终结果是什么？这种事真能发生吗？市场打败了不了市场本身。
我们不应该追求替代交易员或者投资经理，我们也做不到。我们也不应该追求跑赢市场，因为市场本身不能打败市场，当所有人都追求跑赢市场时，没有任何人能够跑赢市场。从人工智能角度来说，我们不应该去追求通过图灵测试，大家对于像 Kensho 这样的金融问答系统的期待是，在远期来看，希望它能达到人的水平，那就是通过图灵测试，但这是很难做到的。
智能金融的路径：
由零件的标准化导向大工业金融
· 标准化会带来意想不到的新应用
智能金融的新路径，我认为应该是通过零件的打造，逐步走向所谓大工业的金融。
就目前这几年时间，比较合理的目标和路径，是把信息处理过程中一部分的过程标准件化。自动化、标准化、工业化，这三块是相互影响的。
信息工业影响金融工业，不是今天才发生的。前两天我读《美国金融业史》，里面讲了电报的例子：美国在早年有很多交易所，这些交易所的交易规则全不一样，后来电报改变了这一切，所有的交易所都死了，只留下纽约的交易所。因为信息传播速度的上升，使得各种信息的披露、交易规则都标准化了，分裂的市场变成了一个统一的市场，其他的市场都没了。
之后，电话、互联网，每一次都带来了类似的变化。比如个人消费信贷，在没有电话之前是一个情况，二战后，我们通过改造电话线，有了信用卡网络，完全激活了一个新市场。
现在也是类似的，如果我们狭义地看标准化本身，第一个阶段我们看到的，只是我们做某件事情的效率提升了。当电话进入金融机构时，大家可能只能想到，电话实现了实时双向语音通话，改进了一点效率，但并不一定让人激动。但是当我们发现电话上面加一点东西，可以催生出个人信贷新形式时，这就有意思了。所以很多底层平台的标准化会带来完全意想不到的新应用。大部分情况下，我们无法预言这是什么，但首先我们要提供这种标准化，提供这种通用工具。
· 从金融数据农业到金融数据工业
我把现在的金融信息服务业分成四大类：农业、矿业、手工业、大工业，我们要努力去创造的新生事物——大工业。
信息农业是什么？就是从金融的“自然资源”里刨数据。我以前跟华泰联合的一位前辈聊，他说十几年前，他们每天看《中国证券报》，从报纸里扒数据，看并购标的的情况。后来进步了，有各种各样金融终端，但这依然没有改变这件事的农业本质——基本模式都是一样的，就是在人力成本较低的地方，找一帮小弟小妹，通常是几百人，人肉摘录数字。
农业其实是一个很好的产业，如果农业能够经营得当，利润率50%是没有问题的。但是农业的最主要困难，是它很难规模化。很多信息农业，他们在主板时代做得很好，但在新三板时代，扩大就很成问题，因为我们的主体，已经不是1000家、2000家公司了，而是1.5万家公司。原来做产业链研究，招几十个人就可以做，现在要招几百个人来做，要手工处理所有1.5万家公司的财报、公告的话，则需要几千几万人。规模化是信息农业最大的问题。
信息矿业，就是在已经有了结构化数据，比如工商数据时，改进结构化和半结构化数据的可用性。这也是一种很好的模式，但如果没有深度加工能力，壁垒并不高。
第三种就是信息手工业。传统的金融决策过程，大部分是手工业的过程，个人通过大量阅读、学习，建立起对世界的认知，然后把认知变现。这涉及到个人经验，也涉及到人脉。我们去采访一些金融界的年轻人，他就告诉我，感觉他自己的能力跟老板也没区别，但就因为老板认识一些人，所以他在那个位置上，自己在这个位置上，他就愤愤不平。如果一件事本身是依赖于个人经验的，确实就会这样。所以当VC或者是券商的某些部门大到一定程度，里面的人成熟以后，他就愤愤不平，他一定会走，连着他的经验和人脉都带走，因为这是一个个人的不可复制的资产。
最后一种是大工业。大工业的特点，并不依赖于个人的经验和人脉，也不依赖一些现有的自然资源。它是基于一种可复制的技术和系统，建立起一种协作关系，从而制造出千千万万种有质量保证的产品。如果说矿业是开采石油，那工业就是制造塑料——中东产油国虽然能够生产很多石油，但是他们可能连一支笔上的塑料都造不出来，因为他们不具备这种工业能力。
金融信息服务业，在美国是260亿美元的生意，在中国还是规模非常小的，是不到100亿人民币的生意。是不是有一天，中国也达到260亿美元，或者说2000亿人民币？甚至比美国更大呢？完全是有可能的。但如果走到这一天，一定不是靠农业，一定是通过技术建立起金融数据大工业，从而连带整个金融产业发生一些大的变化。而且这些变化并不是像 Kensho 这样，我有了一个变魔术的机器，从而能赢得比市场更多的回报率。
如果我们往前走的话，我认为中国金融在今后十年内，会发生一个很大的变化，它会超越现在的手工业金融，出现更大的标准化生产。我相信每一个投资人都有自己的EXCEL表格，每个人都有自己的分析模型，每个人都有自己积累的一些小技巧。其实在早期的手工业里面，也能看到，造个轮子或造个碗，每一家都会有这样的小技巧，每一家都把自己的小技巧藏着掖着，担心其他手工业者抢他们的饭碗。但最后这些手工业者都被大工业给干掉了，这样的事情会不会在金融界也发生？我相信会的。
所以，最关键的事情，不是现在这个阶段，大家都去追求超出市场收益率的投资决策，如果我们大家想用 Kensho 就能坐着数钱，这件事情永远都不会发生，现在不会发生，再过10年不会发生，再过100年也不会发生。
· 新协作、新体系，让投研不再依赖于个人
我们应该追求的合理的目标，是建立起一个金融信息处理的协作系统。或者更现实一点讲，并不一定是要去跑得比整个市场快，有时候跑得比旁边的人快就行了。
智能金融在不同部门里会有不同的落地形式。前两天我跟一个机构的IT部门负责人聊，他说以前在上投研工具时，领导没什么动力，因为在领导来看，无非是省了点钱，在整个公司的三张表里，它是放在费用里，而不是放在收入里的。
我们已经讲了，长期来看，通过这种投研工具提高收益回报率是不切实际的，但如果仅仅是省钱，又不是一个足够性感的目标。但另一件事对机构有吸引力——就是在一个基金里，研究员是不停流动的，比较有意义的目标，是让整个投研不再依赖于个人。其实金融就是信息和数据，把这些信息和数据资产化，才是上这个系统最大的价值所在。
我觉得这是一种非常正面的思路，不再是传统的、狭隘的，一个个人提高投资回报率的过程，而是从系统角度，去建立一个协作体系，从而提高整个组织的资产（assets）。
智能金融的本质就是：金融信息处理过程的（部分）标准件化。在投行、银行这些行业都已有类似案例。
另一个值得关注的问题是监管，从去年十九大以来，整个金融监管对科技，特别是对人工智能的关注度一下子上来了。从股票、基金、债券，包括新三板的合规性检查，还有下面的评估、评级，和整个宏观风险的监控，目前国家的投入非常大。
这是一个特别值得关注的宏观方向，它会一层一层传导下来。前天我看到一个券商的高管在朋友圈里抱怨，说以后没法再做了，一罚罚50个亿。其实这就代表，关注投资时，不能仅仅只看收益或者是金融创新，现在这个阶段，更重要的是如何规范化。中国新金融会有一个传导周期，国家机构可能会在整个产业最上游，最先把最核心的技术应用起来，然后一步步传导到券商，再往下传导到上市公司，上市公司的子公司、连带公司，一级一级传导下去。这个传导周期，可能会有好几年，但是我相信大家在未来都会逐渐感受到。
· 投资、投顾、投研：不能直奔平台而去
回到前面说的两个反常识观点：第一，做AI平台，不应该直奔平台而去。
做好 Kensho 有很多拦路虎。我们不应该一下子就去追求做这样的系统，不管是智能投研系统、智能投顾系统，还是智能投资、智能投机系统，可能在短期内都是做不到的。
通常人工智能系统都是一个非常复杂的系统，要几百个人几年才能做到。不管你做语音也好、做图像也好、做文本也好，如果你一开始就搞一个很大的平台，一下子砸10个亿、砸100个亿，基本上一定会失败。最典型的就是日本的五代机，日本在80年代时，想做第五代计算机，说是人工智能计算机，举国之力，没有做成，目标太大。
这可能是大型系统普遍的规律，它不是设计出来的，它是生长出来的，它是一点一点地通过一些很小很小的组件，一点一点地逐渐地碰撞、组合，慢慢生成的。这件事很难通过一下子砸100个亿就能达成，直奔这个平台而去，基本上会收获100%的失败。
再说第二个反常识：做金融领域的人工智能，不能直奔着摇钱树而去。
最早时，也有人给我建议，说你跟客户谈钱就好了，说我能帮你挣更多的钱。可能一开始刚刚进入智能金融行业时，很多人最直接的想法都是这样：我要造一个系统，能够持续帮我挣钱，躺着都能挣钱，睡觉都能挣钱，但这真的做不到。如果奔着摇钱树而去，最终真是长不出树，也长不出果子。
具体分三个领域来讲：投资、投顾、投研。
在智能投资方面，打败市场是困难的，最重要的是打败自己。每个人都是非理性的，所以仅仅通过数据不可能形成正确的决策。在前几年时，曾经有一个很火爆的东西，叫大数据指数基金。2010年时，印地安纳大学的一个教授提出了这个理论，他自己开了一个公司，两年后公司就破产了。过去这几年，所谓的大数据指数基金基本上回报率都很低。在此基础上，跟它相关的智能投顾，整个回报率也低于市场回报率。
另外一点就是规模，脱离规模谈策略都是耍流氓。我们经常会遇到有人说量化有用，人工智能有用，但是你要问他一个问题，你是在多大的钱上有用？
在几十万上是一个事，在几千万上是另一个事，如果在一个亿以上，那还能做得到，那真是非常非常厉害。在座的很多人应该身家过亿，或者管理的资金规模超过1个亿。在这个基础上，每个策略能够做什么事，它对市场产生的影响是什么，是不是一旦有效就变得无效？我相信很多人都有这方面的体会。
智能投顾也是一样。投顾技术分成几大块，一块是底层的资产配置，这里没有多少人工智能。另一块是用户画像，这方面现在用到了很多机器学习。从去年年中开始，越来越多的也人开始关注智能投顾的投后。
最开始，智能投顾之所以能够吸引这么多钱，有两个原因：第一是机构对人工智能有期待，期待它能打败市场，获得更好的回报率。但目前市场表现证明，这一点很难做到。第二个原因是，机构的客户本身对人工智能有期待，某只基金只要说我用人工智能了，是智能投顾了，就会有很多人买，一买就买上百亿，用这种方式来获客，但资产新规出来后，这条路也被关上了。所以智能投顾往后走得开发新的东西，特别是和投后相关的东西，在智能陪伴这一点上，人工智能也可以帮助投资人。
第三点，智能投研。在投顾、投资或者投机里头都是需要投研的。市场上已有很多投研产品，包括帮助投资者更好地看公告、看研报，更好地看数据的产品。但是不是智能投研只能用在传统场景？会不会新兴场景、新兴应用、新兴机构才是投研更能发挥作用的地方？
在中国，我们看传统投研——券商有几千人，买方分析师、投资经理有几万人，加在一起可能不到5万人。如果智能投研只服务这5万人，就是严重低估了这个技术，也许有5000万人都需要这项技术。
其实上面这几点一直都在讲，我们构造智能金融系统，不必把我们的思维局限在做交易这一件事情上面，很多环节都可以用到，而且我们不一定要从一个所谓的大的系统开始做这件事。
· 用零件的标准化触发系统性变革
用历史眼光来看，整个金融IT建设的历史，可以分为四个阶段：信息化、大数据化、自动化、智能化。
第一个阶段是信息化，或者说是电子化，就是开始使用各种信息化系统。大概从十年前，我们开始大数据化，比如银行有各种云，把分散的各个部门数据汇总在一起。这两年开始有了自动化，包括自动化报表、自动化服务。从去年开始有了智能化的需求。每一步都依赖于前面的一步。
在我看来，现在这个阶段，最重要的是自动化，前面那一步已经做得挺好了，经过过去近10年的实践，银行、券商的大数据化都做得相当不错了。银监会刚发布一个文件，要求各个银行加强内部数据治理，以后要有数据治理标准。
我们最近刚刚和一个银行交流，他们在做了内部数据治理后，有了比较好的机构化数据，接下来马上就会有新东西出现：各种自动化需求，自动化匹配、自动化报表、自动化研究。我还认识一个券商资管部门的研究员，他们现在用各种EXCEL表来做资产配置，这种事以后肯定会自动化，不会再用EXCEL表格来做了。
核心就是自动化，怎么做到自动化？怎么做到人工智能化？要把底层数据结构化，底层的这些东西，就是要一层一层的从零件开始做。我们要从投研的各个不同的环节开始做零件、打造工具，先做解决方案，再做系统。
举个例子，瓦特其实不是蒸汽机的发明者，而是改良者，他发明了热力学某某定律吗？他发明了一种新的热机循环的方法吗？都不是。瓦特对蒸汽机效率提升的最大贡献，是在零件层面上的：他发明、改进了分离式冷凝器、行星式齿轮、平行运动连杆机构，有了十几个这样零件层面的改动，才导致了后面系统的变化。
再举个例子，很长一段时间内，法国汽车比美国汽车造得更好，产量更高。但等福特发明了流水线之后，这一切全变了。一直到第一次世界大战之前，法国一年只能造4万辆汽车，因为要手工打造每一辆汽车，流水线的标准化改变了所有这一切，这就是零件的标准化能带来的价值。
要打造一个智能金融系统，我们已经能造其中的一部分零件了，有一百多种，但这还不是所有的零件。我相信未来的金融大工业会需要比这多得多的零件，但我们可以从这些零件开始，来做一些现在、立即、马上，就能做的事。
如果我们去构造一个智能金融系统，可能得要1000万、2000万。但如果我们从现在就能做的小事开始，不需要这么多钱，也许20万就能启动，很多事可能没有想象得这么难。
用人工智能打造新金融需要新金融人，我们要把我们脑子里面很多原有的想法给清掉。很多业务未必要通过原有的做法向外推，我们需要一种新的适应大工业时代的协作方法。
最后，我就希望大家记得一句Take-home message：智能金融的路径是由零件的标准化导向大工业金融。智能金融就是标准化和大工业这两件事。
END.