📖 ZKIZ Archives

貝萊德裁減基金經理 人工智能真會取代人類嗎？

3月28日，全球最大資產管理公司貝萊德集團(BlackRock Inc)宣布，將對其主動型基金業務進行重組，計劃裁去一批主動型基金經理，並用量化投資策略取而代之。

不過，不要以為量化基金真的就表現出色——至少對貝萊德來說並不是這樣。根據貝萊德2016年12月底發布的月度客戶簡報，截至去年11月，5個量化策略基金中，有4個基金的回報為有史以來最差水平。此外，在貝萊德所有量化策略基金中，表現不佳的占了近2/3。貝萊德集團好像更像是“找點事情”做做，而不是真的找到了“生財之道”。

那麽，這樣做的理由又是什麽呢？

主動型基金日益萎縮

貝萊德計劃裁員的基金經理都是從事主動型基金運營的。在過去幾年中，主動型基金管理的客戶資金不斷萎縮。貝萊德集團管理的主動型基金資產從三年前的3173億美元下降到去年底的2751億美元，而與此同時，貝萊德管理的總資產不斷上升至5.1萬億美元。其實，貝萊德此次裁員重組計劃借鑒了太平洋投資管理公司（PIMCO）的經驗，2015年，Pimco砍掉數個股權基金，負責選股業務的副首席投資官離職。

“我們到處都觀察到客戶資產從主動基金轉向被動基金的流動，這是件好事。我們都認為，被動基金效率高，而且非常透明。今後10年，這樣的趨勢還會繼續下去，所有人都會最終對此習以為常。”PIMCO的全球分析主管Ravi Mattu在彭博巴克萊指數發布會上回答第一財經記者提問時說。

主動型基金日益萎縮並不是貝萊德集團一家基金的現象，而是最近幾年來華爾街的新趨勢。主動型基金試圖通過分析和篩選優質的股票或者其他證券組合來得到超過基準指數的回報。與此相對，被動型基金，包括指數基金和指數ETF就不需要多少分析和篩選的技能，只要按照指數的權重配置資產，確保基金表現能夠跟蹤指數回報即可。

據國際基金評級機構Morningstar數據顯示，截至今年2月底，在過去的12個月中，主動型基金約有3074億美元的凈流出，其中，主動型股票基金流出3629億美元，而主動型固定收益基金則有少量流入的跡象。2016年主動型基金的資金流出創歷史紀錄。而被動式指數基金則在同期有6136億美元流入，其中被動型股票基金有4334億美元流入。

“股票基金的機構投資者很多年前就開始逐漸把資金從主動型基金移到被動型指數基金。固定收益方面的機構投資者在最近15年里也開始了。在未來10年里，更多的人會明白這個大趨勢。無效勞動的風險和基準指數的多因子演化使得主動型基金越來越難證明其工作的成績。”貝萊德集團的iShare Smart Beta產品策略主管羅伯·內斯特（Robert Nestor）在上述發布會上回答第一財經記者提問時說道。

不過，雖然主動型基金不斷萎縮，但是目前還是市場主流，到今年2月底，主動型基金約有5.6萬億美元的資產，占基金管理總資產的63%。主動型股票基金5.6萬億美元，占股票基金管理總資產的55%。

不可忽略的基金管理費

依舊占據市場主體的主動型基金不可能都超過市場大盤的表現，但是它們收取的管理費卻都明顯高過被動型指數基金。市場上主動型的股票基金每年收取的費用占投資額的比重從將近1%到將近2%不等，以高風險高收益著稱的私募基金管理費則更高，而被動型股票指數基金由於不需要分析師和基金經理，每年的管理費僅為投資額的0.2%，甚至更低。

數據顯示，在金融危機以後的長期“零利率”時代，主動型基金每年比被動型基金多收取的管理費相當於投資5年期國債的全部利息收入，這不再是個可以忽略的因素。投資者的眼光開始註意到管理費並且對其合理性產生疑問。

“主動型基金的真實表現並不如投資人想象的那樣。主導型基金萎縮的最終責任在我們身上。主動型基金中最受到威脅的是Closet Index基金，它們收的費用太高了。”WisdomTree資產管理公司固定收益部主管哈伯（Rick Harper）在上述發布會上回答第一財經記者提問時說道。

Closet Index基金並不是一個基金公司開發和銷售的基金種類，而是投資人對表現並不“主動”的主動型基金的諷刺稱謂。主要特指那些收著主動基金級別的管理費，但是總不願意承擔風險，滿足於跟蹤市場指數的基金，其特征就是雖然投資組合與指數型基金的組合不完全相同，但是收益率永遠與指數高度相關。

造成主動基金優選的股票表現與大盤指數高度相同的原因眾說紛紜。有專家認為，金融危機後市場結構改變，股票之間的價格關聯上升，所以無論如何選股都與大盤表現高度相似。也有人認為，基金經理激勵機制造成部分基金經理不思進取，但求無過，造成主動型基金的表現趨同與被動型基金。再有認為，目前主動型基金為了保障基金風險不會超過指數太多，造成基金經理選股時限制過多，能選擇的有限，最後結果也和風險一樣趨同於指數。

無論什麽原因造成主動型基金無法取得超過被動型基金的收益，主動型基金的投資人都不會願意付出高昂的管理費後，再接受一個與被動型指數基金一樣的收益。

當然有不少主動型基金表現優於大盤，但是在全行業的表現不佳的情況下，投資人發現選到一個能夠表現優於大盤還能禁得起時間考驗的基金的難度，不亞於選擇一個能不斷上漲的股票。既然選股票，選基金都這麽難，索性轉向指數基金，不再進行優選，至少能省下不少管理費。

引入人工智能

“但是我並不認為主動型基金會由此走向消亡，投資者還是對主動型投資有一定的需求。以後資產管理將有一條清晰的劃分，如果你不希望太多的風險就幹脆不要優化，直接投資被動型指數基金。如果你希望承擔更多的風險那再投資主動型基金。”內斯特說。

主動型基金的不斷萎縮造成了主動型基金從業人員相對過剩的局面。投資人把資金從主動型基金不斷移向被動型指數基金，造成基金公司的管理費收入大大降低，對基金公司的盈利造成沖擊。

貝萊德集團這次調整並不是第一次重組業務的嘗試。早在2012年，貝萊德集團就撤換了其主動型股票基金的分析和管理團隊。但是這些基金的表現並沒有隨著新人的上任而好轉，客戶資產凈流失的現象也沒有緩解。據《華爾街日報》統計，超過一半的貝萊德傳統主動型股票基金在2016年表現不及大盤指數。

貝萊德集團為了扭轉2016年的局面，把加拿大退休基金CEO威絲曼（Mark Wiseman）挖來成為管理主動型股票基金的主管。這一次，威絲曼不再試圖扭轉主動型基金的不斷萎縮，以及基金公司管理費收入大大降低的歷史趨勢，而是關停部分主動型基金，裁撤員工，通過節約基金的開支來降低基金公司的盈利沖擊。

為了留住部分有主動型投資需求的客戶，貝萊德集團把部分主動型基金並入量化基金，量化基金利用計算機程序代替基金經理來優選股票。

“信息的民主化讓主動型管理更加困難。我們必須改變生態，更多依賴大數據、人工智能、因子分析和建模等傳統的量化的投資策略。”貝萊德集團創始人和執行長勞倫斯·芬克（Laurance Fink）在接受媒體采訪時說。

貝萊德集團的量化基金團隊來自於2009年購入的巴克萊全球投資部，整個團隊在量化基金上已經有30年的歷史。這次貝萊德集團的主動型股票基金從基金經理運作轉向量化運作, 至少從去年的表現來看，不一定是因為計算機程序比人更聰明。可以想象，當市場上大部分基金都在試圖優選股票超過大盤的時候，資本市場上不會有這麽多機會能讓這些基金把握並取得成功。不過，量化基金擁有低成本的優勢，其管理費只有基金經理管理的主動型股票基金的一半左右。這樣的低管理費水平有助於留住客戶，同時其低成本水平更能保障基金公司的盈利。

再談人工智能和基金管理

吳明輝：​任何涉及大數據的領域都將實現人工智能

紅杉匯 2017-04-06 13:33

本文由紅杉匯（微信ID：Sequoiacap）授權i黑馬發布，作者洪杉。

社會發展本質上就是效率不斷提升的過程，效率的不斷提升讓人類的生活越來越方便快捷，而效率提升的核心力量就是科技的進步。

在機械化時代，蒸汽機的發明極大地提高了生產效率，將人類從手工勞動中解放出來；在電氣化時代，電氣的發明提供了更高效的新能源，促使生產力迅速發展；在信息化時代，互聯網的發明將全世界的信息和人類連接在一起，加速了人類全球化進程。而在互聯網快速發展的今天，我們在座的每一個人也都能切實感受到工作和生活伴隨著科技的發展逐漸變化，效率的提高每天都在發生。

在這些科技變革當中，企業是最有力的實踐者。

比如，前段時間我去日本參觀了豐田集團的總部。豐田最開始起家並不是汽車，而是織布機。當時日本的紡織技術還相當落後，豐田佐吉發明汽動織布機的初衷，就是希望家里的女性擺脫終日在手工織布機上的機械勞動。他的這個發明很快成就了紡織廠，極大地提高了織布產業的效率。後來豐田轉型，致力於提升交通效率，關註社會效率，一步步成為了一家偉大的企業。

追求效率，無論從個人的體驗還是社會需求，都是社會發展的核心內驅力。

如今，互聯網紅利接近尾聲，不管是不是互聯網公司，大家都在討論互聯網的下半場，即當互聯網的紅利消退的時候，如何能夠繼續將企業做強做大？核心就是怎麽把效率提升上去。

在發達國家，比如美國、歐洲、日本，每個企業的頭等大事就是提高效率。因為他們比我們率先遇到了市場紅利枯竭的狀態，所以他們就要尋求自己的效率成本和創新。每一個公司，哪怕是創業公司在起步的時候，都會講求效率。

我在矽谷訪問的時候，曾和一個工程師聊天。他們公司很小，只有6個人，但CEO 已經開始使用Salesforce（客戶關系管理系統），他作為CEO的助理，需要用Salesforce進行當年一年的銷售預測，分析哪些能做哪些不能做，進而提高企業的商務效率。在中國，企業在發展的過程中，單靠市場紅利驅動就能發展得不錯，企業會首先考慮“占地盤”，而不是去關註效率的重要性。

但是走到今天，情況發生了一些變化，很多企業在經營過程中遇到了障礙。當銷售額不漲、利潤不漲的時候，就要想辦法提高效率，想辦法創新，想辦法降低成本。怎樣提高效率，已經成為擺在我們面前，不管是國家、政府部門還是企業的頭等大事。

所以近年來，我們國家政府發布的很多政策和規劃也都是和提升效率有關。無論是“互聯網+”行動計劃，促進大數據發展行動綱要，還是供給側改革，以及《中國制造2025》，全都是在經濟新常態下利用新科技、新技術去提升效率，保持穩定增長。

所以，想要實現穩定增長，如何利用新的技術，怎樣利用新技術去提高效率才是關鍵。

大數據+人工智能：勢必會推動人類效率變革

現在最核心、最熱門的技術，一定是大數據和人工智能，他們都是提高效率，推動社會進一步發展的關鍵技術。

當互聯網變成基礎設施，每一家企業都將是大數據企業。我們的客戶，不管是大型企業，還是政府，他們的每一個業務，基本上都運行在互聯網上，每一個運行的環節被記錄下來，有一定積累之後都可以是大數據。

舉例來說，在互聯網的帶動下，營銷領域中的全流程都是被數字化的，當每一個營銷行為、用戶行為被記錄下來都會形成數據的累積，當數據積累的量足夠大，其實就會形成一個營銷領域的大數據公司，再用數據驅動營銷，讓業務有更快速、高效的增長。其實很多領域的很多企業都是這樣。

在這個過程中，很多企業紛紛建立大數據平臺，想要把這些數據存下來，這樣才能理解數據，用大數據驅動決策。但是，這個過程中，很多客戶也都意識到大數據真的“很大”，做著做著，大數據平臺變成了“成本中心”。為什麽？因為數據量太大了，比如我們的客戶，一個單一的業務單元1個小時就能產生1TB的原始數據。如果我們不能好好地、高效地把數據利用起來，我們都不敢存，因為數據量太大。所以，我們不是要把數據存下來，而是要數據應用起來。

只有將行業中的數據利用人工智能的技術去學習、訓練，去做知識的積累，才能將數據智能化地應用到產業中，使大數據不是“成本中心”而是提高效率的運營中心。

實現可複制的行業應用

明略數據在實踐當中有一些心得，就是我們在對各個行業的數據進行應用和探索中，行業化的人工智能，需要和垂直行業中的領軍企業緊密結合起來才能實現。

人工智能科技企業擁有行業模型積累、大數據技術、人工智能技術和人工智能人才，而垂直行業領軍企業擁有完整的數據積累、完善的IT基礎、充足的資源、豐富的領域知識儲備和行業引領性。 

兩者深度合作，才能擁有與行業業務深度融合的行業人工智能應用，並將人工智能應用到中國的各行各業。未來，任何涉及大數據的領域都可以實現人工智能，人工智能可以用於中國各行各業。

以前，中國企業級服務廠商為什麽沒有像美國企業級服務廠商那樣形成規模性發展？因為在粗放發展的市場環境下，中國的企業沒有那麽強大。今天不一樣了，中國的政府和企業越來越強大，行業中我們的客戶擁有的數據越來越多，因為他們也在服務全世界極其強大的企業和行業。

所以，今天我們有機會在這個行業去創新，去和每個行業的領軍企業合作，共同達成基於行業的人工智能。

明略數據如何實現行業化人工智能

明略數據成立將近三年，我們在很多領域已經與行業中的領軍組織、企業一同合作，並取得了很多成果。

在公安領域，我們在和非常發達的省、市公安局一起合作，將一線的警察在大腦里情報分析的戰法轉化成機器可以理解的智慧儲存起來。

在金融領域，我們已經和和大型國有銀行、商業銀行、保險公司等企業合作，把優秀的業務員和風控人員的大腦里的知識積累起來，形成存儲於機器中的風控模型和風控經驗，並融入到行業人工智能的解決方案中。

在工業領域，我們和世界頂級的工業制造企業合作，把傳統設備的預測診斷的經驗整理起來，形成行業診斷模型，對設備故障進行預測。

明略數據有著強大的自主研發的大數據平臺，頂級的關聯關系挖掘產品，以及智能的分布式挖掘系統。憑借多年的行業經驗，明略數據希望幫助到我們的客戶，更好地運用人工智能技術，提前一步獲得未來的競爭優勢。

文章評論

匿名用戶

發布

全部評論：10

發布

“千人千面”定制化 長江證券將人工智能應用於投資者服務

在券商互聯網化的江湖中，科技驅動業務轉型已成業界共識。近日，長江證券(000783.SZ)宣布其自主研發的國內首個券商智能財富管理系統——iVatarGo正式上線。

iVatarGo是長江證券將人工智能應用於投資者服務領域的典型產物，亦是券商行業第一家定義了大眾智能財富管理的平臺。

據介紹，iVatarGo基於6大類-106個因子-231個標簽，在確保客戶信息和資料絕對保密的前提下，對客戶的投資行為數據、交易數據進行深度智能分析，為每名客戶進行全面精準“畫像”，幫助用戶獲取投資信息和情報，成為用戶投研和決策的智能助手。同時，iVatarGo還能為每位用戶提供精準的個性化投資資訊、理財產品以及投資顧問服務等。

為讓iVatarGo真正“認識”用戶，長江證券在確保客戶信息資料保密的前提下，首次提取所有正常交易客戶五年共86.7億條交易數據，運用量化方法評估客戶的交易行為，每日計算1878.5億次，來識別客戶的投資偏好及投資能力。iVatarGo利用這些大數據分析客戶特征，並為每位投資者的每一個特征進行標簽化標註，從而實現客戶真正意義上的“千人千面”。

而iVatarGo所用到的客戶標簽體系，除年齡、性別基本特征外，還涵蓋了投資特征、交易行為特征、投資能力、投資風格、投資策略、當前持倉等用戶投資行為特征。

在識別用戶後，iVatarGo便使用數據獲取、數據處理、智能分析、數據應用落地等一套工程化的方法，去理解客戶真正的需求，從“認識”客戶到“懂得”客戶。並且持續跟蹤分析客戶資產狀況、投資行為，隨時調整標簽，力求在任何場景、任何時間都能為客戶提供最適合的服務和產品，幫助用戶實現最大價值。

事實上，長江證券在互聯網金融領域的創新步伐一直在不斷加快。長江證券手機客戶端去年全年叠代12次，完成了從單一的交易平臺向“交易+銷售+服務”平臺的轉變;2017年成為第一家同步推出微信小程序券商;此次iVatarGo則是其自主研發的國內首個券商智能財富管理系統。

“目前，圍繞著數據化、場景化、智能化展開的金融科技創新，正在顛覆著券商行業的競爭形態。”長江證券總裁鄧暉表示，金融科技一定會是證券業通往未來的諾亞方舟。

電商巨頭正布局 2020年85%互動是人工智能在回應你

人工智能AlphaGO不僅可以打敗世界圍棋冠軍李世石，而且已經開始滲透進包括電商在內的諸多領域。

“時至今日，互聯網技術的紅利已經所剩不多了。現在的企業當然不得不去使用互聯網技術，因為如果你不用，你會有很大的技術劣勢;可即便你用了，可能也不會有太大的優勢，因為大家都在用。”深圳碼隆科技有限公司聯合創始人&CEO黃鼎隆4月13日在義烏舉行的世界電商大會上對互聯網技術背景下的企業現狀做了描述。

黃鼎隆認為，電商應該抓住人工智能的技術紅利，實現進一步的進化。

近年來，互聯網具備了提供海量數據的能力，隨著計算能力的提升，特別是計算成本大幅下降，人工智能技術取得了種種突破，業界普遍認為，人工智能會是下一波不亞於互聯網的技術革新的浪潮。

據Gartner公司(全球權威的IT研究與顧問咨詢公司)預測，到2020年，消費者和零售商之間85%的互動都會由人工智能來解決。

一些品牌商正在努力構建自己的客戶服務方法，利用人工智能來創建準確的產品目錄、精確的搜索功能和真正個性化的線上體驗。而像阿里、PayPal、Airbnb、亞馬遜、eBay、京東、滴滴等電商巨頭已經開始布局人工智能。

中國服務貿易協會電子商務委員會執行主任兼秘書長蘇軍對第一財經記者表示，人工智能在電商領域的應用並非一種簡單的技術應用，它會改造電商內核，升級電商業務，將對電商發展產生巨大驅動力。

蘇軍對記者解釋道，經過多年的井噴式發展，電商增速已經明顯放緩，中國電子商務已經結束了野蠻生長而轉入精耕細作階段，客戶體驗將成為未來電商企業的競爭核心。人工智能可以大幅提高數據的精準判斷及供需的匹配，可以完成人工無法企及的信息分發及商品分揀。這會將商業變得更加智慧，大大提高商業效率和客戶滿意度。

“就我們公司的案列來說，企業客戶用了我們基於人工智能的圖像識別技術，兩個月訂單量就增加了20%，同時也節省了一部分的人力。”黃鼎隆對第一財經記者表示，未來3年內，人工智能作為顛覆性的技術應該是能有成倍甚至上十倍的增長。

黃鼎隆告訴記者，人工智能有潛力成為電商增長最大的驅動力，但人工智能究竟怎麽跟電商結合，電商究竟以什麽方式去增長，這些都是還不清晰，目前還沒有答案。因為人工智能的發展最近幾年都是技術層面的突破，應用層面的突破要等到接下來幾年。

“人工智能在電商領域要實現大規模商業化，難點是多方面的，比如技術難關的突破、配套生態的建立以及用戶習慣的養成。”黃鼎隆告訴記者，商業是一個很複雜的場景，圍繞著人工智能相應的各種產品和技術都需要成長起來，比如可穿戴設備、支付安全等，只有這些配套生態的建立才能形成很好的解決方案。

某國際知名投資銀行數據科學家李知周對第一財經記者表示，要實現大規模商業化更多還是在於成本的障礙，特別是開發成本。“要有很大的一個團隊去開發，這里面包括運維、收集數據、應用結果，都需要成本。而投資方不會為了你一個單一的目標，投幾億的資金一直等著你出成果。”

“問題的核心還是要利用你手上已有的技術構架和數據儲備做一個增量式的東西，不能為了收集數據而搞大數據，必須是數據已經準備好，再開始人工智能的應用開發，數據的成本是要找別的領域去覆蓋掉。”李知周對記者表示，未來數據的收集還是要靠大公司開放數據。

去年信用卡詐騙案近萬起 大數據人工智能成銀行殺手鐧

近日，第一財經記者從裁判文書網獲悉，僅今年以來判決的信用卡詐騙案件就多達上百件，而這一數字在2016年是9546起。

信用卡詐騙屢禁不止，一方面是由於發卡行疏於信用審查，另一方面是因為銀行傳統的規則反欺詐模型已不足以應對“高科技”詐騙。面對花樣百出的各類信用卡詐騙，發卡行的風控部門近來引入了大數據、人工智能等創新型風控手段，利用多維數據交叉驗證提升欺詐風險識別的精準性，並采用人工智能算法以適應海量數據的高維稀疏特性。

信用卡詐騙“花樣百出”

記者從眾多判決書中發現，近年來信用卡詐騙花樣百出，其中通過電信和網絡進行詐騙仍是主流。

與電信詐騙相關的主要是兩種號碼：一是利用“95588”等銀行服務號發送短信進行詐騙。如果按短信指令點擊了實際為“釣魚網站”的鏈接，那信用卡則會被惡意透支；另一種是以“400”開頭的熱線電話，諸如“您的航班延誤，機票需要改簽，請及時撥打400……電話辦理”，此類電話均可能為詐騙電話。因為通常情況下，正規大型企業單位的“400”熱線電話只作為被叫使用，不會作為主叫往外打。

福建安溪作為信用卡欺詐案件集中爆發地，剛剛於2016年10月宣判11名電信詐騙犯。判決書顯示，犯罪分子通過群發“95599”農行信用卡即將被扣年費及“400”聯系電話的詐騙短信，待他人回電時，先冒充農行客服人員接聽電話，謊稱對方信用卡被大額消費，身份信息可能被盜用，誘騙對方撥打其提供的“400”電話報警，再冒充公安局工作人員接聽電話，謊稱對方賬戶信息已泄露，案件涉嫌經濟犯罪，以保護賬戶安全、設置轉賬報警等為由，誘騙對方將銀行卡內資金轉入其指定的銀行賬戶內。

中倫律師事務所(上海)非權益合夥人肖波律師也向記者分享了一起福建安溪的典型詐騙案例：2012至2013年之間，某信用卡制卡團夥通過在各處的刷卡機附近安裝微型攝像頭的方式，實時監控刷卡人的密碼和卡號，然後偽造信用卡，並惡意透支，涉案金額高達上百萬元。

另外，免費WiFi也有可能是盜刷陷阱，如果連接某些WiFi後登陸信用卡網銀，很可能會泄露信用卡卡號、密碼等信息從而被盜刷。

一位股份制銀行信用卡中心風險管理部負責人向記者總結了當前信用卡欺詐風險的三大主要特征：隱蔽性、專業性及規模化。詐騙分子近年來聚集於互聯網渠道，利用虛假身份進行信用卡申請，借助釣魚網站、病毒郵件等竊取客戶卡片信息，實施信用卡盜刷，可謂“無孔不入”。

同時，他們還具備一定的專業知識和技能，懂得利用一些網絡技術設計陷阱，研究信用卡申請、交易流程，尋找規則漏洞。比如，通過包裝個人信息、偽造互聯網行為等方式提高個人資質，騙領信用卡;侵入免費WiFi、制造山寨二維碼、變身銀行官方號碼偽基站、發送病毒祝福短信等方式竊取客戶信用卡信息並實施盜刷。

互聯網時代，銀行卡詐騙不僅在技術上“升級”，也從“單兵作戰”發展到有組織、有預謀的產業化集團作案，尤其是電信網絡詐騙。數據顯示，近10年來，我國電信網絡詐騙案件每年以20%～30%的速度增長，2015年全國公安機關共立案電信詐騙案件59萬起，涉及經濟損失222億元。

惡意透支1萬即可能觸犯刑法

第一財經記者從裁判文書網所公布的信用卡糾紛案件判決書中發現，大部分案件都是因為信用卡透支不還款，然後銀行將持卡人告上法庭。“通常，透支額度超過一萬元，且在兩次催收後，超過三個月不還款，就有可能構成信用卡詐騙。”肖波對記者表示。

近年來，竊取信用卡、妨害信用卡管理、信用卡詐騙、利用POS機非法套現等涉嫌信用卡犯罪一直處於高發、多發態勢。肖波告訴記者，信用卡詐騙犯罪，尤其是惡意透支型的信用卡詐騙犯罪，一直占基層法院全部金融犯罪的80%以上，是一種最為常見的金融詐騙犯罪。

相關數據顯示，2013年至2016年各級法院分別判決信用卡詐騙犯罪案件3091、10573、12220、9546起，最近兩年仍處於高發狀態。

據我國《刑法》第一百九十六條規定，有使用偽造的信用卡，或者使用以虛假的身份證明騙領的信用卡的、使用作廢的信用卡的或冒用他人信用卡涉案金額在5000元以上，惡意透支在1萬元以上等行為的均構成信用卡詐騙、盜竊罪。

其中的惡意透支是指持卡人以非法占有為目的，超過規定限額或者規定期限透支，並且經發卡銀行兩次催收後超過三個月仍不歸還的情形。

進行信用卡詐騙活動，數額較大的，處五年以下有期徒刑或者拘役，並處2萬元以上20萬元以下罰金;數額巨大或者有其他嚴重情節的，處五年以上十年以下有期徒刑，並處5萬元以上50萬元以下罰金。

“司法機關所受理的信用卡詐騙類案件非常多，因為眾多銀行在與持卡人發生糾紛，並且多次催收無果的情況下，便就會向司法機關進行舉報，啟動刑事司法程序追繳贓款。”肖波稱。

銀行“殺手鐧”：借力人工智能大數據

銀行面對新形勢下嚴峻的欺詐風險，傳統的欺詐風險防控手段例如憑借專家經驗人工制定反欺詐規則、使用基於規則引擎的欺詐偵測的策略已經“力不從心”。 因此，紛紛著力人工智能、大數據風控領域，欲從風險的“觀測者”變為“預測者”。

“小眾的欺詐事件越來越難以用商業經驗和確切規則描述出來，國內目前的欺詐都是rule base(規則驅動)的，即憑借過往經驗和從此前發生過的事實中，抽象出系列規則，每一條規則觸發一種欺詐場景，交叉組合所施加的業務邏輯判斷，從而構成了欺詐模型，”天雲大數據CEO雷濤在接受第一財經采訪時表示，“但在這個過程中，傳統規則的模型會帶來很多問題，例如申請欺詐就很難將一些難以描述的規則抽象出來。”

具體舉例而言，某團夥在某村莊以招工的名義大量收取村民的身份證，並申請信用卡，然後刷卡透支，讓村民背負銀行債務。此時，銀行按照過往經驗便會判定該村地址為欺詐地址，使該村村民抹上信用汙點，然而事實並非如此。因此，對於抽象的、難以描述的金融現象，需要借助大數據、人工智能的新技術。

在此背景下，眾多銀行已紛紛將人工智能、大數據領域列為重要發展方向。銀聯商務有限公司總裁李曉峰表示，隨著數據的積累及大數據處理經驗的不斷提升，銀行可以從更長時間跨度上對商戶風險行為及行為變化情況進行分析和模擬，從環境風險、關聯欺詐、行為異常、偏好變異等維度分類觀測、評價商戶的風險程度。

“隨著數據維度的大幅增長，移動設備、網絡瀏覽行為、位置變化等多維信息都可以用於刻畫申請或交易行為，多維數據交叉驗證可以提升欺詐風險識別的精準性，也為大規模機器學習奠定了基礎。”前述銀行風控部門負責人對記者表示。

同時，非結構化數據庫、分布式存儲和雲計算技術的產生，為多類型數據的存儲和複雜模型的運算提供了實時性保障。

而在技術層面，該負責人稱，傳統的建模方法目前已經不適應海量數據的高維稀疏特點。大數據時代，機器學習算法在反欺詐建模中的應用越來越多，如神經網絡、隨機森林、梯度提升決策樹(GBDT)、支持向量機(SVM)等。

棱鏡大數據研究院首席科學家廖辰瀚對記者表示，針對不同算法的解釋維度和欺詐風險不斷變化的特點，將多個算法進行組合並建立數據驅動的自適應優化學習機制，也有助於提升模型效果。

馬斯克：超級人工智能必將實現，人類只能選擇成為AI

24日據CNBC報道，特斯拉創始人馬斯克周日表示，他成立自己名下第三家公司Neuralink開發腦機交互和融合界面，動機是旨在防止類似“終結者”那樣的場景出現。

一名推特用戶詢問馬斯克，新公司是否為了“對抗天網(《終結者》中的人工智能防禦系統)”時，馬斯克回答說，這正是Neuralink背後的“靈感”。

上周，馬斯克在接受采訪時表示，Neuralink計劃在4年內推出“微米級設備”，以實現腦機界面的目標，允許人類直接通過思想進行交流。人類語言將變成“思想的壓縮版本”，在大腦中“奔流不息”。

馬斯克曾經在多個場合表示，他對人工智能（AI）研討範疇的急速提高感到擔憂。最終，他擔憂有朝一日AI將逾越人類。多年來，這種擔憂促使馬斯克采取了一些舉動，協助確保AI不會把人類變成二等公民。

馬斯克接受采訪時還表示， 超級人工智能必將實現，人類只有一個選擇：成為 AI。他認為腦機融合後的 AI 系統將以和人類的本能大腦與理性大腦同樣的特性存在。人腦和計算機將融合無間，人類甚至無法察覺自己在運用 AI 思考。

埃森哲：人工智能是一種新的界面，但並不是萬能的

咨詢公司埃森哲近日發布2017年技術展望，將“智慧新界”——人工智能作為人機互動的界面視為主要技術趨勢之一。

當前，人工智能(AI)能力越來越強，在某些特定領域中，人工智能工作的成效甚至超過人類，例如AlphaGo屢屢戰勝圍棋世界名將，在智能語音識別、智能圖像識別方面，人工智能技術能力也取得了長足發展。

那麽，有人可能產生一種疑問，人工智能是否正在全面超越人類?

雖然眾說紛紜，但產業界正試圖重新賦予人工智能一種貼近現實的理解，發掘其對商業和社會的有益點——並不將人工智能視為獨立的實體，而是視其為人類與機器溝通、履行人類使命的一種方式，仍然在工具範疇。

在全球主要經濟體(31個國家)超過5000名企業中高層(涉及16個行業，1/3受訪者為CIO層次或跟信息化相關的人士，2/3受訪者混合了財務負責人、運營負責人等)調研基礎上，埃森哲提出了“界面”的論斷。作為界面的人工智能正在多個領域改變商業和社會。

“現在很多的情況下，你可以和一個虛擬的人偶對話，把人工智能的人偶訓練好以後，變成100多個國家的銷售人員，不辭辛勞地為你工作下去。有一種說法是‘人工智能是另一種生產要素’。”埃森哲北京技術研究院院長劉東在接受第一財經記者采訪時表示。

因為人工智能的出現，未來的人機交互界面呈現出巨大想象空間，“可以想象一個牛奶罐都是一個入口，可以在上面疊加上很多的用戶互動。”劉東認為，未來的網絡入口可能在任何地方、任何物體上。

不過，盡管人工智能技術能夠在很多領域幫助我們，但它的能力也並不是無限的。

“和人相比，人工智能的優勢在於快和少犯錯，所以特別擅長做的是邊界很清晰的事情，通過深度學習並總結出一些東西，人工智能的反應比人更快，不過在邊界並不清晰的領域，人工智能的能力仍有缺失。”埃森哲大中華區信息技術服務總裁陳笑冰對記者說。

“我們今天的科學是實驗科學，兩個物質放在一起會生成什麽，經過很多實驗可以得出結論。不過，是不是人的世界中所有東西都是有重複的規律，從而形成了最後一個真理?通常不是的。另外人還有情感的因素。人工智能會不會在這里面有發展，我不知道，目前的技術還不具備這樣的能力。”陳笑冰說。

還例如在內容生產和內容分發領域，人工智能既展現了其效率的一面，但也展現了其無奈的一面——當前，即使最先進的技術，也無法達到人類的寫作水準，而在分發領域，劉東向記者表示，過分聚焦於推薦用戶喜好的內容，可能讓人的興趣變得狹窄而孤立。

“究竟什麽東西能塑造我們的未來?實際上，起決定性作用的要素不再是‘什麽’而是‘誰’。說得更直白一點，我們的未來是我們來控制的，我們應該使技術去適應人，而不是人去適應技術。這就是我們倡導的‘技術為人’的核心點。”陳笑冰說。

ABB、IBM宣布聯合開發高端工業人工智能

4月26日，據新華社報道，瑞士ABB集團和美國IBM公司日前在德國漢諾威工業博覽會上宣布，雙方將聯合開發高端工業人工智能，把ABB的數字化解決方案和IBM“沃森”物聯網相結合，為用戶提供應對工業領域各項重大挑戰的全新解決方案，如加強質量控制、減少故障停工時間、提升工業流程速度和產量等。

新解決方案的應用之一是將實時認知分析嵌入工業產品檢測流程，從而實現質量控制自動化。ABB的系統負責捕獲實時產品圖像，通過IBM的物聯網認知計算技術進行分析，從而迅速識別不合格產品。

該解決方案可在產品部件組裝流程中向生產者提醒一些人眼無法識別的關鍵故障，使質量控制專家快速介入。這在提高生產線產量的同時，還可提升生產準確性和產品一致性，從而幫助廠家避免昂貴的產品召回和信譽損失。

在智能電網領域，新解決方案可通過提取歷史和天氣數據，預測電力供應側及需求側的模式，幫助客戶優化運營並維護智能電網。氣溫、光照和風速預報將會被用於預測電力消費需求，幫助客戶決定最佳電力負荷管理及實時電價。

ABB集團首席執行官史畢福對新華社記者說，新的解決方案將提供很多機遇，尤其是在能源過渡方面。通過加大在可再生能源領域的投資，並將其整合到智能電網中，未來25年預計可帶來7萬億美元的產值。

未來每一家公司都可能是人工智能公司

源碼資本 2017-04-27 11:05

本文系源碼資本（ID：sourcecodecapital）對i黑馬投稿。

AI和大數據在爭分奪秒深入到商業和生活中。未來每一家公司都可能是一家大數據公司，一家AI人工智能公司，正如現在每一家公司都是互聯網公司一樣。

了解人工智能在城市管理和商業領域的應用，將有助於每個創業者在實踐中為自己的產品和商業模式賦能。

微軟亞洲研究院“城市計算”領域負責人鄭宇博士在源碼資本2017年碼會上，分享了人工智能在城市計算領域的進展。

以下是鄭宇博士在2017年碼會上的演講原文：

非常高興有機會能夠跟大家分享我們在城市計算（Urban Computing）領域的工作。大家平時聽到很多人工智能用於語音、圖象、文本的場景。怎麽樣用人工智能和大數據技術改變我們的生活，我圍繞這個主題探討一下，人工智能在城市領域的進展。

做好人工智能在城市領域的應用需要四個方面的技能：

1、理解城市文化本身，數據科學家純粹的理論無法代替行業知識；

2、理解數據本身，不僅僅要了解數據的表征，也要了解數據背後蘊含了什麽樣的知識；

3、掌握數據科學的模型，包括數據管理，數據挖掘，機器學習，還有可視化；

4、懂得如何利用雲平臺，把算法高效部署在平臺上解決問題。

在城市領域，以上四點也有應用上的不同之處：

可以想象到城市里面數據特別多，鏈家的、搜房的，從地理信息到人流量，好像千差萬別上百種、上千種的數據。實際上按照數據的結構來分的話有兩種數據，一種點的數據，一種網的數據。按照數據關聯的時空屬性來分，可以分為三類。所以總共有六種數據。這六種中最為複雜的就是軌跡數據，因為物體的位置和在每個位置上的屬性都在不斷的隨著時間改變，而且點和點之間存在著關聯。像摩拜和滴滴的車的軌跡都屬於這種類型。

我不希望來了一千種數據要建一千種模型和算法，使得系統變得非常複雜。我們希望只要定義好這個模型之後，不管你來什麽數據，可以高效利用平臺，利用對應的分析和挖掘算法去處理。

城市領域有大規模的數據，多元、多模，變化非常快，這麽複雜的數據怎樣快速更新，以及大規模的應用？必須要有一個平臺。大家自然會想到，我們就用雲平臺把它連接到一起。可惜的是，不管哪家商用雲平臺都無法做好時空大數據，對城市大數據支持的並不是很好。

現有雲平臺處理城市大數據的限制，與MSRA的實踐：

1、數據結構很不一樣，跟圖象文本結構不一樣。

2、查詢方式不一樣。例如我們在找滴滴的時候，希望是找周邊這個時間段內有沒有空車經過，而不是關鍵詞進去匹配一個文本出來。

3、真正我們做城市計算的時候我們往往用到多個數據源，而不是單一數據。比如說空氣質量預測的時候我們需要用到氣象、交通、地理信息以及人的移動數據，怎麽樣把這些數據多元管理起來？這是一個難題，這個技術是缺失的。所以基於它的原因，現在已有的雲平臺並不能支持很好支持時空大數據。

受限於已有雲平臺的現實限制，微軟亞洲研究院去年在洛陽市落地了中國第一個城市大數據平臺。

它首先定義了六種數據模型，然後利用了現有微軟雲計算平臺的存儲資源。接著我們做了一層中間件，針對不同的數據結構設計了時空索引算法，並針對不同數據設計了混合式索引算法。然後把時空索引集成到Hadoop、Spark和Storm等分布式計算環境中。

這里面不光有分布式計算環境，也有時空索引算法，兩者的結合把數據的訪問和管理存儲變得非常高效。最後向上層的機器學習和人工智能算法提供API，使得我們的機器學習算法能夠快速訪問下面的一些數據。想象一下，如果沒有這一層的話很多機器學習算法根本不能上線，根本不能做大規模的訪問和應用。

下面幾個應用案例可以看到這個城市大數據平臺所產生的實際效應。

1、城市充電樁與廣告牌布局 

通過城市大數據平臺在貴陽市決定應該在什麽位置放置充電樁，才能最大化覆蓋整個城市的車流量。最終選取出五個路口，使得覆蓋不同出租車的GPS軌跡數量最大化。

以前做這個工作需要一天。現在我們只需要2-3秒的計算結果。我們發現在商業應用中，我們部署一個東西除了需要數據科學支持還需要行業知識支持，不僅要考慮車流量最大化的問題，還是考慮周邊是不是商城，有沒有配套。車主充電的兩小時等待時間里，周邊要有餐飲、娛樂機構供人休閑。

我們通過可視交互的分析方法實現人的智慧與人工智能的結合。人工智能先用簡單的規則，用算法反饋一個初步結果讓行業專家判斷，行業專家認為這個點不合適可以刪掉，或者保留這個點再計算，實現了一個叠代式的交互挖掘。

這個案例體現了平臺的威力，性能的威力，也體現了真正把機器智能跟人的智能結合在一起。

除了充電樁，這個模型還可以分析商業門店選址、廣告牌選址，這些案例體現出城市大數據平臺的數據管理威力。

2、房價評估 

在我們的這個城市大數據平臺里還有一個專門的數據分析層面，包含三個子層面：最普通的機器學習算法，專門針對時空數據設計的機器學習算法，以及多元數據融合算法。

我們看一下這個例子，我們想對房屋價值進行相應的排序，並不是預測價格。也就是說北京同樣一個市場，如果漲的話誰漲的比較多，如果跌的話誰跌的相對比較慢？

在相同環境下，摒棄政策因素和環境因素。根據漲幅比將房子排序，排完序把房子排好12345等，一類房最好，五類房最差（漲的最慢，跌的最快）。李嘉誠說過，房子價值由三個方面決定，一是地段，二是地段，三還是地段。這三個地段其實可以用數據量化。

第一地段就是周邊各類設施配套水平，交通，商場，學校等等這些數據都可以從路網、POI學到。同樣是學區，重點學區和普通學校對房價影響非常大，好的商場比破舊的商場對這個地段的價值拉動差距很大。

所以有第二個地段：Popularity，比如人們出行規律非常重要。人們出行的規律已經刻劃了這個地方的價值，一個地段坐公交地鐵出去，另外一個地段基本上以開車打車出去，你覺得哪地段更高端一點，人的行為可以刻劃這個地段的形式。

第三個地段是房子所在的商圈，並不意味著每一個望京區域的房子都是好房子，而要用7-8種數據刻劃這個地段的價值。

從每一個數據里面可以提取出來很多的特征，再進行計算。比如說這個房子周邊有幾個公交車站，離他最近的公交車站多遠，離他最近的地鐵車站多遠，然後可以把它變成排序的問題。這里面體現了不是一個簡單的算法就可以解決的問題，很多特征是冗余性，並不是完全獨立的，相關性非常大，而且很多特征不是線性的，因此我們要加很多的約束做這個事情。

怎麽做驗證呢？用2013-2014年的房屋數據預測2015年的排序，2015年過完之後自然知道這個結果怎麽樣。用搜房網解決這個事情準確率非常高。NDC基本上達到95%以上，這是一個非常好的結果。

這個技術還被應用到上海火鍋店的選址以及對城市綜合商業體的價值評估。中國一線城市的商業品牌，像萬達以及保利商場等等，這些綜合商業的評估是非常困難的，但用我們的方法來做是有價值的。2016年的數據已經顯示，北京100多個綜合商業體哪個漲幅最快，最值得投入，並且形成排序。這個排序也應用於銀行業信貸評估，幫助銀行業評估綜合商業體的價值，決定以後貸多少錢，抵多少錢，通過人工智能評估長期價格增勢。

3、AI+共享拼車 

滴滴以及摩拜，這兩個案例與AI聯系非常緊密。

先講拼車，電召車行業做到拼車才是真正的共享化，所以拼車是最終目標。發明拼車的初衷是城市車輛過多與打車難之間的矛盾。在希望車輛總量不增加的前提下，出現了拼車的想法。為了保證用戶體驗，拼車必須保證滿足用戶希望什麽時間到達目的地的要求。

通過AI找到一輛車接這個人，並且他真正距離最小，這是一個最優的方案。但現在是不是還有別的車，可以滿足乘客的到達時間，同時也要征求乘客的拼車意願？如果可以使乘客的到達時間稍微推遲五分鐘，但是可以省五塊錢，你願不願意？在拼車方案中，保證乘客在規定時間到達，這個是關鍵的。

通過對車輛距離、預期到達時間與價格之間的動態平衡匹配，最大化滿足用戶的需求，是一個很困難的問題。這些需求已經超過了人類自己思考可以實現，必須要人工智能後面重新調度。

使用AI技術模擬，把出租車換成一個卡車，把一個人看成貨物，上車點是取貨地點，乘客下車地點是送貨地點。我們把這些應用於順豐合作，可以在不增加人員的情況把順豐的吞吐效率提高5%-10%。

實現了當下的優化以後，對未來的優化更加重要。這將涉及到深度學習。

以物流業為例，未來的物流一要看預測，二要看累計最優，三要加時空索引，這三個東西要加在一起。

假設我們把一公里分成很多格子，可以預測未來有多少人進有多少人出，可以預測未來有多少人請求摩拜，有多少人請求滴滴，有多少人訂餓了麽。我們在貴陽已經開始做這種預測了，在貴陽預測的是每個格子里面有多少出租車進有多少出租車出。能夠預測出未來這個地方有多少人請求餓了麽的訂單。用這種數據來驗證我模型的正確性。

做深度學習預測人流、訂單量最開始的動機來自於上海市的踩踏事件。踩踏事件發生之後我很痛心地寫了一個微博，我說，這個事情可以通過人工智能做預測提前避免，如果提前兩三個小時知道未來有多少人去那個地方，就可以從源頭分流，不要等到大家都去了去疏解。如果政府能夠提前預測量級，可以提前預備安全措施。

類似的公共需求也適用於北京地鐵，商業需求則適用於滴滴、摩拜和餓了麽等。

但是預測人流量是一個困難的工作，因為相關因素非常多。同時，時間空間數據不同於文本，空間有距離，有層次，時間有周期性，還有趨勢性。

比如說交通容量每天都有變化，我們一定要考慮到時間的周期、趨勢、臨近性，考慮到空間的遠近性，把不同的數據進行融合，以及不同的影響因子在不同層次融合。最後得到好的結果。這個數據在北京的出租車得到印證，在美國的自行車租賃系統得到印證，現在拿摩拜進行印證，效果都比以前的方法好很多。

4、城市計算在空氣質量領域的應用 

微軟亞洲研究院曾經用大數據和人工智能的算法預測全國200多個城市的空氣質量。

因為空氣質量受很多複雜的影響，包括周邊的樓房密度，周邊的交通擁堵情況，周邊的擴散情況，導致整個城市空氣質量不均勻。

我們把京津冀、珠三角、長三角城市群數據放在一起，做大尺度的系列預測和分析。有了這個信息之後，你會發現每次空氣質量從好變壞過程中，你就知道哪里先變壞，哪里後變壞，知道它的傳播過程。政府是明確需要知道非常細的空氣質量的數據，甚至要細到賓館級，因為有的時候我們領導人就住在某個賓館。

預測未來。我的預測是系列預測，空氣質量預測既要看天還要看人，是個很困難的事情。如果你要看細，細到西直門、東直門怎麽樣？這非常困難。還有空氣質量拐點的預測，我們知道當刮大風和下大雨時，空氣質量從500瞬間就變成了50，這個拐點的出現對政府來說是極關重要的。

可是，空氣質量的拐點為什麽那麽重要呢？舉例說明，政府曾經做了很多措施限流限行，關閉了河北的工廠，以北京為中心畫一個圓，把圓里面所有的工廠全關掉，使得我們的空氣質量保持在100以下。但如果你知道明天是拐點，明天會下降幹嘛去關它？這一個決策就能夠幫國家避免上百億上千億的損失。

微軟亞洲研究院還在貴陽落地中國第一個交通流量圖。這個地方顯示的是車的流量不是簡單的速度，對政府的管理、規劃它一定要知道有多少車經過，即流量。有了流量之後就能算出速度、油耗，每個路段上面都可以算出來，進而可以看出來每個路段實時排放的PM2.5有多少，現在能把車的尾氣排放算出來，結合空氣中測點的讀數，我們知道空氣中尾氣排放和PM2.5結合在一起，我們就能夠正確回答空氣中汽車尾氣排放和PM2.5到底占多少，這個對政府的指導具有重要的意義。

5、做好真正智能城市的四個關鍵

第一，要理解行業知識。如果我不懂環境，不跟環境學家交流，也不知道他們做了什麽東西，那麽他們行業里面也無法接受大數據的分析結果。

最近我搞了兩年多環境，現在清華大學環境學院每年請我給他們環境學院的學生研究生上課，只有達到這個程度之後，才能跟別的行業融合。

第二，對數據的理解很重要。路面上的出租車交通軌跡不光反映了出租車交通容量，也反映了人們的出行規律。出行規律反映的是功能、經濟、環境狀況，如果這樣想的話，你會發現我們的數據永遠不缺，大數據時代我們不缺數據，缺的是心不夠開放。大數據的價值把多個數據融合在一起，做到1+1大於2的結果，這才是它的特點和魅力。

第三，深度學習。我們看到各種各樣的算法不只是機器學習，有深度學習、機器學習、數據挖掘還有數據庫，很多方法索引加學習加模擬結合在一起，很多是把數據融合在一塊。

第四，數據科學家。數據科學家非常難培養，培養這個人至少7-10年，很多項目只要有了這一個人，就能把這一個東西傳到一塊，一個好的數據科學家站在雲平臺上面，看問題想數據觀模型，然後把模型部署到雲平臺上面，才能解決鮮活的問題，這才是數據科學家。

文章評論

匿名用戶

發布

全部評論：10

發布