金融科技在大数据和人工智能方面有哪些应用

近年来，人工智能有一系列的突破，在金融领域的应用也发展很快。我们做FDT的时候心目中有一个偶像，就是美国的文艺复兴科技公司，它旗下基金的平均回报率，在1989年到2009年间达到35%，比索罗斯和巴菲特高出10个百分点。2015年9月花旗做了一个预测，未来10年智能理财管理会增加5万亿美元的收入。高盛预测2025年AI为金融行业带来的增值每年达到430亿美元。2017年3月摩根大通发布了一款金金融合同解析软件，只需几秒就能完成以前律师们36万小时的工作。这说明人工智能很可能大规模的在商业，特别是在金融领域应用。而且，在金融领域应用大数据也有一些先天的优势条件和基础。刚才黄院士讲了，人工智能的前提是必须有海量的大数据，数据越多越能说明问题，而金融公司天生就是数据公司，银行也好，交易也好，每天和数据打交道，而且这个数据的质量和数量也能达到一定的要求，这是人工智能得以应用的一个非常重要的数字基础。另外，银行金融的业务相当多的是预测和决策类的，正是人工智能模型最擅长的领域。还有一点，金融作为全社会资源的配置工具，用AI对其加以优化，无疑有很大的社会意义和商业意义。

下面讲讲智能教育。FDT最初的宗旨就是为了培养交易员，是一种公益教育。FDT有自己的教育理念，有智能的训练软件作为教育工具，还有一套完整的教育准则和评价体系。这套教育准则和评价体系就是FDT财商指数，这不仅是我们评价交易员的标准，也是个性化教育的工具。这个财商指数本质上是通过大数据给用户画像，我们的用户就是交易员和散户，以加深对他们交易行为和交易心理的理解。我们根据海量的模拟交易数据发明了FDT财商指数。大家看这张图，这张图的横坐标是风险控制能力，纵坐标是盈利能力，用这个可以分清不同的交易员的情况，然后对他进行个性化教育。我们把交易员分为四类。第一类是优秀的模拟交易员。他们相对于庞大的FDT用户是很少的，占比不足1%，这部分交易员收益风险俱佳，可以重点培养，甚至可以给他实盘操作。第二类就是高级模拟交易员，占比约9%，他们交易的意愿比较强，可以通过个性化的智能教育和培训帮助他提高。第三类就是中极模拟交易员，占比超过40%，他们风险意识较强，可以考虑被动投资。第四类是初级模拟交易员，FDT财商指数值比较低，但人数最多，占比超过50%，需要继续帮助他们上金融教育课。

FDT财商指数的创新，在于它结合了人工智能+大数据+行为经济学。传统的金融方法都是靠问卷，基于人工设定的权限规则，对设定之外的行为特征就无能为力了，而FDT的财商指数是基于人工智能，通过非线性的机器学习模型，将上百个交易特征结合在一起，自动地抽取大量的判定规则，最终形成了财商指数的分数排序。传统的金融是基于结算后的“天”级别的数据，数据量少，非常简单，而且是单机计算，无法发现隐藏的风险和行为特征，而FDT的财商指数是对大数据按照毫秒级的行情识别，进行实时的分步式并发处理，可以深刻地了解交易员的心理和行为，数据越多，对交易员的个性化描绘越清楚，从而可以更有针对性的做个性化的教育和训练。在特征方面，传统金融方法都是基于盈利或者回撤数据，而FDT财商指数是基于行为金融学来刻画用户的心理特征和行为偏差，这背后需要大数据架构的技术支持。综合来看，FDT财商指数的交易行为特征，是基于行为金融学和对冲交易的专家经验的紧密结合。这是我们对每个交易员提供的FDT财商指数的报告，这是一个大报告，四个象限，包括盈利、风险、一致性、活跃度等，每一个后面都有一些具体的分析。其他的都好理解，只解释一下“一致性”，简单来说就是“穿越牛熊”的能力，能够在变化的市场中灵活调整策略来实现稳定的盈利输出。下面是我们根据财商指数，对参与交易的这些学校做的一些排行。

下面讲智能交易。交易的核心，一个是止损，一个是预测，一个是配比。我们传统的交易都要设止损线，不管谁不管什么情况，到了止损线一律清仓，以免出现无法承受的交易损失，这种情况实际上是忽视了个性差异。有了人工智能以后，在大量历史数据情况下，利用机器学习的模型，可以给每个交易员设定不同的止损线，比如可以根据交易员的历史盈利情况设定不同的止损线，也可以根据交易员的不同风格来设定，有些交易员喜欢也善于在大起大落中把握机会，你就给他设定个性化的止损线。FDT可以根据财商指数来设定精确细致的止损线。再就是对波动的预测。搞交易的人都知道，资产的波动性很重要，因为它既代表风险也代表盈利，所以好的交易员是在风险波动中赚钱。怎么样预测和判断这个波动？现在有了大数据和AI，就可以通过机器学习的方法，对A股、期货做出一个波动的预测。还有就是资源的分配。对优秀的交易员，可以给他特定的交易机会。就像婚姻介绍所一样，我们用这个评价指数对交易员做一个评价，对股票做一个评价，不同的交易员做不同情况的市场，这样可以发挥每一个交易员的才干，这也是我们利用人工智能对交易的一种应用。

最后讲一下智能投资。中国的资产管理市场在迅速增长，到2020年，估计有180万亿人民币需要财富管理，年复合增长率达到14%。但是目前大部分用户投资不理性，买卖的时机不当，导致大部分基金产品盈利，但是大部分用户还是亏损。所以我们用人工智能的办法尝试解决。首先，是智能的用户理解，我们借助模拟交易平台和大量的数据，用FDT 财商指数，从金融行为学的角度评价用户的风险偏好。二是跟哥伦比亚大学的FDT智能资产管理中心合作，研究了一套智能资产组合优化的顶级算法。三是智能投资的风险管理，对每一个投资组合做未来盈利的亏损的概率估计。四是智能个性化的资金分配，对不同的客户，不同的风险偏好，给他不同的产品，这也是智能化和个性化的基金推荐，把合适的基金推销给最合适的客户。当然，由于中国的资本市场仍不成熟，市场运行还不完全是市场规律的反映，所以智能投顾的市场环境不稳定，所以我们还要创造一些条件。

总而言之，我们的金融交易市场结构不合理，要去散户化，美国用了70年，我们不要用那么多年。我们要培养优秀的交易员，通过FDT创新工厂探索有效的办法。我们通过培养交易员掌握大量的模拟交易的数据，再与科研机构合作来挖掘这些数据的价值，用以研发智能教育，智能交易和智能投顾，应该说在人工智能在金融市场应用方面作了初步的探索。相信在这方面我们还有非常大的空间，这件事不仅具有社会价值，而且具有商业价值。谢谢。

如果人工智能能够帮银行解决“洗钱”问题，是不是一种更智慧的表现？

利用AI来改进反洗钱(AML)检查和程序的银行，可能会受益于人工智能(AI)的发展。

这是根据金融服务解决方案提供商Pelican最近的一项研究得出的结论，该研究专门关注人工智能如何帮助金融机构进行支付处理。

聊天机器人淘汰银行柜员？

为了在降低服务成本的同时保持客户服务水平，一大群聊天机器人正在为金融机构提供改变 游戏 规则的机会，以改变它们在金融互动中的所有接触点与客户打交道的方式。无论是要求向客户提供账户余额，还是激活新发行的信用卡;通过让新客户顺利通过申请和审批流程，或者推广新的银行产品和忠诚度计划，聊天机器人可以处理多种客户互动。

社交消息平台、声控助手和移动设备启用了新的沟通渠道，创造了越来越多以对话为中心的新可能性。在自然语言处理(NLP)和人工智能(AI)技术的支持下，自动化的客户交互现在支持类人聊天和流畅的对话。

对于消费者来说，智能聊天机器人带来了更大的便利，更低的摩擦，并为他们的银行需求增加了可访问性。对于银行和其他金融服务提供商来说，它带来了以客户对话为中心的新一轮创新浪潮。现在，金融机构真的可以通过多个接触点和沟通渠道，以更方便、更自动化的方式，发出自己的声音，为客户提供服务。

智能银行聊天机器人可以解释客户意图，准确理解他们想要什么，引出任何额外的信息，并执行必要的任务，所有这一切都在一个单一的无缝聊天。与将客户限制在预定义的银行流程、部门竖井、结构化表单和菜单、混乱的网站和联系人中心可用性不同，一个自动化对话可以触发满足客户需求所需的任务。这就是通常所说的会话人工智能。

银行机器人帮助简化和自动化面向客户的流程，降低了服务交付的成本。以授权和激活客户新发行的信用卡为例。一个聊天机器人可以代替呼叫中心的呼叫，使卡片快速、简单地激活，不需要人工干预。

例如，客户可以通过微信、支付宝或亚马逊Alexa语音请求他们的银行余额。account bot可以将对话移动到客户首选的消息传递通道，向他们发送报表余额。然后，此聊天可以调用其他机器人发送即将到来的信用卡支付提醒、推广新产品或提供，或询问客户是否有其他银行需求。

由于对话更加流畅，结构也更加松散，因此可以让双方进行更多的互动。它们还通过在一个会话会话中启用此功能，消除了客户在尝试完成多个任务时遇到的许多阻碍。

人工智能运用于银行主要做1虚假交易的甄别，通过用户知行为根据AI预判是否属于违规操作。2 消费信用授信， 根据用户过往账户情况，消费情况给予用户授信。

目前主要场景就是上面两大类。其他还包括推荐营销等辅助手段

在今天这个人工智能的时代啊，嗯，致人工智能是可以帮助银行进行这个服务的，例如啊，它的这个安保系统除了嗯简单的几个人，几个原有的保安之外啊，另外的话他如果说他有这个自动报警，自动的这个就是全方位的安保措施，是吧？这人工智能是可以实现的第二呢，银行的所有系统的情况下，如果用人工智能的情况下加上人工双重审核的情况下，第一提高工作效率，第二大大减少人力成本，第3位还能减少不必要的一些开支。嗯，人工智能的也是一个时代的来临，在未来的某一段时间你可能会发现银行都会是没有人的，没有去工作人员的全是人工智能，而在今天2019年，在广州的市区有一些银行已经实现了半自动的人工智能，还有你的一些银行呢，实现了一些人工智能，他其实人工智能是一种技术，为我们各个行业去服务的，她伫立于银行机构，助力于其他各个行业机构，所以说人工智能是一种技术，我认为说，人工智能一定为为推动这个 社会 的发展更快捷，更高效快速率，大大减少了人们这个去申请业务的这个时间，更能节省 社会 资源。

为更直白地辅助理解人工智能在银行领域的应用和带来的影响，就以在交通银行办理业务为例来讲解。

当你想了解该银行业务时，可以试着和交通银行智能机器人“娇娇”交流，在一问一答间你就可以轻松完成对业务的详细了解；还可以使用交通银行“沃德理财顾问”，获取智能理财咨询服务等，这样就可以免受漫长的排队叫号所带来的煎熬了。还有接触较多的智能客服，可以同时处理万人规模的客服申请，减少客户等待时间，可以创造更好的客户体验。这些只是人工智能+金融创新融合所带来的服务质量提升的一角。

近年来，银行业在身份识别、风控管理、流程优化等领域逐渐引入AI技术，“智慧化”进程得以大幅推进。同时，银行业在积极 探索 人工智能与银行业务的应用触点，在计算视觉、目标检测、语言对话和语音识别等领域开展了数量众多的研究项目。

但面对开发项目多、精度与安全性要求高，计算资源消耗的快速增长，资源挤占、训练排队的现象时有发生。此时浪潮AIStation这一面向人工智能企业训练与推理场景开发的高效人工智能资源平台应需出现，目前已助力交通银行太平洋信用卡中心百人规模人工智能开发团队的整个计算集群利用率提高30%以上，帮助运维人员工作效率提高50%，辅助为客户带来更流畅、便捷、智能的金融服务。

人工智能可能在不久的将来会重塑银行业务的运营方式，浪潮AIStation正通过简化人工智能的研发与生产，来加速人工智能+金融的融合创新，推动银行业智慧化的普及。

很荣幸能回答这个问题。

人工智能如何能够帮助银行更加“智慧”？就农业银行来说，我说两个具体的方面，大家就明白啦。

第一个：人脸识别。

貌似是科幻大片里的人脸识别技术，这两年已经普遍应用于银行业务中。具体的来说，大堂里的超级柜台、自助存取款机以及柜面业务中都使用到了这种技术。

好处一，降低身份冒用风险。因为在办理业务时，身份识别是业务办理的前提，是区分是否代理，是否冒用他人办理等情况的重要手段，但是仅仅人工费肉眼识别不能杜绝冒用身份办理业务的情况，但是有了人脸识别后，大大提高了身份识别的效率，也降低了身份识别风险。特别是当有人来办理业务时，看到有身份识别系统时，很能起到一定的威慑作用。

好处二，提高办事效率。现在部分的农行自助存款机机上安装了人脸识别系统。如果你外出忘记携带卡片，又没有手机银行，无法预约无卡取款，那么只要你携带了身份证，就可以通过人脸识别系统在自助设备上取现金啦。

第二个：智能理财。

银行都有自己的客户储备，系统会为客户经理提示该客户的资产配置建议，或者为每一个在柜面办理业务的客户提出其产品需求，如该客户可以办理信用卡啦之类的，以便在能够满足客户需求的同时实现银行产品的销售。

案例一，银行手机银行中的智能定投。基金定投大家应该都不陌生，就是约定固定期限，一般为每个月，使用固定金额购买该支基金产品。长期来看，基金定投是一种很值得上班族，或者专业性不强的客户选择的理财方式，也叫做懒人理财。但是如果遇到基金波动较大时，智能定投就能够充分发挥作用啦，简单的说，智能定投能够实现在你的风险偏高前提下，上涨少投，下跌多投，尽量减少风险的同时又摊薄成本。

案例二，提高银行营销成功率。银行的大数据能够告诉客户经理大客户的需求偏高，自动为客户经理按照关键词分类，或者按照投资偏好分类，为银行方营销产品提供便利，也能够快速满足客户需求，从而达到双赢。

总之，人工智能一直在改变这银行的存在方式和服务方式。银行从原来的实体网点向线上服务转变，也由被动服务转为了主动营销。人工智能更多的是培养了客户的忠诚度，从而有利于银行业的稳步发展。

人工智能对银行来说有很大的用处，比如说信用卡，贷款的审批，人工智能可以很迅速的查询这个人的征信以及还款能力，还有可以帮助用户更好的理财，可以这么说未来的银行间竞争就是看谁家的人工智能更聪明。

机器学习和人工智能可以应用于多种金融领域，例如市场预测、投资组合优化、风险管理等。以下是一些可以优化金融预测准确性和效率的方法：

数据清洗和特征工程：在使用机器学习算法进行金融预测之前，需要对数据进行清洗和特征提取。这包括处理缺失值、异常值、离群点等，并找到最具预测能力的特征。

选择合适的算法：不同的金融预测问题需要不同的机器学习算法，如线性回归、逻辑回归、决策树、随机森林等。需要根据问题类型和数据特征选择最适合的算法。

模型调优：通过调整算法超参数等措施来优化模型性能。例如，使用交叉验证方法来确定最佳超参数，或使用特征选择方法来减少过拟合。

时间序列分析：金融市场具有明显的时间序列特征，因此需要使用时间序列分析方法来处理和预测。例如，使用ARIMA、LSTM等算法来预测股票价格。

集成方法：将多个不同的预测模型或算法集成起来，可以提高预测准确性。例如，使用随机森林或Boosting方法来集成多个决策树模型。

自动化决策：将机器学习和人工智能与自动化决策系统相结合，可以在保证准确性的同时提高效率。例如，使用机器学习来识别风险并自动进行相应的交易。

需要强调的是，在使用机器学习和人工智能进行金融预测时，需要充分考虑数据的质量、算法的可解释性、模型的准确性和效率等多个方面。同时，还需要结合专业领域知识和经验，不断改进和优化预测模型，以提高预测结果的实用性。

科技 改变世界，创新引领时代。

8月29日至31日，2019世界人工智能大会在上海世博中心召开，大会围绕“智联世界 无限可能”的主题，从技术趋势、应用落地、产业生态、人才培养和公共治理等多角度，对人工智能领域的前沿技术、重点行业和重要话题进行深入探讨。

AI深度赋能金融

提及金融业务，脑海中立马浮现风控、反欺诈、大数据等系列专业名词，但这些在普通人看来，未免太过晦涩难懂。现在，在今年人工智能大会的浦东世博展览馆中，金融 科技 公司提供一种更为精彩的体验，以更加“好玩”的方式，高效拉近我们与金融之间的“最后一公里”。

“微表情识别技术，可以识别人类开心、愤怒、厌恶、恐惧、伤心、惊讶以及面无表情这七大类情绪，总计54种情绪的识别能力、39种面部动作单元，并且可以识别90%以上表情变化。”在展览现场，金融壹账通技术人员介绍称。

据了解，该微表情识别技术曾斩获国际面部动作单元识别竞赛世界第一名的荣誉，并大量运用在贷款面审环节中，帮助面审人员提示骗贷风险。

“不仅是表情上的情绪，机器甚至都可以识别出文字的情绪。”现场人员介绍称，体验者打开“Gamma O”开放平台，里面有各式各样的人工智能技术，其中有一项便是文字情绪识别。只要体验者输入一段话，就可智能识别出体验者输入文字的情绪。

值得注意的是，AI技术在金融领域的应用，并不仅仅限于To B（针对行业）领域，在其他To C（针对个人）的金融服务领域，比如客服方面，也可以大展身手。

此次大会上，金融壹账通还展示了多轮对话、语义理解等技术，无论是体验者说的、写的，聪明的机器都能理解，并通过对应逻辑分析所需结果。相关工作人员向体验者介绍称，多轮对话、语义理解技术可以应用到智能外呼机器人中，通过搭建AI机器人代替人工完成基础工作。在智能外呼机器人中，增加情绪识别技术，还可以感知客户的情绪变化，减少人工投诉的同时，能够找到业务突破口。该服务可应用于多个金融业务场景，包括存量客户经营、新产品推荐、还款提醒、客户回访调研等。通过机器人取代大量人工客服，从而大幅降低呼叫中心的人力成本，提高服务效率。

随着人工智能 科技 的快速发展，被誉为金融 科技 “无人区”的AI 科技 ，正成为财富管理行业的重要创新方向，同时也是“兵家必争之地”。在大会期间，陆金所宣布，其正通过金融 科技 的技术与经验，用 科技 赋能信托行业，帮助传统信托行业解决资产风控难、运营效率低、客户体验差、市场触达难、获客成本高等五大痛点。

同时，陆金所正式对外展示“4KY”体系，即陆金所将AI技术融入全财富管理场景，全面升级智能理财交互体验，为用户提供个性化财富管理服务，重塑财富管理行业。

目前，陆金所平台已经开始尝试，使用智能理财机器人与用户进行自然语言交流与开放式对话，并为用户提供涵盖账户查询、产品咨询、市场分析、投资者教育在内的各种金融服务。通过运用人工智能进行客户服务，陆金所力求解决用户与产品的匹配问题，并解决更多用户仍未满足的大量金融服务需求，希望能够扭转金融服务仅为部分顶层人群服务的刻板印象，让金融服务普惠大众。

数据显示，借助AI的帮助，陆金所平台的用户服务交互频率比以往提升了5倍，极大地提升用户服务面及响应速度。同时，人工智能客服的问题解决率提升了2倍，大大提升了用户的服务效率。

事实上，客服智能化、人性化服务的背后，正是AI、大数据、云计算等 科技 力量共同驱动的。蚂蚁金服和埃森哲近日联合推出的《新客服行业白皮书》用户调研显示，80%的用户希望客服更加了解自己；71%的用户表示，相比与人沟通，希望可以自助解决问题。消费者对客户服务的普惠性、技术化、定制化，以及洞察力、自助化程度有了更高要求。

2017年8月，支付宝提出“新客服”理念，并借助AI等手段，将被动式、等待式的传统服务模式转变为主动挖掘用户潜在需求，给用户提供更为普惠的服务。两年间，随着人工智能技术、大数据等技术发展，新客服进一升级为完整的行业解决方案。在服务好海量支付宝用户的同时，还可以把新客服的系统技术能力输出给行业，提高整个行业的效能，减少呼叫中心的运维成本。

蚂蚁金服方面数据显示，相较于2016年，2018年整体业务量增长了120%，但人力仅增长11%，满意度达到80%，大大提升服务效能。通过数据分析和人工智能手段，可以更加准确地扫描客户全程行为，同时预判、识别客户服务需求点，使得呼叫中心资源的调配使用更加精确。

浪潮之巅的“生产力”

在这些神奇且令人惊叹的技术背后，是AI正在潜移默化地改变着金融行业的业态。

目前，AI技术在金融领域的应用，想象的翅膀已为外界所塑造，但事实上，除了金融领域，自动驾驶、医疗、语音识别、图像识别等领域也是AI的重要赛道。那么，为什么偏偏金融会成为更加令人瞩目的“幸运儿”呢？

具体来说，朱明杰分析到，能够让AI成功应用的行业有一些共通点：

首先是信息化基础和数据量充沛；其次是应用场景和用户体量足够大，核心业务数据驱动；再次是付费意愿。因此，最先得到成功应用的是互联网行业。今天的金融行业也具备了这些条件，数据是金融的核心价值，通过人工智能、大数据、云计算等信息技术与金融业务深度融合的金融 科技 ，成为推动金融转型升级的新引擎。

不过，吴中也坦言，结合DATAVISOR的领域——智能风控反欺诈来看，其实也存在着不少难点。“在数据积累方面有很多的前期工作需要做，金融机构重视数据采集的结构化，电子化是基础。和其他领域有所不同，AI在智能风控领域的应用，拥有较强的攻防演变。坏人恶意欺诈的标签其实积累的比较少，而且需要不停的变化，因为攻击者一旦被拦截，会变化手法。

“在反欺诈的领域里，怎么在没有标签数据或者很少的标签数据情况下，解决一个比较大的问题，值得思考。其实很多AI的落地，使用大的数据样本，去解决一个小问题或者一个单点问题。但在金融领域，特别是反欺诈领域，是要用小的训练数据去解决很大的问题。”吴中说。

而在财富管理行业，“我们不仅要知道客户现在需要什么、能买什么，更要预测用户以后需要什么、适合什么。” 陆金所CTO毛进亮总结道，“AI技术正在从各个层面重塑财富管理行业。它不仅能解决传统人力理财顾问普遍面临的供需失衡、利益导向、成本高、门槛高、服务水平参差不齐的痛点，还可以通过大数据、机器学习等技术为投资者进行‘精准画像’，让机构更加了解客户需求、资产状况、风险偏好等方面，真正实现千人千面的个性化服务。从监管层面来说，AI技术与其他技术的配合，也能让财富管理服务流程更加公开透明，并且拥有完整的服务记录，为有效监管提供支持。”

事实上，除了金融行业，金融 科技 的玩家们也在 探索 其他能够用上AI这把“锤子”的场景。吴中谈及，“我们现在除了金融方面，也在对互联网领域进行有益的 探索 。结合无监督技术，我们会变得更加开放，并且变成一个平台化的产品。可以赋能更多不同的银行和其他金融机构，让他们在信息化的过程中，以较小的成本去接入比较好机器学习和无监督的技术，不用重新造轮子。 ”

同时，“我们也看到，比如保险业中的车险、寿险和社保，还有航旅等场景，都还拥有很多机会。”吴中说。

垂青AI创新人才

支撑AI向前发展的动力，是不断创新更迭的技术。而在技术背后，更是一代代“AI人”的持续 探索 与精进。我们不禁发问，一个优秀的“AI人”，应该是怎样的呢？

对此，在上海交通大学党委常委、副校长毛军发看来，扎实的数理基础、宽广的知识面、敏捷的思维必不可少。他还提出，对于有心从事人工智能行业的学生而言，如果真正喜欢的就去做，不喜欢也不要去凑热闹，选准的话就要坚持。“可能你会发现做AI这个行业没有你想象那么热闹，没有那么浪漫，但选准的话，就长时间坚持下去，一定会成功”。

微软全球执行副总裁沈向洋认为，对人工智能而言，现在是很激动人心的时代，有很多事项可去执行。然而，最重要的事情还是要志向高远。如果有机会做人工智能的科研，并且有这样的志向，一定可以做出了不起的工作。

2017年，国务院发布《新一代人工智能发展规划》，设定以2030年为期限的AI发展目标。为了达到这一目标，到2020年，许多里程碑需要达到，包括在基础研究领域做出重大贡献、成为吸引世界新兴人才的目的地，以及在人工智能产业上达到世界领先水平等。

以世界人工智能大会为契机，上海加快推进人工智能深度应用和产业发展，努力打造国家人工智能发展高地，成为全国领先的人工智能创新策源地、应用示范地、产业集聚地和人才高地。目前，上海已拥有人工智能核心企业1000余家，泛人工智能企业超过3000家，相关产业规模超700亿元，位居全国第一梯队。

朱明杰在AI青年科学家高端会议上抛出了这样的问题：

“今天的世界人工智能大会，有AI时代最优秀的年轻人们，最杰出的科学家们，富有经验的工业界前辈们，与这么多关心智能产业的领导们齐聚在上海，在这个刚刚开启的AI时代，能不能在上海也打造这样的闭环呢？”

在此次人工智能大会上，除了全球AI知名企业领袖齐聚、顶级学术大咖云集、人工智能新锐势力集体亮相外，AI青年科学家联盟的“A班计划”亦浮出水面。

对此，同为“A班计划”发起人的朱明杰表示：“对比硅谷的创业氛围和资源，我们要给年轻人更多的机会，让他们站在同一起跑线上。” 他认为，“相较更年轻的AI人才，我们年长几岁，有过创业经验，学术界教授也有很好的实验室资源。希望通过‘A班计划’这样一个项目，加速AI人才走向成功的速度。”

据了解，A班计划在遴选之初，即将目光瞄向全球范围内的优秀博士生和初创企业创始人（融资不超过A轮），“硬性条件”包括年龄在20-30岁之间，世界顶级学术会议的认可度，创业方向的 科技 含量等。

结合在氪信 科技 的实践经验，朱明杰表示，AI的时代风口，更加垂青于全才型AI创业者，创业公司首先要解答好商业本质问题，完成“从产品到客户到研发再投入”的商业闭环，确保自身茁壮成长，才有可能成为伟大的 科技 企业。人才之外，有效的环境是人才、市场、科研之间形成不断迭代的成功闭环。

本文源自国际金融报

更多精彩资讯，请来金融界网站(wwwjrjcomcn)

1、数据取舍问题：人工智能需要大量的数据进行训练和学习，但是金融市场的数据非常复杂，而且存在很多噪声和误差，这些问题都会影响人工智能的判断和预测能力。

2、无法考虑全局：人工智能往往只能针对某些特定的数据进行学习和预测，而无法考虑全局的因素，如政治、自然灾害等因素对金融市场的影响。