MIT&度小满：2023年金融科技趋势展望会员免费

Jan. 20232023年金融科技趋势展望

3近期智能计算和智能网络的重大技术突破，依然是深度学习为我们带来了惊喜。从算法角度来讲，首先最有代表性的是深度神经网络，以及预训练模型方向得到长足的发展。预训练模型有一个巨大的神经网络，最新的版本在千亿级参数量，知识深度和广度都让人叹为观止。不论从研究角度，还是应用角度，预训练模型都产生了重大影响——从图灵测试的角度远超过之前的测试，并且具有行业普适性，它可以适用到各种各样的下游 AI 的任务中去，这是它最具里程碑意义的地方。其次是生成式模型，它所代表的机器创造性也是智能的重要体现。从网络角度来讲，算力是最大的瓶颈，不论是边缘的算力，还是中心化的算力，从目前统计来看，它们的使用率是比较低的。怎么样能够提升它的使用率，还需要一些新的技术，能够打通中心的算力以及整合边缘的算力，使得这些算力能够满足普适的 AI 的算力要求。除了算法和算力外，数据也是支撑智能计算和智能网络发展的重要因素，尤其对于金融行业来说，数据的使用和安全更加重要。「隐私、安全和公平性」是最需要关注的三个话题，隐私保护计算、联邦学习、数据的选择和算法改进，分别能够一定程度上解决上述三个问题。此外，从治理角度来看，区块链作为一种基础设施，也是数据治理的重要技术手段，目的是对数据和其他资源进行分布式的自治化治理。——郭嵩 香港理工大学计算机系教授、IEEE Fellow大模型是数字经济时代智能信息处理的基础设施，它的基底是语言生成模型和语义理解模型。它的语义生成空间非常大，可驾驭空间也非常大、创作自由度高，但是它的自由度太大了，当试图去完成某种真实任务的时候，会由于可控性不够而导致困扰，它的优点反而变成了它的弱点，所以未来要在“可控生成”上面下功夫。大模型的最主要特点是以机器易驾驭（machine tractable）的方式，即自监督学习的方式博览一切，因广博而产生能力。如果将它的能力放在金融行业中去处理原有的任务，性能和效果将会有显著的提升。如果把各类金融大数据注进大模型去做经济形势的预测，与现有的主流经典分析方法论将会有质的区别，国际上如果因此出了一个诺贝尔经济学奖（将人工智能用于金融研究或预测），我一点都不感到惊奇，甚至是可期待的。——孙茂松 清华大学人工智能研究院常务副院长、ACL Fellow

4短期内人工智能总体还是会保持大模型、大数据、多数据源、多任务的发展趋势，通过大规模算力堆砌实现接近甚至超越人类的精度。但我们也注意到，数据驱动的人工智能可能无法突破弱人工智能的极限，我们还是应该积极探索数据之外的内容，比如客观规律等“知识”，将其结合到算法中，实现更好的人工智能。——陈红阳之江实验室图计算研究中心副主任/高级研究专家数据分析或者机器学习，对于理解、发现以及使用因果是不可或缺的。这个时代我们有足够多的数据，而且计算资源非常丰富。显然，机器学习一定可以帮助我们更好地理解、发现和使用因果关系。这也是因果表征学习最近几年才提出来的原因。其次，我们希望用因果的思维方式去看待机器学习，这样可以帮助我们从传统的只是基于预测的机器学习，走到更高维的层面，走到理解、可信任、可干预的人工智能发展层面来。因此，理想状态下，这两者相互促进之后，可以让我们有一个基于数据进行学习、有一个很好的表述机制，同时能让人理解并且信任，可以进行合理干预的系统。——张坤卡内基梅隆大学哲学系和机器学习系副教授当前，金融行业数字化、智能化转型正在加速，数据和人工智能技术是关键驱动要素，人工智能技术在金融行业的应用必将革新金融行业的现有服务模式。基于图计算、多模态等技术对于大数据的深入理解和洞察，降低了金融机构风险管理的成本，扩大了服务人群的边界；因果推断、AutoML（自动化机器学习）等技术让业务决策更智能，RPA、情感计算、数字人等技术让金融服务更有温度，提升了用户的服务体验。人工智能在金融行业的应用潜力目前可能只发挥了不到1%，随着技术商业应用成熟度的不断提升，人工智能技术将改变金融行业价值链的每一环节。——许冬亮 度小满 CTO

创造性任务，别开蹊径：...