金融科技与人工智能推动下一波创新浪潮

Anna Schoff – 计算机科学与自然语言处理硕士毕业，专长于深度学习、数据科学和机器学习。她的研究兴趣包括古代语言的神经解码、低资源机器翻译和语言识别。她在学术界和工业界拥有丰富的计算语言学、人工智能和自然语言处理研究经验。

Bhushan Joshi – 银行业软件供应商、金融市场和财富管理的能力领导者，拥有丰富的数字银行、资本市场和云转型经验。他曾领导全球银行的业务战略、咨询和大规模金融技术实施，专注于微服务、流程优化和交易系统。

Kenneth Schoff – IBM人工智能应用部的开放集团杰出技术专家，拥有超过20年的银行、金融市场和金融科技经验。他专长于IBM Sterling解决方案、技术销售，并为高管提供供应链和金融服务中的AI驱动转型咨询。

Raja Basu – 一位产品管理与创新领导者，专长于金融市场中的人工智能、自动化和可持续性。拥有银行技术转型的坚实背景，他在美国、加拿大、欧洲和亚洲领导全球咨询与实施项目。目前是XLRI的博士学者，专注于人工智能对金融系统和可持续性的影响。

发现顶级金融科技新闻与事件！

订阅《金融科技周刊》通讯

由摩根大通、Coinbase、黑石、Klarna等高管阅读

金融科技的人工智能技术发展迅速，潜力巨大，但由于问题的复杂性，增长可能比其他应用慢一些。

人工智能能够捕捉人类通常会遗漏的模式和异常，因为AI系统可以处理大量的结构化和非结构化数据。

然而，拥有超过80亿亿突触连接的人脑被称为我们所知的最复杂的对象——地球、太阳系乃至更远的天体。 AI可以通过其处理大量细节的能力增强人类分析，但它不能思考。

多年前在耶鲁的人工智能课程中，他们将AI定义为**“通过计算模型研究认知过程”**。这个定义仍然适用。 通常，生成的计算模型本身就很有用，这些模型的能力已从专家系统和小型人工神经网络发展到用于构建大型语言模型（LLMs）和生成式AI中的基础模型的深度学习技术。 硬件的进步使这一切成为可能，我们相信未来还会有更多突破。

在1990年代，我们就知道AI系统缺乏通用知识是一个重要限制因素，而现在我们可以在大型AI模型中提供这些知识。 早期的AI技术仅限于非常特定的任务，有点像白痴天才——能很好地完成一项非常具体的任务，但对其他任务毫无用处。

话虽如此，它们确实可以用更低的计算成本为其专属任务提供价值。 出于可持续发展的考虑，这些技术仍能在AI领域中发挥作用。

LLMs提供的自然语言处理（NLP）和语音处理能力现在可以准确捕捉大约90%的自然语言交流内容，这对于人机交互具有极高的价值。

在当前的技术水平上，用于NLP的模型运行成本非常高（也就是电费很高），这与可持续性考虑相悖。请记住，有经验的图书管理员或类似专业人士可以提供100%的准确结果，只需要一顿午餐。我们应在合适的时间使用合适的资源。

最近，随着DeepSeek等技术的发展，我们看到通过构建较小的应用特定模型，利用在大型综合模型中使用的相同技术，实现了优化。 这是一种双赢的做法，既提供了强大的AI技术以解决特定问题，又降低了计算成本。 例如，支持财富管理的金融科技AI系统不需要具备英语文学背景。

AI辅助财富管理咨询

以财富管理为例。

客户访谈以创建客户档案，可以由基本的AI技术如决策树或专家系统驱动。 然而，根据我们之前与一些专家系统驱动访谈的经验，经过良好培训的顾问仅通过对话就能获得更好的结果。 没有人能取代真正懂行的人。 AI应作为辅助，而非驱动。

投资组合分析

如果客户已有投资组合，则需要进行分析，AI也可以协助。 投资表现如何？客户是否偏好特定行业？未来这些投资的预期表现如何？客户的交易历史如何？

根据客户档案和投资组合分析，顾问可以设定特定的限制，指导分析应考虑的内容。 这些可能包括个人偏好、风险限制、资金限制以及其他可能限制选择的因素。

AI辅助财富管理咨询

许多公司使用AI模型提供指导，判断哪些股票或市场板块可能表现良好或表现不佳。 这要么作为预测问题，即趋势的变化可以被预测，要么作为分类问题，这是AI擅长的领域。顾问可以利用这些现有服务提供此类信息。

**环境、社会和治理（ESG）**因素也可能影响结果。 这些因素可能已作为输入包含在用于分析的AI模型中。 顾问和客户需要讨论在投资组合模型中应包含哪些具体内容。

草案架构

一个草案的概念视图可能如下图所示。许多变体都是可能的。

一种非常常见的实现方式是基于单一的生成式AI基础模型，完成我们下面描述的所有任务，但我们认为将任务划分会更好。

每个模型将处理问题域的一部分，因此可以比一个全面模型更小。 一些系统可能持续运行，而其他则按需运行。

在图中，我们假设会有预测生成式AI模型作为咨询系统，服务于其他特定用途的AI模型。 这些生成式AI模型将进行大部分市场分析，并针对不同市场和金融工具进行训练。

它们会消费数据源，并结合数据湖中的其他数据，生成市场增长预测和异常检测，以减轻风险。 我们尚未确信这些系统已成熟到可靠的程度，但它们在不断发展中。

每个预测生成式AI模型的结果会被记录在数据湖中。此外，分析模型还可以向其他模型推送通知，执行特定任务。 这些模型可能会定期运行，也可能在市场活跃期间持续运行。

自主交易系统可能会利用市场分析的状态信息触发交易。 分类系统会定期评估资产，并在数据湖中保存资产分类的历史记录。最后，我们来到生成式AI投资组合助手。

投资组合助手将是基于AI的推荐系统，能够访问当前市场数据和历史信息。 顾问可以与助手互动，提供客户档案并请求建议。 最好在客户在场的情况下进行。 顾问与客户的互动应被捕获并记录在数据湖中，作为分析的输入。

顾问通过自然语言处理界面访问AI系统，这可以是文本或语音。

投资组合助手会利用模型中的信息、数据湖或市场分析模型的API查询来回应顾问。自然语言处理界面提供了强大的助手功能，但根据经验，顾问需要知道如何提问才能获得有用的结果。

没有那个人类中介，使用自然语言处理系统处理如此复杂的话题可能会令人沮丧。 大型语言模型在这方面比任何早期技术都更强大，但仍不太可能通过图灵测试。

图灵测试要求人类无法通过回答问题的反应区分机器与人类。 这些机器不是人类，不能完全模仿人类的反应。 许多公司聘请专门与LLMs和生成式AI系统互动的人员，通过设计提示词以获得更好的回应。

根据2021年Juniper研究的报告，到2025年，全球40%的银行客户将使用自然语言处理聊天机器人进行交易。 在任何面向客户的应用中加入NLP通常是企业的起点。 其他AI系统则专注于自动化常见任务。 后者在供应链应用中非常成功。

基于AI的自动化可以消除许多手工流程，提高工作效率。 自然语言处理和任务自动化几乎可以惠及任何行业应用。金融市场分析的AI开发是一项相对困难的任务。

康奈尔大学开发了一个生成式AI模型StockGPT。请参见“StockGPT：用于股票预测和交易的生成式AI模型”https://arxiv.org/abs/2404.05101.

结论

金融市场的分析比供应链甚至银行应用更为复杂。涉及的变量更多，行为更复杂，部分由市场数据、法规和参与者的情感反应驱动。

其中一些可以通过统计方法降低风险，但对金融市场的预测属于代数问题类别，变量太多，方程不足。 AI可以寻找模式和异常，除了做数学运算之外。

量子计算也是值得探索的技术之一。它在某些科学应用中已显示出价值。有人建议用它进行风险管理，比如蒙特卡洛模拟在某些金融场景中的应用。

我们拭目以待未来的发展。