数智时代下，智能化技术层出不穷。金融行业该如何借力当下各类智能技术，服务于客户，夯实自身的数字化、智能化转型进程；金融科技公司又该如何更好地贴近其金融客户的业务场景，开发出更契合客户需求的AI产品。

“融合＋交互”，智能化释放数据服务价值

随着金融行业与智能科技的高速发展，云原生和数字原生技术应运而生。金融行业通过新型智能科技对传统IT架构进行智能化改造，从而为行业业态及服务模式的创新提供了技术支持。谢国斌表示，得益于新技术的不断涌现，金融行业呈现出融合与交互的发展趋势。

线上与线下：场景与技术双向融合

近两年，由于新冠病毒疫情带来的不确定性，包括金融行业在内的许多行业都将部分业务模式转向线上。不同于其他行业的是，金融行业的业务性质导致某些业务无法在线上开展。因此，金融行业近年来呈现出线上与线下服务场景双向融合的发展态势。金融机构可以根据不同客户、不同场景，开展智能定制化服务。另外，通过部分业务线上化的转移，许多线下业务流程效率也得以提升。线上与线下融合的新业态，为金融智能科技的发展打开了新思路。金融科技的创新需要依托金融行业客户的应用场景：只有更贴近服务场景，金融科技的发展才更有落地性，在实际场景应用中也才有更高的可行性。

交互数据：引发智能技术需求

随着智能技术在金融领域的落地实践，其在金融服务过程中出现许多交互场景。例如，金融行业出现越来越多的机器人职员，这些职员可以承担更多流程化业务以及部分营销的职能。随着人机交互技术的不断发展，未来在客户关系方面的智能客服普及度也会越来越高。交互场景的增加，随之而来的是交互数据量的井喷式增长。金融行业逐渐认识到，在自身业务开展的过程中有许多数据都未曾被挖掘出来。这其中，除了传统的结构化数据以外，还有大量非结构化数据，比如一些图像视频数据、语音数据、文本数据以及人机交互的对话数据。在过往，这些非结构化数据被忽略的主要原因是缺少相应的技术进行识别与处理，导致这些数据的价值难以释放。对此，谢国斌表示，随着智能化技术的演变，未来会诞生更多的AI技术来帮助释放尘封数据的价值。

“科技＋数据＋场景”，引领智能金融变革

为适应云原生、数字原生时代的发展，金融行业若只是单纯地通过搭建底层核心技术架构是无法帮助其实现智能化转型的。因此，谢国斌提出，在底层数字化技术的基础上叠加智能化组件，可以更好地帮助金融行业的传统IT架构顺利融入数字化、智能化的发展浪潮。另外，智能化转型水平越高的企业在业务场景不断迭代的过程中也能具有更好的适应性。作为一家金融科技公司，神州信息通过“科技自强＋数据融通＋场景创新”的模式持续赋能金融行业数字化转型，服务实体经济。谢国斌介绍道，为契合云原生、数字原生时代金融行业以及实体企业的转型需求，神州信息的AI解决方案 ——“金融超脑”于2021年8月正式发布。金融超脑（Sm@rtFSB）基于人工智能、大数据、云计算以及区块链等底层技术，为金融行业提供了专属的感知智能能力与认知智能能力。并且，金融超脑还为数字原生时代的金融行业提供了一系列智能化场景应用，如智能营销、智能风控、智能运营、农业普惠金融、小微企业融资等。作为一套AI人工智能解决方案，金融超脑最初的定位便是帮助金融行业更好地适应智能化的发展。因此，其架构遵循“一基、一核、两翼”的方式进行搭建（如图）：“一基”是以金融AI开发平台为基础；“一核”是以金融核心应用智能化为核心；“两翼”为打造金融行业的感知能力和认知能力，以赋能金融产品和行业应用。
【专访】神州信息AI研发中心总经理谢国斌：唤醒数据价值，AI技术助力金融智胜未来-财资一家图 金融超脑架构介绍
对于金融超脑未来几年的发展，谢国斌也提出了一些展望。从2022年到2024年，金融超脑将经历落地应用期。其间，金融超脑将在不同的行业领域和不同的应用场景中落地应用，例如在对话系统、知识图谱、风控营销等方面。其中，金融超脑也将进一步赋能金融行业智能化转型；在这个过程中，金融行业也将慢慢感知金融超脑在未来能够带来哪些能力加持。从2025年到2027年，金融超脑将会经历大规模应用期。同时，金融超脑的2.0与3.0版本将投入研发。并且，在未来几年通过更加前沿的AI技术加持，金融超脑彼时的落地应用必将会比现在的智能化水平更高。不过，谢国斌表示达到这个发展阶段需要基于未来几年不断产生的场景数据以及业务场景的迭代。只有通过不断迭代，金融行业在未来才能更加智能化地发展，金融超脑也才能完成更多规模性的落地应用。

云原生和数字原生，AI技术陪伴智能金融成长

谢国斌提出，金融行业要想实现智能化，首先需要完成系统的整体化演进，其次再增加相应的智能组件。然而，在系统变革的过程中往往需要进行大量的系统开发。随着各类业务场景井喷式的增长，每个场景对应的底层IT系统也各不相同。因此，行业中的各个IT系统之间都需要打通，并且每个系统之间都需要有相互自动化运维能力。另外，随着业务模式的变革，原有IT架构无法支持海量运算，IT架构逻辑需要重构的需求也助推了云原生模式的发展。云原生，是通过云化、虚拟化、容器化的集群方式，将各类系统、机器联合在一起，使它们能够更好地共同对外提供服务。同时，因为具备高并发、高可用、高速运算等优势，云原生已成为未来金融行业变革的主流趋势。而在云端开展的业务，其相关的所有信息、轨迹、记录都可以被数字化、被储存，这也催生了数字原生时代的到来。谢国斌解释道，在云原生的背景下，从数字采集到满足系统开发、高可用等需求的过程中，数字原生的重要性会一一体现。因此，数字原生和云原生是相辅相成的，自诞生之初两者便是天然融合在一起的。另外，在数字原生的发展进程中最重要的组件便是AI，而每个AI产品都需要相应的智能技术支持。

“感知＋认知”：多模态融合

AI感知能力与认知能力在AI产品的架构中往往是不可或缺的。感知能力负责信息的接入、直接处理与感性思维，就如同人类的五官与右脑。而认知能力的运转原理则更接近于人类的左脑，负责进行一系列更加复杂的信息处理、加工以及理解，进而对信息进行推理，完成自主学习的过程。

感知多模态信息，构建全面算法

在金融行业的场景中，信息形态的多元化是一大特色，因此，多模态的信息处理能力对于AI应用来说是首先要解决的问题之一。多模态信息处理能力是指能够将人机交互过程中由摄像头及一些物联网设备所采集到的文字、语音、图像等多模态的数据进行处理与分析。随着金融行业场景不断迭代，信息形态也将更加日新月异。在信息形态不断演变的未来，只有数据挖掘能力是不够的，还需要有合适的智能技术对数据进行识别、分类、处理，多模态信息的数据价值才能得以释放。因此，在未来AI技术的研发过程中，首先需要对数据信息进行合法合规采集和处理，再在此基础上构建算法模型，这样开发出的算法及技术才能将客户的需求特性纳入全面考量，才能更好地服务于客户以及整个金融行业。

交互场景信息处理，实现多元化融合

人机交互在各行业领域的发展已不陌生，机器人在许多场景中都已落地实践。在许多场景的人机交互过程中，会涉及语音与图像识别、自然语言处理等主流智能技术，对识别的信息进行分析处理，以及通过信息呈现技术传达、展示信息，完成交互。

语音识别技术

作为人机交互过程的入口，语言识别技术是指机器接收、分析声音或口头命令的能力。作为交互的开端，语音识别技术的准确性是保证人机交互顺利进行的基础。在人机交互的过程中，语音识别技术能够将交流中人类语言中的词汇内容转变为计算机可识别的格式。

图像识别技术

图像识别与语音识别类似，同属于前端感知层。图像识别是指对图像信息进行对象识别，针对不同目标需求给出不同的识别重点与结果。在金融行业中较常使用的图像识别技术为光学字符识别（OCR）、人脸识别、视频分析等。例如，OCR技术可以帮助银行在票据录入以及客户信息录入等环节提升效率与录入准确度。

自然语言处理技术

自然语言处理属于认知智能范畴的人工智能技术，主要是指在人机交互过程中经过前端感知层识别后提供的计算机可识别的文本，再经过计算机技术的处理，使人工智能能够通过类似人类思考的模式对文本进行分析与学习。只有通过多元化的数据信息学习，人工智能对这个世界的感知与认知才会变得越来越准确，人机交互的过程才会越来越智能。

“AI＋联邦”：打造安全底座

在金融超脑的架构中，AI开发平台作为底层基石，为“两翼”的认知能力与感知能力提供了模型训练、数据管理等坚实的后备技术支持。谢国斌介绍道，在践行安全原则的前提下，神州信息的AI与数字原生技术通常会通过私有化的方式进行部署，即在银行本地的私有云机房中运行。这一方式有效规避了数据出域存在的安全风险。对于其余互联网业务占比高的金融机构来说，混合云的可用性会更高。但是，混合云的使用也伴随着潜在的数据安全问题。对此，谢国斌认为联邦学习或许是一剂良药，他介绍了目前数据联邦智能发展的两条主要路线。
► 第一条路线，硬件层可信计算。当两家未建立信任关系的企业或银行在进行交易时，可通过一个高加密的服务器，在服务器内存中划定一个专门区域构建加密盒，加密盒的密匙掌握在可信的一方手中。所有进入加密盒的数据都需通过加密技术后再进行运算，在这基础上建立的模型往往具有更高的安全性。可信计算的诞生规避了计算机与网络结构产生的风险因素，从根本上解决了由逻辑缺陷导致的安全漏洞，确保能够在完成计算需求的同时，运算逻辑不会被破坏，结果不会被篡改，以实现真正的可信计算。谢国斌表示，许多银行的场景都非常适合使用可信计算的加密技术，并且目前国内外的金融业与互联网行业对此也有非常多的应用。
► 第二条路线，软件层联邦学习。与可信计算不同的是，交易双方不再需要将数据传输到加密盒进行加密计算，而是可以通过一个可信的Master节点，基于某一共同协议，将各自数据通过随机梯度下降的计算方法进行参数计算。双方可将计算完成后的参数数据传输到可信的节点，再进行交换、中控以及多次的参数迭代，最后产出可以在银行业落地使用的模型。然而，通过联邦学习的模型搭建方法，虽能保证安全性，有效降低风险，但这一过程中引入了许多密码学算法，导致运算量指数级增加，使运算速度大幅降低。为了加速联邦学习的运算效率，实践中会将多方安全计算等方法纳入过程中。多方安全计算是指能够同时确保输入的隐私性和计算的正确性，在无可信第三方的前提下通过数学理论保证参与计算的各方成员输入的信息不暴露，且同时能够获得准确的运算结果。基于可信计算、联邦学习等安全技术的应用，数据联邦智能的方法能够将交易多方的数据进行加密计算，将数据价值最大化发挥，助力打造数字原生世界。AI中台与数据联邦智能联合的方式为各方数据提供安全交易的技术底座，经过合规脱密的交易能将有限的数据范围拓宽，最大限度地提升数据使用率以及安全性，进而产生更高的数据价值。一旦更多数据价值得到释放，数字原生世界就能拥有更多的新进原生力量。

“风控＋运营＋营销”，AI技术助力实现 提质增效

在金融行业掌握了相应AI技术后，如何将各类技术更好地赋能实际金融业务场景，对于金融机构来说也是一个需要考量的问题。对此，谢国斌介绍了几个常见的金融场景。

风控与欺诈场景

银行可以通过OCR与RPA技术的结合，对智能表单、智能证照进行有效的自然文字识别，再通过与大数据技术的结合运算，将结果用于银行中小企业和个人贷款的信用审查环节。对于可能存在的团体欺诈行为，知识图谱的技术也可以基于群体的算法进行有效计算与预测，从而最大限度地降低可能发生的欺诈风险。

银行业务运营场景

在银行运营场景的效率提升方面，AI技术也能进行相应的赋能。例如，RPA技术能让银行行员的双手得到有效释放，将部分流程化、耗时高的工作交予RPA机器人。另外，通过OCR技术可将需要核验的资质证明进行自动扫描与识别，再通过RPA技术将扫描后的电子证明进行智能分析。未来，通过人机交互技术的不断成熟，机器人通过深度学习，可逐渐替代许多银行业务前端繁杂的、重复性的业务咨询和客服工作，分流和减轻银行员工的工作压力，进一步减少银行的人工成本，提升人力效能。

银行营销场景

AI技术在银行营销场景中也有妙用。在人机交互过程中，机器人可以通过学习客户需求，结合大数据分析，为客户提供更加契合其需求的产品与服务。通过智能化营销方式，在客户与机器人的交互过程中即可达到潜移默化地完成产品推荐的目的，改善客户体验感，增加客户黏性。基于数字原生与云原生时代的发展，未来移动互联、人机交互的场景会越来越多，随着数据要素采集程度的不断丰富，AI技术也可以通过不断学习变得更加智能，人机交互的水平也会越来越高，达到人机协同的效果。随着业务场景不断迭代，银行将通过更加开放的方式提供服务，以适应客户旅程为出发点，根据客户的应用场景需要，再进行架构的迭代与更新，从而催生出更多新业态。未来更多银行服务将在移动互联场景中进行，其中多数场景将基于AI、云原生、数字原生的中台进行打造。在金融服务逐渐数字原生化后，更多的数据信息资源又将被反哺到AI技术的研发过程中，为AI技术的发展提供更多新鲜血液，从而进一步引领金融行业智能化发展。

本文首发于《财资中国》11月刊，由于篇幅原因，这里仅作内容节选，如需查看完整内容，请至小程序，或扫描下图二维码订阅杂志！