[导读 ] 5月23-24日，由亿欧主办的GIIS2019中国智慧城市论坛在北京成功举办。云从科技高级副总裁伍楚芸出席，并发表了《智能升级，为实体商业的数据化创新赋能》的主题演讲。

伍楚芸在演讲中提到，要把人工智能做实落地，一定要做产业化的融合。产业链融合分为五个步骤：理论研究、场景验证、产品解决方案的落地、平台化、生态整合。

以下是伍楚芸的演讲原文，亿欧智慧城市在不改变嘉宾原意的基础上，进行了编辑。

我在人工智能这么几年来，经常有人问我一个问题，到底人工智能它是一个风口还是一个趋势，它是不是一把虚火烧完就好了？人工智能和人的关系到底是什么，将来我们会被人工智能所威胁取代，还是说人工智能是人类小帮手？

所以我们在探讨人工智能落地过程当中也不断地思索，如何让我们的技术去真正赋予行业上面的落地，以及到底人工智能和人之间的关系应该怎么样结合，其实我们一开始就做了比较大的趋势分析。

去年国家的层面提了两个层次的东西，在国务院印发《2017新一代人工智能发展规划》上面我们看到，其实从国家层面上来看，已经完全是提出了需要人工智能和产业领域进行深度的融合。什么意思呢？原来我们的人工智能，大家觉得为什么那么虚，因为大家都在讲概念、讲技术，它落在产业层面是什么样没有太多的涉足。

第二个形态就是说我们除了要和产业结合，国家提出第二个趋势我们要和实体经济来结合，我们除了去做产业化的研究落地，事实上我们还需要去和产业里面的实体经济进行进一步融合，才有可能让人工智能的技术真正赋能给这个行业，因此我们云从在考虑这个问题的时候在思索。

云从作为中科院旗下的公司，如果大家对云从比较熟悉就知道我们是人脸识别领域的“四小龙”，所以我们将来的发展方向是什么？所以从云角度来看结合国家整个战略发展，我们希望在人机协同这方面去做更多产业化的落地，人机协同在这个角度来看就回答了同行的问题，人和机器到底是一个什么关系，我们更多的是希望是协同的关系。

人机协同为什么那么重要呢？我们原来比较多的会去做人工智能相关智能化设备或者是我们做一些人工智能相关的平台，但是事实上我们没有把这个人机协同交互的层面作为比较关键的体验来考虑，所以我们认为，人机协同会成为未来人工智能的核心技术和实体经济，尤其与人相关一部分的场景下面去发展的重要方向，它解决了整个全产业链上面的场景信息化关键交互的问题。

在这个情况之下，我们开始去研究到底人和机器它有什么样的不一样？我们经常说人都是在碳基式，人是一个物体，比如说我们教一个小孩去认识苹果，可能我们给他三个图片就可以了。比如说给他一张圆的苹果，有可能是绿色的，也有可能是红色或者黄色的，作为人类看我们有一定的逻辑思维以及判断的能力，小孩三秒钟就知道长这样就是一个苹果，但是事实上机器不是这么一个思索的过程。

所以我们说机器是硅基智能，就是说我们教一个机器认识一个苹果，绝对不是三张图片可以给它的，可能我要给它十万张图片把苹果各种不同的颜色给它，或者说不同的形状都用图片的方式去交流。所以这个从简单的理论上来说，为什么大家说机器要去学习，但是这个花费的时间远远比我们教一个小孩要花的时间长得多，所以决定了整个人类思维的过程和机器学习不一样的地方。

真的要做到人机协同，我们就要理解机器它是怎么样去学习人工的，所以我们认为整个产业链需要从感知到认知到决策的过程。感知是什么？很简单，大家觉得感知就是我们看到听到的所有一切，里面也会分为两个部分，我们有真实的世界，我们有衣食住行，现在每天碰到的人见到的东西都是我们真实的世界。

但是现在我们的人类还有数字的世界，我们在互联网有所有的活动，比如说游戏、网购、社交其实这是虚拟的数字世界，但是真实的世界和数字的世界加起来就是我们真正的感知，但是你没有任何的判断，我们只是信息收集过程。所以我们现在很多的人工智能企业，其实大家都在探索怎么样把感知这一块做的更好，无论是人脸识别也好语音也好，我们做的只是最基础的一步叫感知。就是把我看到的东西或者我听到的东西用最准确的方式还原出来，这只是最基础的智能方面的第一步叫感知。

大家经常会问现在人工智能到底是什么样的程度？就算发展到今天，整个人工智能还是处于“弱人工智能”时代，其实大部分的公司都是在感知这一层做很多的工作，怎么样把感知这一块准确率提高。往下真的要做到人机协同，必须要通过感知这一块，如果用专业的语言理解就是语意的理解知识图谱，我们怎么样把我们感知的一切用一个逻辑的语言能够把它分类总结出来，其实这个就是认知。

刚刚我介绍了，小孩他其实是天生的，我给他几个很容易理解，不需要给他一万张图片才能认识一个苹果，天生大脑有一个认知的机制在里面有一个概念的理解，所以我们很容易把它认知出来。但是现在很多的企业都在往认知的方向在做更多的拓展，这个确实特别的难。

大家如果是在人工智能里面是同行公司，大家会知道为什么现在我们做知识图谱等等，因为这个就是人类跟机器非常不一样的地方，机器怎么样做抽象化、概念化，是我们要突破技术上的难点，最后我们才会按照整个感知和认知上面所有的知识去做决策，所以要实现人机协同这个路非常的漫长，不是像大家想象的今天我想和机器做朋友，我就真的能够和机器做朋友，这个无论从技术层面还是从场景应用层面从感知到决策进展都有一个过程。

从云从的角度来看，为什么当初选择人脸作为一个突破口，我们觉得人脸识别是打通了感知层面非常重要的一环，而且打通了各行各业，所以我觉得机器与人的协作第一步从是别人这个角度去开始的。目前这一块我们已经制作了很多的场景化落地，尤其在今年大家看的比较多的是刷脸支付，我们出了很多的刷脸支付咖啡机，刷脸取款现在已经大规模的在应用了，在行业里面人脸识别非常的广泛，在机场里面在做智慧机场转型无纸化的通关，现在大家看到我们有一个自动航行，大家通过刷脸就能够知道你的登机口在哪里，而不是传统的我要一个个去刷，这个是非常小的应用，但是事实上这部分的技术已经和产业做了深度融合。

随着人工智能识别技术的发展，事实上我们从云从的角度来看，虽然我们是从人脸开始，事实上从公司的角度来看，实际上我们奔着人机协同这个方向去走的，所以除了人脸识别之外，我们更多的去做了前瞻性技术的突破，包括前端快速识别、跨境追踪远距离识别、3D精细化建模以及多模块的识别交互。

什么意思呢？其实要达到人机识别的有效性我们需要多个技术去融合的，这个就是前端的快速识别，我们在以后尤其在新一代的AI相机里面，我们可以快速地去对人物做一个快速的识别。

跨镜追踪，以前我们认识一个人，需要从认识一张脸开始，我要看清楚你才能认识你，其实新一代技术里面，我们其实已经从认人，到没有必要捕捉到人脸的信息，可能从你的步态、衣着其他的辅助信息做识别，所以我们说从人认到识人是一个质的跨越。那么这样就是大规模的收脸，我们在一些门店里面已经大规模在应用了，我们从远端的摄象头可以把远处的100个人，甚至现在的会议场所可以通过远距离的办公识，别把在座的100个人全部识别出来，这就是整个公司在新技术上面的拓展，包括现在比较流行的人脸实时3D建模。

总而言之，我们希望把这些基础的技术、前沿的技术包括与人相关的技术都结合在一块，最终给人和机器有一个非常良好的体验，这是整个作为人工智能公司在往前走的目标，所以大家也会好奇云从做不做语音？我们做语音，当然我们希望在识别的领域里面把人和交互的语音作为核心的技术也补充进去，最终实现人和机器最优的体验。

在这个里面大家可以看到，我们为了围绕着整个人机协同这个体验感，公司做了很多技术上的拓展，包括刚刚说的人脸识别、跨境追踪、语音识别、OCR智能分析、大数据分析、我们现在都在做。做完这些只是第一步，我们在做技术上的积累，事实上我们觉得，人工智能起码在云从里面一定要把它做实落地，一定要做产业化的融合。其实我们认为整个逻辑、整个产业链融合分为五个步骤。

第一、理论研究，刚刚给大家展示的无论是跨境追踪，还是远距离人脸识别，一开始都是停留在理论研究的层次。

第二、场景验证，我们要挑一些非常典型的场景去做技术做一定的验证，看看它是否可以商用化。

第三、产品解决方案的落地，我们可以形成样本化的产品。

第四、平台化，从一个点做成一个面。

所以我们认为人工智能如果要从整个技术层面走到产业化融合落地层面，一定要经历这5个阶段的。今天因为是智慧商业的论坛，所以今天我们特意的去把智慧商业在云从落地的情况也挑出来了，因为智慧商业现在也是遵循着5个阶段去尝试着把视频识别的技术，人机交互协同的技术运用到实体的经济里面来。

这里面的核心目标会做出“一大一小”，大是什么？我们会用大数据分析的能力帮助客户达到实际效果的体现，这个和大家谈的客户转化运营效率提高都有一定的关系。小的是什么？我们精准到要识别客户，他们的偏好转化，这个是我们核心的目标。

一开始我们会做一部分场景的验证，其实这部分相信有一些公司也在做，我们其实也是从反映人类的属性身份去做一些精准的广告投放。但是到了后面的时候，我们不但只限于这个点，我们会做一系列的场景验证，验证完之后会去做整个门店智慧改造，简单的说可能广告只是我的一个点，但是刷脸支付也是我的一个点，门店的运营提升也是我的点，可能我的后厨监控也是我的一个点，当我把这些点连起来之后才是对整合门店智能化的改造。

客户关注的是什么？你到底有没有对我做一个提升，所以我们会有整个客户转化的分析模型去帮客户分析，怎么样把线上的能力附能到线下的里面来，它其实是一个漏斗，到最后希望总结出一整套的方案帮助客户实现真正意义上效益上的回报。

最终云从不但是从点到面而是到整个生态，如果大家比较理解，其实云从在公安、银行、机场有很好的资源能力，其实我觉得客户更多的关注不是技术层面单点的回报，而是在于我们作为一个人工智能公司，怎么样能够跨行业跨业态。

所以我们其实在目前来看，我们把我们的银行风控业务和智慧商业做了打通，我们其实不但赋能银行客户，也会去跳出银行的范畴，把银行的客户带到我们商业的客户，所以最终我们是做整个不但是零售行业的生态整合，我们是做跨行业生态的整合。所以从我们整个解决方案上面来看，我们不但是做智慧商业，可能在智慧商业的旁边可能会有融大佬也有安放大佬也有交通大佬，三个大佬只是其中的一个小佬。所以在这个情况之下，我们才可能去真正意义上的打通单向垂直的行业，以及跨行业给我们客户带来相应的回报。

所以从整个的架构上面来看，大家可以看到关键对于整个云从也关注做人机协同的平台，在这个平台上会做很多细化的行业，所以云从没有太多的行业，我们基本上在瞄准的垂直行业里面去做一些非常行业级的定向开发，以及深入。

所以在这个希望里面再去打通相关的产业链，让人机协同去附能我们的客户。我想和大家讲技术到落地这条路非常的漫长，云从也在不断的去做探索，我们也希望在摸索的过程当中，我们能够快速的跟实体经济做一个深度的融合，所以我们其实在机场在银行在商业民生方面都做了很多的落地，最后也希望在行业的落地能够附能，能够给客户带来真正的回报，谢谢大家。

云从科技成立于2015年，是拥有自主知识产权核心算法的企业，同时也是人脸识别国家标准起草与制定企业。公司拥有五大研发中心（上海、重庆、成都、北京、广州），能够快速将核心技术行业化和产业化。

注：文章内的所有配图皆为网络转载图片，侵权即删！

广发证券大数据平台技术负责人刘幸：“FinTech促进券商的业务转型，是下一代券商的核心竞争力。人工智能已经处在风口，在国外的券商业务中已经有经典的应用场景并显示了其巨大的价值和潜力。”那么，广发证券的智能证券业务未来的发展趋势如何呢？

一、大数据和人工智能的时代；

二、人工智能和大数据在行业中的应用；

三、人工智能和大数据在广发的实践。

大数据和人工智能的时代

时代趋势。这是一张反映技术成熟度的图，大家可以看到大数据和人工智能所支撑的技术基本上都在顶峰，也就是说这两个是比较火的。我们再看一下人工智能和大数据给我们带来一个很大的领域叫FinTech。我个人总结一下大概是三个，第一个是人工智能，第二个是大数据，第三个是区块链。这里我主要讲人工智能和大数据，再加上传统的证券业务，传统证券业务推出了一系列创新型的产品，用技术去推动业务的发展。

行业形势。一句话来概括，FinTech促进券商行业的业务转型，是下一代券商核心的竞争力之一。这里主要有两个技术：一个是大数据，一个是人工智能。大数据现在已经进入成熟期，因为从我进入这个行业开始，大数据就已经非常火热了。大概从2004、2005年发表论文开始，2007、2008年Hadoop开始横空出世，那时候大数据就逐步的火起来，到了一几年，基本上是火遍天。现在大数据技术提的已经比较少了，因为这个风头已经被人工智能所取代，这个标志性的事件可能就是AlphaGo事件，所以人工智能现在处在一个风口。据我个人判断，确实存在可以落地和实践的地方。

人工智能和大数据在行业中的应用

人工智能和大数据在行业中的应用主要有三方面：智能证券业务、数据化运营、智能监管。

智能证券业务有几个大的方向：①智能报告，比如投资银行、证券研究类里面可以做一些智能研报，这些都是全部智能化，比现在人工建模人工写的这种效率高很多。②量化交易、征信，可以把这个归结为人工智能辅助工具。③智能投顾，这个也炒得非常火，我们广发也有相应的智能投顾产品，叫贝塔牛，应该是券商里面第一个吃螃蟹的人。④金融知识图谱，这也是我们现在正在建的一个东西，还没有完成。

智能证券业务里面的智能投顾和智能客服部分，分为三个维度：用户服务、投资产品服务和资讯类服务。这几个东西在我们金融行业看起来好像比较新，其实在互联网行业早就已经玩得非常成熟了，比如说资讯，我们智能化推荐，根据他的个人兴趣去推荐一些东西。

数据化运营也是非常成熟的。之前我们把这个东西叫做基于数据的运营，或者叫数据化运营，第二步我们会跳到智能化运营。我们看一下数据化运营里面主要的几个点：数据化运维、智能风控、智能合规稽核和智能财务，后面我会讲到数据化运营和智能风控实现的方式。

监管行业就是有适当性的检测、交易的检测和反洗钱的检测，这三个都是非常适合用智能化的技术去解决的。

人工智能和大数据在广发的实践

这部分内容包括广发在人工智能和大数据方面的技术介绍以及人工智能和大数据在广发的应用情况。

1、广发在人工智能和大数据方面的技术介绍

资源层。最底层的一定都是资源。首先有资源，我们才能干活。最底层的资源我们有大数据和人工智能技术站，必须有比较多的技术储备；往上有数据源的集成，有IT的资源，有专业的人力资源，这整个构成了我们的资源层。

服务层。我们有了资源以后，会推出各种各样的服务，由此建一个服务层，有大数据开放的研发服务，有智能引擎，有大数据引擎，有自动化产品，有专业的方案和研发。

客户层。再往上是客户层，这不一定是我们广发最终真正的客户，但是对我们的大数据和人工智能平台来说有可能是我们的客户，所以我们对内所有的业务部门也算我们的客户，比如我们的手机APP的使用端也是我们的客户。也就是说使用了我们整个服务的都算是我们的客户，所以有浏览器，有APP，有最终用户，以及我们的业务部门等等，这对我们来说都是客户。这是我们的服务层级关系。

②广发大数据团队日常工作

平台建设及运维。我们会运维一套人工智能和大数据平台，不但要建设它，还要维护它。

数据运营。有了这个基础之后，会做数据运营，常见的有常规的数据治理工作、数据建模工作、以及与数据资产与运营管理相关的工作。

价值发掘。数据运营之后，接下来就进入价值发掘阶段，这个是最核心的东西，一级一级往上推的话，它的价值越容易被人所看到。价值发掘阶段，有AI、大数据、云服务、研发、运营管理。我们刚才讲的服务层，我们要进行研发，我们把它称为内部的私有云服务。价值发掘有产品研发运营服务。再往后我们有业务项目的研发方案，这个就相当于不是我们主导的一个产品，相当于某个业务方，比如我们要做一个智能化的风险识别，提出业务需求，我们用大数据和人工智能的能力去支撑业务的开发和运营。

系统架构分成四层：天源层（数据池）、集市层（数据集市）、服务层（SaaS层）、PROD产品层。

天源层。我们再看一下系统架构是怎样的。这是整个系统的架构，这一块技术人员会比较感兴趣。我们看一下左边这一条，数据治理体系，从下往上要保证它的开放性、应用性、合规性、安全性和可靠性，这些是用一套标准和规范来约束着下面这一层。

下面这一层大的东西是我们的PaaS层，PaaS是平台即服务的意思。我们建了一个大数据和人工智能平台，大数据平台是最中间的这一块，叫广发Data Platform，最右边是AI Platform，人工智能平台，这个平台是平等的关系，并不是上下级的关系。

再往上是DaaS，是数据即服务，我们下面有一个数据池，我们叫做天源层，这个Date Lake是我们所有数据的池子。我们把所有业务的数据，包括它所有的历史，全部采集到数据池里去，供大家使用原始的数据。大家可能会有很多的问题，比如一份数据有很多人使用，比如我需要一个指标，很多人重复计算，我们就非常缺乏一个金融建模。

我们再往上有一个.cn，进去体验一下。

这个大家都玩的比较多了，券商必须有一个监控大屏，但是大数据监控和一般的监控大屏有什么区别呢？最大的区别其实就一点，我们是用流计算技术去解决的，传统的监控大屏是专门开发一套case by case的监控系统。我们现在的流计算技术，把实时的业务数据流处理过来，这样能够解决海量的数据，比如交易明细、日志都能拿来分析，这是传统监控大屏系统解决不了的，因为我们的数据量极其庞大，一天下来就有几千万的交易明细的列表，如果用传统的技术去解决，几乎是计算不过来的。这是我们用流计算的技术去做大数据监控。

可能是大家听的最多的，这个截图还是用的比较早的版本，现在的版本比这个界面美观很多。这个是贝塔牛，在券商行业也是比较有名的系统。贝塔牛的后端服务给大家看一下，这一块用到了我们广发大数据平台。

我们自己基于Eagle发了很多微服务，所以贝塔牛的后端技术还是蛮先进的，把所有的服务全部都微服务化，然后在后面直接对接大数据平台，微服务做了哪些东西呢？做应用服务接入、session服务、注册、安全验证、投资组合管理、股票组合管理、资产配置、任务监控、一键跟单和统计分析，这一块相当于用微服务解决整个业务系统的问题，数据的计算以这个用户该给他做哪些股票，应该选哪些股，应该怎么生成策略，它的资金投资组合应该怎么办，这些都是大数据计算出来的。

大数据应用——产品&资讯推荐

大数据应用还有一个产品和资讯的推荐，这一块比如我们建投资组合推荐的时候，是根据用户的偏好和行为，推荐的一个他可能喜欢的股票和投资组合，当然他也可以不选择这个，只是系统会给他推一个出来。比如说我们发现这个人是风险型承受能力比较高的，喜欢做短线操作，不喜欢买一些蓝筹股，那系统就会自动算出来，这个人推荐中小盘成长策略。如果我们发现这个人是稳健型的，经常买大盘股、蓝筹股，我们就给他推荐一些相对稳健类的策略，这样我们就可以更提高用户的转化率，比让用户在一堆策略里面自己选择好很多，这就是推荐的好处。

第二个是资讯中心，比如他资讯看完了之后，可能对相关内容的资讯，下面会有几个相关资讯，还有用户可能感兴趣的资讯，做一个资讯推荐。再往下就是（易淘）的广告推荐，相当于是一个能变现的推荐，前面两个是提升用户体验的。第三个，比如说在首页、理财产品、基金产品的地方，我们会放一些广告的推荐。在互联网行业给用户推荐东西是非常理所当然的，没有协会的存在，没有规章制度的存在，没有条条框框的限制，互联网给大家做推荐是非常多的，到了证券基金有很多条条框框的限制，有合规的限制，有各种证券基金管理的限制，比如说我们现在又出了适当性管理办法，这些就对用户有了比较明确的要求，我们做推荐的时候，要在用户授权的情况下，才会给他做推荐，所以我们为了给到用户适当性管理的要求，我们做推荐就要给用户做一个选择，就是你愿意看的推荐和你不愿意看的推荐，给他一个开关和入口。

再往下，我们可以做产品体验的改进，这个是我们用大数据的技术自己去分析我们的产品。比如我们埋几个点，埋到我们系统里面，我们可以改善整个系统的产品。举个例子，我们把估值由以前的每天算一次变成实时算一次，改进产品的体验。比如说页面布局，我们用AB test，有几套布局，我们让不同的用户看到不同的布局，看用户的喜好程度是怎么样，然后来改进我们自身的产品。

全面风险管理用大数据和人工智能技术做风控，这也是业界说的最多的话题，我们有个专门的部门叫风险管理部，一块做的全面风险管理项目，把传统的风险那一套逻辑，用最新的大数据和人工智能技术替代掉，第一步先替代它，第二步再去改进它，为什么我们用大数据和人工智能去替代传统的风险管理呢？最主要是传统风险管理的技术层面，有几个不足，一个是数据全面性不足，数据内容不足，系统计算能力不足，实施性不强，就是传统的这些技术解决方案，它的计算能力在海量数据面前是没办法发挥应有的功效，它不支持海量数据。第二是传统的数据代价比较大，比较昂贵，如果我们实现的话，它的代价也是非常大的。用Hadoop之后，不但能解决大数据的问题，也能解决系统的造价问题，这个是风险最喜欢的两点。我们有了大数据技术以后，就有了数据抓取能力，有更强大的计算集群，更强大的数据存储，内层化的流数据计算，这样我们的全面风险管理能力大幅提升。

我们看一下风险管理这个图，底下一堆是我们从各个系统里抓的数据源，再往下是我们的大数据平台，跟贝塔牛一样，也是处于承上启下一个比较重要的阶段。

这个我们目前正在做，我们还没有完全实现这个实时风险管理。我们现在的风险并没有想象那么实时，这个很简单，把我们的T+1的一线数据计算变成实时的T+0的实时的数据计算，这个通过卡夫卡组件，就可以把各种各样的数据拉过来，进行实时计算，做一些实时的分析，多层神经网络模型预警，最后产生报警，可以去交易。风险有事前事中和事后的风险，我们前面那一块事前和事后的风险，这个是事中的风险管理，我们可以拒绝他的交易，可以报警。

智能投研，这也是讨论比较多的话题，我们要建一套语义图谱、知识图谱、机器学习图谱，然后智能投研会建一套智能投研的引擎，可以完成数据梳理、辅助智能投研报告以及数据支持。