华为 HarmonyOS 2（鸿蒙操作系统2.0版本，以下简称“HarmonyOS”）在金融行业可谓是一呼百应，工行、中行、招行、农行等数十家银行迅速支持。  

在上篇文章《鸿蒙出世，金融IT人最关心哪三个问题？》，我们已经谈过哪些金融机构率先响应，他们又是如何支持、接入鸿蒙的，这次就来详细聊聊：

HarmonyOS的原子化服务，为何备受银行青睐？

每家银行用服务卡片呈现的内容不尽相同，这些区别又意味着什么？

除了原子化服务，HarmonyOS还能带给金融行业多少想象空间？ 

（一）同选原子化服务，嵌入却不尽相同   

目前，金融机构接入HarmonyOS，目前主要有三种形式：

(1)APP适配HarmonyOS;

(2)做HarmonyOS的原生应用；

(3)推出原子化服务。 

前两种方式基本成为接入标配，一是为了不影响华为用户使用自家APP，二是出于与合作伙伴构建更好的行业生态的考量。 

而原子化服务，是目前银行接入HarmonyOS较为创新，也更有想象空间的一种方式。 

原子化服务，就是客户无需重新下载app，而是像“小程序”一样使用相关服务。 

也就是使用者能够即搜即用，不需要事先下载应用程序软件，或者以服务卡片的形式直接呈现于桌面。

HarmonyOS在桌面上采用了全新的原子化服务卡片，进行应用分类时，会自动帮助用户进行相似应用归类，分类管理更高效。，分类组件支持放大，通过分类组件可直接进入软件，实现一屏一场景。  

采用卡片式操作，用户们可以以卡片方式分享文章、页面等内容、无需下载，好友直接就能打开观看。 

利用这一特性，多家银行迅速推出了鸿蒙“原子化服务”。

招商银行，第一时间适配了HarmonyOS，也通过鸿蒙原子化服务，把“财富直击”栏目以服务卡片形式上线

招商银行App相关产品经理告诉雷锋网《AI金融评论》，其实招行很早就在关注鸿蒙，今年年初beta面世时，他所在的团队就验证过APP在鸿蒙上的运行情况；而在本月初的发布会之后，招行就迅速关注到了原子化服务，着手开发服务卡片。

他透露，从召集开发测试团队，到向鸿蒙提交、等待应用检测审核，大体用时十余小时，HarmonyOS的良好开放性也加快了这次的开发进程。 

目前，用户可以在安装HarmonyOS的手机桌面上，通过右小角唤起“我的服务”，添加“招商银行”，即可选择添加对应的服务卡片到系统。 

用户点击“财富直击”卡片，即可迅速了解招商银行App近期的热门理财产品，最新投资工具和财富运营活动。点击详情卡片，还可以唤起招商银行App了解具体产品信息，进而完成产品购买。 

此外，中国银行和中信银行也迅速做出了反应。 

中国银行推出了““中银外币现钞预约”原子化服务，使用者通过HarmonyOS的服务中心搜索“外币”二字，即可快速进入“中银外币现钞预约”程序进行预约。 

这种方式，能够让使用者更便捷地获取超过20种外币的现钞预约服务，省去应用下载安装、用户注册等步骤，简化了业务办理流程。 

中信银行，则推出“借记卡查询”原子化服务。客户无需下载App，通过“中信银行”的服务卡片，即可享受中信银行借记卡申卡及进度查询服务。 

服务卡片这种轻量化的原子服务，为什么会吸引到银行“出手”？ 

招商银行App相关产品经理向AI金融评论强调，原子化服务让用户无须打开App就能获得服务，实际相对缩短了银行触达用户的路径，变得更“轻”，用户体验更加极致。 

一个服务的步骤越繁琐，对用户的吸引必然大打折扣，因此这种“轻盈”一定程度上会提升用户观看（或使用服务）的频率，使浏览和决策的成本下降。 

HarmonyOS原子化服务的出现，为银行提供了新的想象空间，超级终端理念、轻量化的原子服务会对银行的下一步棋，产生多大的影响？ 

（二）银行战略与原子化服务环环相扣

从上文中可以看到，各家银行通过原子化服务，对外展示的业务都不一样。

这样一个强调轻量、快捷的设计，印象里它应当与一些高频刚需的金融场景绑定，比如付款码、账户查询等等。 

但事实并非如此，我们可以清晰地感受到，银行们对原子化服务的理解不只是单纯的“占位”。 

以中国银行为例，有业内人士指出，“外币现钞服务”功能正是中行的传统优势领域。 

回溯历史，在20世纪80年代中后期，中行是经过外管局批准的唯一一家可接受客户委托、代理买卖即期和远期外汇的银行，可见中行以外汇起家。 

如今，中行外币现钞预约服务已覆盖4500余家中行网点，可选美元、英镑、欧元、日元等23种外币，支持手机银行、微信银行、个人网银等多个渠道办理，支持非中行客户便捷预约。 

中国银行将外币现钞预约服务外嵌至鸿蒙，能够聚焦特色业务优势，下沉服务重心，推动自建场景融入外部流量平台。 

此举折射了中国银行的规划：希望将金融产品和优质服务下沉到贴近客户的日常生活场景中，为客户提供更加便捷的一站式服务。 

同样地，招商银行上线“财富管理”，背后正是行长田惠宇提出的打造“大财富管理价值循环链”的战略和规划。

招商银行相关负责人告诉雷锋网《AI金融评论》：招行使用HarmonyOS的原子化服务，上线“财富管理”，正是招行围绕大财富管理的战略排兵布阵的举措之一。 

田惠宇曾表示，在数字化时代，招行最大的竞争优势在于财富管理。依托财富管理构建生态，是招行谋求未来竞争制高点的一条出路。 

这条出路的价值不在提出“新思维”，而在“总集成”。它将前期转型成果整合起来，面向社会需求提出一套综合解决方案。 

近年招行的转型不断刷新外界认知，率先实践金融科技银行、MAU北极星、开放融合、3.0模式等一系列探索，但它们都是轻型银行局部的、阶段性的成果。 

如果想通过这些阶段性的成果了解招行，似乎只见树木不见森林；而大财富管理则是拼图的全貌，被称为“轻型银行的高级形态”，它第一次清晰勾勒出招行想成为的样子。

可见，银行们正在通过HarmonyOS这个全新的窗口，更直观地对外秀出“肌肉”，外界也更能看见银行的战略和野心所在。

（三）HarmonyOS或给金融业带来更多可能性    

除了原子化服务，HarmonyOS还有哪些特性值得金融业“脑洞大开”？ 

HarmonyOS是新一代的智能终端操作系统，为不同设备的智能化、互联与协同提供了统一的语言，带来简捷、流畅、连续、安全可靠的全场景全新交互体验。

相较于Android和iOS系统，HarmonyOS最大的特点是它的分布式特性，从手机衍生到了可穿戴、IOT等设备上，实现了跨设备的互联互通。 

这意味着基于HarmonyOS统，用户办理业务的环境可能不再仅限于手机和PC，通过手表、电视、车机等身边的设备，都可以随时随地办理业务。 

设备之间的系统隔阂被打破，无疑降低了金融服务的沟通成本。一位银行业人士向AI金融评论举例，譬如客户经理向用户讲解理财产品，可以通过HarmonyOS直接推送或投放产品细节至用户所持终端，而无需经过复杂的加微信好友、下载APP、发送链接等步骤。 

值得关注的是，HarmonyOSHarmonyOS的重心不仅仅在于一个手机的操作系统，而是“面向万物互联(物联网)时代的全新、独立智能终端操作系统”。

不仅如此，华为表示已经在2020年和2021年分两次，将该系统的基础能力全部捐献给开放原子开源基金会，目前该项目已经有245位贡献者，最新版本称为OpenHarmony2.0。 

这意味着未来国家的医疗系统、教育系统、卫生系统、政府行政系统等等都可以使用HarmonyOS开发线上化智能化设备，共同搭建生态环境。 

对于HarmonyOS而言，HarmonyOS的技术壁垒在于统一标准后的生态构建，围绕着HarmonyOS，周边的各种应用软件及配套硬件都支持上了，生态就丰富了，用户使用起来就便利了。 

对于金融机构而言，随着鸿蒙生态完善、技术成熟、标准建立，更多金融机构加入鸿蒙已成了必然趋势，未来会具有明显的网络效应，参与的机构越多，网络价值也会越大，从而形成闭环的发展模式。 

未来，万物互联所产生的数据、场景、终端都是指数级上升的，也必然会有更多的金融需求。银行业与鸿蒙的合作将会更加广阔，未来可期。

雷锋网雷锋网雷锋网

数字化时代，数字经济成为经济发展重要引擎，市场主体规模的扩大以及企业用人成本的提高推动电子签名需求不断增大。

同时，随着中国电子签名市场的产业链不断完善，电子签名平台服务进一步延伸到签约的整个生命周期，服务领域渗透到各个行业领域。

据iiMedia Research(艾媒咨询)数据显示，2019年中国电子合同签署次数规模高达278.9亿次，同比增速高达317.5%，预测未来三年内将突破500亿次。

电子签名这一风口，已经形成。

然而，电子签名作为To B端的企业服务领域中的一隅，注定了它是需要长期投入的赛道。

在瞬息万变的商业世界里，以月为单位衡量发展已不足为奇，但包括电子签名在内的企业服务却仍是一个以十年为周期考量的生意。

在这门生意里面，有一位深耕电子签名行业十八年有余的领跑者——e签宝。

这家企业能够在赛道上长期领跑的秘诀是什么？它如何与合作伙伴强强联合？未来与合作伙伴又有哪些构思和战略？

6月16日，e签宝创始人兼CEO金宏洲，受邀在“共生·超凡 2021蓝凌软件生态大会”进行了《基于签署网络构建商业信用生态·电子签名+合同管理的核心价值》主题演讲，并与蓝凌软件董事长杨健伟进行对话，分享了e签宝长期领跑的秘诀和未来战略蓝图。

磨炼内功，长期领跑

杨健伟谈到，e签宝长期专注电子签名领域，正是因为长期专注，所以e签宝对行业的理解深刻，同时积累了丰富的经验，继而e签宝把这些就变成了自己的技术优势、产品优势、资源优势。

另外，B2B的领域周期漫长，深耕这个领域并不是靠1-2次的爆发力就能完成，需要靠技术+产品的持续的迭代，不断领先，形成综合优势，一直向前。

在技术上，e签宝做了很多投入和前瞻性布局，一直是“第一个吃螃蟹的企业”。

2003年，在电子签名1.0时代，e签宝有了全国第一套电子印章软件；2014年e签宝转型，率先进入电子签名SaaS时代；2019年，e签宝发布智能合同，2020年发布区块链合同。

在产品线方面，e签宝针对不同的用户需求，能够提供G+B+C综合解决方案，也是业内目前唯一能够提供多维度解决方案的企业。

更重要的是，由于电子签名这个基础设施的底层是需要很多法律法规来配合和推动的，所以e签宝注重与各个行业的监管机构，行政部门，法院体系的合作，以期获取他们的支持，达成整个社会体系的发展。

开放包容，强强联合

除了磨炼内功，e签宝也秉着开放包容的态度，致力于与蓝凌等合作伙伴打造良好的生态。

金宏洲在现场介绍了e签宝面向大型企业的三位一体化法务中台方案，该方案实现了电子签名+智能合同管理：

除了大家熟悉的电子签名外，e签宝为用户提供一体化印章管控解决方案，帮助企业严格印章管理规范，杜绝违规用印风险；

在智能合同管理上，e签宝提供从合同起草、审批、签订、执行、归档、统计等全生命周期的服务，深入客户业务，解决传统ERP、CRM合同环节未数字化的问题，通过业务与法务联动的方式，推动线下合同数字化，帮助企业打造内外一体、可信、可靠、可用、便捷、安全、合规的新型合同管理模式。

不仅如此，e签宝更是联合蓝凌软件，共同推出了云生态融合型产品，共同打造企业数字化转型一站式解决方案。

一方面，e签宝与蓝凌低代码平台EKP进行了深度融合与捆绑，两个平台均嵌入了e签宝的签署能力，可满足平台用户各类合同签署、合同管理的需求;

另一方面，e签宝融入蓝凌信创OA，信创目前主要切入政 务及金融两个大块，稳定和安全是对产品的两大基本考验。e签宝是目前一家支持国产操作系统、国产数据库、国产中间件、国产版式文件(OFD)、国产加密算法(SM2\SM3\SM4)的互联网签名产品，满足政府、金融领域对安全可控的要求。

用户进入蓝凌EKP(办公协同)、EOP(业务协同)双轮驱动系统，在合同管理、功能管理、认识管理等应用方面，不用集成，直接发起审批，让签署更加方便、快捷、高效。

无论是蓝凌软件专属钉钉-智能OA、还是蓝凌软件专属钉钉-智能门户、蓝凌软件与钉钉深度合作的集成中，e签宝的签署能力都是其独有的签署工具。

道阻且长，行则将至

过去几千年的文化习惯，让客户一想起“签”这个动作，立刻就先想到“在纸上”。

中国电子签名市场还处于“教育客户”的阶段，要彻底改变客户对于纸质签名的习惯并非一朝一夕的事情。

金宏洲在会议上也表示：“这条路很长，因为我们需要对抗的是大家几千年的“心智”。

正如，上代人觉得出门就要带“钱包”，这里的“钱包”指的是过往实实在在装钱用的袋子，但是这代人提到“钱包”可能第一反应是支付宝，这个转变也不是一瞬间发生的。

金宏洲表谈到：“我们畅想的愿景，我们希望未来大家想到“签”就是电子的，e签宝是一个动词。同时，我们希望每个企业、每个人可能都有自己的不管是章的形态，或者说未来是不是章的形式一定要存在，这个都是可以讨论的。但是它作为一种确认的手段、确权的手段，必然是一种这样的存在。”

当下，e签宝最重要的事情就是构建覆盖中国的签署网络，这个也是“数字中国”的一部分，也是城市优化营商环境的一部分。

所以，e签宝正在推进全国的各个城市实现电子印章和实物印章同步发放。通过这种方式，让企业快速实现公章电子化的升级，再通过这种场景的拉动让企业用起来这种方式，快速把大网织起来。

未来，e签宝将始终围绕客户解决“3+1”的问题：把章管好，不管是电子的还是物理的；把合同管好，做好合同管理事宜；把证据管好，做好“存证”服务；最后“1”是做好法律服，这个服务也是跟e签宝的产品是协同的关系。

最后，谈及e签宝&蓝凌的合作，双方都表现了开放欢迎的态度。

杨健伟表示，金宏洲是IT界的“老炮儿”，e签宝是国内最早做电子签名的公司，也是行业的领头羊看，现在蓝凌软件的OA领域，所有场景都有e签宝的参与，电子签名正逐渐从一个选择变成一种刚需，我们双方正持续在市场共享、销售联合上强强合作，一起帮助客户实现最大价值。

金宏洲表示，希望e签宝和蓝凌软件能实现“三个一”：一个目标，一起去为客户服务，帮助客户做好数智化办公，这是我们的共同目标和愿景；一套产品，e签宝的签署能力集成在蓝凌软件的平台，客户可以一键享受服务，完成一键签署；一个团队，虽然我们是两个公司，但合作起来就是一个团队，大家一心更好地为客户服务。

业内资深人士分析：e签宝与蓝凌软件的结合不仅可以满足平台用户各类合同签署、合同管理的需求，同时在合同管理、功能管理、认识管理等应用方面，不用集成，直接发起审批，让签署更加方便、快捷、高效，属于合同管理领域的旗舰级应用，也是赛道的强力风向。 

未来，e签宝和蓝凌软件将继续加强战略合作，共同开拓合同管理的百变可能，开启数智化办公的新景象。

 雷锋网雷锋网雷锋网

但实际上，这类银行正是金融服务三农和中小微企业的主力军，是普惠金融的重要组成部分，更是为国民经济发展提供融资支持的毛细血管。

监管层对区域性银行也愈发重视。

去年10月央行就在《商业银行法修订建议稿》中，明确要求区域性银行开展业务，进一步明晰其服务本地经济的定位。 

但区域性银行现下的处境却不容乐观：跨区域的经营困难，在资产负债端受到大机构挤压，再叠加疫情的影响……

银行高层们已经意识到数字化转型是他们破局的关键路径，但对于转型的具体措施，依然缺乏清晰的认知。 

腾讯云副总裁、腾讯云金融行业负责人郭仁声，在近日腾讯云&毕马威《区域性银行数字化转型白皮书》发布会上也表示：

不少区域性银行选择把数字化转型作为提升竞争力的关键手段，但不同银行数字化转型的背景、资源、能力并不完全相同。 

那么，区域性银行在数字化转型过程中，相对于大行而言究竟有什么优势？又会遇到什么挑战？

区域性银行的数字化转型应该抓住哪些突破口，构建哪些数字化能力？ 

毕马威金融业战略咨询合伙人支宝才在发布会上谈到：区域性银行的转型难点主要集中在人才、数据、机制、对外合作四大挑战，而“深耕本地、错位竞争、巧借外力”是区域性银行数字化转型的三大突破口。

“新连接、新智能、新基建、新敏捷”四大新数字化能力体系的构建则是区域性银行数字化转型落地的基础。 

支宝才还提到，在实施路径上，白皮书建议区域性银行制定数字化能力及价值评估体系，做好投入和收益评估，同时可以采取试点模式，引入成熟方案，打造短期速赢标杆，实现逐步突破。

以下为支宝才的演讲全文，雷锋网《AI金融评论》做了不改变原意的编辑：

各位现场的嘉宾，各位线上的朋友，大家下午好！我是毕马威金融行业战略咨询合伙人，也是本次《白皮书》撰写的项目成员之一，接下来由我代表双方的项目组对本次《白皮书》的撰写过程、撰写心得和主要的观点做一个简要的汇报。

  （一）数字化转型五大发现         

首先，我们总结五大趋势跟大家分享。

1.转型进程

这非常超过我们预期的一个数据是：目前已经有91%的银行开展了数字化的转型。 

数字化转型方兴未艾，大家都认识到了数字化转型非常重要，但是转型还仅仅是处于起步的阶段。 

有79%的规模以下银行，我们定义的“规模以下银行”就是总资产在2000亿以下的银行，刚刚启动转型。 

而规模以上的银行（即总资产在5000亿以上）相对好一点，大概有27%是刚刚起步，其中有72%已经进入了转型的深水区。 

2.战略设计

第二个趋势，有将近80%的银行已经把数字化转型列入了全行的战略规划。 

但是，实际上只有不多的银行是把数字化转型列成了全行的核心战略，还有很大一部分银行只是覆盖了数字化转型内容，并没有把它变成一个全行的核心战略。 

这个过程中，为了配合数字化转型，很多银行也做了很多举措，值得关注的两点： 

第一个，有将近一半的银行成立了专门的行领导领衔的“数字化转型委员会”来驱动数字化转型。 

第二个，有46%的银行成立了专门的组织来开展数字化转型。当然这个组织有的是成立了专门的数据部，有的是由科技部来牵头，有的是由业务部来牵头。 

3.资源投入

在资金投入的方面，这个我认为非常值得关注。 

我们调研的所有银行里面，未来3年计划投入在数字化转型的资金将超过20%。 

其中，小银行也就是我们讲的“规模以下银行”，未来3年投入的每年的增长将近33%。 

大家可以折算一下，如果是大银行，21%的比例未来3年大概整个资金投入会翻倍，3年半就会翻倍。如果小银行33%的话，基本上2年多不到3年就会翻倍。 

所以，未来这些区域性银行在数字化转型的投入上都会大大地增加，我们也看到所有银行对数字化转型的程度。 

4.能力建设

另外，在数字化能力领域，区域性银行在数字化能力建设方面并没有全面地展开。 

只有非常少的银行目前在所有数字化能力领域建设实际上都在全面的布局，而更多的银行实际上只是在局部的一些数字化方面有所突破。 

但是，我们应该也可以看到，未来实际上在能力的布局上，数字化越来越全面，不仅是传统讲的我们说面向业务端的营销、风控，更多的从基础的数据能力以及包括像产品创新、数字化的组织机制转型、全面的展开。 

5.应用领域

从业务层面来看，区域性银行过去在数字化转型中更多的展开还是在零售业，有67%的银行在零售跟小微领域进行了数字化的尝试，但是在对公跟金融市场领域还是比较落后。 

但是，这个数字实际上如果打开来看，规模以上跟规模以下非常不同。 

我们没有展开的数据是这样的：在5000亿以上的银行，在对公跟金融市场领域的数字化应用展开的比例是远远高于小银行的。对小银行的启示也是一样的，未来你的数字化应用的领域实际上会逐渐地由零售向更多的像对公跟其他业务领域去拓展。

 （二） 区域性银行为什么要数字化转型？ 

接下来我们探讨区域性银行为什么要进行数字化转型？我认为有两点：

1.大环境使然

无论是从“十四五”规划，还是到监管，包括到我们的银行整体的大家发展的态势，都把数字化做成了一个重要的战略驱动力。 

2.竞争的压力

从宏观来看，“十四五”规划明确提出来，未来金融行业要去开展数字化转型。 

从监管的态度也是一样的，过去几年，无论从互联网新规到去规范金融行业数据的一些规范，以及说去鼓励金融行业进行数字化创新方面来看，监管也是鼓励银行进行数字化转型的。 

但是，实际上对银行来讲的话，更多的还是从竞争的压力来看，区域性银行这两年面临非常大的竞争压力，我认为对区域性银行是非常不友好。 

(1) 经营区域

过去对区域性银行在所谓的区域和客户覆盖上比较宽松的环境已经过去了，现在监管比较明确定下来，区域性银行要聚焦本地，像一些跨省的或者叫跨机构的经营商现在都在逐渐地收紧。 

(2) 对区域性银行在一些产品创新跟价格竞争的管制也非常严格

我们服务的很多银行，实际上在储蓄端就面临非常大的挑战。像过去的一些结构化的储蓄产品，包括靠档期的产品实际上都受到了监管的一些规范管理。所以，区域性银行负债成本在逐渐地上升，同时资产端的价格也面临着大行下沉的很大的压力。 

所以，区域性银行在发展过程中实际上面临着压力：跨区域经营困难，在资产负债端都受到了大机构挤压的情况。

在这样一个背景下，再加上疫情的导火索，现在区域性银行纷纷地把数字化转型列成了一个全行重要转型的驱动力。 

从外部来讲，我们认为大家基本是有共识的，认为这个主要是来自于客户的驱动，就客户对银行的数字化能力有一个刚性的要求。我们也认为银行的数字化能力，就用过去马车换汽车一样的，它是一个动力的升级。另外一个，大行对业务的下沉，这个大家也有共识。 

从银行的内部来看，将近93%的银行的数字化转型都是银行领导自上而下驱动的，而真正的由业务部门或者业务来驱动的转型的驱动还是比较少的。这也反映了一个很严酷的现实，就区域性银行业务条线或者业务部门大家对数字化转型的认识还不够深刻，更多的还是从上到下的这样一个过程。 

当然，这个问题的产生也不是凭空的。从调研中也发现，事实上区域性银行在转型过程中有各种各样的困难，很多是过去的能力包括IT的数据的积累比较有限，有很多也是过去的转型相对大行来讲是现状造成的。

（三）区域性银行数字化转型的四大挑战

我们调研也发现了区域性银行数字化转型的四大痛点：

1.数字化人才短缺

目前是限制区域性银行数字化转型的一个最大的要素。 

人才短缺上不是所有的数字化人才都缺，我们认为最缺的还是一个在数据分析方面懂业务的人才，或者是懂业务的人才具备数据分析能力的人才是比较短缺的，这是极大地限制了区域性银行数字化转型的一个短板。 

2.现有组织机制不适应数字化转型的敏捷要求

因为很多区域性银行科技能力相对比较薄弱，科技也相对比较弱势，更多的工作聚焦还是在一些技术支持或者业务系统化上。 

所以在整个数字化转型过程中，实际上整个技术跟业务的组织、机制是不配套的。有超过一半的银行认为现在的组织、机制不适合是造成数字化转型的很大的一个障碍。 

3.数据基础能力较为薄弱

我们看到一个可喜的现象：”数据基础薄弱是否是部分区域性银行转型的阻碍“，这个问题可能5年前或者3年前问的话，答案可能90%以上。 

今天只有30%了，可以看出区域性银行在近几年做了很多的基础的数据的工作。

大家无论从对数据的理解、数据的质量、数据的管理能力有很大的提升，但是数据能力还是限制区域性银行数字化转型的很大的因素。 

实际上，对于区域性银行而言，除了内部的数据利用问题，外部数据能力的利用问题，还是一个很大的短板。 

4.区域性银行天生的短板：资源比较少，资金比较少

区域性银行普遍在思考：如何利用外力、外部的生态合作伙伴来对我进行赋能。 

但是，外部合作伙伴的合作不充分或者合作不顺畅，也是限制目前区域性银行转型的很大的一个障碍，主要体现在以下方面： 

第一，有将近一半的银行认为自身引入的产品、服务达不到预期。 

第二，有67%的银行认为自身引入外部服务之后，资产不充分，包括采购了咨询服务，或者采购了地方产品，并不能承接下来。很多都是运动式的或者阶段性的成果，这个对银行长期的发展作用并没有那么大。 

因此，区域性银行不仅要思考怎么构建自己的能力，还要思考如何去加强对外部合作伙伴的管理。

（四）区域性银行数字化转型的三大突破口

区域性银行该怎么做？要回到自身银行的业务上，理清自己的优势。 

优势一：本地的业务资源相对全国性银行比较丰富

区域性银行是一家区域性金融机构，在本地的时间长，是一家本地的银行。品牌认知度也比较高，员工也是当地人比较多，所以在当地的资源比较丰富。 

优势二：更贴近客户

很多区域性银行在很多网点跟客户的关系都是几代人了，不仅是一代人了，跟他的爷爷奶奶到父母到他的孩子实际上都是在服务，对客户、客户所处的社区、客户周边的生态环境非常了解。 

优势三：小而灵活

组织简单，决策链短，跟客户更接近，也没有一个很远的总部来形成很多决策的时间或者是一些效率的浪费。 

以上是区域性银行应该把握的差异化战略点，基于区域性银行的三个差异点，区域性银行要找到数字化转型突破口，需要从三个角度去思考： 

角度一：在大行分别去聚焦头部客户，聚焦所谓的高价值“客户”的情况下，区域性行银行如何去深耕本地，把本地资源的厚度深刻的理解能够发挥出 

角度二：在大行纷纷强调我要产品标准化，通过标准化来降低成本、提高效率的同时，区域性银行如何错位竞争，去做客户的深度的经营，去给客户提供更定制化的产品，或者叫更差异化的产品。 

角度三：如何在小银行的基础之上构建一个更好的合作的生态。 

大银行在对外合作中是比较强势的。很多大银行也成立了自己的金融公司，有自己内部的转移定价或者转移服务的要求。而小银行这方面压力比较小，天生就自己能力比较弱，也不可能完全自建。 

那么，区域性银行如何利用自身灵活的优势，跟合作伙伴建立更好的协作的机制，这是一个重点思考的问题。 

实际上，以下三个方面是区域性银行重点需要关注的突破口。

1.深耕本地

深耕本地，建议抓住两点： 

第一个，就是发挥在本地市场的优势，要继续下沉，把能力要沉入到本地的场景和生态里面去。 

第二个，在构建能力的同时，要聚焦本地的场景，既然银行的定位是一家区域性银行，又没有办法去做更多的跨区域经营，或者通过线上去做异地的这种业务拓展，那就要把本地的场景做好、做深。

 2.错位竞争

在错位竞争方面，我们认为要强调三个差异化：

第一个，客群的差异化。

大行实际上在做客群经营的时候更多强调的是标准化，要把很多客群实际上跨区域的通过产品层面去打通。而区域性银行恰恰相反，在本地的要去发掘特色的客群，或者对客群的特色进行划分。 

第二个，产品的差异化。

区域性银行要找到更多的能够连接本地生态资源的、连接行业特色的一些产品。 

第三个，服务的差异化。

这块也比较好理解，区域性银行的渠道在当地的丰富程度，区域性银行的资源跟大行是有区别的，所以区域性银行要找到服务的差异化的切入点。

3.巧借外力

区域性银行是要保持一个开放的心态，同时提升银行本身对外部合作伙伴的识别、管理以及说后续的合作的能力。

具体要从三点来开展：

第一，是找到一个合适的合作点。实际上，区域性银行跟很多合作伙伴合作不下去或者合作不顺畅是因为找不到一个共赢点。

第二，区域性银行要更多地找到一些深度伙伴能够推进全面的战略合作，充分地信任赋能，去降低交易成本，充分利用合作伙伴的资源。 

第三，在机制上解决这个问题，建立一个长期有效的共赢互利的机制，能够自主可控、相互制约、相互有利，这样合作才能长久。

（五）区域性银行数字化转型的四大能力建设

抓住突破口，那么破局之后，问题来了，区域性银行该怎么做？ 

这个《白皮书》我们的中心思想也是核心建议，我们提四个“新”。 

第一个，新连接。

新连接是未来区域性银行数字化转型一条主线，也是如何我们去认识目前银行的金融环境，包括去切入数字化转型的一个出发点。在新连接之下我们认为有三个很重要的新。 

第二个，新智能。

这是说区域性银行如何利用数据以及数据智能的方式打造数字化转型的一个引擎。 

第三个，新基建。

如何去给数字化转型打造一个稳固的面向未来的新的基架。 

第四个，新敏捷。

如何在组织、机制、人才上能够建立一个长效的机制，保证数字化转型能够持续下去。 

接下来，我们稍微展开讲一下对四个“新”的洞察，包括一些初步的建议。 

1.新连接

新连接是数字化转型的主线，也是我们认识未来银行金融环境的一个新的视角。 

为什么要打造新连接？ 

目前银行面临的数字化转型跟过去10年、5年完全不一样了。 

过去10年，更多的数字化转型驱动力是：业务的线上化。就是很多业务搬到线上之后产生了很多数据，把很多人工、手工的操作变成了系统之后产生了很多自动化的要求，对于这种客户连接的方式发生了改变。但这个并没有改变业务的本质，也没有改变银行和客户的关系。

5年前或者更早之前，互联网平台的发展，它特别是通过移动互联的方式，实际上改变了银行跟客户的一些交互的方式，也就是说银行跟客户更多的是通过一些第三方或者平台的方式在进行交互，银行面临就是客户很难获取，客户不来网点，或者在场景端很难去融入大平台的困扰。 

这两个时代都过去了，今天客户面临的环境非常复杂，要通过一个数字化的环境把过去的线上线下、跨流程、从社交到金融服务到购物到消费的所有环节上都连为一体。 

今天很多场景，例如我们去买一个东西，从查询到下单，到货品送到面前，这中间有很多数字化交互的过程，而平台只是充当了很小一环。 

比如，我们可能在跟客户的交互过程中可能用的是微信，但真正我们买的时候可能用的其他的APP。我们可能在送的过程中还有很多线下的服务去追踪这个物品，送的过程中我们跟人之间也有一些交互。最后，我们又通过朋友圈、其他视频的方式做一些信息的共享。 

所以，现在的数字化，我们理解未来的环境说客户的生活数字化以后，一切都连接之后，我们银行怎么去适应这样的环境，所以这个连接建议要从三个点去着手：

第一，连接客户跟你本地的生活场景。

第二，连接客户的新社交生态。

第三，连接客户怎么跟行内的经济要素的打通。 

(1) 连接本地生活场景

首先，连接本地的生活场景，从三个方面着手：方面1，网点周边；方面2，本地生活；

方面3，特色跟产业、政务。这三个方面我们认为也是互相连通，不可细分的。 

首先，网点优势。

区域性银行大多数在本地实际上都拥有最多的网点资源，并且网点的经营时间长，人数相对比较多，网点的员工也是本地的。 

区域性银行要充分利用现在数字化连接的方式去把网点打造成一个数字化经营的中心，利用数字化去给网点进行赋能，帮助网点提升它在客户获取、客户经营、客户维护的能力。 

区域性银行需要思考：网点怎么跟客户连接，网点去怎么跟周边的商户连接，这个连接过程中到底能给三方带来什么价值等一系列问题。 

第二个方面，连接本地特色化的生活场景。

大行或者是大的互联网金融公司在构建大的场景或者通用场景上非常有优势的，但是在这些微场景或者区域场景上，其实区域性银行有天然的优势。 

面对一些本土的B端客户，从下单到交互到沟通，都可能会面临着多元的场景，区域性银行在连接的时候要构建深度的场景。 

第三个，发挥区域性银行更重要的优势。区域性银行大多数都是本地的银行，是服务当地人民，服务当地政府的银行。因此，区域性银行在政务或者说当地的事业单位，或者企业方面，有非常多的资源的优势。

在给这些政府、企业提供服务的过程中，实际上也是区域性银行连接B端、C端跟G端资源的一个很重要的切入点。 

有很多银行把类似如何去服务好政府客户、服务好本地的企业客户当成战略重点。那数字化如何服务这个战略，打通C、G、B这样服务的场景是非常重要的。 

比如，在《白皮书》里面也提到的一家北方的银行，在去打造本地的教育资源上去如何帮助当地的教育局、当地的学校去在课程、学费、学生服务上进行这样一个场景的打通，实际上这会带来非常多的数字化的场景优势。 

(2) 连接客户社交生态

第二个连接，连接客户的生态。

未来，客户跟银行的交互方式会发生改变。

过去是以银行为中心，建了很多渠道，有网点，有电话银行、手机银行，希望通过这些渠道去触达客户。 

但是，实际上客户跟银行的关系发生了改变，客户当前面临的社交生态也发生了改变。客户有微信，客户看小程序，客户实际上是通过其他的朋友圈来跟这个世界交互的。 

所以，银行思考的不是怎么把自身APP改造成微信，而更多是跟客户的交互方式融入客户的生态中，这是非常重要的。 

这次调研的一家江浙的银行就摒弃了要自建APP、自建流量的固有思维。因为这个投入非常大，很难去跟大平台竞争。这家银行提供的服务比较单一，所以它就积极融入客户的社交生态去构建像微服务、微理财，通过小程序、微信平台这些新的社交媒体，从而跟客户做更多的触达。这样不仅投入少，银行跟客户的交互点也变多了。 

在跟客户连接过程中，实际上银行需要注意的是怎么构建自己的私域流量池，就是把原来银行渠道端，通过新的社交方式向前延，去打造自己的私域流量。 

(3) 连接内部经营要素

还有一点，很重要的是连接内部的经营要素。 

区域性银行除了去连接外部客户外，实际上也要连接内部：银行怎么通过数字化去对产品、服务、渠道、人员进行赋能。 

在产品服务方面，区域性银行去构建深度场景的时候要能够找到自身在给客户提供产品的独特价值点。 

调研中，有一家北方的银行在给客户做医疗服务的时候就有独特的价值点。该银行与很多医院都是有深度合作的，掌握了很多为医院服务的机会。实际上，该银行在跟医院进行数据交互的过程中极大地会减少客户在进行医疗支付的流程环节点。所以，该银行就给客户提供了一些在医疗服务端快捷查询的服务。  

第二个连接，去对渠道进行重组。 

目前很多银行在思考重新做全渠道，区域性银行要重新思考在数字化的背景下，如何把客户跟渠道资源进行重组和匹配？如何打通渠道之间的隔阂，围绕客户做渠道的一体化？ 

过去，银行讲的O2O、OMO，核心解决的是在服务过程中要做到渠道之间的无缝衔接，银行首先要找到一个成本最低的、最有效的渠道方式。 

第二个，对客户要去重点突破客户体验最好的，然后再销售最有效的渠道，这方面我们要做很多的工作。

第三个，也是最重要的一个，也是最容易见效的一个。区域性银行要思考数字化是连接客户经理的，但客户经理只是其中一点，实际上可以连接更多的员工，从而通过数字化去做内部的赋能。

过去区域性银行在跟大行竞争过程的时候面临很大优势，也是说我们数据不多，客户经理去管理客户的手段非常单一，CRM系统实际上也只能起到一些绩效考核的作用。 

但是,在新连接的状态下，区域性银行应该把握住一个客户的开放的社交生态的机会，去重新构建客户经理去跟客户维护的关系。 

首先，在企业内部可以实现信息的充分共享，然后打通跟客户的沟通、跟企业本身的客户管理之间的隔阂，最后在数据安全、客户信息保护上也实现有效的执行，同时把握客户服务的延伸的点，跟客户的社交生态实现了数字化的对接。 

这样领域的赋能非常关键，也包括怎么利用数字化去让客户经理本身的服务技能的提升。 

现在很多AI的手段帮客户经理做培训，帮他做这种叫智能的支持，在服务客户过程中有很多AI的工具帮他做智能的支持，这些领域都可以去思考如何做连接。 

2.新智能：打造数字化转型的新引擎

刚才讲了主线，比如，区域性银行需要重新去理解金融环境，去基于金融环境重新理解面临的数字化环境，通过"新连接"这样一条主线去构建整个数字化转型的策略跟切入点。

为了实现新连接，需要打造新引擎。 

回到数字化本身的原料，就是要素——数据。 

未来区域性银行还是要加强对整个数据资产的管理，同时利用整个数字在场景化的应用跟数据资产的管理形成有效的闭环。 

因为管理好数据是为了场景化应用提供一个原料和一个输入基础，而我能够进行场景化应用是能够保证这些数据能够管好、提供源源不断的一个业务的源泉。 

如何管理好数据资产，要从整个数据的采集到使用来出发。数据的丰富程度要增加，但区域性银行更多要思考：怎么去能够构建我在区域的深度场景端的一些更丰富的有特色的数据维度？这个非常关键，而这些数据维度实际上对区域性银行后期在数据应用中会带来你非常大的一个差异化的优势。 

另外，我们也建议实际上在怎么去利用数据方面也要构建三个能力： 

能力一，提升全行的数据治理的能力。 

在过去一两年，区域性银行数据治理上还在加速。越来越多的银行，实际上不仅满足于监管对于数据治理的要求，更多是自身需要提升整个数据的质量来驱动数据治理。 

能力二，加强数据共享的能力。 

打通过去部门之间的条线之间的数据墙，实现全行的数据管理、数据的共享。 

能力三，构建使用外部数据的能力。 

在福建的一家区域性银行，他们在通过加强对数据安全、数据标准、数据引入以后的价值管理的能力，在过去几年达到了非常多的内外部联动的数据应用场景，实际上取得非常好的效果。

总的来说，区域性银行在未来的数据管理方面，要升级思维，更多的是要把区域性银行的优势利用好，同时要充分重视数据在整个数字化中的重要程度，在数字化转型过程中同步去抓数据质量的提升。

3.新基建：打造数字化转型的新底座

第三个“新”：新基建。“新基建”则是“新连接”和“新智能”的前提和基础。 

谈到技术架构，未来实际上也要同步地去为数字化转型打造一个新的底座。

数字化转型面临着一个很大的技术驱动的背景，为什么这几年大家对数字化转型这么重视？这也是因为我们在整个技术环境中，实际上有了很多新的变化。 

从调研中发现，很多的银行都在思考如何对当前的技术架构进行升级。从未来看，我们认为说有三个转变： 

转变一，改变过去以技术架构驱动的这样的模式，要向已有架构驱动的模式去转型。 

技术跟业务的融合这个趋势是不可逆转，为技术服务或者叫技术跟业务联动，或者叫技术驱动业务发展的这样一个战略思维已经深入银行的战略思维了。 

转变二，过去的以系统为驱动的视角要向以业务驱动的视角去转型。

数字化转型的要求是数字化跟业务要进行紧密联动，要去为业务服务。过去的这种以系统为视角的，系统之间进行隔离这种状态实际上是并不能支撑数字化转型的开展。 

转变三，从外部嫁接的模式要转变成内外融合的模式。 

在这样一个技术架构升级的情况下，实际上未来银行重点要去构建的是什么？ 

(1) 构建适应业务需求的共享能力平台

中台概念的本质是共享，是一个能力的重构。所以，银行未来要解决的是在核心能力上如何去构建，包括如何使这些能力更高效地发挥作用。 

未来区域性银行在打造业务中台核心叫共享能力上，还是从业务中台数据的整合跟应用能力去着手，把数据能够管好、用好，能够加深数据对前端业务的支撑，这个是核心。 

而在像业务中台，AI中台，可以采取更灵活的方式。比如，有的银行可能在某些业务上是战略重点，就可以用局部突破的方式去构建所谓的业务中台这样一个能力。 

(2) 采用敏捷迭代的高效技术架构

很多银行也看到说现在在核心系统转型中，目前一个大的趋势也是要采取敏捷、高效迭代的架构的方式，所以分布式核心也是目前银行的一个共识。 

但是，区域性银行对分布式核心的看法还是有差异的。 

有的银行认为自身压力不大，特别是规模很小的银行，因为数据量也小。但是，规模以上的银行或者是说正好目前面临着一些大的架构转型的银行，实际上在部署核心的时候更多是要采取未来面向分布式核心进行一个核心系统的升级。 

这次调研中有两家是采取分布式核心的银行，他们在采取分布式核心以后，实际上在业务的拓展性上，包括整体对IT的更加敏捷的架构支撑上获得了非常大的优势。 

(3) 迈入”多云“时代

未来将迈入多云时代，大多数的银行实际上现在认为说未来进入多云时代是大势所趋，但是在如何使用云上，大家还比较倾向于我去采取逐步推进的方式，逐渐从现有的封闭式的将来逐渐向混合式的再逐渐迈入一个全云端的战略架构。

实际上在采取开放式环境中已经是银行的共识了，有超过80%的银行实际上都在积极地进行部署在云端的能力，主要原因也很简单。 

因为未来数字化应用商对整个算力的支持、对科技成本的要求很高，单一银行本身的架构很难支撑的，所以未来无论从降低成本以及说去增加科技能力上都要求。 

另外，部署云也是未来有一个更开放的架构，能够去引入更多的一些外部能力的很重要的一个抓手。

4.新敏捷：培育数字化转型的新源泉

最后一个“新：新敏捷，就是如何去构建一个更敏捷的银行的数字化的机制跟架构，这实际上也是未来区域性银行能够持续推进数字化的一个很重要的力量源泉。 

我们建议实际上从三个方面着手：

(1) 数字文化

现在区域性银行的行领导对数字化非常重视，银行的行领导是普遍高于员工或者中层对数字化的重视。 

但是，区域性银行对数字化的重视远远高于对数字化的理解。换言之，大家都很重视数字化，但是经营决策，业务开展的过程并不知道怎么数字化。 

而且，区域性银行对数字化的重视而又远远高于对数据价值的认识上。就是很重视数字化，但是谈到具体数字化之后能够实现什么价值，这认识实际上也不到位，要么说就单一的应用来谈应用。 

比如，看一笔业务能节约多少钱，而忽略了像客户体验、中后台资源的集约，也忽略了对客户流失的保留的这种贡献。这种情况其实是对期限考虑过短，可能上了线一个项目或者投入之后只考虑非常短的项目本身的阶段，而忽略了构建能力之后可以对银行金融带来源源不断的净能力的提升。 

所以，区域性银行要快速地提升在对数字化的重要性以及说构建全行数字化文化的认识。 

(2) 数字化人才

人才是制约目前区域性银行数字化转型重要的一个短板，所以未来区域性银行要加速对复合型人才的建设。 

有些人才实际上是可以通过合作伙伴来充分引进的，过去几年毕马威通过人力资源的外包、专家的外派也帮助很多银行在人才赋能上做了很多事。

银行自身也一定要重点去构建“数业人才”，就是懂数据的业务人才或懂业务的数据人才。这些人才实际上可以形成你对数字化有效的应用连接，包括去推动数字化转型的一个关键的业务骨干。 

(3) 构建一个更灵活的组织

区域性银行实际上有一部分应该是已经积极地去尝试了数字化组织转型，实际上已经有超过60%的银行已经规划了并且接下来马上要实施数字化组织的转型，但是到底采取哪种模式大家实际上还在犹豫不决。 

组织转型核心解决的是业务跟技术的融合的问题，通过数字化要打破过去的科技跟业务之间的壁垒，大家一起来面对解决业务的问题，创造业务价值，才能实现整个数字化真正的落地。 

科技能力比较强的、科技人才比较多的、规模比较大的银行，实际上可以尝试更多的选择。比如，构建像大型的业务后置的方式。又比如，科技部门建很多专业的业务团队，类似于业务中台的模式去赋能业务。 

但更多小型银行，建议还是要面向业务，更多是数字化人才主动能跟业务去进行结合，要去给业务进行支撑，它的好处是说非常容易落地，同时可以加强科技跟业务之间的协同的这样一个效果，降低沟通成本。 

最后，借用《白皮书》里面一句话，就“凭风好借力，扬帆正当时”，祝福我们未来的区域性银行的数字化转型能够顺利地开展，也祝愿区域性银行数字化转型成功，谢谢大家！

雷锋网雷锋网雷锋网

传统银行在产品更新迭代、客户体验优化等方面变得落伍了。

银行数字化转型的必要性变得更加明显。

（一）银行为什么要数字化

技术的发展，对金融服务将产生巨大的影响，将会产生新的服务场景和商业模式：

首先，永远在线成为可能，主要特征是实时交互，行为互联，移动端成为客户创新体验与企业内部协同的最佳平台，全新的服务模态会不断涌现；

其次，超级智能在5G助力下覆盖端、边、云，实现分布式的全场景AI，处处皆可智能合约，迎来实时的全新决策模式；

万物智联的数字世界，超过千亿个物联网终端将进一步激发全新的业务场景，实现从人的银行到物的银行的转变，推动产业金融的飞速发展。

多平台多节点的分布式协作已成为主流，这种自下而上、多方参与的模式将不断激发全新的商业动能。面临上述机遇和挑战，金融行业需要自我重塑，加速升级，以应对、适应新场景与新业态。

例如：智能汽车和自动驾驶的出现对金融服务意味着什么？不仅是一个全新的大规模新产业和新动能；也将会催生全新的服务场景，以及进一步的场景裂变。还有银行通过直播、短视频进行营销；煤矿的数字化、智能化；金融仓储的智能管理等等，这些都需要金融机构去适应、构建新的能力。

在这个自我重塑，加速升级的过程中，三个方面非常重要：

首先是敏捷，敏捷将成为金融机构最关键的能力。金融机构如何通过数字化转型，实现技术、业务、组织的敏捷，如何更快地感知变化、应对变化。

第二是风控理念与模式的改变。在万物智联、实时交互的时代，基于数据的实时智能风控将决定未来的方向。

第三是超级生态模式，它将牵引金融的发展。随着分布式协作的普及，新的场景层出不穷，没有任何一家金融机构能够独自应对所有的场景，必须持续的开放合作，共建开放融合的跨界生态。

如果是实现自身重塑，加速升级，那么“银行数字化”是无法回避的话题。

（二）银行数字化转型该重视的几点

1：消除对数字化转型的误解

数字化转型的费用是很高的，对科技和人力的投入很大。

数字化也不等于IT规划，也不等于外部咨询，并不是找一家咨询公司外包就可以解决的问题。

对于银行业来说，数字化转型也不等于零售转型，也不能异化为消费贷、联合贷、助力贷。

评价一家银行是不是在认真做数字化转型，要从是否资源分配、调整组织结构多方面多维度考量。

2：数字化转型要有强而有力的“一把手”

银行的数字化转型，高级管理层要负80%的责任，中层负20%责任，通俗得说，“责任都在主席台”。银行的高级管理层首先要保持人事稳定，不要频繁地换帅；第二，不折腾，要保持战略定力；第三是相信专业，构建转型的核心团队，并相信他们的专业性。

还有一个真重视还是假重视的问题，很多银行说自己也在转型，也有战略，但是有战略轻执行，有执行没有评估，有评估没有改进，导致战略形同虚设。

再就是文化的问题。例如员工看到一些问题敢不敢讲出来？这一点非常关键。此外，不要相信弯道超车。不要还没学会走就想着跑起来，就把中间某个环节略过去，这是不现实的，必然会吃亏。

根据科斯定理，如果职责明确，部门壁垒足够低，资源将流动到效率最高的部门。但部门壁垒足够低吗？恰恰相反，部门壁垒足够高，所以交易费用足够高。这个时候有两个责任是高级管理层必须负责的，不能推脱，别人也搞不定。

第一个，高管必须解决战略的资源分配和组织关系的问题。不要只是口头喊着“协同”、“合作”，协同这事，从来不是团队想不想的问题，而是组织关系没到位，不要干违反人性的事。

第二个是把握纵和横的问题，也就是快和慢、轻重缓急的问题。要明确什么业务是攻山头，要尖刀连突进，组织上要小团队，允许它跑起来；什么业务是基本面，要稳健制衡，要多人决策，要有人“扯后腿”。

3：技术人员要懂业务，业务人员要懂技术

无论是业务人员还是技术人员，保持专业性是一个重要的关键。在这个基础上，双方都应该对“业务”和“技术”有深入的了解。

现在很多银行机构都在谈敏捷，敏捷”的本质是放权，把市场、业务、技术的决策权下放到一线，下放给产品经理，下放给研发人员。一个什么都说了不算的人，一个啥事都要层层汇报请示的人，难以敏捷。

无论权力最后下放到业务人员还是技术人员，最后执行的时候都要求双方对“业务”和“技术”均有一定的了解，才可以做好数字化转型。

4：重视银行数据安全

相比于其他企业，银行一方面积累了金融生态中几乎所有环节的数据，是其重要的数据资产与竞争优势。

另一方面银行数据安全监管逐年趋严，在数据存储、数据使用等方面受到严格限制，数据安全十分重要。

在数据监管与数据应用之间如何实现平衡，是决策者需要面临的难题，建议的原则是绝不能触碰监管的底线，而是加强对管理意见及规定的深入理解，在满足监管要求的前提下开展数据的分类分级管理。

未来，银行间的数字化转型将会越来越激烈。如何在时代数字化的浪潮逐步利用科技的力量实现对业务的赋能，是所有银行都迫切面对的问题。

 雷锋网雷锋网雷锋网

而银行业，作为基础金融的重要组成部分，也正经历着自身的行业阵痛。

近年来，在互联网巨头的跨界冲击中经历了数字经济的洗礼。

此后，“数字化”开始成为银行业发展的新命题。

在过去的五年里，从网点经济到APP经济再到API经济，数字技术正在重构银行业的生态格局。

工商银行作为中国资产规模最大的银行之一，工商银行在数字化转型方面进行了大规模的投入。

（一）举全行之力打造第五代新系统

金融科技始终被视为工商银行的核心竞争力和改革驱动力。

过去几年里，工商银行一直坚持以技术变革引领银行再造，先后自主研发了以SAFE、CB2000、NOVA、NOVA+为代表的四代核心系统，实现了数据大集中、“两地三中心”等重大创新突破，奠定了在国内同业中的科技领先优势。

截至2020年年底，作为工商银行金融科技应用的集大成者，第五代新系统——智慧银行ECOS工程顺利推进并取得实质性成果，基本实现了客户服务“智慧”普惠、金融生态“开放”互联、业务运营“共享”联动、创新研发“高效”灵活、业务科技“融合”共建的目标。

工商银行打造了“核心业务系统＋开放式生态系统”的新型IT架构，建成了银行业技术能力最强、规模最大的金融级云平台，并打造了体系完备、服务能力领先的分布式技术体系，分别于2019年、2020年荣获人民银行“银行科技发展奖”一等奖，率先完成核心系统中最关键和数据量最大的借记卡账户下移主机，实现大型银行IT架构的历史性突破。

同时，工商银行还积极布局云计算、分布式、大数据、人工智能、区块链、物联网等金融科技领域，打造了一系列领先的新型数字基础设施。

例如，工商银行的大数据平台率先实现国家大数据标准推进委员会制定的“六大融合”标准，全面建成自主可控、同业领先的企业级人工智能技术体系。

工商银行的区块链平台在金融同业中率先获得国家密码管理局颁发的安全评测证书，且首家完成国家网信办备案；同业率先完成5G消息平台建设、5G消息业务试点。

在技术创新性上，工商银行在银行业多项“卡脖子”技术攻关工程中取得关键突破，2020年，工商银行专利的新增及累计授权数量保持同业“双领先”。

在产品供给量上，通过积木拼接式创新，去年发布可复用、可拼接的服务2万多个，灵活创新1000多款产品，有效响应了市场需求。

（二）数字基因全方位贯穿多领域业务

目前，工商银行依托第五代新系统——智慧银行ECOS，全面打造赋能零售、对公、政务、乡村、同业等领域协同发展的数字新业态，实现全行经营动能转换、质量升级和效率变革。

工商银行聚焦客户需求，不断强化数字化、智能化内外部应用创新，打造无处不在、触手可及的“智服务”。

针对To C零售业务，工商银行推出个人手机银行 6.0，加快推进手机银行与线下网点两大金融服务主渠道的“融合式打通”，在手机银行和微信小程序创新推出互动式线上“云网点”、客户经理“云工作室”，提供“屏对屏”非接触金融服务。依托云计算、分布式等技术搭建的科技平台，提供 7×24 小时线上线下一体化金融服务。

同时，在To B企业业务方面，工商银行紧跟行业龙头企业转型发展的步伐，将金融服务触角向更广泛的群体延伸。为数字化转型龙头企业集中输出账户、存款、支付、融资等金融产品，赋能关联企业各类线上应用场景。

面向大型工业互联网平台，统一输出对公线上支付、一体化收单、安心账户对账、供应链融资等服务。

依托大数据、人工智能、物联网等新技术，建成5大类、109项开放普惠服务，与“走出去”重点企业客户合作对接，促进服务普惠与生态繁荣，创新推出“云闪贷”、“电 e 贷”、“跨境贷” 等，深化产品创新与场景拓展，助力传统企业数字化转型。

在To G政务方面，工商银行积极促进开放共享释放数据效能，构建数字政务新生态。

面向财政、社保、教育、医疗等传统业务领域，工商银行依托大数据等新技术，打造了工银e政务、工银e社保、教培资金监管平台、智慧医疗开放平台等综合服务平台，其中工银e政务服务政府客户超过3万户，工银e社保覆盖全国主要地区，交易金额近2000亿元。

在办理金融业务相对困难的乡村地方，工商银行瞄准农村集体产权制度改革契机，工商银行依托金融生态云平台，致力于构建数字乡村综合服务，率先推出数字乡村综合服务平台，打造乡村金融新模式。

通过“一窗受理”的服务方式，满足各级农业农村管理部门及广大农村集体经济组织的资产、资源、资金信息化管理需求，目前已经与470家区县级农业农村局达成签约合作，覆盖31个省、141个地市。

（三）多层面构建数字化，将数字化进行到底

找准数字化的方向，将大框架搭建起来，工商银行下一步就是落实数字化具体建设，将数字化进行到底。

在人机交互层，早在2018年，工商银行便与眼神科技开启了指纹识别身份认证合作，眼神科技已为工商银行海内外分行提供超过了7万套指纹设备。

2019年，眼神科技中标工商银行总行人脸识别算法提升项目，支撑其实现对客业务场景和对内管理场景的创新应用。

同年，眼神科技作为工商银行虹膜识别、指静脉识别领域唯一的合作伙伴，展开虹膜和指静脉识别算法提升创新合作。

至此，眼神科技为工商银行提供全行级的指纹、人脸、虹膜、指静脉四项核心生物识别技术，将多模态融合创新技术赋能身份认证、智慧网点、智慧园区建设，共同推动数字化银行时代安全认证与体验提升的新篇章。

另外，工商银行还和云从科技合作了人脸识别项目。此次合作为工商银行全行超过16000网点提供服务，实现AI金融领域规模化示范应用。

工商银行还加快发展5G智慧银行的建设。

2019年，工商银行同业首家全功能5G智慧网点在苏州亮相发布。

在苏州工业园区的工商银行5G智慧网点中，两位银行服务机器人“苏小智”和“苏小慧”在其中提供迎宾引导、业务处理、二次营销等智能化金融服务。

此外，工商银行还开发了智能客服，推出“工小智”，在微信、短信、手机银行、网上银行等多个渠道为客户提供服务；推动了远程银行中心系统升级和业务创新，完善客服、风控、外呼的智能服务应用。

半年内，智能电话语音及智能文字服务业务量2.5亿笔、日均业务量140万笔。 

在信贷数字化层，工商银行由过往的“人控”、“机控”向“智控”转变，自主研发了“融安e信”。

在工商银行内部，已运用“融安e信”完成全行人员风险排查88.27万人次，预警28766人次；在人员准入环节预警54人次，拒绝录用10人。

某大型国有商业银行自2018年与工商银行签约以来，在员工行为管理工作中，员工风险命中1904人次，涉及风险信息2552条，命中率6.9%。

同时，工商银行还和多家金融科技公司展开相关合作。

例如，工商银行&同盾科技打磨智能风控产品，同盾科技在等方面助力工商银行完善大数据风控体系。

工商银行&声扬科技展开合作，在同业首创声纹风控新模式。

工商银行通过攻克电话信道声纹识别难题，首创性地将声纹识别技术应用于信用卡反欺诈，为同业开创风险管控新模式。工行通过电话银行，在线上办理信用卡申请、启卡、尽调环节，利用声纹识别快速无感地为客户经理提供身份识别和欺诈风险判断依据，全面提升智慧风控水平和客户服务体验。

第一批信用卡声纹反欺诈场景于2020年6月在北京、湖北、四川、陕西4家分行上线，投产上线仅一周，累计交易逾万笔，成功防堵欺诈数十笔，挽回经济损失数十万元。

在数字化基础建设方面，工商银行持续迭代数字基建。

2018年，工商银行&第四范式合作搭建人工智能平台，设计了欺诈模型，整体上比传统的规则模型精准率高得多，提高了60%—70%。

2018年，工商银行推出自主研发的金融区块链技术平台——工银玺链。

工商银行基于区块链技术打造了“中欧e单通”跨境区块链平台，联合港运公司、银行、监管机构、海关等多部门打造跨境贸易金融服务生态圈，实现单据流、信息流、资金流的流转和可追溯，该项目入选了中组部改革攻坚克难优秀案例。

2020年，中国工商银行采用蚂蚁自研数据库OceanBase，其对公理财系统已完成从大型主机到OceanBase分布式架构的改造。

OceanBase为工商银行搭建了横跨两地三中心的分布式集群，以五副本+主备模式提升高可用水平，为业务提供非常强的业务连续性保障，并且在保证系统性能和稳定性的前提下有效降低成本。

（四）开辟另一条赛道，对外赋能

其实，工商银行早在2019年就成立了金融科技子公司——工银科技，帮助自己积极投身数字化浪潮。

同时，工商银行积极发挥工银科技的价值输出优势，面向各级政府、各类企事业单位以及金融同业提供基于金融科技的数字化转型方案，助力合作伙伴加速数字化转型进程。

工银科技成立两年多以来，积极助力政府+企业的数字化转型，并积极践行“优政、兴企、惠民”为服务理念。

优政，服务智慧雄安建设，工银科技深度融入雄安新区“千年秀林”“万亩苗圃”的生态建设和拆迁安置、福利保障等民生建设，为打造“数字雄安样板”贡献工商银行智慧；打造了“我的宁夏”政务APP，注册用户已覆盖全区常驻人口75%，成为拉近政府与百姓距离的平台。

兴企，“铁路建设资金流向监管”成为建筑工程公司高效利用资金、严控资金流向提供有效工具；“金融服务综合平台”让小微企业融资更加便利。

惠民，在医疗领域初步构建了“金融+医疗”的智慧医疗新生态。在建工领域，工商银行“建筑云”已推广到数千家工地使用，在疫情期间免费推出的人员健康管理系统、应急物资管理系统彰显了工商银行的社会贡献。

（五）坚定数字化战略，抢占制高点

现任工商银行董事长陈四清认为，科技创新已成为引领经济金融变革的主导性力量。

他曾表示：“金融科技不是‘独角兽’的专利，我们传统银行一定会在科技领域打一个大的翻身仗。”

2020年，工商银行持续深化“一部、三中心、一公司、一研究院”金融科技组织布局，加大科技投入力度，激活释放全行科技创新活力。2020年报显示，工商银行的全年金融科技投入 238.19 亿元；金融科技人员 3.54 万人，占全行员工的 8.1%。

工商银行坚定地推进数字化转型，重点通过组织架构调整、体制机制优化和智慧银行ECOS工程建设，以科技驱动为业务创新赋能和创造价值，最终实现全方位金融科技突破创新，取得数字化转型的丰硕成果。

工商银行历年来所获“银行科技发展奖”登记和数量保持同业第一，是唯一获得两次特等奖的商业银行；连续七年在银监会（现银保监会）信息科技监管评级中位于全行业第一，且是唯一获评2A的商业银行；连续五年蝉联《银行家》最佳金融创新奖。

面对奔涌的金融数字化趋势，2021 年，工商银行将持续推进第一个人金融银行战略开花结果，坚持科技驱动、价值创造，增强服务新发展格局、推动高质量发展的动能。

未来，工商银行将加快推动全行数字化转型，高标准做好科技创新规划和 e-ICBC 战略升级方案实施，建设科技强行和数字工商银行，期望在新一轮竞争中抢占制高点。

雷锋网雷锋网雷锋网

近日，在由雷锋网AI金融评论联合主办的「鲸犀产业数字峰会」上，阿里巴巴集团副总裁、阿里云智能新金融事业部总经理刘伟光，以“数字金融发展路径与实践思考”为题，分享了他们在金融数字化转型浪潮中的所见所得。

鲸犀产业数字峰会，是由业内最顶尖的企业家、工程领袖、CIO、解决方案专家、投资家，联合发起的数字化系列论坛。

致力于将全新的数字化管理思维和实践案例，推向传统产业界、AI界、互联网界、投资界、经济学界。

从阿里云服务众多金融机构的经验中，刘伟光总结，所有今天成功的数字化转型，特别是数字金融领域，都有这样的建设规律：

• 第一，真正自上而下一把手工程，全员驱动。

• 第二，更加强调内外部协同高效的数字化能力的贯穿。

• 第三，更加强调与外部机构合作当中的生态开放能力，数据开放能力和数据的计算能力。更加面向未来，构建智能化体系。

刘伟光加入阿里云之前，在蚂蚁金服负责金融科技的商业推广和生态建设工作以及蚂蚁区块链的商业拓展工作。他曾创建Pivotal软件大中华区分公司，开创了企业级大数据以及企业级云计算PaaS平台的市场先河。这次他也在演讲中，给“业务连接-业务创新-业务效率”三个阶段，清晰地划出了漏斗式的建设路径：

• 连接阶段：要在前端构建一个非常完整的数字化、移动化的数据运营体系，实现业务的外部场景嵌入化，为营销、风控提供有力支撑。

• 创新阶段：企业架构要有完整的转型，对业务系统真正实现完整的重构，实现对数据能力的高效运用。构建快速的业务响应能力，和所有业务模块的组合创新能力，就是这个时代要求的必经之路。

• 效率阶段：构建金融科技与业务的结合，对业务有真正的赋能。

以下为刘伟光的演讲全文，雷锋网做了不改变原意的编辑：

非常高兴与大家在线上见面。今天的演讲主题是《数字金融发展路径与实践思考》，我将结合阿里巴巴自身的业务实践、与外部金融机构合作探索的经验来分享。

数字金融的“三叠浪”

先看数字金融发展的三个不同阶段，分别是：后信息化时代、数字化时代、智能化时代。

一、后信息化时代：自从2000年之后，中国各行各业的信息化都有了高速发展，尤其是金融行业，在创新技术的应用上走在了世界的前列。

随着技术的不断应用，我们看到推动了互联网金融、直销银行、移动银行的高速发展，提升了对客户的体验。

但是在这个时代，还有大量的市场空间没有被覆盖，诸如金融市场、投研、投顾、供应链等很多领域需要被新的技术所赋能、所覆盖。

二、数字化时代：我认为，今天中国的金融正面临这样的时代——金融与外部生态的高度连接，金融的开放时代，金融的中台建设。

这个时代，更加强调与互联网场景的结合，与高度数据化能力、AI能力的结合，提升客户的体验，建立全方位的数字化运营流程。

三、智能化时代：也就是我们将面临的下一个时代。我们有理由预言，今后更多新的技术像IoT、区块链、智能芯片，会高度与金融的流程、业务相结合，实现业务流程再造。

从而实现内外部全方位的数字化、智能化，全景金融、场景金融，业务全面在线、全量交互，AI与数据高度结合，最终实现金融与实体经济的高速结合。

• 第一阶段：在线化

拥有了微信公众号、APP、网银，并不完全等于在线化，前者只是信息化时代的第一波建设浪潮。

我们今天定义在线化，指的是用新的技术，实现业务的24小时在线，实现业务的远程交互式服务，包括音视频交互、场景金融、双在线协同等技术。这就是现在的金融机构，在云上再造一个银行，再造一个证券，实现真正的双在线。

同时，在线化时代更加强调金融机构自身与外部金融机构的交叉数据结合和计算，创造更多的数据价值，提升更多客户体验。

• 第二阶段：数字化

数字化阶段不仅是对自身内容、场景、服务的数字化，同时要实现与外部机构或合作方，生态连接的数字化，真正实现平台数字化、连接数字化，真正实现在场景交互当中的数据安全、稳定的交互。

• 第三阶段：智能化

刚才提到要利用5G、AI、IoT等新的技术与产业的结合，其实更要强调技术与业务流程的结合，AI与金融学、金融交易原理的结合，让人工智能真正变成金融智能，赋能于金融，让技术去重塑金融、创造新的金融业态，去赋能原有的金融业务，让更多的金融技术实现对传统人工的流程替代，实现更多更加高效的人工效能。

这几年来，我们与外部的很多金融机构深入合作，合作当中看到他们进行全方位、从内到外数字化转型的决心。

但在每个案例中，我们发现一个重要规律：这些数字化转型的项目，都是一个真正全员驱动的过程，同时更加强调建设的路径。

首先来逐一拆解数字金融建设的优先级。

在这个图中，我们看到，从业务连接，到业务创新，到业务效率，清晰地划出了漏斗式的建设路径。

在与外部机构的合作当中，我们发现，所有今天成功的数字化转型、数字金融的建设中都有几个规律：

1. 真正自上而下一把手工程，全员驱动。

2. 更加强调内外部协同高效的数字化能力的贯穿。

3. 更加强调与外部机构合作当中的生态开放能力，数据开放能力和数据的计算能力。更加面向未来，构建智能化体系。

第一阶段，业务连接：

大部分金融机构都在原有的移动APP网银几乎上开辟了新的业务赛道，诸如视频银行、场景金融、产业金融、金融直播等，致力于打破业务的边界，实现业务的外部场景嵌入化，实现内外部的结合、金融业务跟互联网的高度结合。

同时在这样的背景下，要求在前端构建一个非常完整的数字化、移动化数据运营体系，为营销、风控提供有力支撑。

第二阶段，更加强调业务创新：

当我们拥有了更多交易量、更多生态合作，就必须要求企业架构有一个完整的转型。

今天，很多金融机构已经走向了核心系统下移、企业架构转型、分布式能力建设。在这些名词背后，意味着当业务流量、交易量有更多提升的时候，我们怎么建设一个面向未来真正的金融核心交易系统。

所以说，构建快速的业务响应能力，和所有业务模块的组合创新能力，就是这个时代要求的必经之路。

很多金融机构诸如股份制银行进行了核心系统的改造，但我想强调的是，所有核心系统的改造必须是以业务的变化，业务的变革创新为目标。

当拥有更多的业务流量和业务交易量，需要对业务系统真正实现完整的重构，实现对数据能力的高效运用。

真正的核心系统变革的未来，我认为是能真正支撑全方位业务在线化、生态化以及外部场景的打通能力，同时实现与外部数据的合作能力，真正实现金融的核心系统无处不在。

第三阶段，业务效率：

智能化时代，今天很多金融机构都构建自己的金融科技公司，其目标都是运用新技术赋能、改善原有的业务，同时借此创造新的金融服务。

在过去的半年当中，我看到了，无论在新的领域当中诸如量化交易、高频交易、投顾、投研、在线评级、智能推荐上，很多头部金融机构都有了探索，这也证明了新的技术应用，将与金融业务进行高度结合。

所以这样的漏斗我们清晰地看到了：

• 第一步是构建更多业务连接，让金融业务无处不在。

• 第二步是创新阶段，构建更多的底层能力，实现对外部业务场景接入的支撑，同时构建全局的数据化处理能力和计算能力。

• 第三步就是构建金融科技与业务的结合，对业务有真正的赋能。

数字化工作空间为何先行？

第一步，建设全方位自内向外的数字化工作空间，对未来的建设非常有价值。

某银行领导曾经跟我讲过：“我们把最好的技术、最好的客户体验全部给了最终客户，但是我们内部的信息化水平、数字化能力却远远达不到外部的服务水平。”

现在，在对外服务上，无论是展业、生活服务、场景金融、营销、在线风控，已经涌现了很多的行业标杆，有网商银行、招商银行等。

他们在移动端实现了更多的获客和更多的交易量，通过场景服务、生活服务嵌入，实现了更多金融的高价值服务的交叉销售和高效率营销。

同时，通过数据的收集和积累，通过新的技术，实现真正的在线风控，同时积累了大量的以互联网类型驱动的运营能力。

内部办公，我们更加强调如何实现内外协同、业务协同、数字化协同，同时更加强调安全可靠的金融社交水平，更加强调内部的精细化、数字化、自上而下的运营管理，同时通过数字化技术实现对员工的赋能。

在疫情时代，当我们不能回到公司办公的时代，如何将更多的知识、理念、服务传递给每个员工呢？这时候数字化技术就起到了重要的支撑作用。

在未来，我们相信真正平衡的能力是建立一个内外协同、内外打通的数字化空间，不但是业务24小时在线，同时实现内部管理、协同、金融社交的在线化，真正实现数字化空间的双在线能力。

数据分而制之，谈何业态开放？

我们每天在手机上打开的健康码，背后其实蕴藏着非常多的技术含量和社会变革。健康码背后体现的是多方位、多个机构、多个实体之间的数据的联合、打通、计算，在一瞬间为每一个人计算出健康码的颜色。

疫情期间的一些特事特办，导致了很多原本不能联合的数据，真正为疫情实现了开放。无论是交通、物流、政务、电信运营商、互联网行业，都纷纷贡献了数据，通过数据的联合计算，为社会的抗疫做出贡献。

在这样大型工程的背后，和金融时代，是同样的道理——如今很多业务发展都面临着数据不开放、数据不合作、数据分而制之的问题，从而导致业务掣肘。

所以我们有理由相信，通过数据智能技术的发展，共享智能、联邦学习，包括区块链、隐私保护技术的结合，相信银银协同、银保协同之后，会导致整个金融行业业态的完全的开放，实现更好的客户体验，实现更好的业务流程的全方位、透明打通。

中台架构：避免机构“重复造轮子”

当我们将组合创新能力重映射到金融行业，会发现在过去的几十年当中，很多中大型金融机构，在核心系统之外，构建了非常多的外挂系统、外围系统，以适应当时的业务发展。

也是技术的局限性，导致了今天这样的特殊架构：一个核心系统外挂很多卫星城。

在这种架构下，很多能力和业务模块都在被重复不断建设，难以实现对客户的统一视角，要再实现业务创新组合就非常困难，业务变革往往出现牵一发动全身的情况。

所以说金融机构的今天，很多头部机构已经重新考虑转型，将原有的架构，将原有的系统在外围的架构，都转成真正的横向中台化架构，将更多的能力进行自动化建设。

同时将更多数据进行统一的聚合管理，建立面向客户端、企业端的统一数据视图，统一的数据资产化管理，统一的数据标签化。

通过中台的技术能力、业务能力和数据能力的聚合，实现业务能力的组合创新，为业务发展提供强有力支持。

很多头部互联网企业，为什么可以实现业务创新如此之快？很大程度上依赖于今天已经搭建好的中台架构，这也看到了未来的创新趋势：

当互联网金融和传统金融高度结合，当场景结合不断发展的过程中，我们需要更加面向市场的高效、敏捷的业务创新能力。

这种情况下，对技术能力要求提出了非常高的挑战，也推动了未来整个系统中台化，组织复用化、数据复用化能力的建设。

智能化服务高渗透的背后

更多智能化服务已经渗透到城市建设、生活服务的方方面面。

例如智慧医疗、影像学不断发展以及非结构化数据的大量运用，将为保险行业的理赔推动产生新的质变。

智能遥感技术、水流识别、水体识别等各种新的监控技术，将推动更多的农险、财险的发展。同时，实现全过程记录可回溯、防篡改的金融级高效服务。

自动化驾驶技术的出现，不仅带来对财险、车险挑战，同时也带来更多的数据输入，我相信这将让今天的车险产生新的变化。

今天中国的很多城市都在大力建设智能化城市服务，交通大脑、智慧大脑，建设层出不穷。

在建设的背后会衍生出很多新型的数据服务，和新的数据类型，为今天的金融服务提供更多的支撑，从而导致金融机构将与外部机构、城市服务机构，产生更多的数据的交互和联合的计算。

最后我们看到，AI将催生智能机器人、智能技术人的不断发展，这将对人工的理赔、核赔、交互、核审、认证提供强有力的支持。

前面我讲到未来的服务是24小时在线交互式服务，数字机器人、对话机器人将用新的算法、机器学习、自然语言学习，去加深更多的客户体验，理解更多的金融学交易原理，为客户提供更多的安全、可控、实时在线的服务。

所以随着智能化技术的发展，智能化能力的渗透，不但带来挑战，同时也带来更多交互式服务的可能，同时更多地改善今天金融服务的流程和体验。

今天，当我们看到未来的发展趋势，相信数据不仅是来自于今天的交易场景，更多来自于与外部的生态连接与互联网连接，数据的产生源头将更加丰富。

这就导致着数据将变成更多的数据资产，如何利用数据资产，也就是我们应该用更多的算法、人工智能技术与数据结合，为业务提供高效支撑，让更多不懂得数据计算人员，可以随时、随地、按需、安全使用数据，使用可视化数据进行计算、分析、挖掘、预算和决策，让数据无处不在。

人工智能将与数据高度结合，人工智能将不断洞察金融交易背后的原理，将更加洞察客户的行为，真正实现金融智能化。

大家知道，阿里巴巴阿里云达摩院正在致力于探索面向未来的智能化技术，我们更加强调技术与场景、与行业、与业务的结合，无论是语音实验室、视觉实验室、决策智能、语音智能等等都与业务高度结合；同时在数据计算领域，运用到平头哥的芯片计算。

同时我们在数据库和存储实验室当中，更加强调未来底层技术的发展和分布式计算能力的提升。

在金融科技方面，我们致力于用技术与场景，尤其是与银行、保险、证券交易等场景进行高效结合，通过更多技术像区块链、生物识别、联邦学习等技术为业务插上腾飞翅膀，未来还致力于量子计算、5G、6G等未来新的面向算力的技术。

经过前面的分析，我们有理由相信，未来数字金融将与物理世界同频融合，形成无处不在的智能化金融服务。

未来金融几年之后，不再是今天所定义的网点、PC端、移动终端的金融能力，它将与外部的场景、生态有高效融合，同时实现金融机构与外部、金融内部的高效数据连接、高效数据联合计算。

同时，技术将与更多业务场景进行结合，技术数字化能力将全方位灌溉到企业的方方面面，不仅对外部提供服务，同时将渗透到企业内部的所有办公、内部协同和交互。

今天的数字化能力，还远远没有达到覆盖全方位金融的能力。

我们有理由相信在未来，不仅是互联网金融、零售金融，包括对公服务、清算服务、交易结算、票据服务、登记结算，包括供应链金融，都将与技术数字化能力高效结合。数字化能力将覆盖到所有金融场景，将更多智能化能力赋予更多金融场景。

政府将与金融机构有更多的数据联合应用，同时为双方提供更高效、便捷的服务。监管、合规机构也将采用更多先进的隐私保护进行数据计算，为监管合规提供更高效的实用能力。

数据的发展技术将为客户增长、开放场景和供应链金融提供更多数据资产化的高效支撑。

场景金融、小微金融、贸易金融ABS将与区块链、隐私保护、数字联邦学习技术高效融合，建立更通畅、便捷的、更透明的全链路交易场景，票据等新型业务也将被新技术推到新的发展阶段。

新的技术，尤其是金融科技、数据技术的运用，AI与交易场景的结合，与客户体验、行为的结合，将为金融插上腾飞的翅膀，为金融业务实现真正的无界智能化，无处不在。

感谢大家的聆听，刚才呈现了阿里巴巴对未来金融与科技结合方面的一些思考。我们坚信在未来，数字化技术、科技技术必将重塑新金融。

雷锋网

近日，在由雷锋网主办的「鲸犀产业数字峰会」上，智能领域的管理专家、香港中文大学商学院副院长张晓泉教授，就以《数字化变革与敏捷性》为题，提纲挈领地分享了他对企业数字化的战术思考。

鲸犀产业数字峰会，是由业内最顶尖的企业家、工程领袖、CIO、解决方案专家、投资家，联合发起的数字化系列论坛。

致力于将全新的数字化管理思维和实践案例，推向传统产业界、AI界、互联网界、投资界、经济学界。

张晓泉是麻省理工学院数字经济研究所（MIT Initiative for Digital Economy）和德国莱布尼茨欧洲经济研究中心（ZEW）的特邀研究员，研究主题长期围绕商业和管理中信息的产生、传播和处理，以及AI和信息在金融市场中的作用。这次他在演讲中，就对数字化的众多迷思给出了一针见血的见解：

1. 传统公司的运营很多时候是优化思维，但很难实现跃迁，就像不断优化蜡烛并不能导致电灯的诞生，这就需要数字化的赋能。

2. 数字化是个商业问题，不是技术问题，应该由管理层从上而下地推动。

3. 蓝海战略，不是找到全新的赛道，而是在对公司都很重要的各种因素里，做取舍。

4. 金融科技的场景下，有很多“垄断式创新”的例子——并不是创新者颠覆现有行业，而是创新逐渐被顶端企业利用，然后实现顶端企业的跃迁。

5. 技术和组织的发展分别是指数和对数形态，二者之间有一道鸿沟。技术的发展速度可能会远远超过组织，所以要看到技术的前沿来调整组织，跳跃出对数发展的形态。

6. 纵观各种新商业模式的诞生，数字化变革有内部与外部的变化，例如从实体物理空间到虚拟空间的转化，从产品向服务转变等。

7. 数字化颠覆产生的破坏力可能是以前的100倍，起初看上去不起眼的商业模式，最终随着时间的变化，会把我们认为不可动摇的商业模式给改变了。

8. 何为敏捷性？敏捷性要求的并非最快，而是要最能适应变化。能活下来的物种不是最强的，也不是最聪明的，而是最能适应变化的。

9. 做数字化不要怕犯错误，它没有定论，必须因地制宜，能否实现跃迁不重要，重要的是在过程中知道哪些方法不成功，在未来就会有更好的判断。

以下为张晓泉的演讲全文，雷锋网做了不改变原意的编辑：

大家好，非常开心能够跟大家今天分享对数字化变革和敏捷性的理解。

今天演讲的内容中，有很大部分是基于我最近出版的一本新书《数字跃迁》。这本书是和两位以色列作者合作的，第一位叫拉兹·海飞门——是以色列政府前首席信息官；第二位是Yesha Sivan，他有个中文名叫习移山，是香港中文大学商学院的访问教授。

为什么叫做《数字跃迁》？这个词来自于量子跃迁，在原子周围会包围着很多电子在旋转，是有固定轨道的。

电子吸收到外来的能量以后，例如有光子打过来，就可以跃升到一个新的轨道。

这个跃升的过程实际上是不连续的，它的底层逻辑跟我们的组织一样，我们组织是围绕着某个商业目标，有自己的商业战略，在固定的轨道上运转，吸收外来的能量——也就是数字化，提供外来的赋能能量。

吸收了能量之后，组织有可能会跳跃到全新的轨道——这本书的底层逻辑说的就是，这样的跳跃并不是连续性的，而是跳跃性的。

数字化战略

我先给大家看一组数据，这是标准普尔500指数里面覆盖的公司平均寿命。

大家可以看到，公司的寿命在变短，而我们所处的社会速度在变快，这种情况下，公司很难去应变，所以会在更短的时间内结束公司的使命。

今天的主题是敏捷性，那敏捷性是不是就等于快？我们认为，敏捷性的本质并不是快，它和时间速度没有关系。

我们再看一组关于美国最大的10家公司的变迁的数据。

第一列是100年前的公司，大家可以看到非常重资产的钢铁公司、石油公司。第二列是50年前美国最大的10家公司，就会出现技术公司，比如IBM、科达。当然，这里面还是有很大比例的石油公司、钢铁公司。

到了现在，美国最大的这10家公司里面，有极大的部分变为了IT公司，它们的市值也比以前大了很多倍。

我们讨论美国这些公司，并不是对最大的公司做什么感兴趣，我们感兴趣的是它的估值为什么会这么大，它的估值来自于哪里。

其实IT公司的高估值来自于它能够赋能给其他的公司。例如，苹果电脑自己的产品是基于IT的，本身有很多创新。同时，因为有了这些移动终端的产品，苹果会导致我们很多个人和组织的日常活动会产生根本性的变化，这些公司的高估值来自于IT能够给我们的数字化带来一些赋能。这就是乔布斯说的“改变世界”。所以我们认为，这样的数字化赋能是导致这些组织能够实现跃迁的最基本条件。

我们来看一下在美国关于数字化变革在CEO议程中的地位的统计：

5%的人认为数字化变革是提高运营效率的方式，40%的企业认为数字变革是董事会的重要议程。所以从董事会的角度，公司未来核心的战略跟数字化变革息息相关。

当然还有一些公司认为，数字化变革重要，但不是最优先的议程。还有一些认为数字化变革能够支持其他战略。

所以我们可以看到，非常大比例的这些公司认为数字化变革是董事会在战略层面非常重要的一个环节，在未来，我们相信会有更多的公司越来越认识到数字化的重要性。

在书里我们提供了这样的框架：

简单来说就是它有一个地基，是要通过数字化变革的迭代来产生所有的效应，然后两边有两个支柱，左边那个叫数字化参与度——表示在数字化的过程中，公司从上到下各个部门之间是如何参与数字化的。

右边这个叫数字化管控，即这些人参与之后产生了怎样的效果，可以用一些KPI反映出来。

中间大家可以看到，整体像大楼一样，中间有三层楼，最下面一层是数字化投入，在公司和组织里面。

第二层是数字化构建的模块，里面包括用户体验、运营过程和商业模式，里面的细节大家可以在书里面看，都有具体的解读。

最上面一层楼叫数字化资产，是公司里各个部门之间如何去应用数字化的战略，如何对之前传统行为做一些数字化的赋能，然后导致公司整体有数字化的提升。最终这个房顶叫数字化变革的愿景，变代表革以后到底会是什么样子。

这样的架构，这样的框架，到底如何应用起来？对于数字化的企业，比方说特斯拉，产品是个数字化的，产品的运营结构是数字化的，那么很简单。

数字化是个商业问题，不是技术问题

一些其他行业的公司到底如何去做数字化，如何实现数字化变革的愿景呢？其实数字化是商业问题，不是技术问题。

在很多企业和组织里面，大家对此的认识是，理解，但不够认可。

很多人认为数字化就是把一些数字化的系统建立起来，比如CRM，有了一些客户服务的系统，或者说开一些短视频平台的账号，就算参与数字化了。

其实不是的，这些都是技术层面的投入。而数字化从本质上来讲它是商业问题，所以很多公司数字化是从下往上推的。

举个例子，某些公司的数字化是有个IT经理来告诉董事长，公司到底应该怎么去做数字化，需要购买什么系统，永远是把系统投入当成成本的问题来考虑。

但正确的做法是，这件事情是由董事长层面，董事会去驱动，让整个公司有数字化的思想，了解基于数字化的战略，怎样去实施，下面设立具体的职位是IT经理，还是CIO，还是CDO（首席数字化执行官）。

在书里我们也多次提到，传统公司的运作思维，或者很多人工作时，也都是一种优化的思想方式。

做这些优化的工作，每天成本降低一点，对利润提高一点，但优化并不能带来跳跃式的发展。

打个比方，对蜡烛的不断优化，是不可能导致电灯发明的——所以我们需要一个全新的赋能，这个赋能是什么。

在这个例子里就是电，有了电以后，我们就可以从有电的角度去想，我们是不是可以为了产生光明而发明电灯？

在传统的蜡烛的框架之下，我们可能会想去优化一些蜡烛，比如加了颜色让蜡烛好看一些，或者蜡烛的直径变宽一些是不是可以更防风，或者在蜡油里面加一些元素出来的光芒更好。

对企业来说也一样，每天做的这些优化，可能对公司有一定的提升，但是想跃迁到全新的轨道，在数字化时代跟新的公司竞争，就一定要想办法通过数字化的赋能。

数字化变革的内部与外部

在这本书中我们提出了6种数字化变革，3个内部的，3个外部的：

我分别给大家举一些例子。

• 外部变革

第一种，从原子到比特。

原子就是我们日常生活中用的东西，比如说杯子、唱片，以前的唱片无论是黑胶唱片还是DVD，都是实际的物体，现在变成比特，是纯数字的。

传统唱片时代其实有很多坏处，买一张唱片花10块钱，里面的成本很大一部分交给了这张唱片——这个硬件上，真正软件的价值是随着硬件去提供的。

有了数字之后，它的好处就是，不需要有这个唱片，你花的钱有很大部分比例回到了创作者手里。

但坏处是，现在的复制成本降到零了。以前想复制一张DVD，时间成本也很高；但现在有了数字化的音乐，一个MP3，直接传到网上，上百万的人都可以去下载，这样的话会对传统行业造成毁灭式打击。

那怎么办呢？技术既可载舟又可覆舟。

举个简单例子，当时乔布斯在苹果时，说我们就卖曲子，一首曲子卖1美金，这是非常简单的商业模式，但真的能够帮助苹果产生这么大的音乐市场，能够跟盗版做竞争。

所以从原子到比特，虽然对传统商业模式带来很多挑战，但同时也要知道怎样利用比特数字的优越性，产生新的商业模式。

第二种，从实体空间到虚拟空间。

以前我们要去实体店看到、摸到东西，要到现场，中间的旅途、花费的时间都是成本，但现在很多时候我们在虚拟空间里就可以远程完成，就像我们鲸犀这样的活动。

以前不可能实现的商业模式，也因为有了虚拟空间，可以做一些新模式出来，所以数字化变革提供了虚拟空间给我们带来赋能。

第三种，从产品到服务。

以专车为例，以前把一辆车买回来以后，99%的时间都是躺在停车场里的，真正开车的时间非常短。但是你需要这个产品，从A到B的属性，导致你必须买一辆放在那，你才能很方便地完成从A到B。

但现在有了数字化，可以把这个产品转化成一种服务，用手机找到一辆车把我们从A带到B。

有些朋友会说，就喜欢开自己的宝马保时捷，其实这个也很容易实现，专车服务可以选车的档次。未来无人驾驶出现，会让这种产品更容易变成服务。

我有1%的时间需要这辆车，那么只需要付1%的车的成本，在我用它的时候才付它的成本，这样的话总体来看非常合适，从社会总效率来讲也是非常高效率。

这个其实有很大的想象空间，例如从产品的角度，可以看到硬件制造商的成本很高，利润很薄，但如果变成一种服务的话，非常容易回本。比方说生产打印机的人，有了数字化可以远程监控到打印过多少纸，打印机是不是要维修，这些都可以用一种出租的方式。

有了数字化以后，很多行业都有更多可能，即便是传统行业都有可能变成服务来提供（产品）。

• 内部变革

第一点，从可持续竞争优势到短暂竞争优势。

之前的可持续竞争优势是传统优化的模型，在优化的模型下面我们去看如何产生在未来5-10年时间内一直可以发展的竞争优势。

但问题是我们现在的市场，整个IT环境，新的技术产生会导致我们面临非常大的不确定性，可能三五年后整个市场的逻辑都变了，现在制定好的可持续竞争优势，以后就可能消失殆尽。

第二点，从颠覆性创新到垄断性创新。

大家以前对颠覆性创新的理解不够深刻，它到底是什么？有了数字化之后，怎么样做垄断式创新，是一个很重要的问题。

第三点，从商业模式到数字化商业模式。

传统营销手段、运营手段等都是适应原来的商业模式的，但现在有了数字化，需要我们停下来想一下，数字化到底可以提供什么样的好处，可以更高效完成目标。

这里有个重要的概念——技术的发展是呈指数发展的。从摩尔定律可以看到，技术每两年带来的能力会乘2，CPU算力每两年会乘2，呈指数型增长。组织的发展则是呈对数发展，指数发展要比对数发展快很多：

所以，在技术和组织之间会形成中间一道鸿沟。这个鸿沟有时候会缩小，某段时间内组织和技术比较匹配。

但很快技术的发展远远超过组织，为了应对这个技术发展的能力，组织以后需时时刻刻看到技术发展的前沿，通过对组织的调整，跳跃出对数发展的形态，让技术管理根据组织的发展决定用何种技术。发展的速度不同带来的矛盾，会导致我们现在所谓的数字化里面会遇到很多很多的问题。

企业的开发与探索

下面我们会讲一个对于企业来说一定会面临的问题：开发与探索。

• 问题：如何开发已有的知识？

已有的知识不确定性比较低，已有的商业模式要开发它，必须在开发和探索两个点之间找到合理的匹配。只做开发不做探索，可能错过一些新的机会，错过新的业务。

但是你不能一直在探索，可能学习到很新的东西但没法变现，无法用在成熟的业务里面——作为公司/组织来讲，在数字化的同时，要一边开发一边探索。

在人工智能有种算法，讲的一只手做开发，另一只手做探索。第一只手用现有商业模式赚钱，如果已经有这样的跑道，可能很多人都已经发现了；另外一只手做探索，去一个全新的跑道，你并不知道新跑道的坑在哪里，有可能这个跑道里面没有人跑，原因是坑太多了。

蓝海战略是一个很好的“探索”的例子。

我们对蓝海战略的理解，不是找到全新的赛道，而是取和舍。

取就是对某些公司最重要的因素做提高和创造，对另外一些公司很重要的因素直接把它清除或者降低。

举个例子，餐饮业实际上是竞争非常激烈的红海，好的餐厅在多个层面上——服务、摆台、覆盖率、速度都会比一星餐厅要好。这种竞争，会导致大家都往五星的标准去推进，但但达到这些目标以后成本也很高，利润很低。

所以麦当劳提出了新的思维，把一些因素直接舍掉。

比如去掉服务，你自己要去柜台买东西，买完自己端走，自己清扫自己的桌子；更没有摆台，很简单，菜单上一共就三个套餐，没有太多的选择。

但在其他因素大力提升，比如质量、速度、一致性，这样就产生了全新的蓝海。

这个蓝海并不是新的赛道，而是在现有赛道里面怎么用蓝海去选择出某类用户。这类用户可能对时间很敏感，想十五分钟吃完一餐，对服务没有太高的要求，也不需要有太多的菜单选择。

所以数字化可以帮我们做很多探索，某种情况下，我们放弃一些因素，同时把其他因素push到最高，这是对蓝海战略的深刻理解。

那么怎样做“开发”？这是另外一个层面。

• 问题：何为颠覆性创新和垄断式创新？

我们探讨一下对颠覆性创新的理解，很不起眼的技术通过持续迭代，可以在达到用户接受层次的时候，实现颠覆。

数字化带来的很多机会，开始看上去可能不起眼，比如优步、滴滴，不会有太多人坐别人的车，安全性都不知道；也不会有很多人去住别人的酒店，或者把自己的家开放给别人住。

但最终因为数字化，软件上面有在线的评分系统，可以通过打分减少问题的产生，于是这个商业模式就成立了。

数字化颠覆，使从事创新的人数比之前多了10倍，还有可能更多；而创新开发成本是之前的1/10，一出一入，最后产生的颠覆力量和破坏力量是100倍。

有了数字化以后，可以做非常多的颠覆，开始看上去不起眼的商业模式，最终随着时间的变化，把我们认为不可动摇的商业模式给变化了。

在金融科技里面有另外一种创新，这是我跟清华大学徐心教授一起做的我们称之为“垄断式创新”的研究：

可以看到仍然是两条线，开始有行业内的顶端企业，下面有新兴企业创业。（可能的状况是），干脆并购，或者直接模仿你的产品，把你杀掉——这时候技术1就消失了，顶端企业实现了一次跃迁。

然后继续做优化，过了一段时间又看到技术2，又可以把技术2吸收回来。

通过这样不断的消化吸收，顶端企业实现了非常多的跃迁。在金融科技的场景下，我们能看到很多这样的例子，创新并不是创新者颠覆现有行业，而是创新逐渐被顶端企业利用，然后实现顶端企业的跃迁。

颠覆性创新和垄断式创新的区别：

最直观的是目标，颠覆式创新追求的是效率，垄断式创新追求的是效果，比如在金融科技的场景下，以前支付用的是纸币、金子、银子，大众认可效果就行。

基础，之前是基于一个共享的基础，现在是基于共识的基础。时间关系，此处暂不展开讲述，线下有机会再和大家探讨。

找准自身的数字化起点？

怎么去做数字化呢？之前麦肯锡提供了一个数商的概念，这里有四个层面：

SAP提出了数字化变革能力、数字化变革目标这两个大的分类，每类有三个小的因素，打分以后就知道自己各个层面上的强弱，就可以有针对性提高对数字化能力和目标。

麻省理工也有这样的分类方法，纵轴叫数字化技术，手里掌握了什么东西；横轴是数字化领导能力，代表如何发挥你的能力，领导能力能不能达到。

每个象限的公司会有评估，任何企业和组织都可以看自己属于哪个象限。无论企业在什么象限，都可以做数字化创新，迈向更高的台阶。

举个简单的例子，有些公司是数字抵制者，根本不想做数字化，会东拼西凑做一些东西。比如听说隔壁的公司用视频平台可以做很好的营销，也去做一下。

再者是数字执行者，它可以使之前所有的知识可重复、可复现，从而可以通过持续数字化给自己的组织带来收益。再就是数字转型者，对数字化可以做良好的管理。最终最优化的是数字颠覆者，真正实现数字的跃迁。

• 敏捷性

最好的例子其实就是贝聿铭先生设计罗浮宫前面的玻璃金字塔，开始大家都觉得跟周围的环境不搭，但是这个设计恰恰体现了怎么样敏捷处理全新的概念。

在我的那本书里，会探讨敏捷性的6个步骤，第一步是要建立强大的心理，就是敢于提出全新的方法或方案。    

对敏捷性的深刻理解是怎样的呢？能活下来的物种不是最强的，也不是最聪明的，而是最能适应变化的。我希望可以提升对敏捷性的理解，真正的武功不是唯快不破，而是唯变不破。

我们不需要数字化战略，因为我们需要的是符合数字化目标的商业战略，任何战略都是商业战略。数字化战略一定不是技术来驱动的战略，而是商业驱动的，必须从董事会的层面，从上到下做的工作。

• 对组织的建议

马克吐温认为，好的判断来自于经验，而经验来自于坏的判断。

很多人觉得自己的行业不是做IT的，自己公司的主要核心能力也不是来自于IT，那么怎样着手做？从方法论的角度来看，我希望大家不要怕犯错误，因为数字化很多时候没有人能够告诉你一定是这样做的，必须是根据当时的环境与自己的业务来看，数字化到底怎样帮助实现这个跃迁。

能不能实现跃迁不重要，重要的是你在尝试过程中能够学习到很多新的方法，知道哪些方法不成功，这样在未来做一些工作时，我们就会有更好的判断。

今天我就跟大家分享到这里，这本书我希望大家有时间可以去翻一下，里面提供了很多框架。我自己也非常希望能够跟大家继续探讨跟数字化变革与金融科技相关的问题，如果大家觉得对敏捷性、数字化变革有更深刻的理解，我也非常欢迎大家能够跟我交流，非常感谢大家的倾听，谢谢。雷锋网

近日，TCL工业研究院（香港）总经理俞大海博士在由雷锋网主办的「鲸犀产业数字峰会」上，分享了TCL在智能化的布局策略。

鲸犀产业数字峰会，是由业内最顶尖的企业家、工程领袖、CIO、解决方案专家、投资家，联合发起的数字化系列论坛。

致力于将全新的数字化管理思维和实践案例，推向传统产业界、AI界、互联网界、投资界、经济学界。

俞大海博士在本次峰会上谈到：目前TCL的电视面板已经取得市场占有率全球排名第二，LTPS、手机面板及电视出货量全球第三，迷你LED已经接近世界第一的成绩，而这样半导体产业规模的背后，最离不开的就是智能工厂设计。

以TCL华星半导体智能工厂为例，结合人工智能、数据中台技术改造了从研发、采购、生产制造、物流、市场销售、品质、财务，到整体平台等9个制造业经典模块。

这一系列系统上线之后，仅在缺陷检测模块，就为华星工厂每年节省1000万元成本，异常拦截时间也从2小时缩短到二十分钟，极大的加快了生产速度。

以下为俞大海的演讲全文，雷锋网做了不改变原意的编辑：

大家好，今天我分享的题目是“TCL智能制造如何利用人工智能进行创新”。

TCL最近发布了一款显示分辨率高达8K的电视，尺寸达到了75寸和85寸，集成了人工智能以及高音质、高画质和智能化软件等操作系统。

这样的高端电视机，其背后是由非常复杂先进的制造企业作为支撑。

接下来，通过一条简单曲线看看半导体显示需要具备什么样的工艺。

半导体显示在过去20年间发展迅速，从CRT到LCD，再到OLAD、QLED，以及现在迷你LED，未来可能出现Micro LED以及量子点显示，这都是非常复杂和精密制造过程。

目前，半导体在生产工艺方面存在两个难点：首先在固定空间安装更多显示器件，这样尺寸就越大；另外，让显示效果更好，即显示分辨率，对比度、画质等也是有着非常复杂的工艺。    

过去市场半导体显示有四个主要趋势：一是尺寸越来越大；其次是分辨率越来越高；三是动态范围、帧率也越来越高；四是内容越来越多。

内容带来的效果，目前从无论是电视还是互联网电视上都可以看到，越来越多内容激发显示以及智能终端方面活力。

包括手机、电视、平板电脑，等这么多内容和服务，增强了半导体显示需求，其发展趋势实际上对生产商提出更高要求。

如图所示，多年以来，凭借经营管理和创新的科技产品，TCL在全球市场上的布局和产量、销量，一直都呈持续增长态势。

最瞩目成就是TCL已经具备从半导体显示上游到显示终端下游全产业链布局。

如果想支撑全产业链的布局，背后必须要有强大的制造业作为支撑。TCL是目前国内唯一一个同样具备三星、LG显示终端全产业链的企业，同时还能保持竞争力，这与智能化和数字化的制造能力是分不开的。

TCL的产业布局主要集中在三个产业集群，其中的核心就是半导体显示以及材料。

作为核心战略产业集群。TCL以华星半导体显示智能制造工厂为代表，利用数字化和智能化创新，提升产品和制造竞争力，积极推动新型显示技术，材料以及核心工艺的发展。

从2009年开始，TCL就开始对半导体显示进行投入生产，第一个工厂投产之后，TCL华星光电就打破日韩企业在半导体显示面板领域的垄断，这与国家五年战略规划息息相关。

迄今为止，TCL已先后投入300亿美金建成了6座液晶面板显示工厂，在国内面板市场，甚至在国际上都具备很强的竞争优势。

TCL已建成的T1，T2，T3，T4，T6，T7工厂中，其中有4座工厂位于深圳，2座工厂武汉，全面具备从电视机到手机、平板电脑等大中小尺寸显示面板生产能力，在技术和专利上仅次于三星，成为全球第二大半导体面板显示生产厂商。

市场销售方面，TCL取得了非常好的成绩，电视面板市场占有率全球排名第三，LTPS、手机面板及电视出货量全球第三，迷你LED已经接近世界第一，每年市场占有率也都在不断提升。

这样规模显示产业背后，是TCL华星半导体智能工厂作为其支撑。

TCL如何布局智能化工厂

首先，TCL华星从建厂之初就意识到数字化和自动化重要性，结合制造业典型9个应用场景，建立从研发、采购、生产制造、物流、市场销售、品质、财务和平台的整体的制造模块，并且使用自动化和数字化系统在平台上进行相关布局。

其中，生产制造环节、财务和平台等模块都基本实现全自动化和数字化，当然有一些环节和模块，由于受到相关技术以及实际情况影响，目前还是处于半自动化状态，甚至有些依然处于依靠人工阶段。

基于这个布局，TCL一直都在探讨如何能够保证其生产制造工厂不断提升竞争力，包括如何能够快速的扩充产能，如何降本增效，以及如何利用人工智能和数据科学支撑TCL的智能制造。

数字化转型是智能工厂业务转型的一个主要方向，利用人工智能和数据科学是未来发展一个长期战略。

TCL从四五年前就已开始对此进行布局，并且着手一些相关研发，在此，简单介绍一下TCL面临的挑战，以及使用人工智能驱动的背景。

首先，对半导体显示产业而言，其面临的挑战包括市场和用户需求不稳定。

例如在疫情期间，半导体显示在智能终端方面需求量突然提升，导致对半导体显示面板的需求快速增长，以至于很多产能跟不上，只有像TCL这种规模的企业才能保证产能、保证供应。

另外，作为一个大型制造企业，人力和生产等制造成本一直居高不下。其次，良率的影响，半导体显示是非常精密的产品，在生产过程中质量检测压力巨大，从一片玻璃到最后成为一个显示屏，中间要经过四五十道甚至是六七十道工序，每一道工序的质检都相当重要。

另外，数据孤岛是在数字化转型过程中的常见问题。

智能化，适用业务落地困难，传统技术门槛较高等问题也非常严重。很多时候，在智能化之外，更多的是需要定制化，对专家高度依赖阻碍了智能化推广效率。

在这个过程中，对人工智能的相关技术赋予这个产业的价值，总结出如下四个主要驱动因素：

第一，人工智能与工业深度融合起到最基本的降本增效的作用。 

第二，提高产品质量和产品工艺，尤其是在高精密制造企业，已经在传统设备以及经营管理上做到极致，想进一步提高产品质量，只有通过人工智能非常稳定、标准化方法才能得以实现。

第三，劳动力结构变化，现在人力成本越来越高，而且人可靠性和稳定性远远不如AI。

利用AI在某些重要环节或者某些领域中代替人工，改变劳动力结构，也是非常重要的驱动力。

第四，国际形势的变化，中美对抗，对技术依赖以及制造业风险上影响，让我们看到必须要利用自主研发的技术来解决我们面对的数字化和智能化问题。

于是，TCL和各个产业、华星以及研究院，共同对智能化着手布局，从整体制造系统模块中，首先制定出智慧研发、智慧生产以及智慧供应链三个智能化模块。

为了支撑这三个智能化模块，首先，华星的工业互联网数字化业务平台第一个上线，保证了所有的相关业务平台能够全面数字化。有了数字化的保证，接下来才能着手进行对智能化的开发。

其次，东智数字化中台在工厂落地应用。数字化中台主要针对在数字化管理和运营中，业务变化比较快的问题，实现了技术中台、数字中台和业务中台的无缝对接，保证了灵活扩展的业务开发的基础。

最后，在去年开发了人工智能工业引擎，实现了智能化的赋能。

TCL的智能化内核

接下来，重点介绍人工智能工业引擎，在研发以及生产品质方面的应用创新。

首先，东智数字化中台的主要目的是提供轻量级应用的PaaS服务，帮助提升企业数字化转型的效益，核心就是AI中台。AI中台就是为了提高在人工智能方面的服务能力。人工智能中台的核心就是人工智能的工业引擎。

TCL在人工智能工业引擎布局上的核心，就是人工智能的工业引擎一定要实现中台化的服务。即将人工智能为代表的相关技术平台化和服务化。

引擎里包含了数据、算法、模型、训练及推理的相关服务，部署应用服务，测试等等，以及完全的端到端的人工智能的应用部署的相关模块。人工智能的工业引擎包含了检测、挖掘、认知、决策四个主要引擎。

例如在工业视觉检测引擎中，基本涵盖了制造业需要进行工业视觉检测的相关的大部分功能，例如异常检测、缺陷检测和分类、二维三维的测量，以及视觉引导、虚拟量测等等，有了这些相关的功能，就可以提供服务，并且解决非常具体的业务问题。

架构上，工业视觉引擎分成三个部分：特征仓库、人工智能AI Hub、以及应用部署模块。

需要重点强调的是，与传统的人工智能的开发模块不太一样，在建立的数据仓库里不仅包含了原始的场景数据，更主要的是将数据特征化。

这些基于不同应用场景的特征化数据存储在特征数据仓库中，可以快速被调用，根据不同的业务场景，快速使用这些特征化的数据，可以用来训练人工智能的模型，提供人工智能的服务，实现持续的快速推广和迭代。

 AIHub里面集成了大量的算法，不仅可以解决具体的业务问题，也包含的人工智能的自监督学习、迁移学习等学习型的算法模型，可以自主进行研发。

 部署端，TCL不仅有基于服务器和私有云的云端部署的能力，更主要的是还有轻量级嵌入式的部署能力。人工智能的相关服务以及人工智能的相关算法模型，目前还是需要大量的算力。

轻量级模型，能够减轻对服务器的依赖，甚至在终端上就可以部署应用，实现了端侧的人工智能的服务。

在此需要强调的是我们的引擎不仅提供算法模型的功能，直接解决业务问题，更主要的是把人工智能的技术平台化、SaaS化，针对制造业的应用特点，降低人工智能的相关应用门槛。

制造开发者可以基于我们的引擎，自己训练和开发出需要的应用模型，甚至我们现在开发的相关界面，可以实现0代码的业务应用。

此外，最主要是客户可以直接使用我们开发好、定制好的应用模型解决他们的应用问题，甚至具备开发能力的客户，可以利用我们的平台和引擎，自主训练和开发适用于自身的应用模型。

极大减少后期的定制化和运维的成本和对算法科学家的依赖，提高了应用和扩展的能力，这也是人工智能工业引擎的一个核心功能。

目前，这套引擎已经在工业视觉检测引擎上线和产品化，并且得以在TCL的华星工厂全面使用，也将其推荐给一些相关的合作企业使用。

TCL三大数字化案例

接下来，分享TCL在人工智能相关的智能制造上的一些具体案例。

第一，关于自动缺陷的检测，半导体的生产工艺非常复杂，从一片玻璃到一块显示屏，中间大概要经过几十道甚至近上百道的工序，所面对的缺陷问题和背景也很复杂，利用传统的光学检测设备无法对其进行详细的缺陷检测和分类。

利用传统的AOI设备进行光学检测，虽然获得了一些图像，但是对图像的缺陷无法进行精细的分类和定位，需要由人工判断缺陷的种类和影响程度，以及缺陷对后面工艺如何处理的一些流程。   

利用人工智能工业引擎，则实现了完全人工智能的自动化。通过AOI设备获得图像之后，人工智能进行自动的检测、分类、分割以及逻辑判断，专家的系统最后提交到后面的工业流程上，对生产环节进行处理。

从训练到最终推理，使用的都是工业视觉检测引擎的相关模块。从数据采集训练过程，到最后的模型上线，以及对推理过程进行的总结和分析，自动产线上的智能化系统的数据挖掘，提高生产过程中的工艺，都能够完整实现。

最终，在产品上线之后，可以为华星每个工厂每年节省人力成本1千万元，最主要的是质量检测的效率得以极大提升，从以前的异常拦截需要花费1到2小时的时间缩短至40%，整个检测流程几十分钟就能完成。

除了缺陷检测、视觉检测，利用工业引擎还可以进行预测和数据挖掘。 

例如，能源管理上使用了工业视觉引擎当中的预测和挖掘的功能，利用历史的用电数据进行分析和建模，还可以利用自监督的数据挖掘和预测技术，帮助工厂自动进行用电的购买规划，然后进行实时的能耗预警。

这个功能在我们其中的一个工厂局部试运行，预计每年可以助其节省3千万元以上的用电消耗，如果加以全面推广，预计可以实现每年1.5亿到3亿的能源节省，或者是效率的提升。

另外，是我们在研发上使用的预测以及认知的相关技术。人工智能工业引擎做了版图设计的项目，版图设计非常类似于现在的半导体设计的EDA，或者是相关的设计过程，以前的设计过程完全依赖设计师以及工程师的个人经验，人工智能则能够提高他们的效率，降低验证的成本。

版图设计在引入人工智能引擎之后，通过输入历史数据以及相关的参数，就可以自动输出一个版图设计的结果，在模拟器上就可以预测性能，能够快速知道设计的效果。同时与设计师或者工程师配合，能够快速修正版图设计。

通过历史学习的参数，人工智能可以在不断的修正过程中探索更多的可能。版图设计很多时候依赖与人工经验，而人的经验有其局限性。

今天人工智能通过学习在版图设计上给人带来一些新的idea和新的创造力，这也是目前我们辅助版图设计提升效率，降低成本的过程中发现的一个比较好的方向。

目前，材料基因组的研发是国家战略，TCL对于量子点的材料研发布局了很长时间，目前，从全世界范围来看，在量子点材料本身的技术领域，TCL已处于世界领先的地位。

在研究量子点材料合成和器件性能的过程中，TCL搭建了自己的材料试验设备，这个设备可以代替人进行自动化的材料试验，以前化学家或者是工程师手工实验的效率非常低，同时产生的数据不稳定。

有了这套设备，就可以产生稳定的数据。利用这套稳定的数据，接下来就可以利用人工智能进行材料合成的相关工作，其中有两点值得探索：

第一是如何利用人工智能深度学习辅助解决量子物理和量子化学中的一些基础方程，这些基础方程对于材料合成具有指导意义。年前DEEP MIND和德国的一个研究所曾利用人工智能深度学习解析薛定谔方程，也证明其可行性；

第二是基于大数据AI的性能预测，利用人工智能预测微流控设备产生的数据模型。

因为量子点材料合成目前还有很多未知的领域，希望人工智能能够学习到其中的结构、根因，提供新的配方，并且能够在合成之后提供效果更好、寿命更长，相关的量子点的材料。

在科学研究上，这部分也是属于目前非常前沿的技术，我们与香港大学、鹏城实验室进行了相关合作的讨论，未来我们也考虑和更多先进的研究机构共同合作，希望在半导体显示领域，能够利用人工智能解决这些科学问题。雷锋网雷锋网

近日，在由雷锋网AI金融评论联合主办的「鲸犀产业数字峰会」上，平安银行首席信息执行官张斌，就分享了平安银行数字化转型经验。

鲸犀产业数字峰会，是由业内最顶尖的企业家、工程领袖、CIO、解决方案专家、投资家，联合发起的数字化系列论坛。

致力于将全新的数字化管理思维和实践案例，推向传统产业界、AI界、互联网界、投资界、经济学界。

拥有二十余年银行从业背景的张斌，这次他带来了不少平安银行的数字化转型细节，包括对未来技术发展趋势看法，也包括研发体系转型，支撑平台的建设，以及结合实例谈数据平台和AI平台的建设实践。

数字化的远景，必然有线上化、场景化、生态化的趋势，但具体到产品形态，竞合关系，实际都需要一个不断迭代的演变过程。

张斌强调，敏捷研发是数字化转型的必备能力，并且需要完善的技术体系、工具平台的支撑。如果不能实现大规模敏捷研发，不能保证交付质量，科技队伍再庞大也是事倍功半。

同时，平台化是大规模数据智能应用的基础，要建立企业级的AI平台，实现数据的提取、特征工程到建模，模型管理到模型训练和部署，实现全流程线上化的闭环。只有这样，才能适应进一步推动AI在各种业务场景中的应用。

尽管融合架构可以作为银行转型过渡期的选择，但在张斌看来，云原生才是银行数字化转型的技术方向。

张斌最后在演讲中强调，不管是业务层面采取的各项举措，还是技术团队所做的工作，业务价值是转型的唯一评价标准。

以下为张斌的全场演讲，雷锋网做了不改变原意的编辑：

非常高兴有这么一个机会，通过线上的形式，就平安银行在数字化转型过程中的实践、思考和大家做分享。

先简要介绍平安银行的战略。平安集团历经30多年的发展，走过了深耕保险、综合金融再到今天的“金融+科技”的发展历程，这也是平安集团战略不断升级的过程。

平安集团拥有一个非常强大的科技板块，在很多技术领域的能力都处于领先地位；平安也孵化出了一些知名的科技公司，对各个子公司使用技术赋能业务，也发挥了非常大的作用。

平安银行的愿景是要打造中国最卓越，全球领先的智能化零售银行。平安银行2017-2019年期间提出零售战略转型，现在2020-2022年新的战略，科技引领依然是方针策略，这是战略的延续性。

科技引领，包括了人才的培养、引进、队伍壮大，也包括对前沿的技术的研究和应用。平安银行的科技引领战略，是要求整个组织都要拥抱科技，把科技当做先进生产力，所有人都想到用科技手段做创新，解决问题，去给客户提供更好的服务。

平安银行通过科技和业务深度融合，通过敏捷的转型，科技和业务双轮驱动，落实科技引领战略。

当然这里有一个背景：现在正处在技术变革时期，数字经济蓬勃兴起，数字社会加速到来，这过程中，技术是一个决定性变量。

今天我主要介绍平安银行数字化转型所涉及的一些技术工作，主要是在冰山水面以下的那部分——正是由于这部分的投入，持续能力打造和提升，才使得我们能够看到，最终呈现给市场、呈现给客户的变化。

技术体系之变：云原生、大机下移、PaaS建设

第一个和大家交流的话题是技术体系。

任何一个组织包括银行，技术战略一定是和业务愿景相结合的。平安银行的愿景是要成为智能化的零售银行，这就决定了我们要具备互联网公司所具备的技术能力。

特别是在服务日益线上化、场景化、生态化的趋势下，技术能力要向一流的互联网公司看齐。

立足于互联网技术能力，平安银行选择了云原生技术方向，具备高并发、弹性扩展、敏捷交付和部署、高可用、容错、易于维护等优势。云原生技术发展非常快，已能够支持大规模企业级的应用，平安基于这样的认识和判断，选择云原生这条技术路线。

其中包括基础设施要全面云化，构建支持分布式、微服务的一整套应用架构，也包括容器在的应用。

PaaS平台建设于2018年启动，到目前为止，取得了非常显著的进展。除了一些老系统之外，大部分系统跑在云上。

同时新建系统和重构系统，也都基于支持分布式微服务架构PaaS平台之上研发。

平安银行在基础技术方向上选择了云原生，也打造出了自身的IaaS和PaaS。

平安银行基于分布式PaaS平台支持研发的信用卡新核心，跑在平安的私有云上，去年11月31日投产。该项目实施周期不到两年，成为国内首家全球第一个将关键业务系统从大型机迁移到单元化分布式系统的商业银行。

平安银行的信用卡业务，在全国的银行交易量排名第二。新建的信用卡核心系统，要支持高并发业务，包括开展营销活动时，要具备非常高的峰值吞吐能力。基于云原生技术体系，能很好支持高并发的应用。

从已经交付的情况看，系统具备支持10万TPS混合交易处理能力，支持1万TPS金融交易处理能力，大大增强了对业务的支持和保障能力。

研发体系之变：一切为了敏捷

接下来我想跟大家分享，平安银行研发体系建设和演进的思路。

平安银行在提第一阶段零售战略转型的时候，董事长要求全行都要做敏捷转型，从组织型敏捷，也包括IT要有敏捷交付、敏捷开发能力。

为什么如此重视敏捷能力？就是因为今天我们处在一个快速变化的环境里。如果说，未来数字化远景看得非常清楚——拿银行来讲，就是线上化、场景化、生态化，但非常具体的产品形态，合作和竞争的关系，都会是迭代和演进的过程，充满了不确定性。

科技引领战略下，平安银行建立了强大的科技队伍，当前有8500~9000人的科技队伍，其中大多数是研发人员。

有这么大一个队伍，大规模推进敏捷研发，还要保证交付质量，在整个平安银行科技体系，推进了DevOps整套管理体系和工具支撑平台。

平安银行打造了Starlink星链平台，支持研发部署全流程，也嵌入了流程管理、流程优化团队所确定的研发基线，确保了质量安全，实现端到端的交付。

平安银行所有的研发工作，在平台支持下，从立项到需求到测试再到部署，全是在线上运作，实际上还活得了另外一个能力——数字化的IT效能管理。当所有的活动都在平台上会留下数据，可以去收集分析这些活动，发现弱点和短板，找到改进方法。

Starlink 平台建设于2019年底启动，半年多就开始投入试点使用，现在已经全行大规模使用，到今年6月底就会基本完成推广。从投产来看，它支持大规模敏捷，支持大规模协同，并且能够保证交付的质量，投产到现在看，达到了预期的效果。

业务应用之变：平台化数据能力

刚才也讲到，数字化转型的方向是数字化、智能化、场景化、生态化。对于数字化、智能化业务应用，平安银行类似的项目做了非常多。

举个比较典型的例子，我们通过一年多的建设，把过去的对公信贷系统完全做了重构。在重构过程中，大规模使用了大数据和智能化技术。我们总结了六大智能场景，覆盖了业务全流程，从审批到预警，到放款，全过程的控制，包括对管理机构的智能化监测和评估，覆盖了整个产品的生命周期，同时新系统还支持移动化和线上化。

要实现应用的数字化和智能化，特别是要大规模用数字化和智能化提高效率，降低成本、提升客户体验，背后有两个支撑数据平台和AI平台特别重要。平台化才能支持大规模运用数据和智能去改造流程。

AI能力的平台化，就是要建立为企业级服务的AI平台，实现数据的提取、特征工程到建模，模型管理到模型的训练和部署全流程线上化的闭环。只有这样，才能适应未来进一步推动AI在各种业务场景中的应用，才能加快利用数据和AI来实现智能化的进程。

刚才介绍平安银行数字化转型过程中技术层面做的一些工作，包括所选择的技术路线，怎么去看未来的趋势，也包括我们在研发体系上为了支持敏捷怎么去做组织流程变革，包括平台化的支撑，最后结合智能化、数据化风控平台的例子，来强调数据和AI平台化能力的重要性。

最后做个小结。平安银行过去三年多完成第一阶段战略转型，第二阶段的战略也进行了一年多，从技术的视角来看数字化转型，我们有一些体会：

• 第一，科技是数字化转型的第一驱动力。因此要壮大科技团队，提高技术人员能力。

• 第二，敏捷研发是数字化转型的必备能力。敏捷是整个组织要具备的能力，并且要实现非常完善的技术体系、工具平台的支撑。

• 第三，云原生是数字化转型的技术方向。虽然部分银行选择融合架构，在我们看来，融合架构可以作为过渡期间的选择，云原生才是技术未来的方向。

• 第四，平台化是大规模数据智能应用的基础。

• 第五，业务价值是转型的唯一评价标准，科技所做的所有工作，都是需通过业务价值去评价。

以上就是我今天做的简短分享，谢谢。雷锋网

诞生于十年前的RPA，一直默默无闻，却在近年来频频在各大国有银行、股份制银行的财报中占据显要位置。

在招商银行公开的一份财报中，2020年上半年招行在核查、录入、咨询等24个中后台场景中应用RPA+AI，替代业务笔数达1164万笔。

招行行长田惠宇表示：RPA用机器替代简单的外包，大量节约了成本。

在最新发布的中信银行2020年年报中，智能机器人（RPA）应用场景近800个，分行应用覆盖率超过80%，平均业务运营效率提升20%以上。

而中国工商银行全行，早在2019年便已在46家总分行机构运用RPA落地实施120个场景，实现业务流程自动化。

恩格斯说：“社会的需求对科技进步的作用要超过10所大学。”

RPA技术是否得到了突飞猛进的成长还未有定论，但银行等金融机构强劲的需求，却实实在在的点燃了整个中国RPA行业的投资热情。

2019年之前，中国的RPA企业还无人问津。而仅2020年一年，就有10家RPA企业融资超过千万元。

目前，RPA行业的参与者之众、竞争之激烈，用“百团大战”来形容也不为过。

细细数来，参与中国RPA市场的企业可以分为这几大类：

一：RPA创业公司。2015年成立的弘玑信息、2017年成立的云扩科技，2020年出现的影刀都属于RPA创企，这类公司专注赋能传统行业。

二：科技巨头。比如阿里云、华为云。这类公司的核心更加偏向底层，会通过开放平台提供组件支持，行业还没有非常聚焦，如阿里云，最早从淘宝的前身码栈开始，而后一直在内部演进到如今的RPA。

三：AI公司。也是目前市场相对活跃的类别。这一类公司，主要是从新型业务机会入手，比如信贷流程自动化入手，把这一部分做得足够好，和传统RPA公司合作或者搭建团队把传统 RPA 环节完成就是更加简单的事情，如文因互联、达观数据、阿博茨等。

四；综合性科技服务商。比如同盾科技、恒生电子，他们把RPA嵌入到整个业务的解决方案中。

五：国外厂商。最著名的国际三大RPA巨头：Uipath、AA、BluePrism。它们在国际上占据了大半市场，并都积极宣布进军中国。

RPA万亿市场如此多娇，引无数英雄竞折腰。

而英雄的战略目标总是相似的，他们都将“剑”指向金融。据亿欧的报告显示，截至2020年10月，国内采用RPA企业中金融业占比最高，为54.55%，在这当中有77.78%的金融机构为银行。

每个公司的发展目标和策略都不尽相同，但想要在这一“百团大战”中，获得“龙头企业”的江湖地位，金融市场是必争之地。

在金融行业流程自动化这个赛道中，BluePrism是一家难以跨过去不聊的企业。

成立于2001年的BluePrism，出生于英国银行业，是RPA行业的先行者，是全球范围内“RPA第一股”。从2005年始，BluePrism就开始服务于欧洲的金融业。

十年的积累，BluePrism积攒了大量应用场景和一套经过时间检验的方法论。2016年3月18日，BluePrism登陆伦敦证券交易所。

目前它仍然是RPA行业中唯一上市的企业，且长期霸占全球市场份额的前三名。

在亚太地区，BluePrism服务了新加坡和澳大利亚的前三大银行。

如今，它把目光投向中国。

BluePrism的中国区总裁王加洲，是一名新加坡人，在澳洲墨尔本读了本科和硕士，在软件这行从业20年。他是第一批加入BluePrism中国区团队的成员，目前负责中国区的员工招聘、团队组建等工作事宜。

据王加洲介绍，2020年BluePrism的全球收入为1.414亿英镑，销售额较2019年按年增长46％，而同期中国的增长幅度甚至超过100％。

广阔的市场和翻番的销售额，似乎坚定了BluePrism进入中国RPA市场的步伐。

雷锋网和BluePrism中国区总裁王加洲进行了一次交流，和他谈了谈BluePrism为何要“重仓”中国的金融企业市场？在进军中国市场上，它遇到了哪些问题？

看准中国，躬身入局

雷锋网：你的工作重心在哪一块？今年，你安排了哪些工作计划？

王加洲：中国是一个很大的市场，目前还有很多中国的机构并不了解BluePrism。

我最近做的比较多的工作，是让更多的中国企业了解BluePrism的品牌和功能。

去年的疫情虽然十分严重，但大中国区团队的业绩仍然是提升的。

今年，我们会招聘更多的人才，补充进大中国区团队中，然后继续推动业绩向上发展。

雷锋网：BluePrism如何定位自己在中国市场的位置？

王加洲：如果一家企业只有几个流程需要数字化转型，或者只有很少的交易量需要用到RPA，实际上使用BluePrism并没有太大的优势。

我们的项目每天的交易量，不是两位数或者三位数，而是每天五位数的交易量。

新加坡和澳洲的前三大银行都是我们的客户。

一个越发明显的情况是，大型机构会更倾向于选择BluePrism，我们为大型客户规模化部署RPA的经验很丰富。

雷锋网：你们最大的一个金融项目交易量有多少？

王加洲：我们在亚太区有个项目，RPA一天会处理7位数的交易量。人类员工需要几个小时才能完成的工作，机器人只要几分钟。

雷锋网：进入中国RPA市场，你们有出现过“水土不服”的情况吗？

王加洲：有许多国内的大型企业，特别是大型的金融机构会问我们是不是一家美国公司。

中美之间的摩擦，会影响双方企业之间的合作。特别是金融机构，对于数据安全和合规性方面很敏感。

其实我们是一家英国公司，我们与中国企业之间是一种合作的关系。

雷锋网：你目前在香港，现在团队的大部分成员都在香港吗？

王加洲：是的，大中华区的主要员工都在香港，小部分销售在上海和台湾。

雷锋网：疫情对Blueprism在中国区的发展有什么影响？

王加洲：的确，疫情放缓了我们在中国区的招聘的脚步。

但也是因为疫情的原因，客户的需求也随之增加。随着疫情得到有效控制，我们将加快在中国区的业务拓展。

雷锋网：目前，中国大陆的团队情况如何？

王加洲：我们在上海设有中国办事处，从售前、专业服务、到技术支持团队，共有二十多名专职人员为中国地区提供支持。未来，我们还会招聘更多销售方面的人才。 

同时，我们也在加大技术投入力度。现在我们的产品已经可以支持普通话及粤语，我们的团队也在专门研究针对中国的人工智能需求。

BluePrism如何应对“价格战”？

雷锋网：你对国内的RPA企业有哪些深刻印象？

王加洲：中国的RPA企业的产品价格十分低。而且因为它们是本土企业，可以提供更多的附加服务。

雷锋网：BluePrism有没有考虑过让产品的价格进行降低？

王加洲：不会降到和国内公司一样低。

我们提供的不只是一个软件，是要帮一家企业做到自动化，让客户体验到长久的发展和回报，而不只是简单代替一两名员工，这是我们的优越之处。

雷锋网：面对国内RPA企业的低价策略，BluePrism如何应对？

王加洲：BluePrism是第一家做RPA的公司。

从2001年就开始从事这个行业，20年来我们和许多企业客户走了很长一段旅程。

我一直推荐客户，不一定要选择我们一家，可以多选几家。

通过这样的方式，企业会慢慢发现不同于其他RPA厂商，我们有一套自己的方法论。

而这套方法论，是我们20年来对每一个步骤进行归纳总结完善的一个结果。

雷锋网：作为一家国际公司，你觉得BluePrism有哪些特殊的优势可能会吸引中国的公司？

王加洲：BluePrism是一家“出生”于金融行业的RPA公司，我们有“金融基因”。

在安全性、合规性、可靠性方面，BluePrism的排名一直是第一的，因此在全球范围内很多金融和保险机构会更偏向我们的品牌。

此外，我们拥有比较丰富的金融客户资源和服务经验。

这些积累，有利于我们促成国内外金融机构的从业人员展开更深入的交流。

每年BluePrism都会举办全球金融客户的交流会，给全球范围内的金融机构从业者一个沟通的平台。

雷锋网：怎么看数据安全问题？

王加洲：我们在合规性和安全性方面，有过太多成功和失败的经验。

国内国外，出现过很多金融机构的数据被黑客黑掉。每次这些客户的信息被泄露出去，都会对金融机构的品牌和价值造成非常大的影响。

80%黑客或病毒攻击事件都是来自内部，如果RPA信息安全做的不好，会给企业带来更大的威胁。

事实上，你可能听说过很多停用机器人的项目，背后原因经常也是这个。

我们中国区的高级顾问团队拥有超过20年信息安全的经验。Veracode是一家独立的安全测试公司，我们是全球第一家通过他们最高级别测试的软件公司。很快，我们还将公布采用另外一家更严谨的测试工具的消息。

新加坡、澳洲，排名前三的银行业都选择使用BluePrism的产品，就是因为我们在安全性方面有很多的经验可以分享。

BluePrism积累了丰富的RPA落地金融场景的案例，比如当客户想将这一技术使用在反洗钱流程中时，我们能很快发现流程中需要解决的问题重点，能减少很多沟通成本。

未来将有一大批RPA企业要死掉

雷锋网：你觉得，哪些因素会影响BluePrism的发展？

王加洲：我觉得未来的趋势是，随着竞争的加剧，RPA的企业总体数量会减少。

在AI等技术方面，我们不能放松，会继续加强科技力量，否则很快会被轻易的淘汰。

雷锋网：目前RPA上云渐成趋势，如何保证这个过程中的安全性？

王加洲：我们把自动化的所有功能，都放在云端。

我们给客户三种选择：第一种是放在微软云、亚马逊云这类公有云中；第二种是放在我们在微软云中自建的Blueprism Cloud中；第三种是放在客户自建的云中。

用户可以自由选择把数据放在任意一种云中。

雷锋网：目前有和阿里云、华为云等国内的云厂商进行沟通或者合作吗？

王加洲：会有交流，我们有部分客户在用国内云厂商的云端。

我们的平台和华为云及华为云EI，已经有成功的案例。

然而，它们也有自己的RPA，所以如何进一步合作是一个需要考虑的问题。

雷锋网：AI、销售、咨询、云，哪些因素会对目前BluePrism的业务增长有很大影响？

王加洲：如果能和中国国内的云厂商合作，我相信会显著提升我们的业绩。

目前，我们和国内的云厂商已经有了交流，但能否进行更深入的结合，还未知。

雷锋网：你觉得RPA未来发展趋势是什么？

王加洲：RPA其实是一个比较过时的说法，因为RPA和AI的结合已经成为一种现状和趋势，我们更倾向于说这个技术是智能流程自动化——IPA（intelligent process automation）。

人类会生病，效率就会受到影响。如果一个RPA“生病”了，怎么办？我们希望将RPA培养的越来越智能化，以后生病了能自我“恢复”过来。

雷锋网：如果RPA机器人“生病”了，自我恢复不了，BluePrism怎么解决这个问题？

王加洲：我们首先会把许多可能出现的故障的“解决方案”配置在系统里。

如果解决不了，我们会通知一个人类员工去解决问题。

未来，我们希望能通过自动化的方式解决这些故障。

如果一家企业配置500台RPA，那RPA厂商就有很大动力去自动化解决故障。这是未来的发展方向，我们正在这么做。

美国的畅销书《硅谷热》（Silicon Valley Fever）着重提到了这家公司，写到：“硅谷大约有70家半导体公司，而一半都是它的直接或间接后裔，它开创了一个行业。”

这家公司，就是被誉为“硅谷的人才摇篮”——仙童半导体公司。

在世界范围内，像仙童一样源源不断为行业输送科技创业人才，并壮大了整个行业甚至带动地区发展的现象，并不少见。在中国的科技公司中，“仙童效应”最为显著的，当属百度。

它常被人们称为“中国AI创业者的摇篮”。作为科技人才的“中转圣地”，百度走出了一大批优秀的AI金融创业者。

这些创业者大多是2010年—2015年离职的“百度毕业生”。他们头顶名校光环，脚踏时代红利，尊重并热情拥抱技术，敬畏又无限渴望着中国那无限广阔的市场。

和传统的金融机构相比，他们的公司还很年轻，但他们应用科技解决业务痛点的手法却十分老练。

回首AI金融的上一个十年，我们发现这批从百度出来的创业者，已经在不经意间改变了这个行业。

蚂蚁集团（P11专家）——阳振坤

每逢双十一，必有一场流量苦战，而从2015年起，支撑阿里双十一所有交易流量的，已经是OceanBase——正是阳振坤，用十年打磨了蚂蚁金服的底层分布式数据库OceanBase。

在加入蚂蚁一手建立OceanBase之前，阳振坤曾是百度高级科学家，于2007年9月加盟百度，担任过百度自主云计算系统的设计、开发和应用等工作。

百度与谷歌缠斗的2008年，百度内部成立了两大“实验组”，力求攻克分布式文件系统这一难题，其中一组正是由阳振坤带队的凤巢广告系统。

2010年，在阿里巴巴合伙人刘振飞的邀请下，阳振坤转投阿里。

当时的阿里发现，基于Oracle的数据库设施已经很难支撑淘宝巨大的交易数据。为了彻底降低成本，阿里开始试图彻底摆脱Oracle。

阳振坤正是这时领下了研发分布式数据库的重担，创立了OceanBase，这也是全球首个应用于金融核心业务的分布式关系数据库。

2015年，OceanBase完全取代Oracle，支撑阿里双十一所有交易流量。2019-2020年，OceanBase连破TPC-C 测试的纪录，成功超越Oracle的成绩。

2020年6月8日，蚂蚁集团宣布，将自研数据库产品OceanBase独立进行公司化运作。目前OceanBase也已对外输出，为工行、招商证券等金融机构的大型项目展开服务。

在加入百度之前，阳振坤曾先后担任方正研究院副院长、北大计算机研究所副所长、联想研究院首席研究员、微软亚洲研究院主任研究员。

推荐阅读：《蚂蚁金服十四郎》

360数科CEO——吴海生

近日，360数科发布2020年第四季度财报。财报显示，2020年，360数科实现收入135.64亿元，较2019年92.2亿元增长47.1%。

看到这一成绩最为开怀的，或许便是360数科的CEO吴海生。

吴海生毕业于传媒大学，在2005年—2008年，他分别获得传媒大学媒体经济学士学位和北京大学传播学硕士学位。

2008年毕业后，吴海生加入百度，在百度的用户产品部门担任产品经理。

离开百度后，吴海生还曾经担任奇虎360导航事业部总监，先后负责了360导航和影视两个重要产品。

彼时，百度、阿里等互联网巨头都在做金融业务，吴海生所在的360也不例外。

2015年3月，深圳，吴海生给360创始人周鸿祎看了详细的商业计划书，周鸿祎很感兴趣，俩人一直谈到半夜两点，最终拍板让吴海生单独出来做金融。

360金融最终在2018年12月登陆纳斯达克挂牌上市，并于2020年8月将品牌升级为“360数科”，吴海生继续担任360数科的CEO。

就在本周，360数科发布了2020全年财报，吴海生在财报中表示，今年将抓住历史机遇，要将公司规模和质量提升到新高度。

推荐阅读：《360数科首席科学家张家兴：都在拆中台？也许你对「金融中台」一无所知》

第四范式——戴文渊、陈雨强、胡时伟

今年年初，AI平台与技术服务提供商第四范式宣布完成7亿美元D轮融资。

从2015年成立至今，第四范式完成的十轮融资里，投资方不仅集齐国有五大行，还有国家制造业转型升级基金、国开等“国家队”基金，以及高盛、红杉中国等众多投资机构。

这样一家集结了各路明星投资人的AI企业，创始团队中三位核心人物，均来自百度。

创始人兼CEO戴文渊，曾是最年轻的百度高级科学家。他曾获得ACM世界冠军，在2007年发表的论文Boosting for Transfer Learning在迁移学习领域论文引用数至今排名世界第三。

在百度任职期间，戴文渊担任百度最重要的百度搜索广告（凤巢）策略的技术负责人和实际上的操盘手，任商业产品技术委员会主席；还获得过“最佳百度人”荣誉，“百度最高奖”以及百万美元的股票奖励。

2013年离开百度之后，戴文渊在华为短暂任职一年，任华为诺亚方舟实验室主任科学家 ，期间获华为“President Award”。

另一位联合创始人、首席研究科学家陈雨强也曾是百度人，与戴文渊联手搭建成功“凤巢”系统，为百度的变现能力在4年时间里提升了8倍。

陈雨强师从人工智能领域顶尖学者杨强教授，主要进行迁移学习领域的研究，硕士毕业后加入百度，任架构师一职，“凤巢”上世界上第一个商用的深度学习系统正是出自他手中。

之后，陈雨强加入今日头条，负责新闻推荐与信息流广告算法，建立了一套支持千亿特征、千亿数据的“流式机器学习系统”。

离开今日头条之后，陈雨强与戴文渊等人共同创立了“第四范式”，并出任首席研究科学家。

同陈雨强一样，联合创始人、首席架构师胡时伟也在研究生毕业后（2011年）加入了百度。

胡时伟相继主持了百度商业客户运营、凤巢新兴变现、商业“知心”搜索、阿拉丁生态等多个核心系统的架构设计工作。

2014年，他离开了原来的“舒适区”，加入了链家网创始团队，在链家网任职期间，胡时伟带领团队完成了链家网新主站、经纪人新作业系统、绩效变革系统的整体架构设计，参与规划及推动了链家系统和研发体系的互联网化转型。

第四范式曾向雷锋网表示，他们致力于推动AI的低门槛、标准化、规模化，在金融领域与多家银行展开深度合作，帮助其快速构建数据智能核心系统，并提供包括精准获客、个性化推荐、风控与反欺诈等一体化整体解决方案。目前已服务工商银行、交通银行、招商银行等众多金融机构。

推荐阅读：《第四范式戴文渊：机器学习教科书的7大经典问题》

微众银行——陈天健

联邦学习近年大热，微众银行AI团队是国内研究的第一梯队。

而其中，负责联邦学习技术生态构建的，是微众银行AI部副总经理陈天健——他也曾是百度金融的一员。

在百度期间，陈天健曾是百度主任架构师，百度金融首席架构师，设计百度搜索、推荐、大数据、金融等多个业务的总体架构和关键系统。

他也曾以百度金融首席架构师的身份发表演讲，谈论AI Fintech将解决金融获客、风控和服务三痛点。

加盟微众之后，陈天健主要负责联邦学习与银行智能化方面，他曾多次谈到金融数据共享与基于联邦学习的安全解决方案。

此外，陈天健还在迅雷、华大基因等多家科技公司从事技术工作。

推荐阅读：《微众银行首席AI官杨强：联邦学习理论基础、四大应用场景与微众的AI全布局》

神策数据——桑文锋、刘耀洲、曹犟、付力力

已为1500+家企业的神策数据，与第四范式相似，团队同样也有浓重百度色彩。四位核心高管均来自百度大数据部，有多年的大数据处理经验。

董事长桑文锋，是一名百度老兵，2007年就已加入百度，工作整整八年，期间历任软件工程师、高级软件工程师、项目经理、高级项目经理，技术经理。

他手上最有名的项目之一，或许是“百度知道”。桑文峰曾在“百度知道”做研发，到开始组建并带领团队，实现百度用户日志大数据平台的从零到一。

2015年，桑文锋离开百度，创办神策数据。

即使辞职后，桑文峰对百度仍很有感情，他曾向雷锋网说到：“我本身是一个正儿八经百度培养出来的兵。百度有它的问题，但是百度这种硅谷做事的方式、工程师文化、注于技术，这些东西不是其他公司能够比的。”

桑文峰出来创业，找的三个“合伙人”都是之前百度的同事。

COO刘耀洲，是中国地质大学计算机应用技术硕士。他曾供职于新浪、阿里巴巴、百度等公司，2015年4年离开百度。

CTO曹犟，是清华大学计算机硕士，2008年至2014年就职于百度大数据部，担任百度用户数据仓库（BUDW）技术负责人。

技术VP付力力，毕业于北京理工大学软件工程专业，2008-2013年期间历任百度新产品研发部、网页搜索部、基础架构部工程师。

目前，神策数据已为超过1500家企业提供大数据分析与营销科技服务，包括招行、太平洋保险、广发证券等众多金融机构。

推荐阅读：《专访神策数据桑文锋：从百度八年老兵到公司CEO，价值观对一家公司意味着什么》

融慧金科——王劲、张羽、盛军

拥有二十余年风控经验的王劲，可以说是一名风控老将。在加入百度之前，他在有着“风控黄埔军校”之称的美国运通工作了十七年，曾任运通风控业务高级副总裁。

2015年冬，王劲加入百度金融，任百度金融首个CRO（首席风控官）。

仅用不到一年的时间，王劲的团队便搭建起百度金融的整个风控体系，并于次年十月成功上线。

搭建百度金融的风控体系之后，王劲萌生了自己创业的想法。

2017年4月，王劲联合老部下张羽和盛军创立融慧金科。

张羽和盛军也都是百度高管：张羽曾任百度金融风险战略部/金融科技部总经理，盛军曾是百度金融风控模型总经理。

这两位创始合伙人也具备和王劲类似的成长路径。用王劲自己的话说，公司三位创始人的风控经验总和超过45年。

在三位业内风控大咖的带领下，融慧金科为银行等金融机构量身定制风控模块，并提供「获客-贷前-贷中-贷后」全流程风控解决方案。 

从2018年到2020年，融慧金科保持着每年一轮融资的速度，最新一轮融资发生在2020年6月，由澳洲电信领投，金额达千万美元。

推荐阅读：《融慧金科CEO王劲：为何人工智能远未触达风控的本质？》

来也科技——汪冠春、胡一川

来也科技的两位创始人，两度联手创业。他们首次创业的成果被百度收购后，两人相继进入百度工作。

创始人之一汪冠春，是普林斯顿大学博士（机器学习研究方向），曾经创业多次。在加入百度之前，他曾于2011年创办阿甘网。

另一位创始人胡一川，发展路径和汪冠春十分相似，他于清华大学硕士毕业，之后前往宾夕法尼亚大学并拿到电子与系统工程系博士学位。

胡一川回国后，和汪冠春一起在2012年创立了影视推荐引擎“今晚看啥”。

后来“今晚看啥”被百度收购，两人分别进入百度。汪冠春成为百度筷搜和智能交互应用团队的负责人，胡一川则是资深架构师。

2015年，汪冠春和胡一川再度创业，创立来也科技。

目前，来也科技已服务于银行、保险、电商、政府等各个行业，通过RPA+AI软件机器人，帮助传统企业数字化转型。

推荐阅读：《来也科技联合创始人褚瑞：RPA的「连接器」使命》

必示科技CEO——刘大鹏

必示科技在2017-2020年，四年间获得了四轮融资。最近一次是2020年10月，必示科技完成1.5亿元B轮融资，股东阵容十分耀眼：红杉资本中国基金领投，老股东高榕资本、顺为资本、明势资本、东方富海跟投。

而必示科技的CEO刘大鹏，就曾在百度智能运维部担任资深软件工程师，负责智能运维相关平台的设计和研发。

刘大鹏是清华大学计算机系博士，多个智能运维方案发明者，曾发表国际学术会议论文8篇。

离开百度之后，刘大鹏与裴丹联合创立必示科技，担任必示科技联合创始人兼CEO。

目前，必示AIOps产品已经落地于建设银行、交通银行、招商银行、光大银行、民生银行、广发银行、中国人民银行清算中心、光大证券等30余家客户，为企业运维决策提供支撑。

推荐阅读：《专访必示科技CEO刘大鹏：智能运维是不可避免的大趋势》

达观数据——陈运文、纪达麒

除了来也，还有一家RPA厂商，创始团队也是百度出身。

2015年，陈运文创立了达观数据，并担任CEO。七年前，他加入百度，曾担任百度核心技术研发工程师。

此后，陈运文前往盛大、腾讯等公司负责大数据研发和团队管理工作，研究大数据、人工智能及自然语言处理。

陈运文在盛大文学工作期间，担任其首席数据官（CDO）；在腾讯工作期间，担任腾讯文学高级总监、数据中心负责人。

达观数据是一家专注于文本智能处理技术的公司，让计算机代替人工完成业务流程自动化，大幅度提高企业效率。在金融领域，达观数据服务了招行、建行、平安等众多金融机构。

陈运文曾向雷锋网表示：“虽然现在大家讲人工智能商业落地最先想到的是人脸识别，但十年后，人工智能行业里唱主角的一定是文本处理技术，以及与RPA结合的各种应用，毕竟这些才是我们每个人在日常工作中时刻在用的。” 

和陈运文一样，达观数据的CTO纪达麟，也在百度做过研发工程师。他们的职业轨迹基本相同，都在盛大和腾讯任职，并提供一些数据挖掘的服务。

2016-2020年，达观数据连续获得了四轮融资。2020年5月，达观数据的B+轮融资获得了2.7亿元，由深创投领投。

推荐阅读：《达观数据CEO陈运文：“ RPA+AI”将会是下一个人脸识别级的应用》

海致星图——史有才、任旭阳、胡嵩

史有才，百度初创团队成员之一，2001年加入百度，是百度渠道体系的最初搭建者。

在百度，史有才历任销售总监、副总裁等职务，是中国搜索引擎营销领域的开创者之一。

2011年5月，史有才离开百度，联合创立了海致星图。目前，他担任海致星图董事长。

和史有才一样，任旭阳也是百度的创业元老之一。

早在2001年12月，任旭阳就加入百度，历任百度上海分公司总经理、百度战略合作部总监、总裁助理。

2007年3月，任旭阳出任百度市场和商务拓展副总裁，负责市场、公关、投资并购、战略合作与业务创新。此后，他还兼任百度⾸席顾问、牵头创办百度资本。

胡嵩，也是一名百度老兵。2004年，胡嵩加入百度，历任网页搜索部工程师、项目经理、架构师、技术委员会轮值主席。

2009年，胡嵩参与组建百度无线事业部并任无线事业部总架构师、无线搜索产品技术负责人。

此后，史有才和和任旭阳、俞军、胡嵩等老百度高管共同成立了天善资本和海致星图。

海致星图是一家专注于金融产业的大数据分析公司，其核心团队参与研发了全球第一个中文通用知识图谱平台，是企业知识图谱的开创者。

目前，海致星图拥有员工一百余人，该公司以知识图谱技术为底层，打造风控与营销模型、探索人工智能与机器学习的实践场景，在AI金融领域已服务中国银行、中国建设银行、中国工商银行等金融机构。

理财魔方CEO——袁雨来

理财魔方是一家主攻智能投顾赛道的AI企业，其创始人袁雨来，却曾是百度音乐的技术关键人物。

2013年9月，袁雨来出任百度音乐技术委员会主席，百度CBG事业群组技术委员会委员，为百度音乐构建服务千万级用户的人工智能音乐推荐系统。

在加入百度之前，曾创办过智能音乐推荐平台音贝网并出任CEO。

2015年，袁雨来创办智能投顾理财APP 理财魔方，并出任CEO，打造国内人工智能投顾平台，致力于通过AI系统来服务中产阶级财富管理。

袁雨来曾向雷锋网表示：“和业内其他公司做「半人工半智能的投顾模型」不同，我们是业内唯一一家做「纯人工智能投顾系统」的企业，从17年年初到现在，还没有第二家公司推出「纯人工智能投顾模型」，这一点我们是领先的。”

目前，理财魔方已获多家著名投资机构近2亿元投资。

推荐阅读：《理财魔方CEO袁雨来：做强「智能投顾」要跨过哪些“坑”？》

前资证魔方CTO——黄新宇

另一家涉及资产证券化的企业，ABS平台“资证魔方”，创始人之一黄新宇，也曾在百度工作多年。

黄新宇2011年7月入职百度，主要工作是销售线索的量化处理，包括售前爬虫爬取线索，售后客户防流失和客服系统的语音识别分析。

值得一提的是，在百度工作期间，他三次参加Hackthon（黑客马拉松）比赛，三度获奖。并获得了三次与Robin（李彦宏）吃午餐的机会。

2014年7月，黄新宇离开百度加入陆金所，负责CRM团队。

之后2016年1月离开，他和陆金所前同事共同创立“资证魔方”，黄新宇出任CTO。

雷锋网AI金融评论了解到，2018年黄新宇离开资证魔方，目前已加盟建信金科。

结语

百度就像个成熟了的蒲公英，你一吹它，这种创业精神的种子就随风四处飘扬。

每个企业，都有其独特的使命和愿景，回首看，百度的工程师文化、硅谷做事的方式、对技术的精益求精，正在通过一个又一个从百度出来的创业者，触达到每一个互联网能触及的行业中。

这些创业者和AI企业，也将成为一个个小的蒲公英，将这些精神和文化继续传播下去。（雷锋网）

其中，传统零售渠道的人力成本和店租成本快速上涨，也让这些挑战更加严峻。

2020年疫情的冲击，使得传统零售企业雪上加霜。

传统零售企业开始“谋变”，期望通过系统产品和营销能力的组合运用，构建数字化经营闭环，实现用户和业绩的双增长。

其中，被业界称为“A股童装第一股”的安奈儿，自2018年与微盟智慧零售合作以来，加速自身经营创新和数字化升级，通过发力公域、私域联动、小程序商城和数字化导购运营模式，打造业绩增长新范式。

为了解安奈儿&微盟之间的合作，雷锋网•鲸犀采访了微盟副总裁凌芸，以下为凌芸关于双方数字化合作的分享：

01

导购变身KOC，门店业绩完成率109%

2020年安奈儿因为受到疫情的影响，因此通过全员营销+智慧零售小程序商城寻求业绩突破，以朋友圈和社群运营的线上方式获客、推广和销售。

随着线下门店复工，安奈儿进一步加速门店和导购上云。但是让所有导购实现数字化并非易事。

比如，门店导购对线上模式理解存在偏差，认为线上业务会影响到实体店的生意、业绩会存在左手倒右手的情况，或者上云后门店会失去与客户之间的联系和数据等。

在微盟的帮助下，安奈儿以江苏区域为试点，从区域心理建设、组织权限下放、导购带教支持、目标任务和激励等多维度出发，推进安奈儿数字化进程。

1、提升导购认知，改变导购思维

安奈儿在帮助区域上云之后，每个导购配备一个专属的小程序商城，让导购可以分享小程序商城的所有商品。如果导购通过小程序商城有所交易或者成交，导购也是可以拿到相应的提成或者佣金的。

同时，微盟团队根据安奈儿的情况制定了很多培训课程，以课程培训、实操演示和标杆分享三方面切入，强化导购心理建设，更正导购认知。针对左手导右手的情况，安奈儿要求导购在完成既定业绩之后，对于增量部分再给予奖金和提成。

2、组织权限下放，实现利益共享

安奈儿以江苏区域作为试点，成立了江苏区域的运营人员，运营人员可以在遵循总部制定的营销战略的前提下，自主调整区域的运营策略。其中，包括哪些产品上下架，具体活动的促销政策，门店与客户互动的方式等等。

3、培养终端人员多方面能力，拓展导购角色

终端人员主要包括店长和导购。

导购是直接面对面接触到客户的人，因为导购是否能够熟练操作门店的APP，能否推荐到符合客户的产品，对于能否达成最后的成交起着关键作用。

店长则需要着重培养经营管理能力，安奈儿则将店长培养成为社群群主，并时不时在群里传播标准化的图片，话术，把握营销节奏，带动营销氛围。

4、从名和利出发，激发导购全域服务能力

安奈儿和微盟助跑团队制定了一套门店和导购的激励方案。在导购的激励上，除了有业绩提成，还设定了拉新激励奖，即导购每邀请一个新会员并下单，导购可以得到额外的奖励，并以日、周、月为单位，进行店铺内分组PK，胜出的团队获得资金奖励。

安奈儿使用了数字化营销工具，同时通过培训改变导购的思维，制定相关激励政策，极大调动了导购的积极性。门店销售同比提升了9.1%，目标达成率109% ，区域导购100%破冰。

02

公私域联动，打造全链路数字化闭环

私域流量是相对于公域流量而言的，企业不能单靠公域流量也不能单靠私域流量。

企业如果仅靠公域流量，等于就会丧失诸如微信朋友圈、社群等用户流量。同时，企业如果仅靠私域流量，企业只能在存量中打转，无法获得更多的流量。

2020年因为受到疫情的影响，零售行业的销售方面遇到了巨大的挑战，安奈儿也是其中一员。因此，安奈儿通过公域流量转私域流量，精细化运营突围。

1、去年5月，安奈儿开启2020无畏公主裙“云发布”

直播SHOW当天，品牌视频朋友圈广告率先“出征”收割千万关注，精准触达26-35岁宝妈群体。

然后，在朋友圈广告落地页中增加转化按钮，用户点击之后可跳转至小程序商城公主裙购买界面，也有按钮直接导流至直播界面，构建公域触达+私域沉淀的营销闭环。

据了解，有数百万用户成功播放了品牌视频。

2. 支付后再营销，触达海量公域客户

数据显示，微信支付用户数突破1亿，沉淀了大量的用户数据。

借力微信支付的智慧经营产品能力，微盟赋能商家在朋友圈、附近的人、公众号、线下扫码、线上营销活动等多渠道投放微信支付券，以券为介质，挖掘品牌潜在的内外部流量。

安奈儿作为率先尝试的线上线下结合的童装品牌，通过「微信代金券」营销工具，将公域流量转化为自有流量，以支付有礼、支付即会员、支付连接导购等促成二次营销，短短2周新增上千笔订单。

3、导购和门店齐发力，构建私域流量

对于零售行业来说，线下的门店是获取流量的天然场所，如何将门店客户沉淀下来？

安奈儿结合小程序和公众号，打造了营销闭环。顾客首次到店，导购邀请其关注公众号，引导顾客进入小程序注册-领取首单会员折扣-进入微商城下单转化的完整链路。

同时，导购通过微信再次添加客户为好友，后续通过转发小程序分享产品或促销等信息，产生订单也将自动绑定导购，拉升流量刺激转化。

4、全链路打通让数字化进程全面提速，主要是通过小程序商城和直播承接流量。

03

写在最后

目前，安奈儿在全面推进私域流量运营的策略，在这个策略中，直营、加盟以门店为单位全面加入到私域流量的构建中来，提升品牌、门店、导购在私域中的数字化运营承接能力。

同时，以小程序商城和直播作为承接，结合公众号、朋友圈、社群等工具，连接导购、门店和顾客，实现反复触达用户和促进复购。

在安奈儿&微盟的合作努力下，提炼出了5大适用于安奈儿江苏区域的生意场景：引流到店在店转化、引流线上私域沉淀、空场期导购营销、闭店营销、社群营销。未来预计有越来越多的区域通过数字化转型不断沉淀适合品牌的生意场景。

在线上线下融合的智慧零售时代，传统零售企业需要打通全链路，加速数字化转型，才能在激烈市场竞争中占有一席之地。

经历了2020年疫情“黑天鹅事件”后，安奈儿在数字化转型方面的通过公私域联合和精细化运营，打造数字化全链路经营闭环，也为企业提供了新的增长模型。

1000+位企业家

最期待的数字化论坛

合作咨询，可加微信：xqxq_xq

雷锋网雷锋网雷锋网

Square是一家2009年成立、总部位于美国加利福尼亚的移动支付公司，2015年，Square在纽约证券交易所挂牌交易。

Square公司最知名的是读卡器和POS支付系统，以中小企业为主要客户群。值得关注的是，Square由Twitter创始人杰克·多西和吉姆·马克维共同创办，目前杰克·多西同时担任这两家明星公司的CEO。

Square Financial Services则是一家独立管理的Square子公司，将提供商业贷款和存款产品。

在此之前，Square的贷款都通过与Celtic银行合作发放。

Square四年多以前就开始筹备银行业务，最终于去年3月通过监管审批。“我们不认为Square2021年的合并资产负债表、总净营收、毛利润或调整后EBITDA（未计利息、税项、折旧及摊销前的利润）会受到实质性影响。”该公司说。

目前，Square Financial Services已经完成了美国联邦存款保险公司（FDIC）和犹他金融管理局（UDFI）的牌照审批流程，具备营业条件。

美国的中小微企业也存在贷款难的问题，这给Square这样的公司提供了机会。

Square凭借着对客户的了解，使得它可以精准的为那些难以从传统银行获得资金的中小微企业提供贷款。

Square CFO兼Square Financial Services执行董事长艾米丽塔·阿胡亚（Amrita Ahuja）表示，引入银行业务将使得Square的运营更加灵活。

该公司还表示，开设银行可以提高Square的能力和价值，让金融更加普惠。

事实上，美国的金融科技公司开设银行业务正在成为一种趋势。许多金融科技公司或提供金融科技服务的企业都涉足了存款、支票和信贷等传统银行业务。

比如Revolut、Brex等金融科技初创企业都相继在美国申请了银行牌照。

Revolut是英国的一家线上金融平台，提供传统的银行服务和加密货币交易。因为其方便注册、换汇和线下提款无手续费等特性在全球迅速普及。而Brex是一家企业信用卡平台，据维基百科介绍，它主要向科技公司提供商业信用卡和现金管理帐户。（雷锋网）

究竟在全国数十万网点、数百万客户经理心中，怎样才算是行之有效的营销工具？如何能省时高效地触达用户，完成一场高质量的营销，而不只是对KPI应付了事？

银行的营销运营无疑更靠细节和长期耕耘取胜，作为技术服务商，要将复杂的银行基层业务“庖丁解牛”，真正帮助银行以用户为中心，重整端到端的用户服务体系。

为此，我们邀请到摸象科技董事长高鹏博士，做客「银行业AI生态云峰会」。高鹏师从中国工程院院士潘云鹤，拥有五项国家级发明专利，同时还是摸象浙大金融智能联合实验室主任，拥有丰富的从业经验和硬实的技术背景。

这一次，他立足于「智能营销」赛道，带来他们帮助国内2000+银行，全面实现金融全自动化场景、实时推荐智能运营的实践经验。

这也是雷锋网《AI金融评论》主办的「银行业AI生态云峰会」最后一场演讲。在本系列云峰会中，我们相继邀请了数字化风控、数字化营销、数字化客服、数据平台、数据中台、数据安全、数据库、银行云、银行RPA、银行业务系统，十大银行赛道里的科技专家，分享他们对于银行科技的理解。

欲获得所有讲者视频以及PPT回顾内容，可关注公众号“AI金融评论”（ID: aijinrongpinglun），进群获取回放链接。

以下为高鹏博士的演讲内容，雷锋网AI金融评论作了不改变原意的编辑：

大家好，今天我分享的主题是《未来银行-数据驱动的银行AI新零售场景智能营销》。

银行零售营销面临的线上线下痛点

首先，银行业务营销当中面临的一些痛点。

在向数字化转型的过程当中，银行并非要从零到一，建设一套新的线上运营模式。也就是银行不是做“互联网+”，而是做“+互联网”。

银行一方面有着海量数据和优质的金融产品，同时还有着海量用户以及非常强大的推荐引擎，可以计算出适合推荐给用户的产品。

现在银行面临的最大挑战就是如何根据用户需求，将合适的产品真正触达到合适的用户，并且让用户在良好的体验下使用业务，我们将其归纳为如何挖掘、如何触达、如何跟进这样一个闭环。

据统计，目前全国有35万个银行网点，数百万客户经理，但是在基层的支行和网点缺乏数字化的工具，导致存量的数据资产很难得到有效利用，造成银行的基层结构很难直接发力，进而实现线上营销。

银行的数字化转型就是要把线下和线上的新零售模式结合起来。在转型的过程中，实现新零售模式的难点有以下三个方面：

首先，在业务上，如何统一用户视角，把高度横向分化的价值模块整合成以用户为中心的纵向的价值链条，打造端到端的用户服务体系。

第二，在数据上，如何统一开展数据治理，将分散的孤岛数据转变成可信的数据资产，形成以数据支撑全局和以用户为中心的端到端的数据赋能体系。

第三，在组织上，如何改变高度依赖横向竞争者的分布式架构，围绕核心价值链构建以用户为中心的平台式架构，从流程驱动转向数据驱动。

如果上述难点不能得以解决，一旦整个新零售模式形成信息割裂和孤岛状态，数字化转型就很容易成为增加基层负担的形式主义。

而要实现全面的平滑流转，就需要用数据智能驱动的新零售工具来赋能组织以实现自动化的运营。

数字化智能管理平台实现大规模精准营销

对此，我们的方案就是将银行的线下资源用数据智能+AI工具驱动起来。

整个解决方案是用一个金融大脑驱动两个工具，用RPA机器人来实现全流程的自动化流转。

一个大脑指的是无相盘深度学习挖掘引擎，是一个研发平台产品，也有推荐深度挖掘的能力，同时还是用于驱动整个流程运转的驱动引擎。

两个工具，一个是象小秘的AI外呼系统，可以自动实现机器人的仿真化外呼。

另外一个就是龙虎榜社交智能触客小程序，支持支行网点客户经理掌上移动办公，可以自动将机器人营销成功的意向用户，推送到对应的客户经理掌上，客户经理利用这个工具对用户进行一对一跟进管理。在此过程当中，可以实现数据不落地的全程自动流转。

随着零售场景的不同，这套系统将有更多的工具节点加入到自动化流程当中，例如群发短信的短信节点，人工外呼系统的节点，企业微信的应用节点等等，这套RPA系统可以完全光滑的兼容和吸纳这些节点加入到流程当中，从而完成针对更加复杂场景的营销和运营。

接下来是整个平台的详细情况。

——AI商机挖掘引擎层

首先，无相盘的数据挖掘引擎，是一套以金融大数据为核心的分布式、实时大数据挖掘系统，通过对海量的历史与实时数据的采集、计算、存储、加工，训练大规模机器学习和深度学习模型，挖掘用户行为之间的关键因子，为银行匹配企业商机和用户潜在的需求。

这个引擎主要有两个作用，一个是用于帮助具体的产品或者场景寻找潜在客户。另外一个就是推荐作用，在给定一个用户后，从海量的产品库里面选择最适合它的产品，所以它是一个硬币的两面。

无相盘有以下六大特点：

1. 特征处理，提取用户的信息、基础信息、资产、信用、消费等多维度特征，全部离散化、特征化、标签化，在交叉以后，基本的特征维度有2000维甚至更多。

2. 算法库，可以容纳大规模的机器学习和深度学习的算法，包括LR、MLR、CNN、DNN等等相关算法。

3. 针对性的服务设计，从用户信息和历史交易数据当中挖掘潜在客户和客户偏好并预测概率，提供具体的客户人群包、产品推荐序列等服务。

4. 模型追踪，可以在平台上实现从“模型预测”到“用户触达”，再到“意向识别”的效果验证闭环。

5. 模型训练，提取正负的训练样本进行模型训练，而且可以在各个具体的模型当中同步并发的训练。

6. 模型库，比如资产预估模型，理财偏好模型，高消费模型、代发工资活跃因子等等模型。

同时，平台一个非常重要的能力就是支持机器学习建模，因为现在银行的数据量也足以支撑基于深度神经网络机器学习，那么，这个建模平台可以支持各种优化模型以及第三方的机器学习模型以实现落地优化和调试。

——RPA数据驱动引擎层

通过挖掘、推荐将相应场景的潜在用户提取出来，帮助将大脑当中挖掘出来的目标客户应用到各个场景，无相盘在挖掘引擎的基础上，针对用户标签和特征值进行分类聚合，形成了特定场景的客群划分，从而可以根据客户画像进行定向输出。

自动驱动工具，进行多个渠道的自动化的投放运营，更多是提供了API和SRS的输出界面，好处在于可以大幅度降低使用大数据平台的门槛。

除了大数据相关人员可以用编程接口来做以外，有一定模型基础的业务人员、营销人员也可以直接在平台上根据其喜好，个性化生成客群的人群包、白名单库等等。

以汽车车主为例，首先可以把车主人群筛选出来，然后根据车主人群的资产标签的特征，以及车主在购车、借贷、车辆保养、购买保险等行为进行相应的推荐。

我们不仅仅输出推荐产品的结果，而且实际的驱动工具能够直接触达用户、进行个性化营销，同时在第一个流程节点的营销网获取意向用户，再推送给下个流程。

比如下一个对应的客户经理，能够根据机器人和（上一个）客户经理的具体跟进成效，为其累计业绩，同时这些业绩又能够验证和反馈训练挖掘模型，从而形成一个端到端的全数据运营的闭环。

RPA驱动引擎场景，可以对各种零售业务场景精准输出潜在的意向用户，并按照用户和业务场景的相关度的数据大小的排序输出白名单。

通过行方的手机银行的线上渠道、短信、人工坐席、象小秘的AI外呼等多个促客平台和工具针对用户展开一人一面的营销，同时在良好的用户体验下获得高转化率。

同时，这些数据驱动的场景营销和运营活动都是自动化流转和运行的，可以触达人工服务条件下无法触达的几乎所有零售场景和海量的长尾用户，从而产生了新收入，创造出新业绩，完成KPI。同时因为整套系统都是自动化流转的，基层减负的问题也得以解决，基层员工的负载反而是呈下降趋势的。

总体而言，驱动引擎是围绕着用户的需求进行端到端的业务闭环。相关场景包含了金融业务的事前、事中、事后，将以前大量的繁忙的银行基层事务工作转化为机器人的任务，以及人机协同的过程，以达到降本增效的结果。

同时，可以将原来银行只能够服务5%的头部私行客户的服务能力，提升到可以为80% ~90%的长尾客户都提供精细化以及个性化的服务，真正实现带来新收入、创造新业绩的目标。

——AI数据驱动用户触达层

目前，象小秘AI智能营销外呼语音机器人已经实现软硬件一体化，将其落地到分行、支行，部署相应的象小秘智能终端，可以非常灵活组网，每个终端上可以跑8-12个这样的机器人。

这样就使得原本需要客户经理投入大量精力参与的电话营销工作，或者是微信上的对话工作，优化为通过机器人与客户进行初步的沟通和筛选，将意向用户筛选出来之后，再由客户经理二次跟进转化的人机协同的工作模式，从而帮助网点以及客户经理极大提高触达用户的效率。

此外，在整个过程中，AI还可以在后台实现自动的督导、统计、优化，也可以对后续人工客户经理跟进的相关内容和话术进行评估和打分，再反过来对人工的跟进环节以及人工呼叫的相关工作进行评估和质检。

AI智能外呼营销具有以下优势：

首先，节省人工费用。相对于人工外呼，在同等转化率的情况下，根据目前客户与商务模式估算出来，AI机器人每天只需要27元的成本。

而人类客户经理一般则需要日均700元的成本，如果一个客户经理外加三个机器人助手，总业绩就相当于10个人工客户经理所完成的业绩。

第二，沟通质量高，AI机器人不会受到工作时长的影响或者其他方面带来的情绪问题。

第三，另外，语音的质量可以进行个性化调配，会根据嵌入程序稳定的与客户进行沟通，没有太多差错率，同时也可以带来比较方便的培训和训练，达成真正的标准化。而人工外呼团队要进行标准化的培训，还是要付出相当的努力。

第四，不断提升正反馈， AI智能对话平台能够不断积累相应数据，机器人通过自然语言与客户沟通，在过程沟通当中，后台的智能软件能够实时分析对话内容，将对话内容首先以结构化的数据进行存储。

第五，同时后台软件能够实时标注互动内容，利用标注后的数据，不断自动机器学习优化NLP的语言模型，从而提高端到端的识别率和准确率。

整个AI的外呼平台是基于以下4个层级来进行架构的：

底层是一个通用的知识图谱，机器人在与用户对话的过程中，可能用户会问一些通用知识相关，机器人也要掌握。

再上层是一个针对行业和具体场景的知识库，我们将其分成金融相关场景的知识库，例如年底的大额理财或者是信用卡推广的开门红等。

第三层是NLP能力层，NLP平台已经历过数亿次的真实对话和多轮对话的场景，包括智能语音的翻译、智能语义以及智能对话、意图识别等等。

最上层就是具体的应用场景，针对目前银行客户的多个核心的业务部门，比如个金部，涉及到相关的理财、存款、保险以及贷款等；网金部则会涉及到第三方支付平台绑卡，电子医保业务，还有手机银行等。

此外，信用卡部也是拥有非常丰富的场景，主要围绕着卡的生命周期展开，从开卡、核卡、促活、消费到最后的账单分期。

例如开卡环节可以支持某一个地市，针对一个具体人群，例如公务员人群、教师人群或者是微商人群，在这个过程中，整个的对话流程、落地页以及相应的用户回答的问题库都不尽相同，这样有针对性的细分可以让机器人更贴近用户，沟通的内容更贴合他的感知，一方面体验更好，另一方面其转化率也会更高。

在实际应用当中，凡是重复机械式的外呼任务，都可以交给AI智能营销外呼机器人来完成海量的客户意向筛选、客户回访、活动营销、电话通知等等，几乎涉及到银行所有的核心业务部门。

同时，我们也利用边缘计算技术，通过大规模的 Multiagent模型的分布式AI系统架构，实现了计算资源、数据资源、带宽资源的云、边、端的最佳配置。

在支行网点、合作商户、经营场所、配置服务器运行统一功能的智能代理软件，在各个软件中心、数据中心配置大型语音服务器，承载无相盘的超级大脑，多个超级大脑和各支行的服务器，通过统一的数据智能加网络协同框架，共同完成各项智能金融业务。

整个的实践流程提供平台加一揽子服务，是一个可验证、可回溯的交钥匙工程。

——银行智慧零售全链路闭环层

在银行新零售的场景营销这个自动化流程过程中，要做到将其数据应用渗透到场景当中的每一个节点，也就是要把AI在整个环节当中的每个环节都要做好，这个过程被称为S1到S5的全过程自动化运营。

包括自动识别（识别用户），自动推荐（推荐用户喜欢的产品），自动跟进，自动计酬，以及自动优化五个过程，将超级大脑AI工具、智能终端整合起来，形成一套全自动的运营增长系统。

全自动识别，扩大银行的主要出口场景上的识别范围，覆盖了APP、微服务网站以及线下的网点与合作商户。从设备指纹、ID逐步扩展到用户生物特征的识别。

比如可以利用合作商户自有的视频摄像头，比较准确地识别用户，在营业厅也可以提供这种生物识别特征。

全自动推荐，从利用行方现有的数仓，用户现有的标签数据的自动聚类和个性化的推荐，以及无相盘的能力，利用用户实时行为和海量维度特征，进行千人千面的自动算法推荐。

全自动溯源，在推荐出来后，通过各个渠道以及客户经理掌上移动办公的社交传播工具推广出去之后，要核销业务是否得以办成。

另外，在计算业绩时也需要做到全自动溯源，也就是RPA驱动引擎还要负责记录在整个传播链路当中所有节点的溯源关系，并且通过计算的所有节点的传播指数来动态分配，以提高整个传播链路的效率，最后做到闭环的核销等等。

全自动优化，在整个过程完成算法迭代以后，需要在平台上测试不同的算法，因为在不同节点上它有不同的策略，我们可以针对这些不同策略快速部署ABtest算法，保证在有大批量推荐策略的情况下，尽快地缩短冷启动的时间，迅速找到最优策略。

系列全回顾丨银行业AI生态云峰会

雷锋网主办的本系列云峰会暂告一段落，欲获得所有讲者视频以及PPT回顾内容，可关注公众号“AI金融评论”（ID: aijinrongpinglun），进群获取回放链接。

近年来，俄罗斯一直在努力完善本国支付系统，去年11月，俄罗斯便规定年收入高于4000万卢布（1美元约合73.52卢布）的大型购物网站必须接受俄罗斯本国银行卡米尔卡支付，这项新规旨在减少对西方金融服务的依赖、保障国家金融安全。

在中国，互联网公司腾讯、阿里（蚂蚁）都在数字支付这一领域做出了很多创新和贡献。而Mail.ru也希望做出俄罗斯的“支付宝”、“腾讯支付”。

Mail.ru（Mail.ru Group，ООО）是俄罗斯的一家老牌互联网公司，它始于1998年，最初为用户提供一种电子邮件服务，后来成为俄罗斯最有影响力的互联网公司之一。

Mail.ru旗下的Vkontakte，简称VK，创立于2006年，拥有70多种语言，是俄罗斯本土最大的社交网络。这次合作中，Mail.ru将作为支付合资公司的最大股东持股40%，USM控股、俄罗斯直接投资基金、MegaFon和蚂蚁集团将以现金和资产等不同形式出资。交易还将履行相关审批流程。

由于疫情等因素的影响，近年来俄罗斯、东南亚等全球新兴地区的电商市场得到快速发展。这些国家和地区对数字支付这类线上交易方式产生了巨大的需求，

而蚂蚁集团看中了这一点，密集布局东南亚、俄罗斯等地区。根据协议，蚂蚁集团将和Mail.ru、RDIF、MegaFon、USM控股成立支付合资公司和金融服务公司，专注于服务俄罗斯当地用户，为俄罗斯日益流行的网上购物等使用场景提供数字支付和金融服务解决方案。

蚂蚁集团近年来一直在积极布局海外市场。在蚂蚁集团去年公布的招股书中也显示，在集团的全资子公司中，Alipay Singarpore E-Commerce负责跨境数字支付与商家服务，ANT KBW、Antfin（Netherlands）、Alipay （Hong Kong）等的主要业务则是海外投资管理。

蚂蚁集团希望通过投资入股+技术输出，即通过入股本地公司的模式，将“支付宝”的成功经验复制并推广到全球。

而这次与俄罗斯互联网巨头共建合资企业，并不是第一次，早在2016年，蚂蚁集团便与泰国支付企业Ascend Money签订战略合作协议，帮助Ascend Money发展其在泰国的数字和线下支付及金融服务业务。据CNBC报道，蚂蚁集团当时计划持有Ascend Money 20%的股份，并有进一步购买10%股份的选择权。

据不完全统计，目前，蚂蚁集团「数字支付」的足迹已广至香港、印度、泰国、孟加拉、韩国、缅甸、巴西、印度尼西亚。（雷锋网雷锋网雷锋网）

现在的银行，不仅要面对同业或者科技实力强大的互联网公司“争利”，还要在疫情期间“让利”于民，可谓压力倍增。如何使用「智能营销」等数字化方式，最低的成本和最快的速度触达核心客户，成为银行最关注的课题之一。

大部分银行已经在行动，并做得卓有成效。比如交通银行2019年升级了智能机器人雅典娜，实现从简单人机交互到复杂业务营销的升级，智能坐席解决率较年初提升3.9个百分点。

农业银行也在2019年年报中指出，智能推荐提升理财产品营销响应率达4倍以上，客户流失预警试点支行客户流失率下降30%以上。2020年上半年年报显示，农行的数字化精准营销成效明显。农行全面推广数字化客户关系管理系统、“数字人”管户、 金融小店等数字化营销工具，上半年累计销售额超3.8万亿元。

当然，想要快速提高营销效率，与专业的科技公司合作共赢，才是银行的“最优选”。

值此跨年之际，雷锋网以「线上云峰会」的形式，邀请数字化风控、数字化营销、数字化客服、数据平台、数据中台、数据安全、数据库、银行云、银行RPA、银行业务系统，十大银行赛道里的科技专家，分享他们对于银行科技的理解。

在「智能营销」赛道，我们邀请到摸象科技董事长高鹏博士。高鹏师从中国工程院院士潘云鹤，拥有五项国家级发明专利，同时还是摸象浙大金融智能联合实验室主任，拥有丰富的从业经验和硬实的技术背景。

他将给大家带来摸象科技帮助国内2000+银行全面实现金融全自动化场景实时推荐智能运营的实践经验。

嘉宾分享议程

高鹏  摸象科技董事长、摸象浙大金融智能联合实验室主任

简介：高鹏，1998年毕业于浙江大学计算机学院，师从潘云鹤院士，荣获博士学位，曾在SCI/EI/ISTP/CVPR等国际知名期刊、国内核心期刊以及国际学术会议上发表论文数十篇，荣获人工智能发明专利5项，国内第一套移动Boss计费系统模型创建者。

演讲主题：《数据智能驱动的银行AI新零售运营模式》

演讲时间：2021年2月1日，晚上20：00——21：00

演讲大纲：

（一）银行零售营销面临的线上线下痛点

（二）数字化智能管理平台实现大规模精准营销

（三）AI外呼机器人实现客户跟进触达全自动智能营销模式

（四）驱动银行网点一切节点智能营销闭环

如何听课（观看直播）？

1. 关注公众号：“AI金融评论”

2. 对话框发送关键词“参会”，即可进入专家微信群观看直播，与技术大佬谈笑风生

课程面向人群

• 人工智能与金融科技企业高管、研究员

• 高校计算机、人工智能教授与研究生

• 银行的科技与研发部门主管

• 对人工智能在金融领域应用有浓厚兴趣的人（雷锋网雷锋网）

在报告中，“北上广”按照惯例回顾了前一年的主要工作，并对“十三五”时期的发展成就进行了总结。同时，北京市、上海市、广东省也都在政府报告中提出了“十四五”时期的发展目标和重点任务，并对2021年的工作安排展开规划。而在2021年规划中，这三地政府都不约而同的提到了“数字货币”。

从2014年开始，中国便计划用数字货币取代人们携带的现金；2016年，时任中国人民银行行长周小川表示，计划用十年左右的时间让数字货币取代已在中国历史上有800多年历史的纸币。

而数字货币真正在中国各大城市展开大规模试点活动是在2020年下半年。2020年9月，央行主管的金融杂志《中国金融》认为法定数字货币具备落地条件，应加快发行。

此后，深圳、苏州等中国各大城市才密集的进行数字货币的大规模试点工作。

多国赛跑，80%的央行在行动

其实近年来，全球各国的数字货币竞赛十分激烈。

国际清算银行近日发布的一份全球央行在数字货币研发方面的调查报告显示，截至2020年12月15日，全球66家回应调查的央行中，约80%的央行正在开展数字货币相关研发工作；约40%的央行，如日本、瑞士等国的数字货币研发工作已从概念研究阶段发展至测试或概念验证阶段；还有10%的央行，如法国、瑞典、新加坡、泰国等国央行已开展相关试点计划。

据雷锋网统计，在GDP前二十的国家中，中国、韩国、法国已经展开了数字货币的试点工作，法国更是在2020年初抢先展开数字货币的测试。

2020年，对于全球数字货币的发展是十分重要的一年。除中国外，美日欧这三大全球最强经济体也都展开了对数字货币行动。

2020年4月，Libra发布白皮书2.0，锚定单一法币（美元），欲凭借Facebook的26亿月活用户的优势，为数字美元开疆拓土。

2020年7月，欧盟国家立陶宛成为全球首个央行发行数字货币的国家，此后（10月）欧洲中央银行、日本中央银行相继发布了首份数字货币报告。

数字美元、数字人民币、数字欧元.....拉开了全球各国对于数字货币新一轮竞争的帷幕。

北上广“扛起大旗”，各领风骚

面对全球愈加浓厚的数字货币研究氛围，北京、上海、广东这三个中国省市的“领头羊”更是潮头登高、奋力击桨，积极参与到数字货币的试点工作中。

北京市

1月23日，北京市第十五届人民代表大会第四次会议开幕，北京市市长陈吉宁在《政府工作报告》中明确提出今年北京市将加快金融科技与专业服务创新示范区建设，推进数字货币试点应用。

在《政府工作报告》中，陈吉宁重点提及北京市将继续大力支持金融业开放发展，并作出六点指示：率先落地国家金融对外开放政策；出台实施绿色金融、科技金融两个改革创新试验区方案；加快金融科技与专业服务创新示范区建设；推进数字货币试点应用，完善“监管沙箱”实施机制；推动新三板改革；加快设立金融法院。

回顾2020，北京市的数字货币试点应用早已正式启程。

2020年8月26日，由北京联合大学商务学院、正道智库、中央财经大学中国银行业研究中心共同成立了北京数字货币研究中心（Beijing Institute of Digital Currency）。

2020年12月，北京首个央行数字货币应用场景落地北京丰台丽泽。位于丽泽桥西金唐大厦的漫猫咖啡，已经启动了数字人民币应用场景测试。获得授权的消费者可以使用数字人民币钱包支付购买各类商品。

2020年12月底，北京在地铁大兴机场线开展数字人民币体验活动，同步推进更多场景试点。

上海市

1月24日，上海市第十五届人民代表大会第五次会议上，上海市市长龚正作政府工作报告时指出，推进数字人民币试点。

在上海市《政府工作报告》中，龚正提到：持续推动金融业扩大对外开放，继续集聚一批功能性、总部型机构，推进数字人民币试点。

上海市积极推动数字货币在本地的落地进程，2020年9月，中国人民银行数字货币研究所与上海市长宁区人民政府在沪签署战略合作协议，旨在共同打造高品质金融科技功能平台和区块链技术应用示范区，为上海金融科技中心建设持续贡献力量。

根据协议，双方将集聚技术、人才、场景和服务优势，成立上海金融科技公司，逐步实现贸易金融区块链平台和技术研发中心落地。

2021年1月初，上海同仁医院开展了数字人民币试点测试，此次使用中国邮政储蓄银行提供的技术，率先借助数字人民币“硬钱包”，实现点餐、消费、支付一站式体验。值得注意的是，中国邮政储蓄银行的总部就在上海，是中国六大行中总部唯一在上海的国有银行。

此后，上海陆家嘴中心商场也开始了数字人民币试点测试，在“7分甜”奶茶店可以支持数字人民币支付，还可以打98折。这次试点由蚂蚁集团提供技术支持，当前只有支付宝员工可以使用数字人民币支付。

广东省

和上海市同一天，广东省省长马兴瑞作政府工作报告时也表示，支持深圳打造数字货币创新试验区。

广东省在今年的政府报告中，也提到要支持深圳构建高水平要素市场体系，建设自然资源资产交易平台，推进全球海洋中心城市建设，打造数字货币创新试验区。

目前，深圳已经有两家与央行数字货币研究所设立的机构：深圳金融科技研究院、深圳金融科技有限公司。

其中，「深圳金融科技研究院」是经央行批准的，由数字货币研究所在深圳设立的研究机构和企业化运营主体；「深圳金融科技有限公司」，是目前唯一一家由央行数字货币研究所全资控股的金融科技技术开发公司，定位于金融科技与法定数字货币的高端研发与测评中心、科技成果孵化中心、科技交流合作中心以及金融科技人才培养中心。

深圳还是唯一一个，央行进行了三次大规模数字货币试点的城市。第一次在罗湖区，共投放1000万元数字人民币红包；第二次在福田区，不但活动金额更高，共投放2000万元数字人民币红包，而且此轮数字人民币红包试点活动推广范围更广，不再仅限于辖区内商户，而是推广至全深圳市；第三次在龙华区，面向龙华区商事主体中购买社保的春节留深人员发放2000万元数字人民币红包。

除了北上广外，更多的城市正在参与，雷锋网获悉1月27日数字人民币红包活动将“空降”成都，此次成都的数字人民币红包将共计发放5000万元。

此外，苏州也将在1月27日进行本地第二轮数字人民币红包测试活动，共发放4000万元。

可以预见的是，中国越来越多的城市和居民，将体验到数字人民币的红包福利。

助力各大城市，科技企业涌入“数字货币战场”

各省市政府在推动数字货币的试点工作中，也离不开与各大科技企业、银行的深入合作。

原央行行长周小川在2020年12月就曾公开表示，数字货币项目要搞双层运营体系，第一层是央行，第二层是机构（包括商业银行与企业），央行会将数字人民币的部分权益和责任交给银行或者企业。

而据专家表示，目前央行数字货币项目并不只有一个技术路线，会存在多项技术路线同时进行的情况。这也给更多机构能参与数字货币项目，带来了更多的机会。

在此背景下，各大科技公司也积极参与到各省市数字货币的试点应用中。

比如在上海陆家嘴的试点中，蚂蚁集团就提供了技术支持；而2020年12月，苏州市的2000万元大规模数字货币试点工作中，京东提供了技术支持和线上线下的应用场景，京东还成为试点中首个接入数字人民币的商城APP，“幸运的消费者”可以登陆京东APP直接使用数字人民币线上支付，购买商品。

此外总部在北京的美团、滴滴、拉卡拉，总部在上海的Bilibili，总部在深圳的华为，都已经和央行数字货币研究所展开了合作。

大国之争，实则是城市之争、企业之争。

国家推进数字货币的发展过程中，将有一批城市和企业，率先吃到时代红利，抢占下一个十年的发展先机。

而在这一全球竞赛的舞台上，谁先占据科技的制高点、谁先拿下更多的业务场景，谁也将在这百年未有之大变局中立于不败之地。雷锋网雷锋网

在此大环境下，多个超新星品牌还能迅速崛起和爆发式增长。在营销5.0时代，这些品牌通过一系列“以人为本”的新技术在顾客价值旅程中创造出巨大增量，并拥有超高粉丝粘度。

在此环境之下，科特勒咨询集团将于2021年1月23日举办在线上科特勒未来营销峰会，雷锋网联合主办了此次峰会。

峰会主题为「营销5.0时代，超新星品牌的崛起」。 本次峰会，科特勒咨询集团将发布这些超新星品牌在营销5.0时代的定义、白皮书、及打造超新星品牌的底层逻辑和方法论，分享最新实战案例，发布超新星品牌指数模型，揭示这些品牌崛起的秘密。 

世界现代营销学之父菲利普·科特勒等营销行业国际大咖将与国内超新星品牌企业创始人共同探讨如何进一步升级品牌。 与此同时，首届“中国礼物品牌培育活动”年度盛典将在当晚隆重召开，部分首届入围企业代表将闪亮登场！

这一计划能否落实，我们还难以预测，但是各国央行加快数字货币研发，已经成为一个全球趋势。

2021年1月11日，香港金融发展局（下称“香港金发局”）发布了一份有关全球央行在数字货币研发方面的报告，雷锋网从中获悉，全球已经约有五分之四的央行开展及进行有关央行数字货币的研发工作。

无独有偶，国际清算银行近日也发布了一份全球央行在数字货币研发方面的调查报告。

【 图片来源：经济日报 】

据这份调查统计显示，截至2020年12月15日，全球66家回应调查的央行中，约80%的央行正在开展数字货币相关研发工作；约40%的央行，如日本、瑞士等国的数字货币研发工作已从概念研究阶段发展至测试或概念验证阶段；还有10%的央行，如法国、瑞典、新加坡、泰国等国央行已开展相关试点计划。

据不完全统计，在GDP前二十的国家中，中国、韩国、法国已经展开了数字货币的试点工作。

法国一直处于全球CBDC实验的前沿，于2020年年初便开始央行数字货币测试，2020年5月，其与兴业银行合作，成为首个在区块链上成功试用数字欧元的国家。

2020年7月20日，法国央行法兰西银行（Banque De France）公布了八名参加央行数字货币（数字欧元）测试的候选人名单，包括埃森哲（Accenture）、汇丰银行（HSBC）和兴业银行（societegenerale）等主流银行业巨头，也包括规模较小的专注于加密领域的玩家，如Seba银行和Liquid Share。

2020年，中国也进行了十分深入且多频次的数字货币试点工作。

目前，中国人民银行的DC/EP（央行数字货币）已在深圳、苏州等城市开展了试点工作。其中央行在深圳进行了两次大规模试点，共投放4000万元数字人民币红包，第二次（2021年1月1日）试点范围覆盖整个深圳（不限户籍）；而在苏州，央行向苏州市民共发放了2000万元数字人民币红包，苏州市民不仅可以在线下商店体验，在线上也可以采用数字人民币的支付方式。

【 图片来源：52CBDC 】

有着亚洲四小龙之称的韩国，也加速推动数字货币的试点工作，目前已完成研发工作第一阶段审核，已制定好具体的试点工作，打算于今年1月推动数字韩元的计划确立、产品设计。

日本央行也宣布，将于2021财年启动数字货币实验，测试数字货币的基础核心功能。日本银行正联合三菱东京银行、三井住友银行、瑞穗实业银行等三十多家大型金融企业研发由私营部门驱动的数字货币，预计将于今年4月启动主权数字货币可行性研究。

此外，厄瓜多尔、乌克兰和乌拉圭等国家已经完成了零售型央行数字货币试点；巴哈马、柬埔寨、东加勒比货币联盟和瑞典等国家也正在进行试点。

文章来源：

1. 多国加快数字货币研发测试——《经济日报》

2. 八成央行开展法定数字货币研发 全球或会加速进入无纸化货币时代——《华夏时报》雷锋网雷锋网

究竟RPA和AI，如何优化银行内部业务流程、加速银行数智化升级？

适逢跨年之际，雷锋网以「线上云峰会」的形式，邀请数字化风控、数字化营销、数字化客服、数据平台、数据中台、数据安全、数据库、银行云、银行RPA、银行业务系统，十大银行赛道里的科技专家，分享他们对于银行科技的理解。

其中达观数据联合创始人纪传俊于2020年12月29日做客雷锋网《AI金融评论》，从技术、业务、行业趋势等角度，分享他对于「银行RPA」的洞见。

以下为纪传俊的演讲内容，雷锋网AI金融评论作了不改变原意的编辑：

各位现场的朋友，大家晚上好，我今天演讲的主题是《RPA+AI：赋能银行数字化转型的全新引擎》，和大家聊一聊达观基于RPA+AI技术在银行业的整体的解决方案。

智能RPA与银行数字化转型

首先，银行为什么要进行数字化转型？

我认为，今天的银行业面临着三大挑战：

第一，中国经济增速放缓，成本承压。

银行业的黄金时间已经过去。在中国整体经济高速发展的情况下，国家政策对银行业是比较宽松的，所以它在黄金时间得到了飞速发展。 

而如今，无论是国内，还是国外，经济发展都在放缓。银行受到大环境的影响，其各项成本实际上越来越高。

第二，客户期望值日益提升。

现在客户普遍认为传统银行以前的服务体验较差，流程效率较低。 

第三，银行的竞争对手相继涌现。

比如微信、支付宝等这种非金融机构，逐步拿到了金融业的牌照。随着互联网或者金融科技企业逐渐增多，会给传统的银行企业带来比较大的挑战。 

在这种大背景下，银行需要自我优化升级，从智能化或者自动化的角度，同时从全链路包括内部的业务流程，做一个整体的效率提升。 

我们现在需要基于RPA与AI给银行做数字化的赋能，我们现在用数据驱动智能，总结了一个路径，以实现银行全面数字化转型。 

首先，是基于现在银行收集的各种数据源。数据的来源很多，像是一些银行企业用户大量的数据，我们现在的模型算法，包括现在很成熟的深度学习技术，是基于这些数据做一个整体联动的挖掘和提炼。 

其中涉及几个关键技术，比如 OCR图像识别证件、票据等，在银行很常见。

其次，是一些NLP的语义理解，包括银行内部流转文档，包括客户填报的合同、申请书等等。

同时，再加上RPA机器人，替代原来银行内部业务员需要手工完成的大量重复劳动，并对其进行优化。 

最后，是现在比较火的知识图谱，不仅行内用的制度可以构建这种知识图谱，行内客户也可以构建关系图谱、风险图谱等等，以推算银行的核心的信贷业务，它的风险有没有问题等等。 

这四大AI关键技术，是在技术和数据的基础上，我们针对银行的各种场景以打造智能的银行机器人，同时结合了RPA和AI的技术，包括企业信贷、国际业务、运营管理、智能推荐和投研分析等等。

这些直接面向银行某些具体的应用场景，或者面向银行的某些具体部门的某个具体的操作场景的机器人，以帮助他们实现智能化和自动化的流程。 

最终，我们会有一个基于银行的智能业务系统，比如针对信贷全流程的智能信贷，包括针对银行的国际审单、国际结算业务的智能审单，针对运营管理的智慧运营，针对客户终端的智慧营销，以及针对投研部门的智能投研等等。 

达观在这个行业里积累了比较多的客户，一个简单的客户墙，我们从大型银行到中小型银行基本上都有触达，包括证券保险与其他金融企业也都有所涉猎。

达观数据银行业RPA应用场景分享

那么，RPA在银行业有哪些应用场景呢？ 

首先，一个场景到底是否适用机器人，我们有一个大概的评判标准，主要满足以下四大特性：标准化、高重复、数据量大以及成本。

因为对用机器或者用AI替代人的工作，或者优化人的工作效率而言，能快速产生效率的场景都是在标准化、高重复的场景里面。 

而如果想要产生比较大的价值，肯定是这个场景其数量庞大，或者是流程的工作量以及需要处理的数据量较大。

其次，现在投入的人力成本、人员的数量，包括人的耗时撑起来的成本较高的场景，做智能化或者自动化的替代，其收益是比较高的。

现在需要针对这4个特点以区分一些场景，得到我们的业务场景之后，再用智能机器人的方案结束和解决场景上的问题。 

基于前面所提到的几个场景进行以下分享：

首先，是智慧信贷，它面向的是整个银行最核心的流程——信贷流程，分为贷前、贷中、贷后三大阶段，其中涉及数据查询、数据处理（包括一些很专业的数据）、财务报表、银行流水等需要专业人员才能处理的大量的操作。

放贷的流程非常繁琐，比较原始的操作方式都是由大量的人工完成。它涉及大量的文字处理和手工操作，所以也是一个用RPA加AI这种智能方式替代的一个非常好的场景，其收益也会比较大。 

这里举例了四大场景，比如财务报表的自动解析，操作办法非常复杂，需要很专业的财务知识才能完成。

其次是基础信息的录入，做企业贷款需要录入相当多的材料，需要客户经理在很短的时间内将其录入到系统里，同时还要对企业的经营状况、信贷的风险进行分析，是工作量大、难度比较高的一个动作。 

再次，就是尽调报告的审核，需要对材料进行真正的审核之后生成一个尽调报告。其中大量的重复劳动可以基于AI的技术自动化完成，比如OCR再加上NLP处理之后，再做一个自动录入的处理。 

它的价值可以分为以下三方面：

第一，最明显的就是减少人工作业，其次是降低人工失误。当数据量大、东西比较多，在处理比较专业的财报、银行流水时，人是很容易犯错的。跟人当时的状态有很大关系，而用机器替代的好处就是它能保持一个比较稳定的处理水平。 

第二，提升效率，这种流程，人需要花费2~3天才能完成，但是机器1~2两个小时就能做完。反馈到终端贷款用户，他很快就能收到贷款，原来可能要花费一个星期甚至一个月，而现在的时间则缩短了一半。 

对普惠金融和小微企业而言，时间就是生命，越迅速的放贷给他们，对其整个经济的发展是有好处的。 

第三，提高风险的预警和监控能力，面对众多的材料、专业的数据量，很多时候客户经理可能会发现不了，或者漏看了一些里面存在的问题、风险，相对而言，机器可能会做错，但是绝对不会漏判，机器的好处在于能事无巨细的将材料里所有的问题找出来。 

有几个明确的场景，比如原来客户经理为了查询一个企业的风险，他可能要到国家企业信用信息公示系统以及海关等十几个系统里，查询企业有没有违规记录。

这种查询由机器来完成则很简单，只要发布一个任务，他都能一键帮助执行且在几分钟之内完成。 

这种由人来完成的比较重复和价值比较低的工作，用机器替代在收益上也会比较好。 

其次，财务报表分析，财务报表的分析需要很专业的财务知识，我们将财务报表进行自动化采集与解析，而对于专业的财务知识，我们则把专家的经验梳理清楚之后构建成模型，再植入到系统里面。 

对客户经理而言，对于一份财报，他只能机械的把一些数字搬到行业的系统里。这个过程不仅费劲，而且会抄错数字，甚至会遗漏一些财报里面隐藏的问题。我们的系统自动的帮助其完成了数据搬运，包括校验的操作。

基本流程是：首先，我们会自动登录企业的信贷系统，将企业的基本信息录入之后，找到这个企业提交的财报里的三大报表：资产负债表、损益表和现金流量表，对这三大报表进行自动解析，包括分析其中的财务关系、企业的风险，分析完成后，再将其自动填写到行业系统里。 

分析过程和结果将会呈现给客户经理。如果企业数据有问题，客户经理应该如何进行一些相关的操作等等。不只流程自动化了，而且把原来客户经理不一定会发现的风险、问题自动的暴露出来。 

第三，监管报送的场景，为什么要用RPA或者机器人来完成？因为现在每个银行的系统，跟央行或者银保监会的系统还没有完全打通。而监管报送，是每个月甚至每个季度、每一年都要执行的一个动作，要把行内系统的数据汇总之后再填报到央行以及银保监会的系统。 

这个过程很多都是机械式的Excel操作，或者是在网站网页上的操作，完全可以用机器人自动替代。 

而且效率明显，可以将业务人员从比较简单、重复的劳动里面解放出来，完成一些更加专业、更加高级的事情。包括房押贷款的快速生成。

首先，国家推行的普惠金融，现在有很多小微企业甚至个体户都需要小额贷款，原来的审批周期很长，整个流程都是手工操作，效率相对较低。 

用机器人的速度对其进行一个流程的自动化之后，则能大大提高放贷效率。 

具体例子，在标准的房押贷款合同的生成上面，在机器自动把系统里的数据下载后，直接填录到标准的合同模板里。直接生成一个有贷款的合同再发给客户，客户签完字之后，业务经理再对其进行校验，将原来制作合同的标准的动作流程自动化。

接下来的场景是智能审单机器人，应对的就是银行间在针对国际贸易协会发挥以及外汇交易等业务进行自动化。 

这个业务场景也非常复杂，它会涉及办理很多的国际业务，例如很多单证、单据的处理，包括在信用证、汇出汇款证或出口托收、出口议付等业务中，有大量的信用证、发票、合同、箱单、提单等比较专业的票据。 

需要对单据之间进行自动抽取、识别和校验。而原来人工需要把单据原件摆在面前逐一查看以发现数据的异常。 

第二，查验不同单据之间相同的信息是否吻合。虽然这个动作很简单，但是如果每天有上百个这样的任务就会很繁琐。

由人来完成产生的收益不是很大，但是机器则可以解放大量的劳动力，而且只要有问题，机器都会一一检查出来，这也是银行规避风险的的一个收获。 

总之，这种工作避免了人工的疏漏，防止了风险的出现，在整个流程自动化之后，审单业务由原来的3~7天转变成现在的一天就能结束，对国内企业国际业务的发展也是很有帮助。 

由于单据的难度比较大，我们融合了OCR加NLP，再加上RPA的技术构建出这个场景的能力。 

功能大概有几大块，我们在一些进出口业务比较多的银行，无论是城商银行也好，还是五大行都在这方面做了比较多的尝试并得到一些落地。

首先是单据自身一致性的审核，一个单子里面有很多的关键信息，但每个单子可能都不太一样。 

我们会将单子里面的问题识别出来，首先抽取其中的关键信息，将这些关系之间不符合行内的审单规则、行业的规矩或者规定的加以提示。然后让业务经理知道单据的问题。 

实际上也是基于图谱加NLP的技术做的构建。可能信用证跟相关之间有些这样的规则，信用证跟发票证件有些校正规则，相当于发票有些校正规则。我们通过这样的图谱联动以实现数据之间、多个业务不同数据之间的自动化校验。 

这个过程由人来做效率非常低，也很容易看漏，而机器则可以完美的解决这种场景。

接下来，面向于银行内部的运营管理的机器人，完成了很多非常细碎的或者人工操作特别多的工作。 

包括以下几个大项，一个是交互系统特别多，运营管理部要处理信贷系统、运营管理系统、信用卡系统，以及处理征信的第三方产品。业务人员处理的很多动作都是跨系统的操作，这种跨系统的操作非常适合用RPA做一个连接。 

在这些系统改造成本很高的情况下，做RPA的零件是一个成本相对较低的方式，但是审核难度较大，因为任务比较杂，事情比较多，很多事情还是需要一些专业知识才能处理好。希望将人的处理经验固化到机器人里面。 

几个具体的场景，比如企业开户。企业开户是一个很简单的操作，但是对银行而言，每天或者从按月甚至一整年来看，实际上整个开户量是非常巨大的。 

这个动作从人的角度而言比较简单。只要有一个开发申请书，上传营业执照、法人身份证等等就可以了。但是业务人员要对这些信息进行反复查验以确定是否对得上。这个动作可以由机器人直接替代，而且做得比人快很多、好很多。 

第二，对公开户，对公开户之后要进行审核，其目标就是处理。尤其是在O2O这种预约开户时，审查这个客户到底有没有风险？风险对银行而言是一条不能触碰的红线。

银行对于风险问题是严之又严。在企业开户时，银行要登陆国家企业信用信息系统、人行的账户管理系统、机构信用代码系统中查看企业之前有没有一些历史问题，其提供的信息是否准确。

这种审核对人而言也是一个很简单的查询操作，都是由人工的多个系统来回查询，包括客户提供的引进件，信息输入系统后进行查询，这些过程完全可以结合OCR、RPA实现自动化。 

达观在多家银行里面都已经落地了，包括开户之后要在银行做报备，可是报备要跨越行内的系统和央行的系统。

在人行的报备也是一个跨系统的填报动作。这个动作跟前面所讲的一样，因为RPA能很快的处理，自动的将原来行内录好的信息拿出来，登录央行的系统再进行入住。 

其中也有一些人机交互，比如机器出现异常的时候，会发出警告提醒给到业务人员，需要对其进行处理。

银行业智能RPA最佳实践

基于达观近几年与银行的合作和RPA+AI给银行的一些最佳的实践，总结出以下几点经验： 

RPA发展到现今阶段，应该是融合到智能机器人平台，而不是纯粹的RPA，只有RPA+AI的融合才能真正满足企业，尤其是银行的自动化的升级需求。 

数字化已经谈了很多年，现今阶段的核心还是要用 AI的技术真正地赋能企业，尤其是银行的数字化转型。

技术模块包括两部分，一个是RPA，包括了studio开发平台用于开发流程，包括控制中心、控制和调度所有机器人，以及流程的定时执行。另外就是真正在终端去执行任务、流程的机器人。 

另一个是人工智能组件，包括OCR的、NLP、CV、知识图谱技术以及推荐，也是达观积累多年的一个核心竞争力，也会给我们的RPA平台做一个组合。 

AI+RRA对银行业务，尤其是银行有大量复杂的文本、影像、数据的场景，非常需要有这样的能力以解决他们的问题。需要将AI+RPA二者进行一个深度结合。

银行业务中的复杂流程占到70%，每个复杂的流程都需要有大量的人工操作。这里面简单的RPA流程只占到30%。

所谓简单的RPA流程，既不需要AI能力就能完成的流程，一定需要RPA+AI同时完成的复杂流程则占到了70%以上。 

所以，为了完成银行业的业务需要具备几个重要的能力；第一个就是智能的文本语义、文档的语义解析的能力，第二是比较复杂的，尤其是对影印件的证照，甚至一些复杂表格、无框表格以及非标准表格的识别能力。 

第三，是一些制度和行业的一些复杂的规矩，包括审核的规则等等，需要基于知识图谱技术以沉淀RPA，沉淀专家的经验实现这种经验的沉淀和复用，包括最终以AI的形式赋能的业务流程。 

整体而言，从我们的经验上来讲，需要真正解决银行业的数字化转型，需要从整体上做一个顶层设计。

AI+RPA是一个基础能力，但是从组织架构,包括从规划上而言，需要构建机器人卓越中心。 

从宏观的角度，比如从全银行的角度推动这个项目，从组织架构上、技术沉上的配套。 

所以我们要构建一个RPA卓越中心，赋能业务单位的需要提供这种基本的功能，包括对一些业务流程的处理，一些能力的共享，服务中心等四大块。 

这四大块包括了三大支持，第一个是人员，需要一个专业的团队的建设，可以由企业帮助银行一起构建这个团队。

第二个是我们的流程，即平时的作业流程的再造和优化。

第三个是技术，引入AI+RPA的能力，需要将这三大块结合以构建RPA储备中心，才有可能真正实现银行业的数字化、智能化的转型。 

智能化RPA的规划和展望

对于智能RPA的规划与未来展望，我们有一些自己的想法，跟大家探讨一下。 

第一，为什么现在智能办公的价值很高，尤其在对银行业务梳理完之后，发现它的替代或者它的赋能，成效是比较高的。人在处理日常作业的流程中，有三大比较突出的弱势的地方。 

首先，人的记忆力肯定不如机器，计算机是用数据来存储所有的数据和细节。

第二，处理效率，人阅读文字可能会挺快，但是计算机还能更快，在生成文档时，人会更慢。如果是一个标准模板，让机器协助生成一些文档可以快得多。 

第三，做不细，人在审核大量的文档时，很容易出现遗漏，尤其是一些局部的错误，甚至细微的处理错误，可能对银行也是一个很大的风险。

而计算机的处理则事无巨细，它一个事情都不会漏过，特别适合在这方面对人进行补充。

在这三点上，机器不一定能完全替代人，但是他可以在人的能力范围之外进行补充，甚至优化和赋能。

应用RPA+AI技术，总结出以下三大价值，尤其在银行业，甚至在金融领域，以及在其他的行业都是类似的。 

第一，更快速，机器处理的效率会比人高很多，尤其是对于重复性的工作，能缩短70%左右的耗时。

第二，更准确，只要将机器人的模型和规则设定好，其他的动作都是非常标准的，能降低95%的以上的人的遗漏的错误。 

第三，更便宜。当应用到一定规模时，计算机的边际效应会直线下降。而现在的人力成本在不断提升。

尤其是现在考虑到国内的情况，由于人力的用工成本一直在提升，所以也是推动银行进行智能化转型的一个内在动力。 

另外一个效果就是计算机的处理能力，近几年，尤其是随着深度学习的高速发展，许多原来觉得很难解决或者达不到生产上应用的一些问题，现在算法的效果已经是能直接上生产应用了，而人工处理能力则没有发生多大改变。 

计算机跟人的处理能力的Gap越来越小，导致现在用计算机替代人的收益是大于我们的成本的。 

关于机器人的未来方向，也是基于一些Gartner的比较宏观的全球化的分析，我们来看到在RPA的应用中，5%是基础的应用场景，还有25%是实现跨系统和跨媒介的搬运工作。 

2020年的报告显示，原来的应用场景还是属于基础运维到数据填写搬运的比较低端的，或者覆盖面还没有那么广的一些场景。 

接下来，包括达观从事的很多事情，是帮助人优化、提效、增速，甚至是一部分的替代人的高级判断分析的内容。

未来70%的工作量，它的更高的价值是在帮助人提升判断、分析、理解写作的效率，或者帮助提高准确率，是机器所能发挥更大价值的场景。 

未来RPA+AI的应用会更加广泛，所产生的价值也会越来越大。

达观现在也是在不断的努力以优化我们的技术能力，包括跟银行业务进行一些更深入的场景对接。希望能以更有效的方式帮助真正的提高终端的业务价值，这是我们对未来的一个判断。 （雷锋网）

此次公开发行2亿股，定价区间为每股3.06~4.36港元，计划最多募资约10亿元。

新纽科技成立于2011年8月，是一家研发驱动的SaaS和软件解决方案供应商，目前已为近百家金融机构及超过200家上等级医院提供基于人工智能及大数据分析的SaaS和软件解决方案，公司已注册51项软件著作权。

招股书指出，新纽科技所提供的主要解决方案中，包括为金融机构提供RPA解决方案；称截至2020年3月31日，公司为中国少于10家成功将RPA商业化并产生收入的金融机构企业之一。若此次新纽科技正式登陆港股市场，将成为中国企业级RPA第一股。

招股书显示，新纽科技为金融机构（主要包括银行、信托公司及资产管理公司等）提供全面的解决方案，如BEAI平台、记账式柜台债系统、分布式交易平台及RPA解决方案等，以帮助完善其金融服务、数据管理、安全管理及运营管理。2019年，金融机构IT解决方案为新纽科技带来的收入为1.27亿元人民币。

2018年3月，新纽科技正式推出金融机构RPA解决方案。截至2020年6月30日，其RPA解决方案的部署帮助两家顶级金融机构，降低于各种应用场景中的劳工成本。

2018年8月，新纽科技推出记账式柜台债系统，且截至2020年3月31日，已在九家银行实施该系统，占截至同日中国聘请相关系统第三方提供商的合共17家银行的52 .9%。

“在纽约，每个人都走得很快。”这是黄又钢30年前初到美国的体会。

第一次去美国的时候，已在纽约生活了半年的太太陪他去逛街。他发现太太的步子走得飞快，而之前在北京，她总是习惯散着步走路。一开始黄又钢有些不太习惯，但他很快就适应了这样的快节奏。

从加入出国大军，到征战华尔街，再到回国创业，他一直与时代一同成长，不论是在美国还是在中国。他的人生和这个时代，紧紧地交织在一起。

• 1990年，改革开放浪潮袭来，黄又钢跟随出国大潮去美国纽约城市大学读书

• 2000年，美国金融业正在攀爬一个新的巅峰，黄又钢加入国际金融巨头——花旗银行，并成为花旗银行高级副总裁，在线上支付、信用卡、零售银行、贷款等领域研究颇深

• 2010年，辞职创业的梦想被全球金融危机的余波击碎，黄又钢加入另一家国际顶尖金融巨头——摩根大通担任执行董事，并负责其数据分析团队

• 2020年，黄又钢回国，前往深圳，共同创办金融科技公司——弘犀智能，担任首席风控官

今天的黄又钢，依然是一个身经百战、擒敌无数的指挥官，手握技术权杖，坐拥经验财富，运筹帏幄指引着团队日夜鏖战、争打江山。

风风雨雨三十年，已到知命之年的他回国创业，再一次与时代同行。

艰苦求学，初识金融

雷锋网：你在华尔街工作多年，但普通话说得很流利，是大学毕业后去了美国发展？

黄又钢：没错，我在读研之后，去了美国读书，在国内是学“技术经济”（工程经济学的一个分支），到美国后选学了“金融经济学”。

雷锋网：能聊一聊当时印象比较深刻的经历吗？

黄又钢：1990年我离开中国，在美国读书期间遇到了两个难题。

第一，英语极差，虽然考过了托福，但是听力根本就整不明白。教授在台上讲课，他用手写在黑板上的内容基本都懂（主要是数学表达式及推导）；可他用嘴巴说的基本都不懂。教授是很幽默的人经常讲笑话，大家常常哄堂大笑，每到这种时候，我都十分尴尬被迫挤出干笑，完全不知道他们到底笑什么。

第二是没钱。我是自费留学，当年国家外汇管制很严，因私出国只可以换汇40美元。自认为没钱不可怕，可以凭着双手打工挣钱。入校时，外国学生办公室提供了一个勤工俭学的机会——去汉堡王做服务生。

我就兴高彩烈地跑到汉堡王，想观察一下这份工作需要做些什么。当我走进店里，足足站了半个小时，发现一句话都听不懂，人家打招呼我也不知道怎么回复，一根木桩满脸堆笑。自己都不好意思了，只好灰头土脸的溜走了。没有语言，有打工机会也是无法胜任。

当时我们学习需要阅读参考书，但是国外的参考书往往很贵，没钱怎么办呢？只好先把这些书从图书馆借出来复印，系里秘书知道我没钱也就容忍我几百页、几百页的复印，最后印的碳粉筒都换了好几个。在美国读书期间，开始时，是过了一段艰难时期。

雷锋网：大概到什么时候，情况慢慢转好了？

黄又钢：没钱的问题比较容易解决。上学时没时间打工，就在暑假到中餐厅打工。第二学期开始拿奖学金，不存在活命的问题。

英语的问题时间长了点，当时反复看几部电影，看得快背下来了，在那个英语环境下，也努力与美国同学打交道。大概过了1~2年，慢慢忘记英语这件事情的时候，终于把语言这件事情整明白了。

雷锋网：那时候，有没有关注过美国比较热门的AI研究方向？

黄又钢：听到AI这个词，大概是在80年代，但还属于计算机范畴内，离真正的金融还差得很远。金融科技是2000年后才开始流行，由于从事金融的数据分析，包括建立模型、统计分析等，所以一直比较关注AI和机器学习算法的发展。

雷锋网：你加入这一行业应该也有二十多年了，其中整个社会和技术的发展发生了非常大的变化，可以给我讲一讲你所看见的或者经历的变化吗？

黄又钢：我觉得最大的变化是我们对数据的处理能力得到了非常大的进步。

刚去美国读书的时候，数据规模大概在MB这个层次。 后来我到摩根大通工作后，团队的数据量在TB这个等级。

从MB到GB，增长了1024倍；从GB到TB，又增长了1024倍。这二十多年来，我们见证了这样一个数据大爆炸从0到100的过程。

花旗八年，登堂入室

雷锋网：你是怎么进入花旗银行工作的？

黄又钢：在花旗银行工作之前，我在数据分析行业已经工作了七八年，直到2000年，因为一个契机，我才进入花旗，真正加入到金融行业。

当时我在一家有线电视公司的建模分析团队。做经理的老板是从花旗银行跳槽过来的，经常会把自己曾经在花旗是如何建模，如何做数据分析的事情说给我们听。我们可以明显感觉得到她语气中的那种“自豪感” 和 “优越感”不自觉的溢出。我们作为年轻人，觉得她讲得很精彩。

后来她又重回花旗，由于我干得不错，她建议我应该去花旗银行。于是把我推荐到花旗的一个部门工作。

雷锋网：在花旗，你主要从事哪些工作？

黄又钢：我从2000年开始就在花旗，一直做到2008年底。

这8年来我跳了4个部门，平均是两年为一个周期，在一个部门把业务整明白了就去另一个部门（当然有我主动也有被动的）。

在花旗银行的前两年，我跟着部门做线上支付，但时机不对，没能做成功。然后我就跟着老总回到了信用卡的部门，在信用卡大概干了两年，然后去了零售银行，因为零售银行的业务实际上很简单，所以大概干了一年，又去了贷款（房贷）。

这八年，我基本上把零售银行的各个条线跑了个遍。

在做信用卡的时候，我认识的一个老总要自己跳出来创业。他是整个零售条线的CRO，他说自己开公司，于是我们就一起跑到新加坡创业去了。 

这个创业公司是一个数据分析团队，包括了花旗几个风控高管。

我们为美国及亚太的主要银行提供风控和战略咨询，从印度尼西亚、菲律宾、马来西亚、泰国，然后台湾、新加坡本土的银行，只要银行老总曾经在花旗银行工作过的，我们多多少少都可以牵上线进去做了一些业务。

雷锋网：你觉得在AI金融领域，现在的年轻人应该深耕，还是说尽量多去接触各条线上的业务？

黄又钢：这两个一定要相辅相成。在技术方面一定要深耕，在业务层面一定要扩展。

业务方面，你必须得见得多，而且真正理解业务问题的痛点，才能够触类旁通，而算法数据你必须扎深，这样你才能对数据、对算法有更深理解。

在花旗银行工作的8年，我跳了4个业务条块。实际上，有一个底层的东西不动，就是数据分析和建立模型。只不过应用的场景不一样。

雷锋网：每个公司都有自己独特的文化，甚至也会给员工打下这个文化的烙印，花旗银行的公司文化是怎样的？

黄又钢：花旗银行的文化是非常驱动型的，就是一个逼着你向前冲的环境。

你想做好，你就得玩命，你就得加班，你就得比别人都要更领先。从老板到底层员工，整个公司都呈现出一个玩命的状态。节奏十分快，也许是在纽约的原因。

纽约城里大家走路，常看到一路小跑的人。 当时还练就了一个本事，由于工作压力大，所以睡梦中都在想工作，有时候睡梦中会跳出一些好的想法，但又不能开灯，就在黑夜里头直接拿笔在纸上记。 第二天早上居然还可以认出我的“摸黑”字体。

雷锋网：虽然压力很大，但也很充实。

黄又钢：是的，在那种高压的环境下，虽然很忙碌，但逼着你成长，逼着你想清问题所在及如何解决。不过好在数据分析是一件自己喜欢的事情，所以发现并不觉得累。

雷锋网：在花旗，有没有让你印象比较深刻的人或者事？

黄又钢：印象最深刻的还是那位带我进花旗的女老板。

她有两个特质，让我愿意跟着她。

一个是她分析和考虑问题非常全面，而从不是单点。讨论一件事情，一般人多是就事论事，但是她会想到这件事情周边相关的东西。

比如咱们现在讨论的是A和B的事情，她不仅要搞清楚A和B，及它俩的关系，

而且会让我们思考B和C的关系，A和C的关系。她经常会提一些这样的问题，逼着团队成员思考这件事可能会对周边看似无关的事情的影响。

第二，她喜欢寻根究底。一个问题，她会问你这个问题往下三四层是怎么回事儿？逼着你往更深层思考。另外她十分细致，如果是写汇报，小到一个标题、一个语法，前后衔接，逻辑关系，等等，她都会一一帮你指出来。那段时间真的被她整的挺惨。

但是经过那段时间磨练后，我也确实学会如何更好地思考，及做一件事应该怎么做得更完美。

加入摩根，深耕科技

雷锋网：摩根大通是一家非常出色的商业银行，你在摩根大通做到执行董事这一职位，有什么秘诀可以和我们分享一下吗？

黄又钢：这和我在花旗的那一段磨练，及在之后到新加坡的创业咨询，很有关系。

在花旗接触了各种类型的业务后，感觉触类旁通了。只在一个部门工作过的人，和在多个部门工作过的人，完全是两种思维方式。只在一个圈子里的人，他始终在他那个圈子里，出不来。

而因为在多条业务线呆过，我发现思路会开阔很多。而创业和咨询服务，逼着你要考虑周全和换位思考，这对于理解他人相互合作有很大的帮助。

第二点，在花旗还学到的一点是目标制定和执行力。有了眼界之后，你怎么把它落下来？怎么执行下来？你必须对它进行细化和拆分。

雷锋网：我们知道，每一家公司都有自己的特色，即使是摩根和花旗这两家顶级商业银行也同样如此，你曾近距离在这两家公司工作过，你觉得在摩根工作和花旗最大的不同点在哪儿？

黄又钢：非常不一样。我在花旗的时候要求每年盈利增长15%。这么大的盘子，每年增长15%，所以花旗银行的人都在疯狂的推动利润的增长。

摩根完全是另一套哲学，它提倡做正确的事情。它不以盈利为唯一导向。花旗银行与摩根大通在底层经营思路上的差异，导致了他们在不同时期的境遇。

花旗银行为了盈利，员工要提出各种方法去增长业务，主要是如何可以从客户身上拿到更多的钱。而进了摩根大通以后，我上的第一堂课就很有意思。员工大概是9点上班，所有的高层领导8:30前必须进办公室，听客服电话，听一听这些客户的意见、反馈或者难处。直接感受到客户的痛点和难点，然后思考如何改进。

雷锋网：如果按照这样的情况发展下去，花旗银行是不是会把摩根大通远远的抛在身后？

黄又钢：正好相反。2008年金融危机前，信用卡领域的老大的确是花旗。但金融危机之后，摩根成了老大。

奔着钱去并不等于你能够真正把钱拿到手，想要真正做到业务增长，绝不是只想着挣钱，而是要更好地思考如何提供客户需要的服务，要寻求一个平衡。

雷锋网：在摩根，你主要负责哪一方向的工作？

黄又钢：主要做数据分析和模型建立这一块。

数据分析团队一般分成两大块，一种建模型的，一种是业务分析的。

在摩根的那段时间，我主要管理模型建立，即管过营销模型，也管过风险模型。同时，我开始跟进金融科技这一块。因为金融科技这个概念，也是从2010年真正开始提上日程的。

在16年、17年，带领团队具体深入研究各种机器学习算法，并接触各种金融科技公司了解和掌握AI及算法上的最新动态，以及在智能风控等方面的进展。

雷锋网：在华尔街商业银行工作这么多年，你做过具体的比如智能风控等金融科技方面的工作，也曾领导和统筹过团队，您觉得遇到的最难解决的问题或者工作是什么？

黄又钢：最难解决问题，实际并不是我们自己业务问题，而是政府监管。

政府监管把美国把所有的银行都弄得很惨。这个事情起源于2008年金融危机，金融危机后美国收紧了金融行业的管理，出台了一系列法案，让银行不能做很多衍生产品。 

政府监管的过度严格，使得银行再也不去琢磨业务上该怎么改革及创新，而是首先考虑如何满足一系列监管政策的要求。

所以到了最后，监管把美国银行捆的死死的，很多技术有了，但是落地不了。

雷锋网：这也是您回国创业，创立弘犀的原因之一？

黄又钢：是的。 

回国创业，重新启程

雷锋网：还有什么其他原因促使你放弃华尔街的工作，回国发展？

黄又钢：一是因为美国的政策和国情。在美国你需要花费很长时间去应对监管，很多创新推行不下去。而且，美国对公众的个人隐私保护十分严格，银行想要拿到个人税务数据、社交数据、电信数据，这在美国都是绝对不允许的。而在中国只要你合理应用，这是有很大可能性的。

第二，在算法上面，这么多年美国虽然在机器学习领域持续研究，但是在风险管理上面，美国的法律要求很严。银行如果想要拒绝一个贷款，必须清楚的告诉申请人四条主要的原因，比如申请人最近查征信比较频繁，近期贷款的额度过高等等，这些原因需要一一解释。

然而，机器学习算法本身就十分复杂，里面繁杂的数学计算过程并不容易解释清楚，而且大数据是根据相关性而不是因果关系来做决策的，所以很难去解释为什么要拒绝一个贷款申请。

雷锋网：据了解，弘犀成立已一年，作为一家十分年轻的公司，目前弘犀最主要的工作有哪些？你在其中主要承担哪些工作？

黄又钢：我作为CRO（首席风控官），主要工作是风险业务的拓展及其执行。相对来讲，国内银行的风控水平比较弱，我们有很多机会可以去提升它的风控能力。

另外，弘犀作为一家新创立的公司，需要获得融资，这一块的工作我也在跟进。

雷锋网：你觉得金融科技公司，要抓住的“主要矛盾”是什么？什么才是公司发展最重要、第一要解决的？

黄又钢：风控有主动风控，有被动风控。主动风控的意义在于让整个公司的业务向上增长，同时把风险控制在合理范围，而不是简简单单的把所有业务都封死。

作为金融科技公司，如何帮助银行和其他机构把风险有效、合理地控制住，是我认为重要的事情。

雷锋网：你觉得AI金融科技有哪些有潜力的应用场景？

黄又钢：小微企业贷款是一个难点。

小微企业占了整个经济体量的百分之七八十，大多数老百姓的生存实际是靠小微企业。这是一个很有潜力的应用场景。

雷锋网：据了解，弘犀智能要在5年内成为技术驱动的全球FinAI领导者，现在弘犀已经成立一周年了，可以给我们分享一下目前做成了哪些工作吗？

黄又钢：目前，我们经历了几个发展阶段。

第一步，是如何发展业务？明确我们的核心技术和核心竞争力是什么？我们的市场定位是什么？我们如何帮助企业、银行去解决风控问题。这些我们已经有了细致的思考和明确的答案。

第二步，培养团队，把我们的核心团队逐渐建立起来。

第三，我们也实实在在做了几个落地的案例。无论是四大行，还是城商行，我们都已经实际帮它们做一些业务，进行了合作。同时，我们也确立好了自己的核心业务。

雷锋网：弘犀的AI业务边界在哪里？还是说完全没有边界？

黄又钢：我们的边界其实蛮清晰的，我们要做大C小B。

大C指的是目前我们在个人消费贷款领域，只做10万、20万左右的贷款业务。

小B指的是在小微企业贷款上，我们做300万以下的贷款业务。

这是我们的业务边界。

雷锋网：你在大公司任职多年，这次出来创业之后，你觉得自身最大的一个变化是什么？

黄又钢：大公司的团队很强，基层员工怎么做事情，有一套很成熟的规范。但是创业公司的员工，需要你一步一步的教，这一点很辛苦。

而且现在公司还没有融到资，大家也需要考虑工作的稳定性，也很难招聘到顶尖的同事，这是比较现实的问题。

前一阵子我们在公司里在谈孙悟空、猪八戒、沙和尚的故事。就是说孙悟空的本领大，但是猪八戒、沙僧其实也各自有自己的能力和特点。

在创业的道路上，既要有孙悟空这样有大本事的人，也需要猪八戒这种嘻嘻哈哈、快乐的人，也需要沙僧这种勤勤恳恳的同事。关键还在于有一个推进者，把大家凝聚起来，朝着一个方向前进。

五年前的春节，微信推出「微信红包」与春节联欢晚会互动，小小的红包甚至不小心抢了春晚的风头。微信官方公布的数据显示，2015年除夕当日微信红包收发总量达10.1亿次，成功打破支付宝一家独大的局面。此后，微信支付和支付宝几乎瓜分了整个移动支付市场。

五年后的国庆节，深圳市罗湖区政府也推出「数字红包」，为数字人民币的落地宣传造势。而这次，它把矛头指向了谁？

1000万红包试水，数字人民币“箭在弦上”

2020年10月8日，深圳市罗湖区政府出资1000万元，向5万在深个人发放200元数字人民币红包。

图片来源：雷锋网员工中签截图

但是此次的红包，有其使用时间和使用范围的限制。中签的幸运儿只可以在10月12日至10月18日，在罗湖区辖内已完成数字人民币系统改造的3389家商户进行消费。而且，红包不能转给他人或兑回至本人银行账户，超过有效期未使用将被收回。

由此可见，数字人民币与真正的人民币现金有所不同，类似于消费券，只有消费而没有储存、转账、提现等功能。

在此之前，央行也进行过多次数字人民币的试点工作。

• 2020年4月，雄安新区召开了法定数字人民币（DCEP）试点推介会，包括麦当劳、星巴克、菜鸟驿站、京东无人超市等19家单位参加。
  

• 2020年5月，苏州市相城区各区级机关、企事业单位员工通过央行数字货币（DCEP）的形式发放50%的交通补贴

• 2020年8月，商务部将其试点范围扩大到28个省市。其后央行主管的金融杂志《中国金融》认为法定数字货币具备落地条件，应加快发行。

相比此前DCEP只是在部分企业或者机构内部进行试点，本次数字货币首次向公众开放，不仅是央行DCEP试点以来的一个新场景，而且在用户范围层面实现了量级飞跃（面向全体深圳市民）。

争夺数字霸权，四大经济体“角力”

世界四大经济体分别是美、中、日、欧。而除了中国之外，其他三大经济体近期也动作频频，积极推动数字货币的进程。

2020年10月2日，欧洲发布了首份数字欧元报告。日本紧随其后，于10月9日发布数字日元报告。

而美联储早在数字货币领域布局多时。美联储联合6个国家的中央银行于10月9日，共同发表《中央银行数字货币：基本准则与核心特征》报告（下称“报告”），以促进数字货币发展和推进跨国支付。

报告指出，根据BIS调查，80%的中央银行已进入数字货币研发，其中过半已进入研究实验与实行阶段。为协调与巩固在数字货币中的努力，7国中央银行（美联储、欧洲中央银行、日本央行、瑞典央行、瑞士国家银行、英格兰银行、加拿大银行）连同BIS发布此份报告以表明其共同立场，同时阐明对数字货币的预期。

美国克利夫兰联储银行行长梅斯特尔也表示，美联储正研究推出中央银行数字货币的可行性。

梅斯特尔表示，疫情大流行期间紧急支付的经验，使得央行越来越关注中央银行数字货币。立法者建议，每个美国人在美联储建立一个帐户，可以将数字美元以联储债务形式存入该帐户，并可用于紧急支付。

 Libra，一个让各国央行“震动”的组织

美联储联合六国在数字货币领域的布局，究竟有多大成效还未可知。但美国科技巨头FaceBook主导的数字货币项目Libra，一诞生便震惊全球。

2019年6月，Facebook联合全球26家企业发布Libra白皮书，Libra在白皮书的第一句话介绍了它的使命：建立一套简单的、无国界的货币和为数十亿人服务的金融基础设施。

Facebook想要创建“全球货币”的野心，直接挑战了各国央行（货币主权）的“权威”，欧美各国央行震动，法国德国等欧盟五国联手抵制Libra，并试图将其扼杀在萌芽中。近一年来，Libra先后遭遇了美国国会以及美联储、欧盟等各国政府的轮番质询拷问，众多合作伙伴顶不住压力纷纷逃离，可谓是伤痕累累、满目萧条。

受此一役，被现实打醒的Libra进行战略撤退。2020年4月Libra发布白皮书2.0。相比第一版本的白皮书，Libra不再提“无国界货币”，不再直接挑战货币主权，而是锚定单一法币（美元）。Libra的这次战略撤退，实际上是希望与美联储结盟，希望在其庇护下顺利发行数字货币。

虽然Libra开局不利，但是它依然是各国央行最为警惕和重视的对手之一。目前除了Facebook之外，淡马锡、Blockchain Capital、Shopify等30家大机构都参与到Libra数字货币项目中，未来计划吸引100个成员加入。而且Facebook本身拥有26亿月活用户（占全世界互联网用户的六成），一旦正式推广，其推广速度将不亚于微信春晚摇红包的速度。这会对现有的货币格局产生非常大的颠覆。

而一旦Libra与数字美元“强强联手”，势必会对其他国家的货币主权产生影响，并进一步影响到世界经济格局。

得数字货币者，得金融

无论是中日欧等央行，还是拥有全球半数网民的Facebook，它们大力研发数字货币背后最主要原因还是希望在新的数字经济体系下获得更多的金融“控制权”。

1972年布雷顿森林体系瓦解后，美国将美元直接锚定“权力”，即国家实力，通过美元对世界进行金融控制。

而美元如何能精准的控制和影响一家企业、一个国家？其背后，隐藏着一张无处不在的货币结算网络——SWIFT。这才是美元霸权的技术支撑和实现基础。

目前，SWIFT系统连接超过1万家金融机构，覆盖全世界200多个国家和地区。美国只要切断SWIFT网路，不管你是一家跨国企业还是一个国家，都会因此形成数据孤岛。比如朝鲜被美国踢出SWIFT，这使得朝鲜几乎无法与其他国家的银行进行金融往来。此外伊朗、俄罗斯、利比亚也曾受过SWIFT制裁，使得外汇储备不能使用。

而数字货币的出现，让美国主导的「SWIFT系统」对全球金融的统治地位，有了一丝丝的动摇。

中国银行研究院研究员郝毅认为，央行数字货币会冲击SWIFT系统。央行数字货币相比现有的电子支付系统是巨大改进。一方面，基于区块链的数字货币在跨境结算领域，将现有SWIFT结算时间由几天提升至秒级，大幅提高了结算效率。另一方面，降低了跨境转账的成本。

“技术进步带来的变革是无法通过政治干预压制的。因此，央行数字货币一旦大规模应用于跨境结算，将会对SWIFT系统带来较大冲击。”郝毅说道。

当然中国对固有世界金融格局的挑战，是一个早就发生、正在进行、未来还将继续的事情。而数字货币作为一种“技术变量”，将加快改变中国在世界舞台上的金融地位。

数字美元、数字欧元、数字人民币都已准装待发，这一金融行业百年未有之大变局才刚刚拉开帷幕。（雷锋网雷锋网）

近日，在上海举行的外滩大会上，长江养老保险股份有限公司总经理徐勇和中国大地财产保险股份有限公司总裁陈勇就各自讲述了不同保险赛道中的技术应用之道。

徐勇表示，大数据在养老金资产管理中的应用实践，主要集中在受托资产配置、投研资讯研究、投资经理画像等场景，对数字化建设的探索使得委托人和投资经理的定位都更加清晰。

陈勇则分享了大数据和AI在保险定价、风控、营销服务、理赔等重点环节的优化细节，例如在技术加持下，进行网络退运险等产品创新。

以下为徐勇和陈勇的全场演讲，雷锋网AI金融评论做了不改变原意的编辑如下：

徐勇：三大场景智能化，打破养老金资管困局

首先介绍一下长江养老：我们是中国太保集团旗下的养老金公司，2007年5月份成立，由11家央企和上海地方国资共同发起设立，定位是专注养老金保险主业，聚焦长期资金管理，服务三支柱的社会保障体系。目前已涵盖政府养老金、单位养老金、个人养老金三大领域，拥有养老金管理领域全牌照。截至2020年7月，其管理资产规模已突破1万亿。

长江养老目前拟定了1+2+3+N的战略，以客户为中心，通过数据和留存两轮驱动，建设面向客户、合作伙伴和员工的数字化终端，并打造受托、投研、风控、运营等多方面的数字化能力。

近年来，我们结合业务场景在大数据、人工智能、区块链等技术应用方面不断探索和创新，涵盖了智能支配、智能投研、智能风控、精准营销、智能客户等场景，加快生成以数字化科技驱动为主的养老金管理模式发展的新模式，助推养老资产管理能够实现高质量的持续健康发展。

2020年，我们持续推进进一步加强数字化科技对业务的赋能，重点是在受托资产配置、投研资讯研究、投资经理画像和绩效考核等领域来进一步加大探索和运用，建设了智能受托、智能投研、智能绩效管理多个平台。这次我们也来分享在长江养老探索数字化建设的过程中，具体的三个应用场景。

• 场景一：智能受托的资产配置

这个应用有它特殊的背景，因为年金基金是我们国家社会养老保障体系重要组成部分，在这个管理模式当中，作为受托人的我们，处在核心的管理位置，承担了为受托人实现基金安全运营和保值增值的重大责任。

但现阶段，国内养老金资管行业普遍存在一些痛点：委托人对自己的管理目标其实不清晰，或者说他难以用量化手段来进行清晰描述。比如受托人对委托人的风险，收益的特征怎么样加以量化，更清晰地来运用到管理工作上去。

又比如不同的委托人，资产配置需求应该是多样化，过去的方法和手段面对现在的委托人，个性化需求不断增强和丰富的前景下，很难匹配；投保人的风格也比较难量化和精准识别——管理投保人也是我们受托人的工作责任之一。

同时，国内养老金资管行业规模快速增长，专业化管理要求和科技发展，这三种驱动因素相互叠加成一种巨大发展的推动力量。在行业高速发展的背景下，如何解决这样一些痛点，客观上成为行业关注焦点。

为此，我们结合自身受托业务的场景，探索将大数据和人工智能技术引入资产配置领域，通过人工智能的模型构建，大数据的回撤和专家经验相结合的方法，在第一期的研发当中成功验证了新型支配模型的有效性。整体风险收益的特征表现良好，证明我们可以通过大数据和算法模型精准的量化和匹配委托人的资产配置需求，并结合市场数据进行动态调整，已经获得一定的超额投资收益。

• 场景二：智能投研

我们知道，资本市场瞬息万变，投资者需要通过对各类新闻海量信息进行收集、处理和分析，预测未来市场的走向，做出投资决策，因此咨询信息对投资者风控有至关重要的价值，包括辅助投资者快速捕捉热点事件和甄别投资机会，准确洞察企业关联关系，及时获取风险预警等多方面的体现。

但是在信息大爆炸的时代，咨询数据的价值提取客观上存在诸多的难点，比如数据来源分析，需要我们通过大量的时间和精力和资源去收集浏览和查询。

其次，信息数据反映的事件往往是缺乏分类，重要的事件信息经常被淹没在信息海洋当中，错看、漏看可能会导致我们不能够及时识别风险，出现踩雷。

第三，全网数据量巨大，缺乏对信息整体概览，使我们很难有效识别资产风险的分布状况。

第四，多个信息背后往往存在事件关联，在信息智能化整个水平不够高的水平，往往凭投资者的经验去识别不同事件背后的关联性，会难以发现潜在的企业关联的风险。

我们结合大数据和人工智能技术给出了智能投研的解决方案，主要包括四个方面：

第一，我们建设了数据分析和训练平台，通过人工智能的算法可以对揭露的信息进行识别，快速筛选投资机会和风险信息。

第二，把内部和外部海量资讯数据接入这个平台，通过这个平台可以对各类数据做全天候24小时的监控，通过分类去从过滤，得到我们所关注的高价值信息。

第三，长江养老将以上的数据和算法平台与我们的投资与分工的业务系统进行整合，结合场景可视化来展现全网整体的资讯情况，辅助投资人员通过全局视野实现投资热点整体的掌控。

在整个系统建设过程当中通过大数据的处理建立企业知识图谱，知识风险穿透发现潜在的企业关联信息。这张图就是我们整体的平台架构，从下而上包括了数据层、技术服务层和咨询应用层，整个架构融合了大数据、人工智能、自然语言处理和知识图谱等多个技术，并和长江养老具体的投研风控的业务场景来紧密结合。

基于这样一个平台，我们构建了金融大数据平台来全面采集海量数据，实现资讯自动精准分类，并可视化展现各类投资热点，助力公司的投研风控团队，全面准确快捷获取资讯信息，甄别投资机会和识别风险事件。整体上，我们感觉依靠AI加数据的科技驱动，确实有效提升了科研的风控能力。

• 场景三：投资经理的画像

作为一家养老金资管公司，在当前市场态势下，我们一直思考一个问题：如何沉淀和固化优秀投资经理的能力。

这也是行业面临的普遍性的挑战。我们认为对优秀投资经理的能力固化和沉淀，包括了如何评估投资经理的投研和风控能力，包括如何洞察投资经理的投资风格，包括如何对不同投资经理进行绩效考核和排名。这些问题也是养老金投资机构遇到的难题，很长时间没有有效的手段去加以解决。

我们的管理方案，是对投资经理既往数据进行挖掘和分析的绩效评估量化，根据对投资经理历史数据，包括对管理规模7天收益基准持仓的分析计算，从多个方面描述投资经理特点。

例如投资风格偏好，也可能是大盘加持，也可能是中盘，也可能小盘成长，行业的配置也可能白酒、家电、TMT军工等各方面，当然也有个股选择以及择时能力、风控能力和历史业绩这样一些因素。

通过多维度对投资经理的标签化，较为客观准确的来刻画投资经理的个人经验、投资能力和历史业绩。

整体上通过对海量投资数据的采集、处理和分析运用，实现对投资经理历史业绩的归因和投资风格的洞察，帮助公司精准有效筛选投资经理以及匹配管理的产品，并进行多维度的绩效考核排名，实现体系化和规模化的投资管理能力的提升。

我们也发现，当投资绩效系统2.0版本上线以后，不管是公司经营管理的分管投研的领导，还是投资部，包括所有投资经理都非常频繁使用。

客观上投资经理有自己的价值和风格，但是他有时候其实也未必自己能够很准确把握和描述来表达他自己的偏好，所以他借助这样一个系统其实也很大帮助他自己更好的来规划归因、总结和提升自己的投资问题，同时来丰富和优化自己的投资风格。

陈勇：产品+营销+流程+理赔的大数据创新应用

数字经济时代的变化正在重塑我们的保险行业，我们认为主要有以下四个方面：以客户为中心，线上化的迁移，数字化的驱动，智能化的经营。

新的趋势将以客户为中心逐步在打造线上化、数字化和智能化，通过科技驱动经营。在新形势下，新挑战下，中国大地保险数字化应用主要聚焦在以下四个方面：

1. 产品端，利用大数据进行产品的智能的设计，精准的定价以及风控。

2. 营销端，主要是基于客户大数据客户画像，实现智能销售与服务。

3. 应用端，利用人工智能等科技提升公司的应用效率。

4. 理赔端，理赔端是通过智能理赔提升客户体验和欺诈风险的识别能力。

• 产品智能方面的数字化应用

通过大数据进行产品创新，我们有三架马车并驾齐驱：

第一，与多家保险公司广泛合作，借助相关领域的专业优势，研发我们的创新产品。

第二，通过大数据分析建模，实现精准的定价。

第三，引入各类的风险溯及，比如说像银行征信，健康医疗、社保互联网金融等多类溯及进行智能化的风控。

网络退运险，是我们典型的大数据创新产品。2019年公司承保网络退运数订单数达到13亿笔，日承保的峰值超过1亿笔。这得益于三大能力：

第一，通过大数据来记录和处理客户、商家、帐户终端设备退货物流，覆盖业务全生命周期海量溯及轨迹，实现了承保、理赔全流程的线上化的管控。

第二，通过机器学习，不断完善C端客户的用户画像，实现了千人千面的定价；同时对B端客户，建立了商家逆选择的风险模型，实现B端产品动态化的调节定价。

第三，建立自动核保核赔引擎，异常客户的名单库，高风险客群等智能风险的模型，实现全方位的智能风控。

• 营销智能方面的数字化应用

通过大数据分析，我们最大限度的来满足客户的需求，通过客户画像、客户的偏好、客户的行为分析以及价值贡献实现客户需求的精准推送。

在客户洞察方面，我们建立了客户画像平台，基于一千家客户的特征，构建了200个以上的标签，分析客户支撑我们的销售承保理赔等多项服务。

从实践来看，精准的客户画像能够有效提升销售能力，为存量车险客户实现1+N多产品的交叉销售。

我们通过大数据构建了精准的推荐模型取得了良好的效果，例如通过车+财、车+人、车+X等在存量客户中挖掘出具有高需求的人群，并进行精准的投放，这个销售成功率和短线恢复率分别提升了60%和20%。

在客户服务方面，大数据建模能够支持精准的服务，提升客户的黏性，识别客户的服务偏好内容，互动偏好的时间，进行精准投放，客户的活跃力平均提高了20%。

• 智能运营方面的数字化应用

近两年我们不断的扩大RPA技术在业务流程中的应用，实现业务流程自动化和智能化，主要是这三个场景：车险查询检索等前端；理赔对帐等财务共享中心；薪资审核发放等人力资源。

目前我们上线的机器人有30个，处理了97个流程，每月节约了人力超越了5千个小时，通过机器人大量减少了我们人力的投入。

机器人也广泛用于多个业务场景，比如客户咨询，通过机器人为客户咨询提供的服务累计超过400万次。通过机器人的运用弥补人力不足，客户服务也实现了标准化，提升了客户的体验感。

我们还搭建了图像智能中台，通过技术赋能业务的发展，比如说引入了OCR技术，提高了录单的效率，录单的时间现在缩短到2秒，利用图像识别技术也减少了我们在人工分类以及检查的工作量。采用人脸识别和生命技术，解决了客户的身份认证等等问题。

• 智慧理赔方面的数字化应用

通过对理赔数据的监控，利用各种模型工具智能化实施，进行自动预警，业务干预，提供业务协调、调度、归因分析进行业务决策和指挥。

我们搭建了基于客户画像的智慧理赔系统，支持客户自主理赔，首先应用大数据、人工智能等技术对案件进行智能的分类，提升了对低风险的小额案件可以实现一件报案，一件索赔，一件视频，一件理赔。

理赔手续也随之简化，从报案到拿到赔款的全流程可以缩短至25分钟，做到让数据多跑路，让客户少跑路、不跑路。

大数据的应用也有助于提升理赔端，特别是智能反欺诈的能力，我们做了诸多探索，也取得了一定的成效。

首先自建了人伤的数据库，整合了车险和意健险（人身意外伤害险和健康险的综合）的人伤信息，含十大智库，数据覆盖面达到85%以上。

其次，构建了基于神经网络的反欺诈系统，对模型高评分的案件进行实时的风险提醒，欺诈案件有效检出率超过20%。

另外，利用社交网络关联的技术，我们自建了SNA反欺诈模型，进行团伙欺诈风险的识别，到目前为止所识别欺诈团伙累计超过300个。

大数据的保险应用，未来还有很多场景有待于继续挖掘、细化和升级，像是基于客群的细分，产品的升级，基于客户个人的需求精准服务，基于客户销售人员的精准画像，对传统渠道的赋能。

（雷锋网）

雷锋网

合同签署，其实是金融行业数字化转型进程中，颇为常见又容易被忽略的一个环节，而区块链技术早已悄然落地于此。

当谈起签合同，一位业内人士向我们表示了她的担忧：很多合同以纸质方式进行，不算打印和纸张的钱，如果是异地签署，快递成本30起跳，来回耗时少则3天多则近10天。

中间还包括双方的沟通成本，内部审批用时不定，一次合同动辄拖上十几天甚至一两个月，周期实在太长。

比签署效率低下更致命的，是纸质文件的管理和有效性。业内人士强调，纸质表单数量庞大，归档和查找都是问题，还可能出现盗用公章、“萝卜章”或是篡改合同的情况，很难完成有效的身份认证，纸质合同其实很难避免假冒代签的风险，这对于信贷、理财等涉及金额较大的业务来说都是隐藏的巨大隐患。

这样的情况下，电子合同、电子签名认证等一系列服务和平台应运而生。

恰逢今年受疫情影响，金融服务的数字化、线上化趋势更加明显，又面临着行业格局变化、内部风控体系建设、整体行业风险等方面的挑战，电子合同的需求和普及程度也较以往更为强烈，对解决方案的安全性、合规性、专业性也有着更高要求。

电子合同一般包含身份认证、数字证书、电子签名、时间戳、存证保全和法律支持等服务，从发起、签署、归档和管理的全过程都可以在线上。不仅实现降本增效，便于保存和管理，还能更好地与诸如线上交易、线上人力资源管理、线上培训等网络场景完美融合。

目前也已有相关法律规定，认可电子合同和电子签名的法律效力，可以成为法庭证据。但法律也规定，电子合同需满足以下条件才能具有法律效力：

• 电子签名制作数据用于电子签名时，属于电子签名人专有；

• 签署时电子签名制作数据仅由电子签名人控制；

• 签署后对电子签名的任何改动能够被发现；

• 签署后对数据电文内容和形式的任何改动能够被发现。（《电子签名法》）

《民事诉讼法》也规定，证据包括电子数据，但普通电子数据要成为有效的司法证据，需要遵照严格的取证规定，比如第三方存证保全和出证、鉴定、公证等。

不过也有学者指出，电子合同其实同样存在鉴证挑战，例如怎样证明计算机生成记录与存储记录在形成后未遭遇篡改、处理或毁损，当事人可能会对计算机生成记录所依赖的计算机程序的可靠性，以及计算机存储记录的制作者身份提出质疑。

区块链+电子合同如何赋能金融行业？ 

而具有可追溯、不可篡改、公开透明等特性的区块链，正适用于电子存证、电子合同这样的场景。

区块链+电子合同的运行基本思路，是基于可信时间戳、高度加密传输以及区块链等技术，将签约主体的电子签名、签订时间、内容以及签约操作过程行为等进行区块链存证，存储于特殊介质中。

比如在电子发票／票据上，区块链可以在开具、生成、存档和流转全程都盖上“戳”，让发票、票据造假几无可能，也杜绝了重复报销的可能性。

区块链的加入，也使得电子合同更安全、签约效率更强、签约方式更丰富。

最高院在2018年9月发布的《互联网审理案件若干问题的规定》中，已经认可了电子签名、可信时间戳、哈希值校验、区块链等技术手段在证据认定环节的作用，给予了电子合同更为清晰的效力背书：

“当事人提交的电子数据，通过电子签名、可信时间戳、哈希值校验、区块链等证据收集、固定和防篡改的技术手段或者通过电子取证存证平台认证，能够证明其真实性的，互联网法院应当确认。”

AI金融评论也注意到，不少企业已经推出结合区块链技术的电子合同产品，并已运行多时。在网信办发布的三批区块链信息服务备案清单中，涉及电子合同、电子存证、电子签名以及司法证据相关的区块链服务至少有十余项。

在金融领域，区块链电子票据、区块链电子发票、区块链保险理赔等相关服务，也已经在全国各地城市开始试点；专门针对金融行业的区块链合同也逐渐走入大众视野，银行、信贷等金融机构可以借此将业务流程中的核心数据哈希后通过数据存证，确保重要数据的安全留存，可追溯、可监管。

在9月24日的外滩大会上，互联网电子签名平台e签宝就发布了“e签宝区块链合同——金融版解决方案2.0”，表示将为金融行业提供电子签名开放服务API、本地化电子签章管理系统、合同全生命周期管理、物理印章物电一体化解决方案及多生态融合型产品解决方案。

e签宝创始人兼CEO金宏洲（中）与蚂蚁链区块链（右）、华夏银行杭州分行（左）人士

成立于2002年的e签宝，其实已在电子签名领域深耕近二十年，打造了从电子签名到文档归档管理，从签名数据存证到司法出证，一套完整的电子签名生态服务。

据介绍，此次发布的版本是在e签宝区块链合同的基础上，延续了本身智能化、数字化、自动化和去中心化的特点，特别针对金融服务场景进行升级。

希望更加有效的服务银行业、融资租赁行业、商业保理行业、基金行业、保险行业等场景，助力数字化转型，解决线上数字化服务难题，提供更加安全可靠、高易用，全程拥有司法保障的专属版本。

e签宝表示，区块链让合同从静态合同升级到动态合同，传统电子合加上区块链智能合约后，就成了可自动执行的区块链合同，既有版式合同的可读性也有区块链智能合约的自动执行性。e签宝创始人兼CEO金宏洲在发布现场表示，这将是未来合同的主流形式。

此次解决方案包括了舆情自动监测、账款自动代扣、自动预警、自动风控、全流程自动化履约、自动化解决批量签署等功能，借助于SaaS服务成熟的功能体系，可以跳过对接、下载安装环节，覆盖从合同起草到发起、通知发送、签署、合同归档管理、存证出证的全流程，形成真正意义上的电子合同全生命周期管理闭环。

而完整电子证据链，也将由e签宝提供全程法律服务在线司法速裁，其存证数据也与公证处、互联网法院互通，可以在线上信贷等重要场景中保证合同的法律效力。

由于所有关键节点上链，保险、票据等业务也能够依靠这一解决方案，实现了全流程的可信流转闭环，大大提升业务处理效率。据e签宝给出的数据，该解决方案可将理赔申请到正式收款的用时大幅缩减，最低用时只需5秒钟；消费者从开发票到报销到账，也只需要一分钟。

与蚂蚁链深度合作

值得一提的是，e签宝的区块链合同是与蚂蚁链深度合作。早在今年5月18日，e签宝与蚂蚁链共同打造的区块链合同就已正式亮相。e签宝的电子签名中也由阿里金融云和蚂蚁区块链提供了多重存证，通过多重系统保证提供行业内较高的安全级别。

今年7月，基于蚂蚁链全球领先的区块链技术，杭州区块链电子印章平台首次实现实物印章与电子印章同步发放，并且实现物电同模同轨，全球首个区块链印章在杭州诞生，据悉正是由e签宝提供的独家技术支持。

AI金融评论还了解到，目前e签宝的解决方案已经在华夏银行、邮政储蓄银行等十余家金融机构有所应用。

以华夏银行的信贷业务场景为例，客户申请贷款后，银行在查询征信之前，双方通过e签宝签署征信授权协议；完成征信查询，银行内部评估审核通过后，会按程序对客户进行放款，这一环节双方也通过e签宝来签署借款协议。

而“e签宝区块链合同——金融版解决方案2.0”的出现，呈现出可靠的签署过程、可靠的身份认证、可靠的存证数据、出证可信、可靠的证据链，也将大幅提升金融领域多个涉及合同签署的业务环节的安全性和工作效率。

在e签宝看来，区块链技术是数字经济基础设施中密不可分的一部分；未来每一家企业都会有一套区块链印章，与电子营业执照、电子发票一起构成企业经营的新三大件。区块链的存在为企业构建了0成本互信的商业基础设施，将极大降低整个商业社会的运行成本，助力政府优化营商环境。随着社会发展，企业数字化推进，电子签名也在人工智能、工业互联网等新基建领域相关重要企业的发展中起到了不可或缺的作用。

雷锋网雷锋网雷锋网

9月23日，RPA公司弘玑Cyclone宣布完成近4000万美元的B轮融资，本轮融资由经纬中国领投，老股东DCM超额跟投，联想创投、源码资本、仁智资本跟投。

弘玑创始人兼CEO高煜光，曾是惠普企业数据服务及创新业务发展的大中华区总经理，在企业服务领域“钉”了十三年之后，他把目光投向RPA，成为中国最早一批嗅到RPA血腥味的“鲨鱼”，并亲手创办弘玑。

如果把RPA的“初生期”定义为一种有规则性和逻辑性的、解决重复工作的工具化软件，那么弘玑正在做的，就是将RPA从“学生”培养成“专家”，走向平台化的企业级软件，向下一代企业智能自动化平台的目标奋力狂奔。

在高煜光看来，RPA 1.0更倾向于解决工作流程自动化，而2.0更侧重于业务流程自动化。

“之前的企业级环境里，其实只有人和系统的协作。我们现在的目的，就是赋予机器人平台级的、更智能化的能力，更懂数据处理。”高煜光表示，机器人能力的加入，会使原先的二元关系变革为现在的三元关系，这对传统企业软件的工作环境是一场不可小觑的创新。

“RPA其实是近年来业务增长最快的企业软件细分领域——今年随着产品的演进，这块市场蛋糕会越来越大。”他语气笃定，和我们谈起弘玑的来历与前程，和RPA的天高海阔。

扬帆入海

“要进入RPA赛道创业这件事，其实是在北京一家烤串店里做出的决定。”高煜光笑着告诉记者。这个拍板看似随意，其实背后是他对RPA的多年观察和他勇于挑战、不甘囿于现状的性格。

创业之前，高煜光其实是惠普企业数据服务及创新业务发展的大中华区总经理。

高煜光热爱帆船和航海，骨子里那些 “不安分”细胞，不光体现在他对海上运动的热情，更体现在职业道路的选择。

他逐渐意识到，无论是继续留在惠普，还是选择加盟RPA巨头，自己离职业生涯的隐形天花板似乎越来越近。于是他选择辞职创业，杀入中国RPA这片蓝海。

在惠普的日子，高煜光早早就接触到RPA并带入中国大陆市场，也观察到RPA相较于其他企业软件，有着自己的独特魅力：

“它对客户而言更加灵活，可大可小，可选择性更强。无论是做单点提效，还是复杂庞大的企业级平台，都能够给到客户不少选择，起步并不特别困难。而且，这是一个能够参与到人与系统协作关系中去的全新产品形态。”

玑是古代的天文仪器，精巧无比；弘则有恢弘广大之意——弘玑的名字，或许某种程度上也暗合了RPA的这份特性。

弘玑真正开始运转，其实时间并不久。起步阶段，高煜光与联合创始人程文渊都有不少企业客户的沉淀，开发客户、达成合作似乎算不上什么大问题。

但弘玑没有进行天使轮融资，早期全靠高煜光和程文渊支撑；创业也不同于在公司带团队，需要亲力亲为、亲自过问的细节太多，高煜光也感慨自己身为CEO“被迫”成为“全能型选手”，压力不言自明。

所幸一切顺利，弘玑在2018年就推出了首个商用版本产品，于2019年6月完成千万美金A轮融资，公司发展也真正驶上快车道。

弘玑也从最初不到20人的团队，成长到如今近300人的规模。

高煜光向雷锋网透露，从去年到今年，弘玑的业务大约增长了近7倍；今年的营收目标接近两亿，服务客户数计划超过500家（以总部级别为准，分支机构不计入）。

成长至今，弘玑已经进入到银行、证券、保险、政府、能源、电力、制造业、高科技等多个行业，打磨了诸多针对复杂业务场景的RPA解决方案。

去年临港新片区一体化信息管理服务平台的建设，可以说是弘玑的经典之作。这一项目涉及OA、市政以及13个垂管系统的84个事项、387种细分情形的流程优化实施，超过3000个页面的信息处理和交互，成功打通各系统之间的信息孤岛。

今年年初疫情爆发之时，弘玑也迅速开发了“疫情监控流程机器人”，并应用于疫情防控大数据平台和中电福富“疫访通”访客管理云平台等系统中，将自身技术能力及时输出到抗疫数字化的第一线。

为此，弘玑与当地的合作伙伴共同为疫情防控提供技术支持。短短3天时间，使用弘玑Cyclone “疫情监控流程机器人”建立的公安“返筑流动人员信息监控系统”成功上线。

战线全面铺开

高煜光在采访中透露，本轮融资完成后，弘玑将基于现在的技术和产品路线持续加大投入。

而弘玑的当前路线，不光有对垂直领域的开发和更具纵深的探索，更包括产品线的横向拓宽。

雷锋网了解到，弘玑其实从去年开始，就确定了要走“端+平台”联动创新的产品发展战略。

一方面是应用环境的局限被打破。传统的机器人和设计器更多基于Windows操作系统，弘玑则让它们可以实现跨平台（Windows、Linux等）部署和运行。

RPA的移动端应用和移动端机器人也由弘玑率先推出，既可在移动端独立运行，也可以让RPA平台和桌面端机器人协同工作。

移动端和物联网机器人推出后，机器人就能从办公室搬到户外和工厂，不受使用场景的限制。

另一方面则是平台级产品的打磨和创新，这也更凸显了RPA厂商在数据处理和人工智能上的技术功底。

除了丰富中控调度功能，弘玑还将RPA运维数据和业务数据汇总到数据分析平台，能让企业全方位实时感知和分析RPA机器人的业务效能，这样一目了然的数据引擎在业内尚属少见。

针对复杂应用场景，和企业级AI落地需求，弘玑专门研发了面向RPA的AI平台，能以组件化无代码风格，完成对各种细分场景进行AI能力的快速设计、定制、调试和自动部署。

如果说RPA是企业的专属“乐高”，那弘玑所做的不仅仅是简单给出积木，而是要将其打磨得更容易组合，与积木有关的过程都纳入到便携“玩具箱”，尽可能灵活可用地提供给玩家。

对于RPA+AI的讨论，行业内一直观点各异，有不少厂商选择携AI成果投身于RPA浪潮，也有较为传统的RPA厂商认为现阶段的AI青涩脆弱，未见得是RPA的必选项。

但在高煜光看来，RPA和AI某种程度上是“一体多面”的关系，RPA发展下去，和AI的边界会越来越模糊，目的地仍然是为客户提供端到端的业务流程自动化。

而弘玑在AI上也早有布局。雷锋网了解到，在自然语言处理（NLP）和领域文本理解（DU）技术方面，弘玑拥有完全自主知识产权的自然语言Deep Parsing技术，有效地融合了基于符号语言和基于深度学习的不同流派NLP技术精华。

这一技术能够定点纠错，不依赖大量已标注数据就可以快速冷启动，使得弘玑RPA+AI可以从容应对企业级非结构化数据向机构化数据的自动转换，将RPA应用场景战线拉得更长。

今年以来，弘玑也频频引入技术大牛，例如前UiPath全球研发中心高级研发总监、前微软Azure云计算主任架构师贾岿博士，前科大讯飞AI研究院副院长、前硅谷大数据舆情挖掘公司Netbase首席科学家、自然语言处理（NLP）资深架构师李维博士等。

高煜光表示，目前弘玑的产品和技术研发团队已超过公司总人数50%，大牛的加盟也有望为他们的产品、技术和市场开拓上，带来更多先进性和更广阔的视野，促使公司尽快跑上新台阶。

在市场布局上，弘玑接下来会保持对金融、能源、物流、制造和零售等行业的深耕，不仅继续为大型客户服务，也正在着力发展SMB（中小企业）市场。他指出，随着市场的成熟，SMB潜力无限。

百亿美金的蛋糕

回到行业本身，外界仍然对RPA寄予厚望。

根据Gartner报告，一直到2022年，RPA市场还会保持50%的增长，即以产品为主的市场容量的增长。如果是围绕着服务型市场，RPA可能还会带来1到5倍的增长。业内人士解读称，这意味着当RPA市场达到20亿美金，服务型市场可能是100亿美金。

高煜光指出，如果仅仅依靠传统RPA形态去融资，窗口期很快就会过去。目前赛道上能够获得资本青睐的企业，都会在产品上有非常大的提升；资本也自然会向那些能够持续在产品和技术上迭代、业务成绩优良的企业集中。

这个在资本光环笼罩之下的行业，行业格局其实正在悄然生变。雷锋网注意到，赛道内不仅有相对传统的RPA厂商，和AI起家的有力竞争者，还有头部企业的RPA部门也参与其中，更有不少中小型RPA公司涌入。

对此，高煜光表示，RPA这个市场的蛋糕，会随着产品和技术的演进而越来越大。“无论是国内还是国外，RPA是近年来业务增长最快的一个企业软件领域。”

但他也认为，确实会有中小型B端客户考虑选择不同形态的产品，不过在这样一个专业性较强的市场里，仍然会是更头部的RPA公司才能满足客户需求，提供high value的产品。

“只做工具软件的话，最终大家都会走到同质化那一天，价格战无可避免。”

而RPA也被指出，存在一些技术和交付上的“硬伤”。IT分析师Jason Bloomberg在《福布斯》中写道，RPA的主要弱点，就是鲁棒性差。德勤也曾调查发现，在使用RPA的400家公司中，63%的RPA项目没有按时交付。

对RPA的能力边界问题，高煜光给出了冷静中立的看法，他表示每家公司都应有自己的清晰判断，不应妄自菲薄也不可盲目乐观；这应该是RPA在核心场景的拓宽和技术突破的问题，在碰壁时更该考虑如何进步，采用小步快跑、不停迭代的做法。

为此，弘玑也在今年升级了新版的RPA核心组件，产品的性能稳定性和可扩展性等方面都实现了重大提升。

在高煜光带领下的弘玑，其实也一直在维持着小步快跑的发展和更新，无论是在技术还是产品的演进，每隔半年都能有不小的变化。他透露，弘玑预计在今年第四季度发布全新产品，更具前瞻性的成果也有望在明年年初面世。（雷锋网）

雷锋网雷锋网雷锋网

做AI驱动的公司，还是做驱动AI的公司，这是一个问题。

所谓AI驱动的公司，指的是某个或者某些业务通过AI赋能，业绩大幅提升的公司，比如各大金融机构、大型医疗企业等AI+公司；而所谓驱动AI的公司，是以提供AI技术或者服务为生，提高企业智能化比例的公司，也可称为人工智能技术与服务提供商。

随着人工智能服务提供商快速的“攻城略地”，受AI驱动的公司越来越多。但仍有大量企业没有接触或者还未深入应用人工智能，根据麻省理工学院（MIT）访问学者李大维的一份报告，只有32%的中国企业在数据和商业应用方面应用人工智能。智能化之路任重道远。

目前，阻碍众多企业进一步智能化的的因素在于，AI系统或者平台的使用门槛过高。如何将AI的使用门槛降低，让更大范围的人群也能接触和使用AI，成为人工智能技术与服务提供商以及需要AI赋能业务的企业绕不开的一个难题。

对此，雷锋网「AI金融评论」采访了人工智能技术与服务提供商——第四范式合伙人/副总裁柴亦飞，他向我们讲述了AI在金融领域的落地情况和近期AI在金融方向的一些行业动态。

以下为柴亦飞的口述：

银行的AI“新需求”

在选择做「AI应用」，还是做其背后的「AI平台」之间，第四范式选择了「AI平台」，将目标客户定位在那些需要通过AI实现智能化转型的企业。企业客户可以在我们的「AI平台」上，自己造出10个、100个甚至1000个「AI应用」。

近两年，我们发现银行等金融客户的需求有了一些新的变化。

此前，金融机构会比较在意我们提供的AI系统的功能和效果，现在他们也关注它的使用门槛。

一直以来，AI一直由学过建模的专业数据科学家来操作，门槛很高，极大地影响了AI的产能。而随着AI在金融机构的普及和规模化应用，头部银行开始希望熟悉业务、但没有学过建模的非计算机专业的员工，也能操作我们的AI平台来开发AI应用。

第四范式基于自动机器学习技术（AutoML）将机器学习建模的过程自动化，相比原来靠建模科学家「手动建模」，AutoML让机器自动建模、迭代，跑出效果。根据模型AUC指标，我们发现AutoML的建模效果，并不比人工建模的差，甚至比专业的建模科学家做的还有提升。此外，自动化也节省了大量开发时间，比如某客户在做高危客户流失预警模型时，只要用原来1/40的时间就能跑出模型。

第四范式希望以一个低门槛、低代价的AI平台，让没有机器学习背景的人也能开发AI模型，帮助企业客户在更多重要场景上做AI应用尝试。实际上，这种设想已经在很多大型银行里真实落地，而且越来越受市场欢迎，这是我们近来发现的一个新变化。

“大众化”的三种方法

当然，降低企业客户使用AI的门槛，绝非易事，需要多种方案齐头并进。

首先，是人才的门槛，这是企业在AI应用中面临的普遍问题。现在我们看到大部分银行不会只投入一两个AI应用，他们有几十个甚至上百个AI应用的需求，但核心问题是，这些AI应用需要数据科学来构建，但传统企业并没有足够的AI人才。去年Gartner在AI应用现状调查报告中也提到，AI人才的匮乏，是目前企业进军AI的首要挑战。

上面我们提到AI的规模化需要让非机器学习背景的业务人员或者是开发者也能开发AI应用。然而JAVA工程师会说没办法做到，因为人工智能太难了。这也是为什么我们投入非常多的精力与时间去降低AI平台的使用门槛，目前开发者在经过简单学习后，也能在我们的平台上构建足够好的AI模型。

其次，是数据的门槛。现今很多企业都存有一定的数据，而这些数据是通过BI（商业智能）的方式收集的。BI以图形和报表的形式呈现，是给决策层的管理者看的，不能简单地直接用于AI。但是客户或者一些帮客户做AI应用的公司，本身没有太重视这个问题。最终，在线下用离线数据建造的模型效果很好，但是上线后，常常出现各种问题，这是因为AI不同于BI，需要大量完整的、形成闭环的数据，因此构建一个专门的面向AI的数据治理体系，也是十分重要的。

最后，是成本的门槛。顶尖的互联网公司，每年都需要有很多服务器来支撑AI业务，甚至会花费上百亿，但很少有公司能够承受这么大的成本。AI是硬件和软件深度融合的体系，我们发现采用软件定义算力的方式，不止性能会提高，成本也会大幅降低。

十倍增效的「AI方法论」

现在，人们从怀疑AI是否真的有价值，转而思考AI提供的价值是否能给企业业务带来质的飞跃。

比如在金融机构，前些年，大家应用AI比较多的是传统的营销场景，即通过短信、电话进行精准的理财产品推荐与营销。一些营销类的场景在应用AI之后，成功率/转化率能能提高10%到500%。

近几年，一些银行开始做智能风控场景，以交易反欺诈、申请反欺诈的业务为例，效果也很喜人。在反欺诈这一领域，做得优秀的银行比不太重视的银行水平要高出很多。而过去在反欺诈领域做得好的银行，他们的反欺诈系统应用了人工智能之后，效率提升能达数十倍，最终给业务带来了质的改变。

随着一些传统的线下信贷转变成了线上的信贷业务，风控的业务越来越复杂，数据复杂度和场景复杂度都在提升。而智能风控对于复杂多变的场景有很强的模型精准度，优势也越来越明显。

目前，很多银行在智能营销、智能风控等领域已经展开了诸多探索和落地，AI正在进入一个比较成熟的应用阶段。

银行的“思”与“变”

银行也正在面临着非常复杂的竞争局势。不仅仅是同业的银行想要“争地盘”，甚至要与互联网公司、金融科技公司等互相博弈。现在大部分用户已经不去线下网点了，如何投身于互联网大潮，争夺线上“蛋糕”成为首要目标。用户在线上的行为、兴趣点、使用时长、消费场景等信息的授权获取，数据又如何转化成实实在在的业务价值，是当下所有银行都在思考的问题。

在这个过程中，利用人工智能技术，可以对用户数据进行分析与挖掘，建立超高维模型，实现对每一个目标用户的精准刻画，提升其线上体验。这与以往传统的BI模型通过标签将用户进行简单分类的方式截然不同。

对金融机构来说，用户留在机构内的相关数据将是极具价值以及区分度的信息。利用人工智能等手段对客户进行精细地刻画，进而采取差异化、“千人千面”的行动，实现多业务、跨场景、全链路的精准营销和运营，与客户建立更深刻的联系，正在成为金融机构的主要发力点。

对于为金融机构提供AI服务的企业而言，有的在做定制化的服务，有的专注于标准化产品的开发。第四范式目前除了AI平台的工作之外，也对一些AI落地方法论十分关注，包括如何推动银行建设更底层的AI基础设施、如何提高数据管理和治理体系的效率等，这方面的工作可能比我们上线一两个AI的场景应用，价值更大。（雷锋网、雷锋网）

当然，这还只是一个梦想。

现阶段的智能投顾仍陷入企业管理水平不高、客户盈利比例低的窘境，它或许能摸清人们的风险偏好，但解决不了我们最个性化的情感需求。

智能投顾的理念是用AI代替人类进行投资操作，它是“风口”还是“泡沫”？面对大型金融机构的“虎视眈眈”和互联网巨头的“信誓旦旦”，初创型智能投顾企业又该如何破局？

为此，雷锋网采访了理财魔方CEO袁雨来，我们就这一行亟待解决的问题和智能投顾企业应该具备的思路和心态进行了一次访谈。

蛋糕做大

智能投顾虽然只经历了数年发展，但已有多方机构入局，他们认为智能投顾市场将成为一块大蛋糕。

这依赖于投顾市场和整个财富管理行业的蓬勃发展。

智能投顾，首先是投顾，无论是中国还是美国，投顾市场都正在迸发出勃勃生机。

2019年12月，随着蚂蚁基金、腾安基金、盈米基金获得投顾试点资格，目前国内已有3家独立销售机构、3家银行、5家公募、7家券商拥有基金投顾试点资格，整个投顾市场正被大大拓展、生态愈益丰富。

以美国投资顾问市场为参考，国金证券数据显示，截至2020年1月2日，经SEC注册的投顾机构合计已有1.35万家，投顾服务的总规模约84万亿美元。多位机构投顾业务负责人表示，基金投顾未来将占到国内理财市场的半壁江山，预计未来三年可达5000亿市场规模。

而相比投顾，财富管理行业的规模更为可观，投顾更像财富管理行业中的一个职业。

袁雨来对此有一个形象的比喻：“就像医生一样，医生不是一个行业，但医疗是。医院给每个人开个方子，我们也会给每一个客户提供个性化财富管理服务；医院的方子里有一个个药，而我们的方子里有一个个标准化资产。”

投顾这个行业的兴起，一个非常重要的前提条件就是财富管理行业，尤其是标准化资产的快速崛起。

2018年资产新规出台后，非标产品走到穷途末路，国内财富管理行业走到了“不向标准化产品转型不可”的地步。

随着资金“非标转标”，投顾、公募基金等标准化资产相关的行业也就顺势崛起。

“2019年以来，公募基金的整个盘子以每年百分之二十几的速度在增长，形成了一个十几万亿的市场，而随着整个大盘子在扩张，智能投顾的未来也十分可期。”袁雨来说。

解决主要矛盾

尽管袁雨来认为大环境在逐渐变好，但智能投顾仍存在诸多矛盾，这是一件不争的事实。

二八法则被誉为金融行业颠扑不破的“真理”，在投资管理领域则体现为——20%的人吃掉了80%的的利润，而绝大部分的投资人都处在亏损中。

这也恰恰是前几年「智能投顾」一直不温不火的症结所在：作为一种新的理财模式，本身获客成本就高，若还不能让大多数投资人实现基本的盈利，口碑崩坏，企业凉凉只是时间问题。

让更多客户获利，留住更多客户，才是企业的生存之道。

作为第一批进入智能投顾市场的企业，理财魔方的CEO袁雨来认为，现阶段行业主要矛盾是：公募基金投资业绩不错，但大部分用户都在亏钱，导致客户留存差，不敢追加投资。

对此，袁雨来也提出了解决方法：“过去客户高比例亏损的主要原因是客户面对市场的大幅度震荡会追涨杀跌，导致超过80%的客户亏损。如果我们能够准确地知道客户的风险承受能力底线，我们能让投资组合在99%的概率下不击穿这个最大回撤，那么客户就能耐心地待在市场里面，赚取到长期投资的平均收益。如果我们现在让80%的客户赚钱，赚了钱就会留下来，大量客户的留存会使得我们企业的商业模型完全不一样。”

客户留存率是袁雨来最为关注的三个量化指标之一，其他两个指标是客户盈利比例、客户人均AUM。而这三个指标，可以清晰的反映智能投顾公司在处理“主要矛盾”时操作是否得当。

当然，除了主要矛盾之外，次要矛盾也值得重视。智能投顾的次要矛盾主要体现在四点：一，NLP技术未能突破；二，积累的数据量不够丰富；三，相比美国，智能投顾公司在中国的收费过于高昂；四，个性化问题难以解决。

虞爱是一家金融科技公司——悦保科技的CEO，他平时常常会接触到做智能机器人的客户，也喜欢体验新的产品和技术，在被问及AI在哪些场景中落地并不理想时，他首先就提到了智能投顾。

他认为NLP需要对语义有更精准的理解，现阶段NLP只能实现部分流程的替代，若不能实现进一步突破，智能投顾公司与客户之间始终会存在一条看不见的“天堑”，很难进行有效且顺畅的交流。

“此外，实现AI能力的基本要素在于数据的积累，而目前的情况是智能投顾公司积累的数据量普遍较少，这也阻碍了行业的进一步发展。”虞爱说道。

橘生淮南则为橘，橘生淮北则为枳。智能投顾还存在“水土不服”的毛病，在美国可以帮投资者省钱的智能投顾，到了中国却给投资人增加了额外的成本。

美国的智能投顾公司，通过机器学习算法配置资产，并收取一部分业绩报酬作为投资顾问费来盈利。

以美国的智能投顾公司Wealthfront为例，相比咨询服务费率为1%的传统投顾公司，Wealthfront公司则是10000美元以内免费，超过的部分每月收取0.25%、各种避税措施预计节约1.40%，用户的钱一进来，投10000元先省了430元。

而中国的智能投顾公司，收取销售服务费盈利，顾问费不是主要的利润来源。但是国内部分投顾公司除了短期内频繁调仓（收取销售服务费）的动作外，甚至还要额外收取0.5%的管理费，这对于中国的投资者来说显然不是一个好消息。

做智能投顾必须和用户利益一致，而不是股东，否则它就是为股东赚钱而不是用户。

此外，智能投顾的主体毕竟是机器人，当触及人类情感领域的需求，也难免“力有不逮”。

“根据客户在风险偏好、资金、投资时间等各方面因素的变化，结合市场的情况，我们为每个客户做出个性化的投资组合和动态调整，但是机器只能处理共性化中的个性化。智能投顾可以解决99%的问题，还有1%的是客户极其个性化的问题或者事关情感的问题，很难用机器解决。”袁雨来说道。

理财魔方的“进化”

矛盾的“浮现”，使解决矛盾的人更明智；环境的变化，也常常造成物种的“进化”。

袁雨来认为，AI创业，不要做中间，一定要做两头。其中一头是底层研发，虽然基础设施架构的研发周期会更长，但它的“护城河”也更宽；另一头贴近应用，从业务需求或者难点出发，用AI真正地替代某一个人或某一块业务。

而理财魔方选择了后者，通过理财魔方APP，投资者可以直接进行投资。“我是技术出身，从来不担心技术不能解决问题，我会花大量时间去找合适的钉子，也就是客户的刚性需求，然后再找到合适的技术砸一把。”袁雨来说道。

而喜欢找“钉子”的袁雨来，已经找到了TO B和TO C这两个“大钉子”。

在TO C市场，理财魔方选择了日益壮大的中产群体为目标客户。

以前，私人银行一般只给高端客户服务，中产却很难享受到相似的服务，原因在于单个中产不够富有，服务成本不划算。

而随着智能时代的到来，私人银行的工作内容99%都可以用机器替代。机器人可以解决成本不划算的问题，更何况按照目前国际通用标准5万美元～50万美元属于中产，中国已超过1亿人，中产群体将成为智能投顾的一片“蓝海”。

袁雨来说：“一名私人银行的客户经理可以服务50名客户，但在人工智能的帮助下，我们每个人工投顾已经可以服务6000人，接下来完全可以优化到可以服务1万人，再随着智能的发展，我们预计，未来一个几百人的团队可以服务上千万人的理财需求，这将大大节省成本、提高整体效率。”

目前，“理财魔方APP”已上线4年，管理了数万TO C用户和数十亿资金量，并取得了相应的成果，据袁雨来介绍，以2019年为例，客户平均年化收益率16%，客户盈利比例98.45%，显著超过行业平均水平。

在TO B市场，理财魔方分别为浦发银行总行、平安科技、中关村银行提供相关服务，并为部分中小金融机构提供相应的智能投顾系统。

袁雨来说：“TO C做不好，TO B肯定也好不了，因为TO B机构也是要去TO C的，这也是我们为什么一开始不做而现在又做TO B的原因。”

理财魔方的TO B业务模式主要是：技术输出+联合运营。它可以为金融机构提供客户AI财富管理技术解决方案+客户联合运营方案，提升AUM与中收；为互联网合作机构提供用户增值服务、提升用户活跃度（流量变现）。

比如浦发银行手机银行APP—“极客智投”，便采购了理财魔方系统，已成功上线运行一年有余，正向监管机构申请基金投顾试点资格。

而这些理财魔方的企业用户可以通过初装费+分润的模式对系统进行采购，最大程度避免系统实际使用效果不佳的情况发生。“在TO B业务上，我们希望把系统给到客户后，客户就可以直接服务他们的客户。”袁雨来说。

除了TO B业务的拓展，理财魔方的品牌定位也从「智能投顾」进化到「财富管理」，将触角从公募基金逐渐延伸到保险、银行存款等业务中，并拿到基金销售牌照和全国保险代理牌照（带网销），继续拓展自身版图。

袁雨来告诉雷锋网：“品牌的改变并不是一件小事，企业将因此在诸多业务层面有所调整。”

除了战略上的品牌升级，理财魔方在收费模式、产品服务等各个战术上的“打法”也进行了配套优化。

袁雨来说：“从收费模式上，我们现在是0管理费模式，不向用户收费，只收取销售服务费盈利；在产品服务上，我们为客户提供一站式服务，对全球各类资产进行动态调仓。和业内其他公司做「半人工半智能的投顾模型」不同，我们是业内唯一一家做「纯人工智能投顾系统」的企业，从17年年初到现在，还没有第二家公司推出「纯人工智能投顾模型」，这一点我们是领先的。”

面对体量和实力远超自己的银行、券商、互联网公司，理财魔方等初创公司想短时间内打败这些“巨无霸”并不现实，日拱一卒、在更长的赛道上一决雌雄才是王道。

袁雨来认为：“机器为主、人工为辅”的系统模型，会随着时间的推移，使得企业的运营成本、人力成本越来越低，虽然在短期内看不到明显效果，但对于公司的长期发展一定是有利的。”

行业还需小火慢炖

财富管理这一行似乎天生就有“飙车”的基因，也出现了太多“爆雷事故”。也许沉下心来，耐心的服务客户，才能走出一条阳光大道。

而语速颇快的袁雨来，在公司战略上就往往选择“慢”的那一条路。

“遇到不太懂AI的客户，我们不会急于求成，会手把手地教，把我们的运营数据比如用户的人均规模、用户的盈利比例、用户的LTV、用户的CAC，逐个展示出来，AI不是虚的，说产品数据不能量化的，都是骗子。“袁雨来说。

相比做定制化的产品赚快钱，袁雨来也更倾向于选择需要较长研发周期的标准化的产品研发。标准化的产品虽然是“慢功夫”，但是可以规模化、大量快速地复制，随着不断的积累，能形成超越对手几十倍的AI能力。

这也是袁雨来想对涌入这一行业的创业者和优秀技术人才说的话，“相比互联网，金融是一个慢行业，技术和行业的门槛的都很高，坚守寂寞的早期研发阶段，未来才有希望。”

（参考链接：http://www.woshipm.com/it/1401895.html）雷锋网

在褚瑞看来，无论是当年在他手中诞生的按键精灵，还是现在的来也UiBot，「连接」这一RPA的价值所在一直没有变过。

关注公众号「AI金融评论」后台回复关键词“听课”，收看本节课程视频回放。

以下为褚瑞的分享内容节选，雷锋网做了不改变原意的删减：

各位观众大家晚上好，我是来也科技的褚瑞，我今天的主题是RPA——数字化转型的连接器。

“连接器”的概念，怎么理解？打个比方，从2000年以后，私家车开始逐渐走入我们的生活，私家车不仅仅是一个交通工具，它就像一个连接器，把活动圈连接在一起，大大拓展人类活动范围，改变人类的生活方式。

汽车作为连接器，一般有硬连接和软连接两种连接方式。两个地点之间有路，汽车可以开过去，这是“硬连接”；两个地点之间没有路，性能好的越野车也可以开过去，这是“软连接”。

汽车作为连接器，还让驾驶变得越来越简单。以前的驾驶员都是一种职业，现在普通人也可以当驾驶员。我们称之为“平民驾驶员”。

这是汽车作为连接器的两个特点：支持软硬连接、支持平民驾驶员。这背后是汽车厂商多年来不断的努力。

按键精灵的诞生年代

2001年火起来的网络游戏，需要玩家通过繁琐的操作，完成NPC指定的任务才能升级。

当时，我在大学毕业前夕，用C语言写一段无限循环的代码，每过一秒钟，就在横坐标100，纵坐标100给按一下鼠标。这个程序很简单，但它可以代替繁琐的人力操作。然而，它有一个非常致命的问题——不能应对业务变化，坐标变了，程序就要修改。 

我们发现，这里面的主要问题在于：它的平台和业务逻辑是绑在一起的，灵活性不够——这时，按键精灵应运而生。

按键精灵的初衷是将平台和业务逻辑进行分离，让大众在平台上定制自己的业务逻辑。用户无需懂得编程知识，撰写一个脚本，在平台的作用下，代替用户的双手去执行一系列的鼠标及键盘动作。

按键精灵1.0版本解决的是打固定靶的程序，连变量的概念都没有，很快也不能满足需求了，所以升级了按键精灵2.0。

2005年，我们给按键精灵增加了插件功能，提供很多预置插件，还可以通过编程添加其他的功能。这样一来，插件可以给按键精灵带来更多神奇的功能。

这就是按键精灵做得很成功的一点，它把用户自行开发的功能连接在一起了。按键精灵本身提供的功能非常有限，但在此之后，它就可以做到更多有意思的事情。知乎上也有讨论过按键精灵能做哪些有趣的操作——这正是“连接器”的意义所在，价值也通过这样的连接操作而体现。

通过这么多年的发展，按键精灵给我们很多启示：

第一，业务逻辑是会变化的。就像游戏，任务会变，所以要把平台和业务逻辑分离开，各自负责专门的事务。

第二，有些对业务可能不太熟悉、但对IT特别熟悉的IT专家，他们可以借助连接器，运用自己擅长的技术，可以做出厉害的脚本。也有些平民开发者，不懂IT技术，懂业务，连接器把他们连接，大家能做更多很有意思的事情。

RPA的“暴风成长”

2015年发生了一件非常重要的事情。美国的一家公司，前身是罗马尼亚公司DeskOver，之后改名为UiPath并拿到天使轮融资，迅速扩大业务规模，就此引领了一个行业的爆发。

当时他们和一些业务合作伙伴，包括会计师事务所、咨询公司，一起推出了很多财务、人力资源等方面的解决方案，大家才发现，这些领域其实可以靠自动化实现降本增效。

2017-2019年，UiPath迅速发展，成为一家高速成长的全球领先企业，RPA时代也就此到来。

RPA的全称是机器人流程自动化。现在的办公领域，有很多这种日常重复性工作，规则和逻辑非常明确。这种情况下，用自动化的机器人软件代替人工的手动完成。这跟当年游戏里不停点鼠标一样，本质上没有不同。

一个常见的问题是，很多系统之间数据没有打通，此时用机器人能非常容易地做到这种非侵入的跨系统数据集成，不需要改程序，只需要模拟人操作。这是RPA非常重要的应用之一。

2015年，RPA行业被引爆；2019年以后，随着微软宣布正式入局，这个行业被推到了一个新的高点。微软在2019年的时候宣布它要推出Microsoft platform，这个平台包含4个主要的功能组件，其中Power Automate就是微软用来实现机器人流程自动化的重要工具。

很多人现在都想不清楚，为什么RPA热度这么高？

咨询机构预测，到2023年，RPA的服务和软件的收入规模大概是120亿美金。

我们可以发现RPA很多有趣的特性：

1、大客户小订单。使用RPA的厂商，很多是世界五百强这种大客户，但它们的RPA订单往往很小，可能只订购几十万的合同。但这些大公司普遍对RPA表现出了他们的关注，因为它们内部有很多复杂的流程，更需要用自动化连接。

2、RPA从2015年爆发起来，到今天，一直采用订阅的方式，客户需要每年支付一定的金额，软件厂商提供相应的、到位的服务，才能促成买卖双方达成合作。RPA的订阅续费率很高，因为大多数公司对RPA都有一定的需求。

可以说RPA是具有普适性的，很多行业、领域、部门都会有这样的需求，这也是大众看好RPA这个方向的原因之一。

此外，同一行业内不同部门会有不同的需求，好的效果可以加速它的传播效力。

从买方市场来看，为什么RPA这么热？

这两张图表现了我国出生人口和高考录取率的变化。图一显示，1990-1999年，我国每年出生人口从90年的2600万降低到了99年的1100万，意味着人口老龄化成为了一个严重的问题，并且会越来越严重，人力成本也随之增加。

除了年轻人口的减少，图二还可以看到高考录取率也在增加。98年的时候高考录取率只有6%，到了2017年变成65%，增长了10倍，意味着很多蓝领工作很难找到人去做。大多数人不太愿意做这种机械重复劳动，这种情况下用机器人代替人做简单重复劳动，就成为了重要的趋势。

还有一个原因，RPA适合数字化转型的需要。以前银行存款用钢笔填写信息，跨行兑付，但这种方式被淘汰了；信息化以后业务无纸化，通过支付宝随时付款。

信息化带来很多好处，但也有一定问题。信息化带来一波业务增长，但当增长到一定程度后又显乏力。这时有人提出来，要把已有的数据整合，实现数字化转型，产生新的价值。

目前信息化壁垒过于严重，系统与系统之间的数据没有打通，很难将数据进行整合。所以RPA这种非侵入式，在不更改系统的前提下，能够模拟人的操作，将不同系统的数据进行提取及整合。

所以RPA是数字化转型的一个连接器，把很多系统连接起来，这种连接本身就是它的价值所在。这个概念是微软提出来的，微软Platform的四个组成部分之一就是Data Connectors，意思是数据的连接器。

就像开头举例的汽车，RPA也具有连接器的一些特点，它也支持硬连接和软链接，也支持这种专业开发者和平民开发者。

评价一个RPA产品的好坏，一定程度要看它是否支持多种硬连接，同时支持多种常见的软连接。

在RPA里，硬连接是指业务系统有提供接口，可以去做连接，类似Excel，有COM的接口。邮箱也可以通过业务接口去操作。

软连接是指在没有业务端口的情况下，系统间的数据无法互联，这时候RPA的“非侵入”特性就展现出来了，它能够通过界面元素的抓取和自动化操作，实现无接口的数据获取和写入。硬连接和软连接各有优势，双剑合璧就更加强大了。

其次，也要看RPA是否支持低代码。通过基本的变量、表达式等很简单的代码，就能够实现一个自动化的逻辑。这样，一些平民开发者也能很容易学会它。

虽然还需要学习，但是门槛已经降低了很多，大家可以通过一种简单的方式，就能够实现自己的业务流程自动化。

Q：很多人听完RPA之后会问，RPA好像没有什么技术门槛？

RPA的技术门槛不在于让鼠标自动跑起来（这个技术我在大学毕业之前就能做，一个应届生就能做的事情，当然没门槛），而在于如何把低代码做好，让平民开发者也会使用。

Q：某某开放源代码，RPA市场也会像以前一样变成红海？

其实不是这么回事，因为这些源代码，比我在2001年做的工作也就稍微先进一点点，仍然不是一套成熟的产品。

Q：为什么我们不去做一套数据总线，然后把业务系统都连接到数据主线上来？

这个想法非常好。在汽车时代，这种数据总线我们把它称为高铁，所以说数据总线跟RPA的区别，就好比是高铁和汽车。

数据总线有很多的优势，传输速度快、传输量大，安全性更好，但RPA有它独特之处，就像高铁无法完全取代汽车，只能在各自领域发挥作用。

Q：Python语言这么流行，用Python直接加一个开发包不能实现自动化吗？

Python语言不够低代码，经常有人开玩笑说Python语言是要拿着游标卡尺去写的，用它去实现自动化的话，不能做到我们前面所说的平民开发者的目标。

RPA的必经AI之路

RPA作为连接器，也遇到了一些挑战。不同业务系统之间的数据，只有20%是可以直接利用的结构化数据，比如表格数据库，剩下80%都是非结构化数据。现在还是没有办法联系到一起。

通过AI，把非结构化数据转化为结构化数据，连接器就能处理剩下80%的数据——所以，RPA+AI才是连接器的未来阶段。

因为AI做了大脑的工作，可以把非结构化的数据，比如图片、声音、文字，转换成结构化数据，然后去做手的工作。

很多人问，既然RPA+AI能起到简单作用，比如像阿里云、百度云这样的云平台都有这种标准的接口提供了，那把这些做得比较好的AI能力直接引到RPA里可以吗？

可以，比如扫描一张发票，其实不用云平台，有专门的发票扫描仪就可以，将仪器跟计算机连接起来，就一张张自动扫描发票了，自动把发票信息从图片、纸质形式变成结构化数据的形式，这种效果已经很好了。

扫描仪和RPA连接这种还属于初级阶段，我们称之为连接AI能力的连接器。

什么叫高级连接器？就是把一些智能化的功能，把AI所能做的一些事情给分装到连接器里。这种智能化的研究系统，能解决很多初级阶段不能解决的问题。

有时RPA本身能力有限，需要用AI增强。有的是标准AI场景，比如扫描发票、身份证，这都是非常标准的文档，已经有很多插件做得很好，直接调用就好。

RPA和AI的界限非常分明，AI负责把非结构化数据转成结构化数据，而RPA拿复杂结构化数据来做处理，这是交互非常简单的情况。

• 应用之界面识别

首先需要识别出软件里有多少界面元素，一般的RPA软件都能做到，但有些软件不是在本地操作系统里运行，而是运行在远程计算机，我们通过远程连接上去。

这种情况下，就可以运用AI识别界面。我们用了大概几十万张的软件界面图片进行标记，拿深度学习模型去训练。在这个模型里，你只要按下一个键，它就能自动帮你识别，把虚拟机里的基本元素，比如输入框、按钮、标签等都用绿色识别框标记。

注意它不仅是识别有文字的元素，一些输入框是空白的，里面还没有填内容，它也能准确的识别出来。

• 应用之合同识别

财务领域经常要识别和处理合同，首先OCR合同一下，把里面的图片扫描件编成文字。

从合同正文里提取关键信息，比较麻烦，因为合同没有标准格式，比如甲乙方的位置、合同金额、到期时间等。

只能用RPA产生的AI能力进行训练，才能在合同扫描件里提取出所需要的总金额、账期、供应商等关键信息，然后用RPA把这些信息送到财务，给财务提供一个成本的管理依据。

• 应用之在线客服

在一家地产公司，它的物业就是一个集中的呼叫中心。为了提高用户的服务质量，当业主拨打物业电话时，接入的是呼叫中心。

呼叫中心有200多个人工客服可以直接回答简单问题，对于一些类似维修等问题就需要先做下记录再修理。AI可以理解人说话的意思，以及做一些简单回复。

公司邮箱每天能收到一些邮件，需要每天有人收邮件并归类为客户或潜在客户。

这些客户也需要进行初筛，判断公司规模及相关信息。我们就做了商机邮件处理机器人，能自动收邮件、查询客户和分类。

如果是归为潜在客户，还能自动查该公司大概情况，自动回复邮件，把处理的信息存到Excel表格里。

从按键精灵到来也UiBot，它们有共同点，都做连接器，也都具有一个连接器所应有的低代码特点。

不同之处在于：游戏速度变化较快，所以按键精灵要体积小、速度快；来也UiBot对速度的要求没那么快，一般办公界面切换不会太快，所以更强调稳定性、安全性、容错性等。

其次，来也UiBot的安全性要好得多，在很多方面都比按键精灵大幅增强，包括在硬连接和软件能力上，AI的能力集成上，跨平台的能力，分布式控制中心等。

我们也是坚持做好连接器去服务平台开发者，我们的开发者社区用户数今天已经超过30万人。我们的UB Store，是提供给付费能力不太强的小型客户。

互动问答精选

Q1：RPA就是机器加上智能，可以这么理解吗？

褚瑞：昨天的RPA应该说只是代替了手的工作，只能做一些机械性劳动。今天或者未来的RPA会加上更多的智能，可以做很多比双手能做的、更复杂的事情。机器加上智能，可以认为是未来RPA的一种形态。

Q2：怎么应对客户流程的不同，不断更新？

褚瑞：这就是我们要强调平民开发者的原因之一。RPA应该是每个人都能掌握的。上线以后，后期的修改虽然不可避免，但只要足够简单、好用，每个人经过简单的学习，就可以调整这个参数，应对流程的更新。除非更新复杂到一定程度的时，才需要更高水平的人介入。

RPA不是作为一个项目交付完就结束了，而是一定要做更新的。让原厂继续服务的话不太现实，一定要通过这种低代码的形式让更多人轻松掌握。

Q3：RPA在实际应用中会因为网页页面的改变而修改流程，这会导致后期的运维成本很高吗？

褚瑞：RPA流程是可能会需要修改的，因为你用它连接了多个不同业务系统。这些业务系统的改变，就导致RPA流程也要发生改变。但当业务系统在一个成熟的大型企业中使用，它的变化不会太频繁，即使发生了改变，这个体系里只要有少量的人学会使用它，那就没有问题，都能自行应付。

Q4：学了一个月的来也UiBot基础命令判断都可以理解，但一些场景觉得挺难的，不知道应该怎么继续学习。

褚瑞：实际上可以拿一些现实生活中常见的场景做练习。我有时候需要把知乎上的文章批量导到Kindle里，这样可以在离线的情况下阅读（比如飞机上），但知乎和Kindle之间是没有接口的，我就用来也UiBot社区版，自己写了一个流程，自动把文章导到Kindle里，这就是我生活中常见的一个用例。我们也会把使用门槛进一步降低，让更多平民开发者能够掌握它。

即将启幕

CCF-GAIR 全球人工智能与机器人峰会———AI金融专场

历届 CCF-GAIR 已汇聚多位诺奖、图灵奖得主，28位海内外院士，21位世界A类顶会主席，103位Fellow，400多位知名企业家以及100余位VC创始人出席。

8月7日-9日，《AI金融评论》将在第五届CCF-GAIR中举办「AI金融专场」，目前统计学“诺贝尔”— COPSS总统奖得主，摩根大通执行董事，世界顶级学会主席，金融巨头首席科学家、首席风控官，已确认出席。

会议详情与合作，可联系专场负责人周蕾，微信：LorraineSummer

更多会议安排点击https://gair.leiphone.com/gair/gair2020查看。

雷锋网雷锋网雷锋网

近日，文因互联创始人、CEO 鲍捷博士在雷锋网公开课上，以「RPA如何从1.0走到4.0时代」为题讲述了流程自动化的前世今生。

RPA从1.0到4.0，是对手、眼、脑和心的自动化，实现对数据搬移、识别、机器自动化管理和信任的建立，逐步替代初级和中级工作人员；与此同时，是帮助组织从提高现有业务的效率到创造新业务、实现开放生态互联的过程。

关注公众号「AI金融评论」后台回复关键词“听课”，收看本节课程视频回放。

以下为鲍捷的分享内容节选，雷锋网做了不改变原意的删减：

一开始我起的题目叫「白领工人保命指南」，意思是怎么用知识工程（知识工程是人工智能大分支之一，另外两个大分支是机器学习和神经网络。）这种技术，来帮助白领工人实现自动化工作——某种程度上也是“替代”他的工作。

过去这二十年时间里，我一直都在从事这种“邪恶”的研究——机器人流程自动化。

机器流程自动化时代：知识产业将由手工业走向大工业

知识产业，是用人产生知识，转移知识的产业，「白领工人」奋斗主战场。其中，金融是最典型的，此外还有专业服务、政务服务、传媒服务、教育服务等等。知识产业在经济中权重巨大，加在一起一共是占美国GDP的35%。美国的GDP里各种工业的占比是18%，知识产业在美国经济的比重是工业的两倍。

工业早就从手工业变成了大工业，但知识产业还没有完成这个转变，不管是教育、金融还是各种会计法律的服务，都像是一种手工业，依赖于个人的知识和人脉，而不是一种有体系可依赖的大型系统，所以知识产业可以说目前还没有完成工业化。

目前知识产业在美国是7万亿美元的规模，工业化一旦完成，我相信能够创造的价值是不止于此的。它所能够带来的价值和冲击，不夸张地说是大于200年前的工业革命的，这可能是我们当代最大的一个机会。

现在的知识产业是用人来产生知识和转移知识的，我们的愿景是未来用机器来产生知识、转移知识。

知识产业的自动化，就需要用到知识技术，这也是非常庞大的一个技术体系。当然笼统来讲，知识技术可以分为两大类技术，一类是产生知识的技术，一类是转移知识的技术，今天整个话题都是围绕着这两大类技术来展开的。

想要深刻理解RPA，就得明白流程自动化处理的「知识」是什么。小到一次报税，大到各机构间的合作，蕴藏着知识产业各阶段的需求和知识技术的发展轨迹。

在计算机科学里，知识就是结构（structure），或者说它是事物（thing）之间的联系（relation）。比如亲属关系，比如说爸爸的爸爸是爷爷，是普适性的知识。我们身边所有的事物之间的关系本质上都是知识。比如一张发票，它的表格的框就是结构，所以我们遇到的每一张发票其实都是一个知识库。

并非只有文本类才算知识，只要能够事物之间产生关系的，它都是知识。

例如宝马汽车的自动车库系统，车子靠近车库时，车库门会自动打开——车子和车库这种靠近关系，本身就构成了一个结构，这也是知识，也会产生事件。稍后我们会看到，这也是流程自动化的一个重要组成部分。

过去一年，我们听到RPA这个词，但并不意味着流程自动化是最近一年才出现，它很久以前就已经出现，只是不叫这个名字。

RPA 1.0阶段：自动化手

• RPA的前身：RSS和IFTTT

流程自动化技术其实在很久以前就有了，1.0 版本主要是自动化手。

在十五到二十年前，新闻自动化推送技术叫mash up。当年社交网络刚刚兴起，每个社交网络都会有一些API（应用编程接口），有人就想怎么把这两种不同的应用串起来，或者把不同应用的数据源用机器自动串起来自动分发。RSS就是其中用于新闻的自动分发的一个技术。

与此相关的，还有另一种类型的应用：美国的IFTTT网站（if this then that）。

如果你有个to do list，要在你的亚马逊音箱上面来提醒你，做同步；或者你喜欢了一个spotify播放列表，要从video里面把歌曲剥离出来，这些自动化的任务，由一个触发器然后导致一个预定的动作，这就是if this then that。

IFTTT刚刚被发明出来的时候，更多的是这种任务：比如一条推特一旦满足关键词需求，就自动转发到Facebook。其实这也是一种to C的流程自动化。

To B的也有很多，比如历史上很有名的IBM Clio项目，1999年就开始了。因为企业内部有很多数据壁垒，有很多不同的内部IT系统，系统背后又都有不同的数据库。要想把这些数据库打通，是很麻烦的。

所以IBM就起了这么一个项目：怎么能够把不同数据库之间的数据模式做自动发现对齐，之后用统一数据查询，实现多数据源的数据集成自动化，最终实现任务自动化——这个问题，到今天也没有完全被解决掉。

刚才介绍了知识和流程自动化这两个核心概念，他们之间的关系是什么？如果我们想有流程的自动化，就必须拥有机器可读的结构化数据，即知识。然后才能用机器或者软件代理来自动化执行任务。

这也是狭义RPA。

UiPath这样的RPA公司，在美国刚开始的时候其实就是做软件代理的自动化任务执行。

• RPA 1.0阶段应用举例：报税单自动填写

在美国报税，代发工资的公司ADP在每年年初会给寄工资单W-2，列明去年的收入、各项税额等。税表里的数据要挪到美国税务局给的一张个人报税表（1040），再把这个表导到各种报税软件，如TurboTax。人就需要做这样一个应用间的数据转移。

之前都是我们自己，或者雇个会计帮你做，这就是用手来做应用间的数据的转移。现在可以用RPA机器人来做。

在企业环境下，这件事也很重要，因为企业内部有很多不同的IT系统都需要被打通，比如说CRM系统和内部ERP系统怎么对接资源？它们可能都是不同厂商实现的，所以就需要用一些自动化的数据扒取技术来实现。

这个技术并不是全新的，其实之前在很多其他地方已经出现过了，比如90年代末的游戏外挂，后来有了更加先进的软件如按键精灵等。

互联网公司的测试团队也在做类似的事情，比如说开发网站，要测试所有使用路径是否正常，达到预期结果。但这过程很复杂麻烦，可能要测试几百个不同的路径。

一般软件的测试，只要把一些use case写进代码里，但是像这种Web的软件测试要在浏览器里运行，要从浏览器的页面里面把数据抓出来、填进去，所以最早为了解决这种外部的自动测试问题，就开发了一系列的技术。

这里面引用的是Selenium，一个很常用的外部自动化测试框架。如果你要做一个user login，写很少一段的Python代码就可以做这件事情。

同样地，你也可以分析页面，可以读取、抓取、填写数据。所以你会看到自动测试的软件跑起来的时候，这台机器就好像着了魔一样，鼠标乱飞，一些数据自动就被填进去了。

现在的RPA技术其实就是从自动化测试技术衍生出来的，这就是RPA的1.0时代：如何去自动在不同的应用之间做数据的转移，这个应用可能是windows上的桌面程序，也有可能是浏览器里的互联网Web程序。

RPA 2.0阶段：自动化眼

近两年，RPA开始进入第二阶段。

之前的1.0阶段，所要移动的数据基本是现有的结构化数据，比如在两个网页之间传数据，数据已经被结构化了，只是它呈现的是所谓的网页结构，或将已有的可读XML、电子表格，转到另外一个程序里。

但如果是PDF这种比较复杂的大量表格，或者新闻，招股说明书、债券募集说明书、信贷文件等，以及格式不复杂但内容很复杂，比如法院判决书，你要能够在这里面进行应用之间的数据转移，这就需要知识提取的技术。

简而言之，RPA 1.0时代，可以移动原有的结构化数据——RPA 2.0时代，可以生产结构化数据，移动非结构化数据，这就是核心的区别。

这个过程，其实之前是咱们用实习生——或者叫小弟小妹科技——用一些比较初级的工作人员来做的。流程自动化之后，RPA 1.0、2.0可以替代初级人员，这也是所谓的“加工已知的已知”：原来文件和表格有哪些数据，我们非常忠实地把这些字符串给迁移过去。

上图左边的文本原文讲到一个公司有信用危机，这就需要提取核心内容，比如公司出现的问题，它跟其他相关联的所谓实体，如上游公司、子公司，或者打官司的对手公司有什么关系？这样就从一个非结构化的文本变成了结构化的三元组数据。

这也是我们过去这几年之间为用户做得最多的事情。我们跟证券交易所、一些银行一直都在做这种金融监管、信贷、资产管理领域中大量的文件自动化处理，以前要几个月时间才能处理完的招股说明书，现在10秒钟之内就可以自动把几百页的内容都提取出来。

RPA 3.0 阶段：自动化脑

在这个阶段，就不仅仅是把数据原样加工和转移，而是自动化业务知识。

比如金融监管有合规的需求，交易所的合规文件非常多。要把里面所包含的业务知识，转化成机器可以执行的业务规则，这不仅需要识别数据本身，而要知道数据背后隐藏的内容，以及通过这些数据可推理出的结果。

所以，关键过程是如何让机器挖掘这些关系，和自动化的管理。从这个意义上来讲，RPA 3.0就是自动化脑的过程。一旦完成这一步，能够替代的不仅仅是初级人员，还有一些中级人员。

这里两大核心技术，一是知识图谱技术，另一个是推理机技术。

• 知识图谱

知识图谱的技术，本质上来说，就是说如何发现未知的已知。有了数据，可以推理出背后隐藏的关系。

比如说张三是李四的哥哥，李四是王五的哥哥，可以推理出来，张三是王五的哥哥，因为这是一个传递关系。这就是如何通过已知，发现未知的已知。

当然在To B的应用里，有更加专业的各种关系：比如通过各种隐藏的股权关系和已知的担保关系，发现未知的担保关系，可以通过股权网络发现不同公司间的集团派系；甚至还可以发现要隐藏的一致行动人关系，比如两个人关系很密切，他注册了好几个公司都在同一个地址里面，这两个人可能潜在有非常强的相互关联关系。

通过这些关系，可以发现很多隐藏的风险，这就是知识图谱技术能够帮助我们做到的——读懂数据不仅仅只是看到字面上的东西，而且还看到背后隐藏的关系。

但有时候知识图谱技术不够用。当我们有了更加深刻的知识，比如说财务的勾稽关系、大量的BPM管理知识，这需要用更加复杂的知识管理技术，各种各样的规则系统。

如果规则很少，只有十几条，其实用什么系统都无所谓，随便找一个本科毕业生都可以搞得定。但当你有几百条规则，再用规则编辑器，就很难管理了。当规则有一千条，一般的团队基本已经不能胜任这种任务。

通常做一个问答系统，既需要深度学习或自然语言处理的能力，也需要规则的能力。一般来说，管理1000条规则已经很复杂了，这个系统就已经看起来很聪明。但是还不够，如果想让系统看起来非常地鲁棒和聪明，通常需要1万条左右的规则。

比如说IBM的Watson系统，它的前面写了大概8000条的规则——如果想搞定这1万条规则，需要“灭霸级”的能力，这是绝大多数的团队是不具备的。

• 推理机技术

如何管理大量规则？需要引入知识库管理系统，推理机是最核心的一环，通过大量的规则，找到合理的结果并解释。

这事的逻辑很简单，但为什么在工程上非常困难？因为不可能找到一个自洽的逻辑系统，不同的人写出的业务规则肯定会打架，如果推理机不能消解这种冲突，在现实中肯定没用。

另外，也不可能把全部的知识库都给结构化或者规则化，很多是半结构化的。怎么把结构化和半结构化的知识整合在一起使用，降低总拥有成本，这也非常复杂。

最后推理出来一个结果，还要解释它，比如法律判案、医疗诊断，都是基于大量的业务知识，不能说“系统它告诉我就是这样，我也不知道是为什么”。比如判案，肯定是根据某一条结果、某一个法律，这就是叫可解释的人工智能系统，这是跟深度学习非常不一样的地方。

所以演绎的能力、消解冲突的能力、结果的解释能力加在一起，其实就是推理机最核心的几个模块。

当然还有很多其他的模块，比如推理加速。有了这些之后，我们就可以让机器学会自动管理，从而让大规模业务知识的执行自动化，来实现辅助中级业务人员的能力。

• 案例：债券合规的自动化检测和完整性检查

银行间协会的债券发行合规文件非常多，所以要构造出大量这样的业务规则系统，每个节点上面都会读取相应的数据，从而完成整个合规的检查过程。

• 案例：上市公司公告

先提取公告，检查是否含违规内容，比如发行时间，业绩预测符合此前预测，重大合同是否满足披露准则等等。

上市公司公告有多少种？400种。IPO审核后要看多少个数据点？7000个。这些全部用人工来做，肯定做不完，所以一定要用机器来做。

一个监管系统里面可以跑2500条规则，基于这些规则自动做数据路由、分析、统计，最后生成各种预警，发送给相应的人，生成各种各样的报表。这是一个非常复杂的业务流程，只有RPA 3.0时代的系统才能够胜任。如果只有手工的规则编辑器，很难去满足这样的需求。

展望一下，其实RPA到了这个阶段，以后要做的就不只是自动化一些简单流程，实际上是要把企业的业务自动化，或者企业有BPM、ERP、PLM、CRM系统……企业内部各种不同的资源都会有一个管理系统，这些管理系统现在背后都是数据库，未来则会是基于知识库来进行企业资源的调度。

例如CRM系统以前都是用关系数据库，现在越来越多用到图数据库，BPM、SEM、供应链系统也是一样。越来越多图谱的数据，有越来越多的规则，和数据规则知识库，怎么把这些整合在一起？就变成了知识库管理系统。

知识库再加上推理机，我认为这可能是下一代的RPA系统最核心的技术，就是怎么构造出一个能够通用于所有IT系统底层的知识库管理系统。我相信，它会替代之前类似Oracle这样的数据库管理系统的地位。

RPA 4.0阶段：自动化心（信任）

组织内是完全信任的环境，而组织间是不完全信任环境，

前三个阶段一直在讲，组织内部如何实现业务知识的产生自动化和转移自动化。显然，自动化不会仅仅只限于组织内部。

如果要在两个组织之间构造出这样一个自动化系统，面临的核心挑战是：组织内是完全信任的环境，而组织间是不被完全信任的。

在组织间建立自动化信任机制，我们称为分布式信任技术。

为什么要用这种技术？以开放银行为例，未来的银行其实是一堆API组合在一起的数据服务，但要想构造出这样的分布式应用，就必须建立起一个高度可信的工作环境。

有了这种分布式信任能力，就进入了RPA的第4个阶段——自动化心，这也代表人和人之间的信任。

说到分布式信任，大家肯定想到区块链，其实它只是可追责性技术的一个分支。

此外，分布式信任还包括了信任度的电子化，比如说电子身份、电子合同、电子发票等等，也包括了开放调度系统技术，还有服务的发现和注册、服务的编排和集成，分发引擎等等……这些技术在十几年前叫web service。

• 可追责性（accountability）技术

这个概念由图灵奖得主Tim Berners-Lee提出。

构造一个大规模的协作系统，很难事先阻止所有不轨行为。如果完全阻止，系统就非常没有活力。只能是给每个人设定做事的合理范围，如果做错，产生不良后果，我们可以找你负责，这就叫事后追责。

这个技术需要以下环节：

1. 忠实记录数据处理和传播的过程。这个现在是用区块链来实现。十几年前还没有区块链，Tim的实验室发明了一整套跟区块链并行的技术来做。当时我也参与了这个工作。现在其实两个技术已经融合了。

2. 拥有现场记录后，还要取一手证据。如果发现问题，要一步一步重建犯罪现场，需要溯源图谱技术（provenance）。

3. 发现了问题也收集到了证据，必须建立起支撑结论的证据充分的完整链条，这就是证据推理技术（proof&justification）

以上环节加在一起，才是完整的可追责能力，这也是对现在区块链的重要补充。

Tim Berners-Lee过去十几年时间一直在促进这种技术的成熟；这两年在开发SOLID框架，这是基于分布式的去中心化应用，可以是结合知识图谱和区块链构造一种可追责的分布式任务自动化系统。

总结一下核心五大类技术：

• 顶层技术：产生知识，转移知识。

• 产生知识分为：如何发现事物（知识提取技术），如何发现关系（知识图谱技术）。

• 转移知识分为：组织内、组织间转移知识的技术。

• 组织内分为：自动化测试技术或RPA 1.0的技术，推理机技术。

• 组织间转移知识的技术，就是分布式信任的基础。

从RPA的四个阶段来总结：

• 1.0：自动化手，基于自动化测试技术，从而实现数据搬移。

• 2.0：自动化眼，实现数据识别——1.0和2.0结合，实现了对初级人员工作的替代。

• 3.0：自动化脑，基于知识图谱和推理机技术，帮助我们进行机器自动化管理。

• 4.0：自动化心（信任建立），加上3.0就是对中级人员的替代。

从另一个角度来划分，前三个阶段主要关注内部自动化调度；最后阶段关注外部自动化调度。 

文因互联当前是关注在2.0和3.0。过去三年，我们一直围绕着RPA 2.0的技术，在做各种金融文档的自动化识别和流程自动化。最近逐渐转移到RPA 3.0的开发，即如何自动化脑、大规模批量产生成千上万条规则和批量管理。

RPA 4.0，如何实现组织间的自动化调度系统，这也是我们今后两三年内最重要的一件事情。

最后也给出我的两条建议：要么参与这一场自动化的革命，从被机器取代转为与机器协作；要么调整自己的方向，往未知的未知深耕，去发挥自己的创造力。

Q&A节选

问：关于分布式信用平台，是不是和联邦学习的联合建模异曲同工？

鲍捷：基于我的理解，联邦学习应该是每一个不同的数据源，需要保护自身隐私，然后再自动化、相当于去隐私的环境下，来进行一个集成的学习。

这个跟分布式信任应该是在做不同的事情。分布式信任解决的是我如何信任一个数据；联邦学习解决的是我如何在不破坏隐私的情况下实现学习。这两个应该是互补的技术。当然除了联邦学习技术，我认为同态加密技术也是很重要的。

问：RPA感觉是NLP在推荐搜索更进一步的应用，比搜索推荐要难，搜索推荐的本质还是关键词匹配，talk的API就不止关键词匹配了，要怎么理解文本中的实体和关系？

鲍捷：其实核心就在于传统的NLP阶段，我们要处理的都是字符串，要在字符串之间做一些对应关系。

而在所谓的图谱阶段，我们所要处理的都是实体，每一个实体都是有UUID的，比如说全国有多少个叫“王伟”的人，“王伟”是一个字符串，但是我们想区别不同的“王伟”，就需要给他UUID，这就是变成了实体。

所以说在做实体的时候，我们要做的就不是关键词匹配了，RPA其实从整体上来说还是做实体的匹配。

问：NLP这些算法并不能达到百分之百成功的效果。如果是流程自动化，对结果的准确度要求应该挺高的，想知道实际中如何平衡这种技术的局限性和业务的需求？

鲍捷：第一种方法，你这个系统如果要严格一点，你可以降低recall，但是你提取出来给我的数据，你要保证这个是正确的，可以用precision 和recall之间做一个交换。

另一种办法就是人工加机器，这个机器先做一轮，然后人工审阅一轮。这也是绝大多数实施成功的案例里面最终用的方法，就是人工加上机器做一段初步的分析，再用校验人员来做后面的数据提升，特别是补漏。

其实还有其他的平衡，比如说如果一部分确实是正确度不高的话，始终都不高，这部分可能我们就不追求它的自动化了，放弃本身也是一种很好的做法。

雷锋网雷锋网雷锋网

关注微信公众号  AI金融评论 ，在公众号聊天框回复“听课”，进群可收看本节课程视频回放。

以下是谭悦演讲全文与精选问答内容：

NLP+金融的6大应用场景

人工智能这个概念已经火了很长一段时间，但自然语言处理的应用其实才刚刚开始。

从技术和应用具体划分，一般来讲金融科技分成三层。最底层的基础设施，主要就是现在的云计算平台，比如阿里云、腾讯云、华为云等，很多大金融机构也开始自建私有云。

大数据的技术越来越成熟，算力、计算平台的解决方案通用化，使得大家能够像一个组件一样快速地应用到大数据。

另外，在芯片层面，包括GPU，和一些专门针对AI进行优化的芯片，可以把原先很多算法层面的东西通过硬件来加速、实现，大大提高了我们的算力水平。

基于这些基础设施之上，又具体衍生出了很多技术，包括像计算机视觉、生物识别、语音识别、语音合成，还有自然语言处理、知识图谱，以及机器学习、深度学习，它们都层出不穷地开始爆发出来，还不仅仅是停留在论文层面，而是可以逐渐地真正地落地到实际的业务场景当中，发挥真实的作用。

在应用层的话，有智慧银行，各种业务都可以直接语音来办理，甚至有些机器人客服可以帮你完成很多操作；智能保险在保前、保中、保后都会有各种智能化的一些产品或服务。

智能投顾和投研比较偏向于在投资领域，像券商能够利用一些历史大数据，同时针对不同用户对风险、偏好的一些分析，来提供有针对性的投顾和投研产品；智能监管在监管层面越来越多地开始在应用。

AI的技术是有生命周期的，从刚刚研发出来，可能是理论层面或学术界讨论很多，当它真正有技术、有推出、可以落地后，会逐渐在某一个阶段开始有一个爆发性的增长，再进入一个成熟期，逐渐地这个技术再进行衰退。

人工智能技术从整体上来讲，这个技术的生命周期有过三波，我们现在已经是在第三波的生命周期当中了，我们现在所说人工智能是基于最新的大数据、云平台和深度学习等各种各样的技术整合出的新一代的人工智能技术。具体的各项技术所处的生命周期阶段也不一样。

最近一段时间大家可能感受到比较多的还是在计算机视觉、语音识别、语音合成方面的应用，基本上你在银行上办一个业务，给你人脸识别一下，身份校验，这都是很常见的。

还有语音的识别可以直接地语音发问题，甚至有的时候有一些业务员打电话你跟他聊两句发现这原来是个机器人，一开始都没有听出来。这都说明现在这两种技术，其实相对是已经在一个从初级到成熟的过程当中，也就是在高速增长，这部分也催生了非常多的AI的一些独角兽公司。

虎博科技现在主要聚焦在NLP，即自然语言处理，有一些项目的落地，并还在不断地摸索和创新，寻找比较成熟的能够真正推进业务的一些使用场景。

我们现在能够看到的在金融领域一些最常见的应用场景，总结下来大概是这么几项：

首先，智能搜索。这种企业级的垂直类搜索，不再仅仅是网页、新闻，而可以是很多垂直的深度信息，比如说证券、研究报告、大宗商品、理财产品等等各种行业的垂直的信息搜索。

第二，智能营销。现在很多产品在推荐时都进行了深度的用户画像分析，知道你是什么样的风险倾向、偏好、消费能力、家庭情况等等，这样销售推荐的商品就非常定制化。

比如说你刚工作，可能就会给你推荐保险类；等到你工作小有基础，就开始推荐理财产品，看储蓄是不是可以得到更多的收益；等到它预测你应该要结婚、生小孩了，就开始推荐儿童保险，或是给孩子未来的储蓄等等——很多时候你接到这样的信息，就已经是被精准定向到了一个范围内。

第三，智能舆情。现在很多的信息和事件，都是从网络上先爆发起来的。如何通过全网的信息，不仅是传统媒体，还有自媒体，快速识别和预测潜在风险，风险可能是跟个人关联、企业、产品相关联。

有了这些舆情的信息以后，金融机构做智能风控，就可以把信息用于一些风控和预警的场景，比如说银行的贷款客户，或者是供应链上下游关系，比如签订合同前需要知道公司前景。

当然现在一些企业征信数据可以查到，但更难的地方在于怎么样通过一些线索来预测——不仅是感知，而且能够预测潜在要爆发风险的可能。

前面说到的两个应用偏向于如何控制风险，接下来说到的应用偏向于如何提升我们的服务质量。

现在像C端用户用得比较多的头条、抖音，其实很多信息原先也在那里，但能够根据用户偏好做定制。

这种通过机器深度加工之后的服务，给人的感觉会跟原先的不一样。比如去银行开卡，可能需要取号排队，现在机器上身份证输入，人脸识别扫一下，人工摁个指纹，整个流程就办完了。不仅在银行，包括政府，越来越多的流程都在应用这些智能服务，简化流程，提高效率。

公司智能运营方面，以前可能是大家开会探讨运营和推广，现在很多运营都是数据来推动的，比如说文档审阅、机器翻译、信息抽取、市场热点的判断等等。只有通过这种全网的信息不断地反馈，监控现在的市场热点，才能更好调整运营的步骤，人力也可以减少。

比如车险出保，以前要有专门的审核员，现在手机拍一下车辆就知道这个情况能不能出保，流程就自动进行下去了，这就大大减轻运营的成本。 

智能搜索的价值释放

大家在移动端产品上获取信息或者接受服务时，主要有三种路径。从银行、券商APP或者是美团、支付宝等APP上都能够看到，几种交互方式是并存的，在不同的场景下发挥自己擅长的作用。

首先是卡片式，或者九宫格的门户，它有很多功能罗列出来，这种一般都是比较大的板块，可以在首页提供各种各样的服务。

但几十个图标在上面，不好找。现在的改进方式是，可以对菜单进行个性化的定制，这比单独列出来会好一点，但肯定还不够。

用户看完菜单，可能需要进去做事情或者找点信息，那么第二种方式就来了——它是一种类似于智能客服的方式，比如现在一些移动运营商的APP，可以通过客服对话的方式来获取一些服务，也许是人工直接对接，也许一些常提的问题可以通过机器的服务解决。

最后还有一种方式，当你想要的服务、你的问题开放性更强，也可以通过搜索框来提出你感兴趣的问题，直接在搜索框里面搜索。

这搜的可能就不仅是一个内容、一条新闻，还可能是某个产品、某个功能，你想做的一件事情等等，这都可以通过搜索框来统一触达。

总结来说，卡片式门户只能是最基础的大类功能，如果把所有小类放上去，最后就变成大迷宫，找不到自己想要的东西是什么。但它能列的基础功能又很有限，很难承接现在越来越丰富的服务和产品。

这有点像是互联网爆发时期，一开始可能是通过产品黄页或者门户网站就解决问题了。

但随着网页内容越来越多，这时候谷歌、百度这样的搜索引擎就开始出现了，这是信息爆炸必经的一个路径。

智能客服，已经有一些智能化的人机交互，基本上是多轮的问答方式，一个问题过去以后得到的信息是相对比较明确也有限的，不可能一下子把很多信息都给到用户。

这里更常见的是相对简单的操作，可以在一轮或几轮对话之后就完成的工作。比如你只是想把手机流量套餐改一下，插叙出行路线是否符合国家疫情防控的需要。但如果你是想写行业研究报告，那这种对话式的搜索结果其实解决不了问题。

最后就是搜索框，它的好处就是只有一个单一的入口，非常简单，基本上用过搜索引擎的人都知道它是做什么的，是一种下意识的选择，有什么问题就提。

它能够呈现的答案也非常丰富，可能是一个搜索列表，也可能是直接给你转跳到某一个业务办理的地方，或把各种内容通过多类卡片的融合来展现，这个取决于应用提供的内容本身。

整体来讲，搜索框的优势还是比较明显：它可以提高用户的使用体验，把很多隐藏比较深的功能触达到用户。

大家如果经常用电商产品，就会发现它不仅仅是个搜索框，它会不断地推荐出热门内容和你可能会感兴趣的内容，已经变成了人机或人和产品之间交互的一个小窗口。这也是一种可以用于营销、触达用户、推荐产品和优质内容的入口。

不过搜索框其实也有一定的技术门槛。用户提问五花八门，同一个事情有十几种讲法，甚至可能用不同的语言来问，怎么真正理解用户的意图、关联到最相关的内容上？

智能搜索背后需要哪些技术支持？

具体有哪些技术，是在面向行业的搜索产品需要用到的？

在谈技术门槛之前，先说说行业垂直搜索，和像百度、谷歌这样的网页搜索，或通用搜索引擎，它的差别在哪里？

大家经常用的话，可以感觉到，像百度、谷歌基本上能搜到的内容，像网页、知道、贴吧、地图、图片等等，基本上是相对比较通用的图片、文字及地理信息检索的一个入口。

但要在金融，或是其他一些行业垂直领域，它要搜的东西其实是非常专业的。

举个例子，比如说最近疫情，有些上市公司现在开始调整经营策略，开始来生产防疫设备，比如口罩、呼吸机。你想知道，最近一段时间在生产口罩的公司，或者开始转型做医疗设备的公司有哪些。

当你提问，比如问的是“医疗设备”，那么要搜的内容就不能仅仅是医疗设备这四个字，而是要能够理解医疗设备这个概念背后所代表的产业链。这是一个实体，它对应的关系和关联到的其他实体有哪些。

口罩也好，呼吸机也好，这些内容如果只是单纯地通过关联次层面，你是无法感知到的。

所以底层需要一个针对特定领域的、比较专业的语义模型和知识图谱来支撑，才能在用户有类似提问时，一瞬间理解到医疗防疫设备代表哪些内容，同时又有哪些公司和这些内容相关联。

但这些信息，其实是出现在很多相对专业的内容里面，比如公司公告、行业研究报告，或者是一些招投标的信息。

这些数据本身是深埋在很多深度的文档里的，它可能是一个PDF文件，也可能是一个Excel表格，也可能是一个网页的公告，这些东西如果没有全盘整合、做数据或者知识的深度挖掘和提取，是很难直接匹配到的。

这个过程需要有一些技术。

首先，数据方面，从传统的金融数据到一些非结构化的文档，甚至还有另类数据全盘的覆盖，深度理解这些信息，把不同格式、不同类型的内容里涉及到的关键实体、主题、知识提取出来。

提取出来之后能够通过一些大数据、NLP的方法形成信息数据中台，还要保证时效性。

同时，各种类型的内容要通过综合化的排序整合，这个也是虎博搜索一直在做的、在深度优化的工作。

第一步，就是底层的文档的加工，从文档的格式转化、知识图谱的挖掘、语义模型的训练到知识条目的整理，因为数据量很大，从工程角度来讲也会优化索引数据的一个构建，这些步骤基本上是缺一不可的。

• 用户口语化搜索意图理解

整理清楚数据之后，第二步就是怎么更好理解用户的提问意图。

有时候用户想要的是一个具体的实体，有些时候是想要你帮他做一件事情，有些时候是一些条件的筛选。

为了让搜索引擎更加智能，更像是独家顾问的角色，就需要去理解很多用户的问题当中所涉及到的实体、含义，或者是一些指标或条件的筛选，并且把它转化成底层搜索引擎能理解的条件，最终从知识库里面把海量的信息能够召回，再整合，并进行重现。

• 文档信息深度提取

这当中涉及到的核心技术，刚才也陆续提到了一些，比如说PDF文档的深度提取，比较完美的还原，表格、文字、图片，甚至是目录结构、核心观点，都从这种非结构化的报告、文档中提取出来，其实这就是把非结构化文档变成类似于半结构化的知识，这样才能在后续里更好分析和检索。

• 金融NLP语义模型

我们针对金融领域，也做了比较多的预训练模型。如果所有的模型都等到用的时候，再去训练或迭代，它本身更新的时效性肯定没有办法达到要求。

所以我们针对金融领域这些海量语料，包含数百亿字的内容，进行深入的训练，得到了专门针对中文的金融领域的语义模型，包括词向量及现在比较主流的BERT等等，这样再应用到算法层就会非常快。

• 实体关系识别/抽取

从非结构文档中提取知识，比如从新闻中通过模型自动预测或识别实体、人名、关系、数字、指标等等信息，这些信息后续是可以通过半自动的方式，自动构建出一些知识图谱。

以前这种知识图谱的构建还是偏向于专家的系统，然后通过专家意见来构建，这种方式对预先知道的知识依赖非常大，人力投入也相当巨大，可以借助自动化的方式大大缩短这个过程。

• 智能语义标签

我们也在研发一些标签的体系。标签最大的好处就是，可以把语义相关的概念抽象出来。

比如刚才提到的医疗设备，就是一个非常典型的概念标签、行业标签，还有最近比较热门的原油，这是一个相对短期的事件，但也可以成为一个热门的标签。

• 情感/风险分析

很多内容大家表述的时候，都是带着自己的情感的。比如说瑞幸咖啡的财务造假，大部分可能是负面的；但换成其他事情，可能是中性的，或正面的。

如何来评价大家对信息的情感？

首先，你的情感正负面是如何来去衡量？当这类事情发生，一般资本市场的反应，一个人看到这种信息以后的第一反应是什么，这需要通过大量的历史数据来训练。

这样，当同类的事情再发生，就会首先有一个基本的判断。

当然这个基本的判断，不一定跟市场的资产的股价、走势完全一致，但会提供非常好的信号，帮助投资者或者信息检索的用户做初步的判断。

• 用户画像与个性化推荐

最后一个核心的技术：很多情况下用户不一定知道自己想要搜什么。这个时候，搜索技术和个性化推荐的是要相互结合的。

一方面是，用户可能之前已经搜过、看过一些内容；另一方面，当有同类型的信息出现，我们又可以第一时间地去把这信息推荐出来。

这里运用到很多基于内容的、协同过滤的算法，还有现在深度学习也有一些推荐的模型，可以用到这里面来。

最关键两个信息，其实还是要把内容、产品的特征库，和用户画像的画像库先构建起来，然后通过各种方式去做匹配。

为用户推荐到比较好的内容以后，就会源源不断地有更多的浏览，甚至是产生更多的搜索行为，这就形成一个正向的循环，不断地增加用户的黏性。

总体来说，虎博科技现在整体的产品和解决方案是分为五大类的，包括刚才提到的垂直搜索引擎、NLP算法中台、个性化的推荐引擎、智能问答机器人、面向企业的舆情监控的系统。

自研的技术和系统，使得我们有非常灵活的、可以优化和定制的空间。比如说券商或者股债基领域，当大宗商品行业有需求，就可以快速迭代，适配新场景。也会针对某个特定行业，一些具体应用场景怎么落地算法，做非常多的优化。

真正推动我们社会不断进步、不断进展的不仅仅是互联网公司，还有很多传统行业的公司，他们也需要智能化的升级和改造，这些技术其实能够用在各行各业里面让它才发挥更大的价值。

另外，我们致力于深入深度挖掘各领域应用场景，满足客户及用户的多元实际需求，让技术实地赋能商业。最后，基于我们的技术壁垒和对大数据的洞察，可以融合多项核心优势进行场景应用融合式创新，带来颠覆传统的信息获取方式和方法。

互动环节精选

问题1：对于企业级用户来说，智能搜索能够解决什么痛点？

谭悦：总结一句话。数据密集型企业和政务机构都需要智能搜索。

首先要知道是什么企业，所处在什么行业，不同的公司痛点肯定是不一样的。对自然语言处理来说，什么样的公司会有比较大的痛点呢？

首先它应该有比较多的文字类的信息（这些信息最好是线上化的，如果非线上化的话，我们也可以逐渐地把它变成线上化，但这就需要一个预处理过程），并且需要有大量的一些人工来处理这些信息。

原先处理这些信息或者获取这些信息的效率是比较低的，当效率提升以后能创造出极大的收益。比如金融机构中投资、投研就是非常典型的。

问题2：智能搜索里如何运用知识图谱？

谭悦：智能搜索里我们其实主要用了两类不同的技术，一个语义模型，一个知识图谱，两者相互配合。

知识图谱其实出现得非常早，很早的时候包括从谷歌大脑、百度知心，希望把世界上主要的知识都通过一个图谱归纳，这个理想实现也是有很多困难。

这个世界上面的知识其实是非常庞杂的，热门的大家都知道的有很多，但是有很多其实都隐藏的很深或者需要一些特别精通熟悉某个领域的人士才会知道了解。所以要把开放域全部知识放在图谱里面是很难的。

但是一些特定领域的知识图谱是可以去构建的，比如说基于公司行业概念，基于供应链上下游，基于一些人物和实体关系的这些图谱，现在我们无时无刻都在用到。

我们通过一些语义模型，从海量数据的统计意义上来构建对这个世界的认知。当知识图谱能够明确关联的时候最好，如果没有，那么通过语义模型来进入一个概率上面的关联，甚至可以用这些概率上的关联来帮助逐渐地构建和拓展知识图谱，所以这二者之间就可以相互配合。

具体来讲，一般会在什么领域用到呢？比如，底层的信息挖掘、用户的理解、召回、排序，甚至做一些推演和比较的时候，都可以用到这样的技术。

问题3：虎博搜索的智能搜索方案目前已经输出了吗，在哪些机构用了，效果怎么样？

谭悦：我们第一个切入的场景是金融，已经向很多知名机构输出了我们的智能搜索方案并达成合作。例如，我们已经与50%的国内头部券商达成合作，目前也开始覆盖到了大宗商品、交易商、保险、基金、代销、银行等客户。除此之外，我们正在向更多的领域扩展，比如政务、大数据中心、媒体、医药等。

整体来看，项目在实施的时候并不是一次性地全部做完的，会根据不同的场景需求，分阶段进行。公司从去年初开始商业化，目前我们很多客户都已经进入到二期、三期的阶段了。

问题4：智能搜索的思路和做智能营销的思路是不是差不多？

谭悦：用户产品和商业产品是两条非常不一样的思路，对于用户产品也就是我们说的智能搜索来讲，最关键的优化目标，能不能够比较准确、快速、全面的找到用户感兴趣的信息。

所以它的评价指标是准确率、召回率、用户点击率、停留时间等等，当然如果有一些显式反馈的机制，如打叉关闭的这种机制的话当然也可以。

对于智能营销来讲，它其实跟广告就很像了，它最终考虑的是一个商业收益，也就是转化率，你点得再多，最后没人买单那是不行的。或者说买了单，但是你的投入产出比不行，那么营销策略就是有问题的。

所以在这个过程当中，底层算法是有一些类似，但最终要优化的目标不一样，就决定了在这个产品当中运用算法的方式和优化算法的目标有所不同。

问题5：训练算法要怎么解决和客户合作的数据安全问题，尤其是金融行业？

谭悦：第一，我们提供私有化部署和定制化开发的空间。

第二，为了能让上述过程更高效，我们把很多功能变成工具化的，把很多算法变成有预训练的，这样可以用于金融机构的内部，对接到机构自己的数据中，在机构自己的系统里进行更新，快速地适配到那个环境里面去。

问题6：自然语言处理项目落地是公有云还是私有化多，如果是私有化的话应该怎么去迭代模型？

谭悦：如果是从全行业来讲，其实公有云和私有化都有，具体到金融行业，私有化比较多。公有云现在处在一个被逐渐理解和接受的过程当中。一方面因为数据安全性，另外一方面某些核心业务从法律法规的要求上来讲也需要私有化。

但如果是私有化，怎么去迭代模型？我们模型的迭代，已经不一定非要通过公有云的方式才能够提供，我们有自动化的迭代模型工具，可以理解为只要有源源不断地把数据，我们经过工具化的调参、优化就可以有一个模型更新出来。

如果原来已经有的一些技术，我们可以先做完全的重构以后，再到金融机构内部来进行测试和重新部署。

问题7：自然语言处理在风控领域的落地场景有哪些？

谭悦：传统的银行业务里有自己的风控模型的定义，主要是基于资金、交易、用户或者企业账户的信息。自然语言处理是新涌现出的，用于辅助风控的技术。

现在很多风险的来源并不是来自于欠款没还，或者消费陡增，亦或是有诉讼官司，更多的是来自于全网的另类数据，比如说企业的涉诉信息、自媒体评论等，甚至很多数据可能出现在微博、知乎、公众号、贴吧甚至是天猫商品评论里面。

利用自然语言处理技术可以对这些数据进行全面、系统的分析，以提前预判潜在风险，升级风控等级，这就是一个典型的应用场景。

欲获得谭悦的课件，请在公众号后台回复「谭悦」以获取下载链接。

封面图片来源：电影《华盛顿邮报》

雷锋网雷锋网雷锋网

这“窒息”的梦想，像极了40年前盖茨创建微软时说过的“让每人都拥有一台PC”的口号。

近日，随着疫情在全球的扩散，美国银行通过RPA来执行自动贷款业务，将小型企业贷款效率提升了10倍。

这样的效率是否能快速的“复制”到其他行业？RPA这匹2019年横空出世的“软件黑马”，是否能继续一路奔驰，最终站在行业之巅？

今天、明天、后天

每一款软件，都有想成为像Word一样现象级产品的野心。

Word从1985年诞生以来，已经度过了35个春秋。经历了这么多年风雨的它，在软件行业却始终屹立不倒、傲视群雄。如何从微软等优秀软件企业身上习得“绝学”，是包括RPA等每一个软件行业的从业者都应该思考的话题。

蚂蚁金服在这一领域颇有心得，其董事长兼CEO井贤栋告诉投资人，一个企业如果对今天、明天、后天的业务投入的成本比例不明晰，后果难以预料。

“在蚂蚁金服的三大业务板块中，数字金融属于今天业务；全球化属于明天业务；区块链等智能科技则是他格外看好的“后天业务”。”井贤栋说道。

对于一些传统行业，也许业务经历几十年也不会有大的变化，今天就等同于明天；但对于软件行业，看似天壤之别的今天、明天、后天，往往只有一步之遥。

现实往往比艺术更具戏剧性和科幻性，正如RPA厂商的境遇一样，本来不为人所知，短短一年，就被资本踏破了门槛。

在行业初期，RPA厂家大多是一些为企业定制独立软件的外包商。来也科技联合创始人兼高级副总裁褚瑞说道：“RPA这种产品形态其实已经在国内外市场存在了近20年，是一些劳务外包公司常用的基础工具，金融、财会、电信运营商、呼叫中心等行业领域一直在使用。”

这种定制化RPA服务便属于“今天业务”，是RPA厂商主要的盈利模式。

RPA的“今天业务”服务稳定、价格低廉、合作灵活，适合中小企业、大集团分公司以及外包公司使用。但是，时代在发展，今天在做的业务，不代表明天也照样能做。随着技术的更新迭代，RPA厂商们也慢慢开始向“明天业务”发展。

一些RPA厂商逐渐将工具平台化，客户端包括图形化设计器、执行环境（机器人），云端控制台等。部分企业已经慢慢向这个方向探索。但无论是今天业务，还是明天业务，阻止RPA成为现象级软件产品的痛点一直存在。褚瑞在谈及这个话题时说：“RPA的痛点是什么呢？一是高度定制化，二是实施成本高。

RPA替代的是工作中机械重复的部分，但是，由于行业不同、岗位不同、环境不同，即使替代的是同一类人力工作，实施方案也可能不尽相同，定制化几乎是RPA项目与生俱来的特点。相应地，每个项目都采取定制化的方式，实施成本自然居高不下。”

而RPA SaaS化，让其成为更通用、标准的产品，或许将成为解决问题的办法之一。

目前存在一些固化的场景，可以直接使用标准化的RPA产品，但这都需要深层次的理解客户和市场，并结合自身对RPA本身的理解，更好地适应本地企业和市场。

弘玑Cyclone创始人、CEO高煜光在谈及RPA标准化时表示：“假设RPA的标准化是指简单配置就能拿来即用，现阶段是达不到的，因为RPA要解决的业务流程的复杂性要远远高于SaaS所能达到的。在迈向标准化之前我们首先可以做到模块化，能够互通，能够以低代码、无代码的方式进行组建，这是实现标准化的前提条件。”

“每个客户在相同的流程上也会存在一定的操作差异，要把RPA更高端的功能标准化，需要引入更智能的能力来灵活应对这些不同客户间的操作差异。我们正在把强大的AI能力以一种模块化的封装提供到我们的RPA平台上去 。目的就是为了实现RPA更高端的自动化，有更多的自适应能力。随着RPA的自适应能力越高，越能灵活实现标准化。”高煜光说道。

RPA本身具有的敏捷，协作和灵活的特点，能够在不侵入原有系统的情况下做很多流程优化的工作，未来RPA通过与各类技术的结合、与人的协作，或许能真正成为一款让人有无限想象空间的产品。

RPA正趋近SaaS化

2018年10月，Gartner在报告中指出，RPA行业已经出现了一个新的标准———RPAaaS（RPA as a Service）。RPA的SaaS化其实早已成为一种趋势。

这种SaaS化服务将在大小型公司中盛行。Gartner预计，到2022年，超过20％的RPA部署将基于云 — RPAaaS，并按使用数量付费。

对此，高煜光和褚瑞都认为，RPA最终能否SaaS平台化，取决于其能否像其它SaaS平台一样解决行业痛点。

SaaS平台的鼻祖Salesforce是如何解决行业痛点的呢？首先，Salesforce推出一个简单、廉价的基础版本，该版本能够满足客户绝大部分常见的标准化需求，这一招吸引了大量中小客户；其次，Salesforce基于海量客户，搭建了开发者平台AppExchange，非标准的客户需求由第三方来满足。

“RPA是不是可以 SaaS平台化，取决于这两部分的比例，这方面目前还没有比较公认的统计数据来支撑，但我们根据实践经验来判断，目前第一部分占比还不是太高。但随着RPA被应用的越来越广泛，有可能会提取出更多的“公因子”，使RPA趋近于SaaS化。”褚瑞说道。

当然RPA和Salesforce并不能简单的比较，RPA产品的成熟度和市场的需求量还远远没达到可以SaaS化的标准。RPA如果要SaaS化需要满足几个条件，第一，场景需要非常标准化；第二、该标准化场景的用户量要比较大，这样平摊总体成本，才能大大降低单个客户需要付出的成本。想完全SaaS化，RPA厂商需要经历一个很长的过程。

艺赛旗联合创始人兼高级副总裁胡立军认为，“如果现在就大量投入到SaaS化服务里，会割舍掉很大一块市场。目前，金融、制造等行业对私密性十分重视，它们并不接受SaaS化的服务，如果舍弃掉这些客户，将会严重的影响到厂商的利润。”

更何况，用户的业务场景一直在变，RPA的业务流程也必须跟着改变。这样，RPA厂商自然不能做出一个一劳永逸的产品或者服务了。

然而这样的情况，随着人工智能的发展，有了新的变化。“我们正在做计算机视觉层面的技术攻关，通过规律性的方法对用户业务场景变化的地方预判、处理和修正，使得产品形成一部分SaaS化的能力。”“我们有很详细的计划在往SaaS化方向走。”胡立军说道。

CAAS：一种中国特有的商业模式

当RPA在进行轰轰烈烈的“SaaS化运动”时，一种意外的商业模式在中国诞生。

据悉，估值近70亿美元的RPA公司———UiPath于2019年在中国市场签下了超千家咨询公司代理自家产品，而2018年还只有上百家。

作为全球RPA领导者之一，为何频频与咨询公司合作呢？

“RPA的本质就是咨询。”文因互联CEO鲍捷回答道。

业务咨询和RPA技术的结合，是一种新的商业模式。

“其实我之前也一直在思考，为什么SaaS不能落地？为什么中国的To B的企业都像外包公司？我认为在中国其实需要一种新的商业模式，我把它称为CAAS（consulting as a service），它是在中国环境下被逼出来的一种模式。”鲍捷说道。

在中国，实施能力和咨询能力的分离造成了一个两极分化，咨询和外包成为了两个极端。以前的咨询公司只能把咨询的结果转化成一大堆报告，而现在的RPA公司和咨询公司的结合，可以把咨询的结果变成一个IT系统。

未来的咨询公司会加强自己的RPA能力，而RPA公司会加强自己的咨询能力，两方最后甚至可能出现合并。这对两个行业来讲，都是颠覆性的。

“从当前RPA公司的业务流程来看，首先，客户会提供资料给RPA厂商并提出自己的想法和要做的事情。然后RPA厂商的项目负责人会和客户一起坐下来分析具体的需求。”鲍捷说道。

“这其实就是一个典型的咨询过程，RPA服务商要懂客户的业务并且要比客户多一个技术视角，比客户更明白他能实现什么并且帮他做到。”

「雷锋网微信公众号、雷锋网AI金融评论、雷锋网今日头条号」

标准化是一种思维模式，也是一种商业行为方式。

标准化的穿着，曾禁锢人类的思想；标准化的业务流程，却正在解放生产力。

“软件终结者”Salesforce证明了SaaS才是未来方向，当这一趋势像炮弹一样，打到中国企业家、IT专家们的书桌上时，“软件即服务”这个词成了他们笔下的常客。

根据中国信通院的数据，2018年中国SaaS市场规模达到232.1亿元，同比增长37.6%。通用的、标准化的软件服务似乎已成为一种趋势。

所有人都在思考：谁将建立下一个SaaS帝国？

RPA作为近年来最火的软件细分行业之一，在尝试向SaaS化方向发展的过程中，推出了RPA Store等商业模式。这个被人工智能和云计算亲睐的“宠儿”，能让“标准化”再一次浮出水面吗？

为此，雷锋网AI金融评论策划了「RPA标准化」的系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业认知下捕捉观点碰撞的火花。

在上一篇文章中，文因互联CEO鲍捷讲述了《定制化VS标准化，RPA的出路在哪儿？》。

而此次艺赛旗联合创始人胡立军，又是如何看待RPA标准化以及其他行业痛点呢？

以下为胡立军的所感所想：

（此外，胡立军将于4月22日做客雷锋网「RPA+AI 高管公开课」，进行1小时的深度分享，扫文章底部海报二维码进群听课。）

定制化VS标准化

我认为，目前业内对定制化和标准化这两个概念的理解是混淆的。

大家并没有把RPA的产品，摆正到比较通用化的角度去理解，特别是在和用户的前期沟通及项目落地的时候。

打个比方，我们都认为Word是一个标准化产品，但是每个人使用Word，写出来的的内容、排版甚至文字风格等都千差万别。所以Word是一个标准化产品，还是一个定制化产品呢？

目前，由于RPA还属于早期市场，特别是中国的市场中大量的用户没有接触过RPA的产品，如果概念不清晰，会对用户产生很多的误导，使得用户使用产品的心理成本提高。

一个产品是否标准化，在于这个产品本身提供的功能是否标准。推出RPA商城，也是因为我们认为在一定的限制条件下，是可以做到标准化的。

但我们需要将它限定在一定条件之下，因为事物没有绝对的标准。比如苹果手机里的APP，都是在IOS系统里运行的，都很标准。但同样是这些APP，在安卓系统上就运行不了。

用户希望产品能满足他们的所有需求。伴随着项目的推进，用户很可能提出更多功能的定制化需求。当这些用户提出新的需求，但是已有产品的功能无法满足需求时，我们才把这种情况归类为定制开发。

我认为不应该把产品一刀切，人为的分成标准化的产品或者非标准化的产品。因为这样会误导客户认为这一类产品都是不标准的产品，而这个判断也许并不准确、全面。

比客户更了解客户

近年来，在RPA行业中，大家开始慢慢的接受订阅模式。但也有一些客户，他是不接受订阅的，比如一些对于产品和项目的选择有自己的管理制度的企业，他们本身的商务流程决定了无法使用订阅模式。

部分大型企业，有十分严格的采购和资产管理制度。他们不管采购的是看得见的水果还是看不见的软件服务，只要付费，就一定要把购买来的东西明确地标注在资产表上。10%不到的客户会有这样一个情况。客户这方面的需求，都是我们需要注意的。

RPA现在还是一个比较新的行业。虽然欧美、日本等国家走的比较快，渗透率已经比较高，但在中国它的渗透率还非常低。

目前来看，以中国为例，我认为RPA在所有行业的渗透率都不会超过5%，市场的占有率也是一样。

但有一些部门或者行业，这个比例会更高一些，比如财务部门和金融行业。金融机构的渗透率甚至可能已经超过了5%。渗透率第二高的行业我认为是制造业，特别是外企的制造业，仅次于金融业。

有数据表明，41%的用户，是第一次接触RPA产品。有可能是朋友推荐，有可能是销售的推广，也有可能是咨询机构提到了RPA，从而使他们购买服务。这些用户对于IT等新技术比较敏感，喜欢尝试，如果用的不错，就会继续买单，如果觉得效果不好，以后就不会再用。

“产品力”决定成本高低

目前，RPA大致有三种商业模式。

• 订阅：指的是按一定的时间周期付费或是在RPA Store上购买服务的模式。

• 项目化：指的是客户直接把一个项目的服务买断。

• 纯服务：指的是，服务多少，收费就有多少。

我觉得产品卖的越多，理论上赚的钱越多。但是目前有的厂商为什么还存在成本高的问题呢？

我举个例子，当客户只需要5个功能的时候，已有产品可以满足，但是当客户需要第6个功能的时候，由于厂商之前没有做过这种业务，现有产品无法满足新的需求。于是厂商就得派员工开始研发这第6个功能，去客户那边把这个功能加上去，然后测试等等。

这样一来，厂商的时间成本、人力成本就投进去了。

部分厂商，确实存在这样的情况。这是因为它的产品不够成熟，需要通过到现场去重新开发，通过代码把产品中没有的功能补上。

产品力做的不够好，导致了这些厂商的成本居高不下。

但这样做，其实给企业带来了很大的风险。厂商不能把非常成熟的产品和服务直接交付给用户，为了拿订单，去做定制的产品，而定制开发的成本显然还是蛮高的。

如果厂商对用户不够理解或者做的单比较少，碰到的问题绝对很多。这也会使得成本降不下来。

而通过一个接一个项目的锻炼、培训和经验的传递，让我们的员工快速的掌握产品的技术特性和现场交互能力，就可以大大降低RPA企业相应的成本。

RPA正在趋近SaaS化

Gartner曾发布报告，RPA行业已经出现了一个新的标准——RPAaaS。它将RPA的SaaS化当作整个SaaS化领域中的一个细分。

我认为RPA未来肯定是SaaS化的，但让人疑惑的是，我们现在看到的厂商提供的却不是SaaS化的服务。

这是因为RPA产品的成熟度和市场的需求量还远远没达到可以SaaS化的标准。

比如Salesforce，可以用订阅等模式实现SaaS化，它的客户使用成本低，倒逼产品做的越来越好。这种模式的特点是厂商制定规则影响客户、客户通过反馈影响厂商，两者相互促进。

艺赛旗目前的定位既不是“服务商”，也不是“集成商”，而是“产品厂商”，我们做RPA Store，也是本着这样的一个原则。

RPA想实现全部SaaS化，会经历一个很长的过程。

除了商业模式的问题外，还有诸如技术的储备、用户的服务等一系列的问题需要解决。如果RPA厂商现在就大量投入到SaaS化服务里，会割舍掉很大一块市场。目前金融、制造等行业或者财务、采购等部门并不接受SaaS化的服务，如果舍弃掉这些客户，将会是一个很大的问题。

像金融行业的客户，它们不是说不想用，而是不能使用SaaS化的服务。比如财务部门，对数据的安全和隐私问题十分注重，不允许将数据放在SaaS平台上，只能在线下、本地部署。

所以，即便未来有SaaS业务平台推得很好，但是厂商可能还是要去保留原本私有化部署的业务。

而且，客户的业务场景一直在变，RPA的业务流程也得随着改变。这样，RPA厂商自然就不能做成一个一劳永逸的产品或者服务了。

但随着人工智能的发展，我觉得在计算机视觉技术层面上，是有可能解决这个问题的。我们也在做这方面的尝试，而且有一部分的进展了。

我们可以把用户业务场景变化的部分，采用规律性的方法处理。用户的业务场景变化之后，我们可以通过技术做一些预判，做一些修正，降低RPA的错误率。我认为人工智能的某些算法对RPA的应用会起到一个非常好的助推作用。

我认为两三年后，RPA的SaaS化会有一个更好的发展。我们也在往这个方向走，包括我们在做的商业模式，其实也是为了储备这一块的能力。

我们的产品已经形成了一部分SaaS化的能力。一切的基础都围绕着好的产品。我们不满足只做store，其实我们是有很详细的计划往SaaS化方向前进的。

这也是我们区别于其他厂商的地方。在RPA这个信息行业里，我们不仅利用自身的优势资源，服务好我们的标杆客户和典型客户，同时还在寻找新的模式和新的产品发展方向，希望能通过不断地尝试和探索，带动行业的不断前行。（雷锋网）

关注AI+企业服务，新闻爆料或寻求报道，欢迎添加作者——周舟的微信：18811172358

这是RPA乃至所有To B科技公司面临的战略选择。关乎估值，关乎增长。

过去五年，无数抱有做标准化平台愿景的AI公司，在趟过数不尽的坑后，业内才终于达成共识：越重的定制化，越有机会活下去。

而随着AI与RPA等技术的应用愈发成熟，不少传统企业的IT基础建设也逐步完善，“标准化”再次浮出水面。

为此，雷锋网AI金融评论策划了「RPA标准化」的系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业认知下捕捉观点碰撞的火花。

本系列选题的第一篇文章，由文因互联CEO、联合创始人鲍捷讲述他眼中的RPA标准化命题。

同时，「RPA+AI系列公开课」也在进行当中。在本篇中接受采访的鲍捷，将会在今晚8点（4月11日）做客雷锋网公开课，更加深入地分享RPA从1.0到4.0时代的关键路径。

以下为鲍捷的所感所想：

RPA的完全标准化是伪命题

根据多年的切身体会，我认为面向企业服务的RPA厂商，整个业务流程是很难标准化的。

如果它能标准化，To B服务早就SaaS化了。标准化服务不是RPA这种承载形式能够提供的。

同时，在某些局部流程上又是可以标准化的，但要遵循一些特点。

• 第一，这个流程操作相对简单，而且在企业里处于边缘地位。如果一个业务的流程在企业内部处于核心地位，比如银行的风控，是绝对不可能将它标准化的。

• 第二，它是国家强制性要求的、本身就比较规范的流程，比如财务报表。正因为国家有一个合规和强制的要求，使得目前的一些流程得以标准化。

否则，对于To B的RPA厂商来说，无论是需求理解环节、内部流程的构造环节、内部系统的接口环节，还是数据打通之后、生成新数据的环节，这些传统的流程都不太可能被标准化。

我在金融领域做的业务比较多。在银行，客户经理要做一笔贷款，我们会将财务报表进行分析，生成财务报告，这个流程是有可能标准化的。但是如何生成财务报告，每家银行其实不完全一样。

定制化和标准化之间会有一个过程，在垂直行业里，需要积累很多年，通常来说你要服务几十上百家客户。而这个阶段，你看起来非常像一个外包公司。

RPA的标准化，只有两条出路。

一种就是做“前端”的东西，比如专门做火车票、做差旅报销、做身份证识别、做上市公司财务报表的识别，只做一个点。公司不要把摊子铺得太大，聚焦在一个细分领域，每年收入可能不多，不会快速地增长到很大。但是这样能够让毛利率和净利率变得很健康，变成一个小而美的企业。Uipath一开始就是小而美，头十几年没怎么融资，也活下来了。国内其实也有不少这样的公司。

另外一种最底层的知识库管理系统也是可能标准化的。RPA也叫机器人流程自动化，所说的流程其实就是知识，是大量的业务规则，大量规则的管理就是知识库管理系统KBMS。这个上面会出现未来的Oracle和SAP，提供标准化的底层知识计算平台。

至于在中间的比如编辑器之类的，很难摆脱咨询的命运，也就很难标准化了。

我之前看到有统计说，90%以上的RPA项目都失败了。这是因为客户的预期和RPA实际能做到的，这中间有一个巨大的Gap。客户可能读了很多宣传以后，会认为上一套系统，流程立马就可以自动化了。而实际情况并非如此。

RPA需要长时间的行业积累，才有可能逐渐的从零件化到配置化，再到标准化，它是一个渐进的过程，很难一步到位。

RPA不能标准化的原因，有哲学层面的、有系统层面的、还有实操层面的，是多方面的原因。

从哲学层面来讲，最深层次的问题，RPA是一种流程自动化，是一种企业IT服务，它并不新颖，很早就有，只是在不同的时候叫不同的名字。

比如在20年前，我读博士的时候，那时候管它叫企业数据集成，和现在RPA处理的是一样的问题。那时候其实大家也开发了各种各样的小工具来做，但为什么这个事情它始终就做不大？因为企业流程本身其实是一种世界观，没有两个企业的世界观是一样的，同样，没有两个企业的流程是一样的。

在一个组织内，能够走得通流程的方法，在另一个组织内就是走不通。比如你去比较一下钉钉、飞书这两种同样是做办公软件的团队，你会发现他们的汇报流程、工作模式是完全不同的。

再比如说每一个企业它都有内账外账。

当企业做财会的流程自动化时，首先你得搞清楚，你是帮这个企业做外账的流程自动化还是内帐的流程自动化。

如果是外账的流程自动化，是可能做到标准化的程度的。因为国家要求企业每年到税务局必须报这些科目，但是内帐的标准化就不可能做到，因为每个企业的内部情况都不一样。

第二，是系统层面的原因，RPA要解决的，实际上是系统之间数据打通的问题。

一家公司内部，有的系统十年前就有，有的系统去年刚建成，有的系统即将完工，这些系统之间都没有合适的接口连接，我们需要把这些系统之间的数据打通。但没有两个企业的IT系统一模一样，系统都是由不同厂商在不同IT平台上、不同操作系统上实现的。

所以RPA服务商要去跟不同的windows版本进行抗争。在不同的机器上面有不同的配置，有的机器上装杀毒软件，它们都会给RPA的运行制造困难，然后你就会陷入bug的汪洋大海里去，和不兼容性做斗争，RPA厂商得做非常多的补丁，才能解决这些问题。

如果是做企业RPA服务的话，那么它的核心问题其实是一个概念建模的问题，绝大多数的企业客户自己的IT人员不具备这种建模的能力，所以你提供RPA商城也好，提供给它可视化编辑页面也好，其实它是用不起来的。

归根结底是因为大多数客户没有相应的建模能力，而不是一个界面本身好不好用的问题，还得看他这个RPA商城到底能不能把产品和服务销售出去。客户本来就没有义务有概念建模的能力，这个是RPA服务商应该提供的服务。

我认为面对To C用户的RPA商城倒是有可能成功的，比如IFTTT 之类。如果产品做到可以让客户不懂编程也能使用，不涉及流程编辑，而且整个流程也不涉及底层系统的对接，这样的商城是有可能成功的。

RPA的四个阶段

当前的RPA大致可以分成两代：1.0版本是对于手的自动化，可以类比为“游戏外挂”，例如按键精灵；2.0版本是对眼睛和耳朵的自动化，例如目前这种搬运非结构化数据，并且自动化数据提取流程的类型。

从RPA1.0到2.0，就是自动化体力劳动，向自动化脑力劳动的转变。

未来RPA还可能会演化到3.0版本，它将成为一个以知识库为基础的企业内流程化自动化管理系统。

目前行业大致在RPA2.0~3.0阶段。

RPA2.0是去年年底时开始兴起的，它在RPA1.0的基础上，加上了OCR和NLP这两种技术。

RPA1.0时代，RPA只能解决结构化数据的问题，但RPA2.0可以解决非结构化数据在应用之间转移的问题。然而它们两者本身还都是在做数据的转移。

虽然RPA2.0时代，因为加上了OCR等技术，和AI进行了融合，但它的本质并没有变。本质上RPA都是在提供一些标准件。

再往前可能还有RPA的4.0，解决企业之间的资源调度自动化，如开放银行、供应链自动化等等。

今晚的分享，我主要和大家聊聊这部分，RPA 如何从1.0 演化到4.0，过程中涉及的核心技术以及实现的效果如何。

RPA本质上是咨询

业务咨询和RPA技术的结合，我认为这件事情肯定是成立的，而且在我看来这是一种新的商业模式。

其实我之前也一直在思考，为什么SaaS不能落地？为什么中国的To B的企业都像外包公司？

后来我想明白了，我认为在中国其实需要一种新的商业模式，我把它称为CAAS（consulting as a service），它是在中国环境下被逼出来的一种模式。我认为国外应该还是没有这种商业模式的，SaaS已经被接受，没有必要让每家服务商也具有咨询能力，同时也存在了大量垂直的服务商可以因为自己的专业服务而收费，它可以越过这个阶段。

而在中国，实施能力和咨询能力的分离造成了一个两极分化，咨询和外包是两个极端。

以前的咨询公司只能把咨询的结果转化成一大堆报告，而现在的CAAS服务公司可以把咨询的结果变成一个IT系统。

所以从这个角度来说，RPA公司和咨询公司的合作从逻辑上是成立的，而且未来的咨询公司一定会加强自己的RPA能力，而RPA公司一定会加强自己的咨询能力，两方最后甚至可能出现合并。

按照这样的一个趋势，两个行业都可能产生一种颠覆性的结果。从这个角度来说我认为RPA的前途是非常美好的。

从我们当前业务流程来看，首先客户提供资料并且跟我们说要在这些资料上面做什么样的事情，然后我们的业务经理会跟他们一起坐下来分析具体的需求，想要实现什么效果，什么可以做到，什么无法做到，实施的效果如何等等。

这其实就是一个典型的咨询过程，RPA服务商要懂客户的业务并且要多一个前沿技术视角，比客户更明白他能实现什么并且帮他做到。

雷锋网（公众号：AI金融评论）

RPA在2019年有多红？科技圈、创投圈人人热议，风头一时无两。

RPA在2020年过气了？完全没有。上半年就有多家RPA厂商，已完成或即将完成最新一轮融资。

为什么？疫情直接筛出的，是比以往任何时候都要强烈的自动化需求，不分行业，场景无限。此时的企业，没有一家不希望在有限的办公条件下把工作效率一升再升，力求不被繁冗陈旧的IT系统缚住手脚——IT所及之处，皆是流程自动化的战场。

我们可以预见，未来数年，RPA将会成为金融机构乃至无数企业的标配。

你我为何身处迷雾中？

毋庸置疑，这个市场生机勃勃如蓝海，新老玩家同场竞技，产品琳琅满目，侧重各有不同。可惜的是，还有太多人脑中一片混沌：

• 机构不知道工作效率低在何处，更不知道RPA方案如何选择和使用；

• 试图入局RPA的从业者和初创企业缺乏行业认知，很难获取行业的最新产品与技术动态；

• 许多人嗅到了RPA与AI等一众新技术结合的可能，但算不出要走多久才能达到商业化的终点。

还有更多旁观者以为这只是一场资本的狂欢，丝毫没有意识到自己正在历经一场全新的生产力解放浪潮，却和最好的学习时机擦肩而过。

为此，雷锋网《AI金融评论》频道，重磅推出5~7期RPA+AI系列公开课。

邀请到国内头部RPA公司高管做客线上讲堂，带来对产品、技术、行业趋势最资深最前沿的解读。

首批嘉宾预告（共5~7期）

公开课负责人：周蕾，微信：LorraineSummer。

如何听课？

关注公众号「 AI金融评论 」，在公众号对话框回复关键词“听课”，即可进群观看直播，亦可与群内RPA大佬们谈笑风生。

若无法进群，请添加微信： LorraineSummer 申请进群。

通过本系列课程，你将学习到

• RPA在各大行业、主要业务场景的解决方案与成功商业化应用案例

• RPA与AI等多项前沿技术结合的实践解读

• 流程自动化开发的历史经验和最新行业趋势预判
  

• 了解RPA产品设计研发全流程

适宜人群与机构

• 急于提升工作效率、追求数字化智能化转型的金融机构和其他企业；

• 准备在RPA领域发展的从业者与创业者；

• 希望了解RPA领域的投资人；

• 人工智能、自动化相关研究背景的教授、研究员；

• 欲就职于IT部门的学生

第一期开课信息

• 时间：4月11日（周六）20:00-21:00

• 主讲人：文因互联CEO、联合创始人 鲍捷
  

• 主题：从 RPA 1.0 到 RPA 4.0，知识产业流程自动化的关键路

 分享提纲

• RPA1.0：自动化手，结构化数据数据应用间自由迁移

• RPA2.0：自动化手，数据类型全覆盖后的智能建模分析

• RPA3.0：自动化脑，迎来机器推理与业务自动管理时代

• RPA4.0:   自动化社会，开放互联导向产业升级    

嘉宾介绍

鲍捷，文因互联CEO、联合创始人

曾任三星美国研发中心研究员，伦斯勒理工学院（RPI）博士后，麻省理工学院（MIT）分布式信息组（DIG）访问研究员。2007 年于爱荷华州立大学（Iowa State University）获得博士学位。曾任 W3C OWL(Web本体语言)工作组成员，参与撰写了OWL2 知识图谱语言国际标准。先后发表了70多篇论文，参与组织 50 多场国际学术会议和学术研讨会，并任中国中文信息学会语言与知识计算专业委员会委员、W3C顾问委员会委员、中国计算机学会会刊编委，中文开放知识图谱联盟(OpenKG)发起人之一。    

关注公众号「 AI金融评论 」，在公众号对话框回复关键词“听课”，即可进群观看直播。

若无法进群，请添加微信：LorraineSummer 申请进群。

雷锋网雷锋网雷锋网

3月28日，恒生电子首席架构师、数据中台发展部经理、恒生研究院首席技术专家章乐焱在雷锋网公开课上，以「智慧金融的新基础设施」为题，深度剖析数据中台在金融领域的应用与实践。

后续将有更多课程上线，添加微信号 LorraineSummer 报名听课，或收看本节课程视频回放。

章乐焱把金融机构的数据分为两处，一边是各种各样的业务系统归拢出来的业务数据中心，也就是数据仓库（数仓）；另一边是有着大量外部数据的资讯数据中心，业务系统的关键小数据就是叠加了大量来自外部的资讯类的大数据——数据中台的作用，就是将两大中心串联起来，建立相应的数据标准，让这些数据产生价值，再回馈到业务场景中去。

结合恒生电子的建设经验和最新的技术趋势，章乐焱不仅解释了金融机构数据中台的构建之必要，还给出了颇为详细的中台构建步骤。

以下为章乐焱分享内容节选，雷锋网AI金融评论做了不改变原意的编辑。

数据中台这个概念最近确实很火，特别是过去的一年。2018年年底，恒生电子就成立了数据中台发展部，专门帮助金融机构搭建数据中台。可能恒生跟蚂蚁金服有一定的关系，我们一直也在讨论大中台这样的概念。

在整个金融行业里面，大家有一个普遍的说法，认为拉长来看，最近的一两百年，技术对金融行业的影响还是很明显的，包括工业革命、信息技术的升级。

拉近到最近的几十年，可以明显地看到整个金融行业数字化、网络化、智能化“三浪叠加”的态势。特别是智能化的基础其实就是数据。因为金融行业本身就有大量的数据，加上互联网技术的叠加之后，产生了更多的数据，有助于我们构建相应的智能化应用。

中国持牌的金融机构，包括证券、期货、基金、银行、保险、信托，再加上交易所，也就是我们所说的整个行业的基础设施，包括登记结算公司、沪深交易所、期货交易所等等。恒生电子20多年来就一直围绕着金融行业在做相应的IT建设。

以恒生电子一直关注的财富资管领域为例。证券公司、基金公司提供金融产品、销售金融产品，就是经常说的财富管理；资金募集起来之后，金融机构如何去做投资，就涉及到资产管理。

细分来看，这两个行业需要以数据为本，来实现相应的业务驱动，包括投资研究、风险管理、客户服务、运营管理等等，都是和数据有关系的。我们看到的变化是也从传统的做法向数字化转变。

例如投资研究里面，需要引用大数据，实现智能投研。客户识别方面，持牌的金融机构有KYC要求，需要对客户的适当性进行相应的清晰判断，否则需要承担相应的法律责任。

比如在参与金融活动的时候，你可能是个投资者，也可能是个金融消费者，作为金融消费者的话就要受到消费者权益保护的相应的法律法规的制约，所以金融机构怎么来理解你的客户，也会有很多数字化上的要求。

从整个行业来看，数据上的智能化应用对整个行业的影响越来越大。

数据中台在金融机构里的「角色分析」

金融机构的数据，可以分为两块，一块就是各种各样的业务系统归拢出来的业务数据中心，一般传统领域我们就叫数据仓库（数仓）。从上个世纪开始，大家都在做数据仓库的一些建设，到了现在，随着技术的发展，数仓其实也有很多相应的变化。

还有一块就是资讯数据中心，这里的数据大量来自外部，业务系统的关键小数据叠加了大量来自外部的资讯类的大数据。

金融机构要建立数据中台的话，需要同时关注业务数据中心和资讯数据中心。这两方面的数据当然不可能是割裂的，我们观察到，这两方面的数据会通过机构、人、产品，紧紧地联系在一起。我们从经营管理、财富管理业务、风险管理业务、资产管理业务、机构服务业务、经纪业务等这些金融机构的各个业务系统中，把数据抽取出来，建立相应的标准。

这些数据产生价值，需要回馈到业务场景中去。

比如说做数仓有很多BI分析人员，分析公司的经营情况、各项业务的趋势；金融机构有很多金融工程包括行业研究的人员，需要去挖掘各种投资机会，控制相应的投资风险。

作为数据中台能提供哪些服务赋能到各个业务场景，这也是数据中台去做实施建设的时候需要去回答的。

• 企业画像

在业务数据中心和资讯数据中心之间有个关联，最重要的就两块，我们叫两个画像，一个叫做用户画像，一个叫企业画像。

金融机构都是服务行业，服务行业就是服务于你的客户。如何刻画客户？特别是做财富管理这个领域就很重要，需要从各个渠道包括外部拿到相应的数据来刻画客户，这叫用户画像。

募集资金之后，你投资的标的都是跟一些企业有关系，核心的就是围绕着投资标的企业，所以对这个标的企业怎么刻画也很重要，比如财务数据分析、公告/研报/公文分析、关联金融产品分析、企业图谱-股权风险分析、产业图谱-产业风险分析、新闻舆情分析等等。

这里以企业画像为例。随着技术的进步，我们发现要分析一家企业，有越来越多的新手段，比如分析的不只是一家企业，而会去建立所谓的企业图谱、股权关系，对整个产业链上下游关系进行分析。

在构建知识图谱的时候，会有很多外部的信息是文本信息，不像财务报表可以很容易结构化。在处理大量的外部文本资讯信息的时候，就要用到自然语言处理相应的技术，才能把核心的关键的内容提取出来。

当然，投资的时候，投资者比较喜欢听小道消息，所以新闻舆情大家也会很关注，包括专业性的分析、高管事件、生产安全事故、专业人员对行业事件的解读等等。新闻舆情同样是大家关注的领域，传导过来会影响到整个企业。

阿里在说数据中台的时候经常说一个概念叫One ID，在传统金融机构里面，如果你的数据只是来自内部业务系统，One ID 相对是容易实现的；但是如果引入了大量的外部信息，One ID确实是一个很挑战的事情。

例如恒生电子，如果是股票的话，600570是一个明显的ID，但是你到新闻资讯里去看，它可能是中文写的“恒生电子”，可能是全称，可能是简称，包括很多上市公司还有集团公司、股份公司。但是在新闻资讯里讲的时候，如何准确识别出来这个信息说的是这家公司，还是它的关联公司？

这时候要进行One ID的处理，确实是一件很有挑战性的事情，需要通过上下文或者说建立金融大词林，类似于大的词典，这样就能知道恒生电子有哪几种说法，通过上下文分析知道讲的是母公司、股份公司还是子公司。

构建One ID，有时候会用机器去识别，特别是AI 的技术，实际上很多时候最后出来的结果是一个概率的问题，可能要人工和机器结合来实现。

金融机构做数据中台，要分几步？

一家金融机构有很多数据资产，首先要理清楚有多少数据资产，只有理清楚了，数据才能成为资产，基于数据才能做一些协同。

各个业务要做协同，有两种做法，一是传统的每个业务系统开放接口，就可以互相协同了。

还有一种，一般来说金融机构会有好多开发商的系统，这些开发商系统的API控制，并不是想要开发商提供就可以有的。API不行的时候如何进行业务协同呢？其实通过数据也是可以做相应的协同的，但这个前提是需要清楚的知道到底有哪些数据资产。

内部的数据资产可能还好理，当你引入大量的外部数据，所谓的大数据很多是大量外部数据，这些外部数据可能还是不同的业务部门买进来的——从整个公司的视角来看，有哪些数据？这就是要梳理的。

• 数据标准化

有了那么多数据资产，如何应用？很重要的一点就是要有相应的数据标准，否则大家对概念的定义、数据的统计口径、指标的定义都不一样，要实现协同也是很困难的。

首先把所有的资产通过资产地图、资产目录进行管理，通过相应的元素进行描述：哪个数据？在哪个库里？谁负责的？跟哪个业务系统相关？所谓的元数据，要去把它搞清楚，在这个基础上标准化。

所以其实一般讲数据中台，会讲到数据治理很重要的一块就是数据的标准，包括概念的定义、指标定义如何统一口径。

金融领域尤其如此。在金融领域有些指标很重要，因为金融机构需要承担相关的法律责任，一方面是需要向监管机构报送各种各样的信息，另一方面需要向公众披露各种各样的信息，这两方面的数据的统计口径需要保持一致，不然就会出现问题。在这背后需要进行相应的数据标准的制定。

制定数据标准跟制定API接口是类似的，一个是稳定，一个是最小化原则。

• 数据服务化

数据整理好了、该标准化的数据标准化之后，就是为要使用数据的部门提供相应的数据服务，要把数据服务化，毕竟数据中台是培育业务创新的土壤，也是利用数据促进业务创新的保障。实际上在数据中台项目的实施阶段，很难定义清楚总共需要提供多少数据服务。

所以在建数据中台的时候，我们希望能够为金融机构构建一个相对敏捷、能为下游提供数据服务的平台。在这其中，工具很重要。

当下游业务系统提供取数需求的时候，如何快速地进行相应的实施？原来金融机构在做数仓的时候，下游公司有需求就直接告诉下游公司的表结构，让下游公司直接连上来自己取。

这时候就会发现很多问题：数据中心的表暴露给了多少对象？有多少下游应用与你相关？这其实是很难控制的。如果在中间增加一层所谓的数据服务层，以API的形式、微服务的形式向下游提供，这时候就可以数据应用与数据中心的进一步解耦，并可以对数据的使用对象、使用频率进行相应的控制。

最后，数据都整好了，人工智能的应用如何来体现？做人工智能有很多专业的要求，比如机器学习、自然语言处理、知识图谱等，这些人很专业，但是下面的应用部门不可能配备很多类似的专业人员，这时候中台部门就要承接这些专业能力的沉淀作用，要去搭建跟人工智能相关的团队、平台，为下游用数的部门提供这种专业服务。

这样的数据中台，我们把它叫做新的基础设施。

为什么说新的？从上个世纪开始，数仓我们就已经开始建了，现在说的数据中台有更多的数据挖掘、数据分析的技术引进，有AI的加工能力。我们现在发现很多金融机构确实有传统的数仓技术，当有大量的外部大数据进来的时候，整个技术平台确实也是需要做相应的一些升级。

因为数据格式上来讲，有大量的文本的非结构化的数据进来了，数据量也越来越多，所以需要建立起新的基础设施。

那么，新的基础设施建设的时候，眼前你会看到什么？确实大家对数据治理相应的一些基础工作，数据资产怎么梳理、数据质量怎么保证、数据标准如何制定、智能的应用……还是比较薄弱的。所以我说给金融机构建数据中台的时候，确实有很多眼前的问题要解决。

去年数据中台概念火了之后，很多人都说可以提供数据中台服务，实际上在大部分情况下，提供的是数据平台的一套技术工具。工具是必要的，但在有了工具之后，很多事情还要人去做。

比如资本市场的各个金融机构，他们最关键的核心系统就有三四十套，有时候还包括同一类业务系统找两家开发商来建设，或者同一类业务根据客户属性不同建设不同的系统。

核心业务系统的种类很多，多年来的版本也很多。要把数据收集起来，就需要核心业务系统的对接能力。

• 对接外部资讯厂商

此外，数据中台也需要对接各种各样的资讯厂商。

整个资本市场，外部资讯厂商也有好几十家，有一些提供的数据比较全面，有些是特色的数据。除了这些主要的资讯厂商之外，有时候金融机构也会根据自己的特色，采购某些数据，比如某个行业网站的数据。这些外部的数据都要进行相应的关联和管理。

而且来自资讯厂商的外部数据还有一个很重要的特点，就是它的数据结构很不稳定，没有一个统一的行业标准，企业需要建立自己的企业标准，否则来自外部的同类的数据，可能会出现某个字段名字一样但内涵不一样的情况。这些数据既然不稳定，就要建大量的检验规则来保障数据的质量。

另外，既然建立了数据中台，不用业务系统、下游应用直接按的指标应该有同样的口径，需要梳理清楚有多少这样的公共指标，保证口径的统一，这也是中台价值的重要体现。这些内容目前来讲就是靠人力。

AI很酷，但AI背后也需要大量的人力投入。例如金融机构要处理很多的资讯信息，也就是文本的处理。中文文本处理里面一个很重要的问题就是，中文的歧义很严重，特别是人民、地名。如何解决？需要建立词林、相应的知识图谱，通过NLP的技术进行上下文的判断，还需要大量的负面样本。这里面需要很多的人工劳动。

• 知识图谱建设

AI领域另一个很重要的就是知识图谱。比如构建企业链，投资的时候要判断投资标的企业的风险，还要判断它的关联企业。能获得的工商数据可能是几千万级别的，加上相应的属性……这些知识图谱，或者说数据图、数据库的构建和应用能力，前期也需要人力来进行。RPA最近比较流行，在金融领域除了购买资讯之外也需要一些外面的数据，就需要通过一些技术手段对互联网数据进行处理。

数据应用领域也很重要，毕竟花了这么多钱搭建起了数据中台，如果不说做完之后数据中台项目能够支持哪些应用，在企业内部立项也会有问题。

在金融机构，数据中台最主要支撑的应用有四块：经营管理、风险管理、营销管理、投资研究。

经营管理，大家很好理解，公司领导要出报表，是不是还要看各项的数据？营销是以客户为中心，要去服务相应的投资者，营销管理人员需要大量的数据应用做支撑。但是对于投资来讲，风险也是很重要的，所以风险管理、风险合规、风险控制各方面也是数据强依赖的。投资研究就更加需要大量的外部数据了。

所以要建数据中台，很多问题，目前来讲可能要靠人力去应对，这部分占的比重还是比较大的。我们也希望后面的技术进步能很大程度地提升人力处理的效率。

总结一下：底层是数据中台的技术平台，要管理数据，做相应的数据开发，对外提供服务，构建相应的AI能力，搭建AI工具平台。有了这个工具平台之后，帮助金融机构构建各种各样的数据中心，包括业务数据中心和资讯数据中心，也会根据上游的场景分阶段建立，原来的应用可以逐步迁移到新的数据中台的架构上来。在没有数据中台之前，整个金融行业大家对数据也是非常重视的，有大量的应用在用。建数据中台之后，不能简单地把老的应用铲掉，全部重新来过，所以需要有一个把大量的下游应用进行平滑迁移的升级方案。

应用详解之企业画像

除了上面说到的这些“脏活累活”，做数据中台还是很多看上去让人觉得很酷的事情。

比如说企业画像，资讯中心里面非常重要的数据是要把投资标的企业描述清楚，描述清楚之后确实会对金融机构下游的核心业务起到很好的支撑。在这其中我们也看到大量AI技术被应用。

比如企业画像里面有一个叫“企业智查”，这并不是简单地买一些工商数据描述一下就结束了，实际上会有更多的另类的数据关联上去。如何关联？这就涉及到后面的知识图谱、图数据库，除了公司数据，还有产业链数据，这些数据构成了企业之间相互关系的核心网络。

在这个网络之后，还可以叠加金融机构自己的研究人员在企业业务发展过程中调研到的、分析到的企业信息，从而形成一个相对完备的企业画像。

这里面的企业数可能是千万级别的，从工商数据、企业之间的相互关联关系、股权关系，通过股权、债券或者说高管，把这些企业连接起来。还有通过产业的上下游、金融机构投资研究人员建立的所谓产业链分析的网络，关联起来。

关联之后就可以查到围绕这家公司有哪些信息，有没有违约，有点像企业的“情报系统”。在这个“情报系统”里面，可以查到一个企业，周边有一层层衍生出来的很多信息。

• 舆情监测

也许你还会关心当下发生了哪些事情，所以很多公司也在建设舆情监控系统。

恒生从事件的角度来看，把舆情转换成各种各样的事件，比如针对企业的事件、针对企业所在行业的事件、宏观方面的事件等，这些都会对企业产生影响。通过各种事件分类，给企业打上标签，从而形成相应的风险事件预警，其中需要RPA技术去获取外面的舆情。

获取大量的舆情信息之后的处理，需要用到很多自然语言处理相关的技术，需要靠智能文本处理，把关键信息提取出来，在这个过程中，消歧是非常重要的，怎么样消歧、准确地关联到相关企业。

而且企业画像并不是静态地，特别是金融领域有很多持续数据，随着时间点不同，数据都会改变。同样的一个事情，也有发酵的过程，大家要知道事件的前因后果是什么，所以这是一个动态的、持续发展的过程。

• 财务报表

很重要。有些企业会存在财务造假的问题，通过很多粉饰性的内容，造得天衣无缝，包括隐瞒坏账、商誉问题、不务正业等等。

如何识别财务造假？除了传统的财务分析之外，也会通过机器学习来进行。但是机器学习需要负面样本，负面样本不够，特征就找不到？所以需要搞一些另类的指标出来。我们需要去分析已有的数据，找到里面的负面样本。

比如商誉暴雷，我们就去看看最近几年商誉暴雷的公司，把他们的财报拿过来，看看是什么样子的，然后把他们放到机器学习的模型里，看看能不能把问题找出来。

当然，如果专业人员本身就有一些规则，那就更简单了，可以把一些原来没有结构化的数据提取出来，然后专业的分析人员写一些规则，就能直接进行判断了。一般来说，我们会把这两种方式结合起来使用。

• 关联分析

是说做一些关联关系的挖掘，包括整个的风险网络。关联分析图看起来是平面的，但实际上这是一个立体的网络。在立体的网络上如何进行快速地搜索响应，特别是复杂的几度以上的搜索？在图上做搜索，最简单的就是明确告诉我们一个实体，沿着实体做浏览性的搜索是很容易的，但是你要做几度以上的这种分析，对水平的要求就很高了——当网络很大的时候，要找出几度以上的相互关系的时候，能不能实现秒级响应，还是说要跑很久？

股权穿透，相对来说是一个比较简单的关联关系的分析，但其中还有一些规则。如何确定一个阈值多少是合适的？有些法律法规本身就有定义，有些不行怎么办？可能就需要使用统计学的手段，找一些负面样本。穿透一般要求穿透到自然人，或者说国资委，一层层穿透下去。

数据中台作为一个新基础设施，在构建过程中确实是比较有讲究的，要有基本的数据治理和IT治理。从传统的关系数据库到有些地方要大数据技术、AI技术，技术与业务的结合也很重要，不然花了很大成本建了这个中台却不知道该怎么用，或者不知道上层的分析模型该怎么建，这就很难发挥数据的作用。

在做金融行业数据中台的时候，我们内部会进行分层，一层是偏技术的，一层是偏业务的。数据过来之后，偏技术层的会进行基本的处理，比如打个标签、关联到图数据库里去，这对业务的要求貌似不高，对技术基础的要求会高一点。数据结构化处理之后，业务团队就要上来发挥作用。比如刚才提到的财务分析有很多模型，这种模型不一定是IT团队所擅长的。

比如说像恒生，我们也做债券违约的预警，要做数据分析。第一，分析现状是什么。第二分析原因，比如增长的原因是什么？一个投资挣钱了，到底是哪个部分挣的钱，这叫绩效归因。第三是预警，能预测到后面的要做预测。包括刚说到的做原因分析的时候，实际上是有很多专业的模型的。

这些一般是我们偏业务的团队会来做，我们会找金融工程相应的人来做上层的模型，才能支撑到下游的场景。偏技术和偏业务的人，对数据处理的深度确实不太一样。比如债券预警的模型怎么做？看起来都很简单，是个多因子的积分卡一样的东西，但是关键是每个因子怎么选，权重怎么附，这些都需要一些专业的人员来做。

金融AI技术投入，为什么数据挖掘能排第二？

展望未来，数据挖掘在金融AI技术投入中，排名第二，图像识别排名第一。我觉得比较好理解，因为现在图像识别确实相对来讲是应用比较成熟的领域，准确度也很高。但是我们发现数据挖掘竟然是在整个的技术投入中排名第二？我们感觉到现在用的好多手段还是比较传统，为什么它会排名第二？

如果把Gartner分析报告里的这一页上列的这些技术也算在数据挖掘的技术里的话，确实可能投入就上去了。这是Gartner去年对数据技术发展趋势的分析，我挑了几条。

• 到 2020年，将有50％的分析查询是通过搜索，自然语言处理或语音生成的，或者将自动生成。

• 到 2021年，自然语言处理和对话分析将把分析和商业智能的采用率从35％的员工提高到 50％以 上，其中包括新的用户类别，尤其是前台工作人员。

• 到 2021 年，持久化内存（非易失性内存条）将占内存计算内存GB 消耗的 10 ％以上。

• 到 2022 年，图分析和图数据库的应用将以每年 100 ％的速度增长，以不断加速数据准备并实现更复杂和适应性更强的数据科学

• 到 2022 年，通过增加机器学习和自动服务级别管理，数据管理手动任务将减少 45 ％。

为什么要有这样的技术投入？其实数据的运用越来越普遍了，不是说只有一些专业的分析人员才用它，整个生态里的各个环节的业务人员，可能都需要数据。对这些人员来说，你不能把数据的获取、分析的要求提得很高，所以会引用一些自然语言技术去处理。

我们之前提到的知识图谱，实际上它的技术底层有2种，一个图数据库叫图的存储，还有一个图的分析，这块的话Gartner预测也是说每年是百分之百的速度增长。

你要做数据分析，最重要的就是关联，要把数据关联起来才能做更多的分析，这确实是图数据库比较擅长的。关联大量数据的时候，你也会发现说数据结构是很难提前预定、预测好的，那图数据库的好处就是，相应的结构、属性增加一些，对原来的分析是没有什么影响的。

最后一条，其实这个是我比较希望看到的，因为我刚才说到无论是建数据中心也好，做数据中台也好，还是需要大量人力投入。

但是Gartner也预测，其实我们实际上也看到大量的利用机器学习的方式，利用各种自动化在整个数据管理或者数据准备上。当对业务不熟悉的时候，机器学习可以很大地减轻负担。当你换个行业去分析人家的数据的时候，或者一个新人进来，有大量的自动化手段来帮助你做数据管理、做数据的准备，可以有效提升做数据中台的效率。

后续将有更多课程上线，添加微信号 LorraineSummer 报名听课，或收看本节课程视频回放。

雷锋网雷锋网雷锋网

减薪、裁员、转型......成为许多企业不得不选择的办法。在经济下行时期，选择更进一步，似乎有些“天方夜谭”。然而，这样的事，的确在RPA这个行业中发生了，而且还不是孤例。

• 2020年2月24日，来也科技宣布完成C轮4200万美元融资

• 2020年3月16日，云扩科技完成B轮融资，累计融资规模超过4500万美元

• 2020年3月，国外RPA厂商Ripcord宣布完成4500万美元B轮融资

据业内人士消息，四月份，也即将有RPA企业完成融资。疫情还没结束，为何来也、云扩反而逆势斩获千万融资？

RPA融资，“意外”升温

十布是一家RPA创业公司的CEO，在这个领域已深耕10年，对零售及TO C产品有着很长时间的研究，他坚信，使用RPA等自动化工具，是一种不可逆的趋势。

“比如从事银行的一些工作人员，每天就是做做Excel表格、贴贴发票，我觉得人其实不应该去干这种很枯燥的事情，让RPA做，还不会出错。据我观察，现在的年轻人，素质高，他们倾向于用自动化的工具去解决问题，更喜欢做有创意的工作，疫情改变不了这个趋势。”十布说道。

除了劳动力素质的普遍提高，新冠疫情、美国流感、东非蝗灾等全球黑天鹅事件频发，使得企业需要面对更多的生存危机，而在这些危机中，员工无法线下办公，这也促使企业纷纷用RPA等自动化工具来降低灾难来临时的风险。

达观数据在NLP领域颇有建树，在此次疫情期间推出了RPA溯源机器人帮助地方政府防控疫情，并在疫情期间回访了上百家企业客户。

达观副总陈文彬说：“大部分公司都希望引入一些新兴科技，包括RPA、人工智能等技术，来打破内部的信息孤岛，降本增效，提高用户体验和盈利能力。而疫情的发生，恰恰会让更多的企业意识到无人办公、数字化建设，以及RPA这种新兴技术的重要性。”

不管是劳动力素质的提高，还是企业对高效率的“渴望”，都是资本亲睐RPA的原因。

当然，事件的发生并不是单一、孤立的。疫情期间获得融资，更是由诸多因素合力促成。

据一位业内人士分析，来也和云扩之所以得到融资，还得从它们各自深耕的“长处”说起。

愈发激烈的战场

“长板理论”认为，伟大的公司没必要每块板都长，而是把一块板做到极致。

特别是一个行业的初期，如果“长板”不够长，企业连生存都是问题。

而说到长板，来也科技在技术和产品的打磨上，显得十分亮眼。

2001年问世的“按键精灵”，被人们称作是RPA的先驱。而如今来也科技的RPA产品团队，就是当时创造“按键精灵”的那一批人。

来也科技还是国内最早一批做RPA应用机器人商城的“玩家”，去年该公司重点推出的UiBot Store（机器人商城），可以满足多种办公场景对RPA机器人的需求，实现“人手一个RPA机器人”的目标。

不仅如此，今年2月10日，前竹间智能CTO翁嘉颀（Phantom）加入来也科技担任副总裁，加上公司联合创始人兼CTO胡一川、高级副总裁褚瑞(原奥森科技CTO)，来也科技已先后揽获三名“CTO”高管。

目前，来也科技研已掌握文字识别（OCR）、自然语言处理（NLP）、对话机器人（Chatbot）、计算机视觉（CV）等多种AI能力，在交付给客户的RPA机器人中，使用AI能力的占比达到35%，让RPA+AI不再停留于“纸面”。

而另一家获得红杉资本中国基金两轮融资的RPA企业——云扩科技，它的“长板”是做高可用的企业级RPA产品。

据悉，云扩的核心研发团队主要来自微软，具有十几年桌面软件自动化与人工智能研发经验。从成立以来就一直专注于企业级智能RPA产品的研发，每年发布一次重大产品升级，快速完成了“从0到1”的实践。

“RPA未来的发展方向主要是云化和智能化，云扩在这两方面都投入了大量的研发资源。RPA 云化可以让企业客户采用RPA的成本更低，另外通过混合云的模式提供更加灵活的部署模式。同时，我们也非常重视AI Inside，将OCR、NLP等人工智能技术内置到机器人中，让RPA从简单的规则执行变成能够处理非结构化数据的智能自动化平台。”云扩科技CEO刘春刚还透露更多产品也将在4月10号通过线上直播正式发布。

而据业内人士观察，不管是来也科技的UiBot Store，还是云扩科技正在推动的智能云RPA，都大大降低了中小企业购买RPA的“门槛”，被认为是RPA在中小企业市场竞争升级的一个信号。

中小企业市场，亦是战场，已然风起云涌。

还有部分RPA企业选择了在自己熟悉的行业中深耕。金融RPA、电商RPA等“行业+RPA”组合也并不少见。

比如「金智维」，有深厚的金融“背景”，希望成为金融行业RPA领军者。

它本身是国内最大的证券软件开发商「金证科技」旗下的子公司，在总公司的资源倾斜下，目前签约客户超过200家，其中金融科技企业便超过170家，更是获得了「建设银行总行」和「工商银行总行」这两张大单。

阿里云RPA，则背靠国内最大的电商平台「阿里巴巴」，前期希望将电商领域的RPA服务“一网打尽”。

阿里云RPA已在阿里巴巴集团内部“服役8年”，在内，服务过天猫、淘宝、蚂蚁金服等部门；向外，还和上海用成等科技企业合作拓展新零售电商领域。

除了电商“背景”，阿里巴巴枝叶繁盛的“科技树”，也是阿里云RPA的优势之一。相关技术全部自主研发，所有内部技术架构及SDK模块均有阿里云内部知识产品保护和正版授权，阿里云RPA可以将所有的技术打包成一个整体的解决方案，在售后这一块提供更全面的服务。

目前看来，在RPA这个赛道上，有的企业为了抢占先机，已经“短兵相接”；而有些企业“广积粮，高筑墙”，正在为未来的市场争夺积蓄力量。

RPA需要“降降火”

从资本角度看，来也科技、云扩科技、艺赛旗、弘玑在B轮皆融资千万美元，而当年的摩拜、OFO也不过如此；从市场角度看，Gartner在报告中指出，到2022年底，85％的大型和超大型组织将部署某种形态的RPA。这验证了资本和市场是拥抱它的。

但同时，RPA企业在短时间内是否能盈利，仍受到人们的质疑。

以这个赛道中唯一上市的企业BluePrism为例，根据其2019年的财报（截止2019年10月31日），全年收入为1.01亿英镑，但销售、管理、研发等支出费用1.82亿英镑，亏损高达7820万英镑。而从2016年至2019年，其财报一直显示处于亏损状态。

“这是TO B企业的普遍痛点，模式重从而导致运营成本高，同时难复制、难规模化。做中大客户的周期长，而客单价也不是很高，这导致了部分RPA企业虽然营收能获得100%的增长，但它整体是在亏损的。”业内人士指出。

此外，这个产业仍处于初期阶段，项目失败率高、售后维护频繁，也都是亟需解决的问题。

德勤在一次调查中发现，在使用RPA的400家公司中，30%到50%的RPA项目在一开始便失败了， 63%的RPA项目没有按时交付。

而Genpact首席数字官Sanjay Srivastava则表示：“在这个行业工作5年的时间里，在1000多个企业的机器人部署中，鲜有成功案例......机器人在工作中需要不断的管理和维护。”

如今许多企业都在做store（机器人商店），希望将RPA SaaS化，将其做成通用场景。

但每一个企业的需求都千差万别，为一个企业做定制化服务已是不易，服务好一个行业需要大量时间的积累，想要做成通用化产品自然更难。

而标准化的产品，或许能带领RPA这个行业走向真正的繁荣。

结语

2019年上半年，整个中国的IT圈儿也没有太多人了解RPA。可就在这短短的几个月，RPA一下成了资本的宠儿、新兴的风口。即使遇到“疫情黑天鹅”的狙击，依然没有挡住它“跃进”的步伐。

RPA的“火爆”归根结底还在于资本的亲睐，但资本是一把双刃剑，来时百花争艳，去时万物凋零。

它是不怕火炼的真金，还是触火即爆的泡沫，仍需时间来证明。

微信公众号：雷锋网AI金融评论、雷锋网AI掘金志、雷锋网AI科技评论

“除了捐钱捐物资，我们还能为一线防疫贡献些什么？”或许这是不少AI金融公司在疫情爆发之后产生的疑问。与其他领域相比，它们似乎很难直接与疫情产生关联，带有金融属性的援助措施也更多集中在信贷支持和保险产品上。

而智能疫情语音机器人，成为了这些AI金融公司们输出自身科技能力的优先项。

在1月28日~2月10日期间，短短十余天，就有小i机器人、360金融、腾讯云、京东数科、百融云创、同盾科技等数家企业相继开发或上线专门用于疫情防控的语音机器人，用积攒已久的语义语音技术筑起一道隐形防线。

这样的选择看似巧合，实际上也是为金融行业的长期技术趋势写下又一条应用案例的注解。

从启动到落地，争分夺秒

在社区防控的层面来看，基层工作人员已经疲于线下防疫，再进行人工上门排查住户，工作量之大、传染风险之高可想而知；春节之后迅速增加的流动人口，也为疫情排查统计工作增添不少难度。

之后排查措施从亲自上门转向拨打电话，但人工呼叫面对的仍然是极其庞大的用户群体，智能机器人代替人工打电话的需求应运而生。

在银行智能客服领域深耕多年的小i机器人，是最早向社区提供防疫外呼机器人免费服务的AI企业之一。

从1月28日开始，小i根据话术模版，对返工人群发起电话外呼，进行 “是否有发热或其他不适”、“是否在进行14日隔离期”等定制化问题的询问，并将通话内容以报表的形式汇报给所服务的社区。

很快，更多来自其他赛道的AI金融企业也抓到了这个痛点。

一位来自360金融的内部人员说，复工第一天就有许多同事接到了来自居委会的疫情排查的电话——技术团队意识到，这种程式化较高的电话呼出，是可以用公司的AI外呼机器人来代替的。

于是，360金融的“疫情通”机器人在公司复工第二天，也就是2月4日，就投入正式讨论和架构分析，最后仅用24小时完成了正式上线。

统计数据显示，上线前五天，“疫情通”机器人已经接收来自社区、公安、医疗机构的数十个有效需求，地区包含四川广安、山东临沂、浙江嘉兴、成都、北京房山等10个省14个地区。

同样完成快速启动的，还有百融云创。

2月7日，百融智能语音对话机器人被允许在东城区进行试点。团队第一时间成立了防疫项目组，开始搭建疫情相关话术，巡检优化关键词及知识库，并根据社区要求自行归纳成信息档案。2月9日一早，经过反复调优，投产任务提前完成。

综合各家推出的防疫语音机器人简介来看，这类机器人在致电目标人群后，会自动询问受访者关于疫情的一些情况（比如是否离开过居住地、是否接触过新型肺炎确诊人员、周边是否有从主要疫区返还的人员、是否有发热症状等），并将受访者的语音答复记录下来，转化成文字录入数据库；同时也会进行消息通知和防疫教育。

另外，这些语音机器人在投入使用时，也配备了相应的数据分析和跟踪监测功能，生成分类统计报告，加强对重点人员健康监测和跟踪保障，以提升疫情信息收集的时效性，快速实现辖区内居民健康信息采集与疫情摸底。

离社区再近一步，谈何容易

但是，有着强大的技术能力可输出，并不等于合作的开展毫无难度。

如何将主要用于金融服务的语音机器人，改造升级成疫情防控的专用版，360金融给出了产品角度的两个关键步骤：

一是结果导出，一般机器人只要用户意向，是有意向还是没有，但是“疫情通”需要我们导出每个问题的结果，方便社区统计。

二是在流程上，我们的答案统计也设计成了是非问题和开放性问题，针对不同问题可以进行配置，得出不同的结果，这部分也进行了改造。

同盾科技的项目组则强调，首先在话术设计上，要适用于疫情宣传、人群调研、防疫问答等场景，需要具备通知、宣教、筛查、防控、回访等功能；并针对用户的回答的信息提取一些结果标签，例如是否隔离观察、是否途经疫情高发区等。

同时，对识别的准确率和意图识别的精准性也有着更高的标准。

另外，为保障回访样本的覆盖度，这种语音机器人的外呼频次和时间段也需注意设置，提升外呼的接通率，保证以回访的效果。

易用性也成为了项目组们比较头疼的一个问题。“虽然技术是现成的，但是AI依然有它使用的门槛。”360金融的相关负责人说，对于基层的社区工作人员而言，他们依然需要技术人员进行“贴身服务”。

由于社区之间情况各异，解决方案的定制化需求也更加强烈。他表示，没有两个社区语音设置流程一模一样，哪怕只需要拨十几通电话，也要安排专人进行个性化的配置。

据负责人介绍，目前“疫情通”可实现两种形式的操作：其一，由需求方提供电话，由360金融统一负责运行并反馈汇总后信息，这种方式比较适合老旧社区、乡村等基层人员对线上操作不熟悉的地方。

另一种则是由360金融统一配置后台并提供平台账号，需求方可自助拨打，这种方式更适合大型社区、医院等需要实时掌握信息的地方。

企业们同时也担心解决方案无法顺利触达有排查需求的社区。多家AI金融公司在接受采访时都表示，会尽可能借助各种渠道，或是政府合作项目资源，向当地各级政府、卫健委、基层社区等相关机构咨询需求，提供免费服务。

这样一个项目的推进，需要投入多少人力？

360金融透露，在前期讨论中，公司AI科学家带领机器人团队、数据中台团队、模型搭建、渠道等7个团队成立专项组，并形成20人的核心小组直接调配各部分资源，以开展“疫情通”机器人的研发，其中技术人员占比超过80%。

同盾科技的项目组也全部由技术研发人员组成，相关负责人告诉雷锋网AI金融评论，这次参与进来的工种包括算法运营师，进行话术流程的设计、部署和优化；模型人员对话术涉及的模型进行训练和调优等；以及录音师完成话术的录音等。

语音机器人，AI金融的必备？

AI金融公司们之所以会不约而同把语音机器人作为自身技术能力输出的首选方式，并且能够机动性如此强地按照疫情防控工作需求进行调整，其中的一个重要原因就是包括外呼在内的智能语音语义技术在多个金融场景已有相对成熟的落地应用。

按流程或岗位划分，客服几乎是金融业务中必不可少的一环。对银行来说，智能语音客服的上线能够显著提升服务效率，分流大量人工压力，降低人工服务成本，有效改善用户体验和提高用户满意度。

而在信息的传播过程中，语音通知比起短信或纯文字的推送，更能增强用户对通知的注意力度。

因此，智能语音机器人也自然延伸到营销、催收等其他金融业务环节，不再局限于被动开展对外服务的角色，而是在服务中逐渐占据主动。业内人士表示，除了客服，目前智能语音对话机器人还有着回访、业务通知、召回、问卷调查等功能。

功能的扩展和商业化场景的增加，让这一方向的技术储备成为不少金融机构和AI金融企业的必需配置，向其他行业“跨界”灵活输出智能语音业务也成为可能。

以同盾科技为例，在提升信贷风控水平的同时，还成立了智能语音实验室，已经上线自研的语音合成、语音识别、声纹识别和语义理解等全流程对话机器人技术。

除智能语音业务平台外，同盾也搭建了中继资源调度系统、短信聚合平台和外呼调度平台，以保障业务在每日数百万外呼量的情况下平稳运行。

有着自营信贷业务的360金融，也为催收、营销、客服等环节，自主研发了智能语音机器人。相关技术负责人透露，从2017年发展至今，360智能语音机器人可以支持复杂的调度策略，可根据贷后管理评分卡、队列配置不同的话术、催收强度及触达方式。

据不完全统计，360金融为智能语音所申请的技术专利已有16项，涵盖情绪识别、对话管理、意图识别、 话术策略等多个分支。

而语音机器人不断进化和普及的背后，正是近年来金融服务由线下转向线上的行业趋势。

线下的面对面服务本就受限于时间和地点，在移动设备和互联网的普及下，业务流程尽可能线上化、移动化的操作自然更受青睐，银行线下网点人流减少，传统获客渠道不再适用；金融行业的数字化转型也为这样的服务趋势提供了业务基础。

在业务线上化和线下流量争夺之间如何分配精力、把握节奏，是最近几年金融机构和互联网公司都在思考的议题，而疫情的发生，则使得天平向线上的一端倾斜了更多，无接触式金融服务的需求全面爆发。

AI金融公司们打造的智能语音机器人，还在继续为更多地区和群众服务着，但这也只是战役里的一次集中练兵。未来会怎么定义2020？这一年对于中国乃至全球的金融科技领域到底意味着什么？它可能是一道分水岭，也可能是一片危机四伏的丛林。

雷锋网雷锋网雷锋网

人们说它是自动化技术的细分，说它是一种软件机器人，也有人认为它“蹭”了AI的热度。无论你怎么定义，毋庸置疑的是，它赢得了投资人和市场的喜爱。

在Gartner最新发布的《2020年十大战略技术趋势》中，排名第一位的是“超级自动化”（旨在融合AI和机器学习，将业务流程快速的进行识别和自动化）。

而正是RPA拉开了超级自动化趋势的序幕。到2022年底，85％的大型和超大型组织将部署某种形态的RPA。

RPA的优势

机器人流程自动化（RPA）在发展中不断的衍生出和传统自动化不同的特性和优势。

一：不改变原有IT系统

RPA运行在更高的软件层级，这决定了它不会侵入已有的软件系统，而是在表现层对系统进行操作。而传统自动化依赖技术基础设施，需要基础设施做出相应的改变来匹配自动化的过程。比如平安云RPA安小蜂，一切应用和数据皆在云上，无需部署本地计算机和改变原有的IT系统，便可以进行软件升级。

二：小白也能快速上手

部分RPA已经实现让用户无需任何编程技能，只需要关注自动化提供的功能就可以使用。而传统自动化用户需要会编程技能。编程语言要求会随着使用的自动化工具的不同而不同。

三：快速部署

由于RPA软件是过程驱动的，只需要数周的时间，便可以实现从定义到上线的全过程。而在传统的自动化中，可行性研究和试验设计使得这个流程需要付出更长的时间。例如2019年5月25日，中国建设银行总行RPA系统上线。从2018年11月招标到实施、上线，仅用时半年。

【 图片来源：阿里云 】

RPA的劣势

一：脆弱

RPA即使在应用程序中进行了很小的更改，也都需要重新配置机器人。IT分析师Jason Bloomberg在《福布斯》中写道，RPA的主要弱点，就是鲁棒性差。

严格遵守规则的自动化机器人无法快速适应被改来改去的诸多操作。若在用户界面、数据或应用程序的任何一方面发生变化，机器人将无法适应。

二：失败率高

德勤在一次调查中发现，在使用RPA的400家公司中，30%到50%的RPA项目在一开始便失败了， 63%的RPA项目没有按时交付。

而Genpact首席数字官Sanjay Srivastava也表示：“在这个行业工作5年的时间里，在1000多个企业机器人部署中，鲜有成功案例。”“机器人在生产生活中需要不断的管理和维护。”

RPA的“四个阶段”

根据IDC的研究报告显示，到2022年，全球数字化GDP将达到46万亿美元，占经济总量的46%。而早在2018年，50%以上的中国Top 1000的企业已把数字化转型作为公司的战略核心。

RPA短期内爆发，也和其“数字化员工”的属性密不可分。RPA作为一个软件机器人，可以处理大量在计算机上的任务，赋能企业数字化转型。而企业对RPA的需求，已远远超过对传统的流程自动化的需求。

在摸索和实践中，RPA度过了四个发展时期。（从企业发展角度）

• RPA 1.0阶段：实现单独个体业务的自动化

在这一阶段，RPA几乎涵盖了桌面自动化软件的全部操作。但未能做到将若干个部门合作的某一业务形成“闭环”，实现端到端的自动化。

例如中国最早的RPA应用：按键精灵。通过制作脚本，可以让按键精灵代替双手，自动执行一系列鼠标键盘动作。在游戏中可以代替玩家的双手，实现自动打怪，自动补血，自动说话；在工作中可以代替员工一切用双手可以完成的电脑操作，比如自动调整文档格式、文章排版，自动收发邮件等。但按键精灵并不能实现多部门合作的业务流程。

• RPA 2.0阶段：实现跨部门业务合作的自动化

在这一阶段，RPA可以实现端到端的自动化，让多部门的业务合作自动化成为现实。同时，RPA机器人可以7*24全天候工作，并用业务流程代替了人机交互，释放出更多的应用可能。它主要被部署在VMS虚拟机上，能够编排工作内容，集中化管理机器人、分析机器人的表现等。缺点是RPA的工作仍然需要人工的控制和管理。

举一个小的实际案例：公司发给员工的奖金不及时。当问题出现时，人力资源部门觉得很委屈，他们是严格按照奖金发放流程来执行的；核算部门也很委屈，当数据发给人力资源部后，数据存在问题往往不能及时反馈到核算部。这时候，如果想解决这个问题，必须把两个子流程组合成一个大的端到端流程来分析解决。而RPA的第二阶段，便是可以解决自动化中企业跨部门合作的问题，使得自动化的范围扩大，让流程中更加复杂的问题得到解决。

• RPA 3.0阶段：RPA“上云”

在RPA的第三阶段，RPA通常部署在云服务器和SaaS上，特点是实现自动分级、动态负载平衡、情景感知、高级分析和工作流。缺点是处理非结构化数据仍较为困难，需要更强大的技术融合。

RPA弱耦合的特性能够实现跨软件低成本地快速部署，随着企业服务业务云端化的趋势，RPA上云也成为必然的结果。

根据CompTIA（美国计算机行业协会）的报告表明，将近一半的公司表示其31%至60%的IT系统是基于云计算的。81%的公司表示云计算已经显著增强或适度增强了他们在自动化方面的工作。

云计算为RPA带来了算力的支撑，而在云端上运行的RPA，被称为云型（SaaS型）RPA。

例如阿里云RPA，已实现在云端运行，远程控制且不占用现有的电脑。

云型RPA，相比开发型RPA和本地部署行RPA，一般部署的成本较低。由于存储在云端，没有了软件客户端和场地的限制，企业IT人员也不必参与其中。

从IT角度看，云型RPA软件始终是最新的，无需在本地计算机上进行升级，企业可以无缝部署最新的软件。

• RPA 4.0阶段：RPA+AI

RPA是企业切入AI最好的“切口”。运用人工智能、机器学习以及自然语言处理等技术，可以实现非结构化数据的处理、预测规范分析、自动任务接受处理等功能。

【 图片来源：云社区 】

结合AI视觉技术（如图像识别、人脸识别、机器视觉、生物智能识别等技术），RPA机器人可以识别和筛选图片和视频，帮助用户实现身份证识别，银行卡识别、信用卡自动开户等功能。

比如针对信贷领域，贷前审核材料种类多，格式多，篇幅长的痛点，达观数据、云扩科技等RPA都可以基于OCR的关键信息抽取和审核，支持身份证、借款借据、借款合同等各种影印件的识别，将AI技术赋能RPA。

像达观数据、云扩科技等企业本身就属于AI企业，希望将AI在更多的场景商业落地，从而进军RPA。而也有RPA公司希望结合AI，将业务升级，具备更强的竞争力，比如Uibot与来也科技的合并。

目前，大多数RPA软件产品都处于在2.0-3.0之间，部分行业巨头开始向RPA 4.0发起了探索，并已初步应用AI增强RPA产品的认知能力。

Gartner：RPA的未来将是超级自动化

Blue Prism公司EMEA地区首席技术官Peter Walker认为，“在整个2020年，RPA将进一步‘超级自动化’，它将成为用于在企业中测试和部署人工智能、自然语言处理、智能光学字符识别、通信分析、流程优化和机器学习部署的途径，并越来越受到青睐。”而Gartner也在《2020年十大战略技术趋势》中把超级自动化，特别是RPA放在了很重要的位置上。

RPA很好地结合了软件流程自动化技术与AI这两个互补概念，让高素质的白领劳动力免除重复、枯燥的电脑办公业务，使得他们有时间、精力投入到更需要创造力的工作中去。

而将RPA整合到更广泛的数字转型战略中，是实现大规模“超级自动化”的关键因素。

雷锋网（公众号：雷锋网）

雷锋网（公众号：AI金融评论）

2019，5G当红。这项前沿技术不仅直接打开了物联网时代的入口，也将用户在使用金融服务中的摩擦和不顺畅化于无痕，无感金融时代已然不远。

何为无感金融？银行业者看到的是对客户需求更高层次更加全面的满足。从金融科技，到智慧金融，到无感金融，可以看见金融与技术的结合越来越强调以人为本，更强调用户的体验感。

而技术大咖们在无感金融身上看到的，是金融场景应用的高级形式，是对生活场景的深度嵌入。而5G无疑能够在金融服务的全面升级进程中，提供非常急速的、稳定的、安全的连接能力。

在本月举行的第三届中国数字银行论坛上，一场以“无感金融时代的到来”为主题的圆桌讨论就此展开，中小银行互联网金融（深圳）联盟秘书长、金融壹账通监事会主席黄润中提出了两大关键疑问：无感金融和5G能碰撞出怎样的火花？无感金融之后的下一个金融时代又会是什么？

中国银行业协会首席信息官高峰认为，AI加上RPA，是金融科技在银行应用的未来。中国信息通信研究院金融科技研究中心主任何阳则指出，未来的金融会是一个生态竞争的时代。营口沿海银行党委书记、董事长王学江强调万变不离其宗，复杂的金融生态环境中仍以客户需求为首。华为金融行业解决方案专家郑俊表示，5G会构建以数据传输、以数据搜集为主的生态，未来会极大地促进金融行业和各行各业的融合。

以下为圆桌论坛全文，雷锋网AI金融评论做了不改变原意的整理。

5G能为无感金融贡献怎样的力量？

黄润中：我想请各位分享一下，你们认为无感金融时代到来了吗？有什么特点？

高峰：这个答案是肯定的，无感金融时代已经来了，大家在生活当中已经感觉到了。无感停车，无感加油；还有一些超市也已经做到了无感支付，我们手机刷一下进去之后，摄像头就采集人脸，再加上一些动作，包括红外线的影响，最后出门的时候就结账了。

原来我们讨论金融科技的时候，更多的是围绕ABCD（AI，区块链，云计算，大数据）来讨论，现在不得不考虑另外一个，就是万物互联，就是5G时代的到来，AI必须考虑物联网了。所以无感时代，在理论上来讲，应该是金融科技发展到现在这个阶段的应用场景的高级形式，也是支付场景的高级形式。

我也认真地捋了一下，整个支付可以分为三部曲：原来是有借记卡，后来信用卡——银行卡时代；后来到了二维码，微信和支付宝时代；现在到了无感支付的时代，也就是刷卡、刷机、刷脸，走了三步曲的过程。

这里面的核心是要找到金融和科技的融合点，怎么做到无感支付时代的到来。无感支付应该是这样定义的，就是任何可以感知的物质，只要具备某些独一无二的特征，都可以作为支付的介质。也就是说最最关键的是做无感支付的时候，一定要找到那个支付凭证，然后绑定你的银行卡，这是最关键的。所以5G时代的到来，就能把这个变成可能。

这其中包括汽车的牌照、人脸的识别，这些东西都是唯一的，这些都是今天无感时代到来的先决条件。所以说无感时代的特点，我感觉是把支付和验证合二为一，这是最重要的。

还有大家注意，可能有两个风险：第一，就是在不知情的情况下，可能金额被扣掉了，比如套牌；第二个风险就是在知情的情况下，也可能被错误地执行。很多APP是按月支付，结果默认续约，所以相当于它也做了一个无感支付，这种风险的存在。所以我觉得各有利弊，这些东西取决于有所为、有所不为。

黄润中：好，谢谢高峰先生的分享。刚才他提到的5G，我们想请通信研究院的何阳主任，谈一谈在5G这种场景下，如何催生新的技术和新金融的应用场景。

何阳：刚才我觉得高峰他应该是从比较高的维度，把无感金融进行了阐释。从我的角度去感受一下无感金融或者阐述的话，我觉得是三个方面：

第一，现在不管是支付或者开户，很多环节利用了技术之后，对金融感知的程度在降低。从用户层面，无感支付还是感受比较深刻的。

第二，从金融机构和从业人员层面来看，从大金融的角度来看，不仅仅是银行、证券，还有财富管理，包括大家都在提的智能投顾和智能投研，有了智能化的分析手段。特别是我们这段时间也跟证券行业有很多交流，很多分析人员在做财富管理、资产管理分析的时候，也有一些无感金融存在，不再像以前需要自己手动地搜集很多信息。

第三，从金融业务本身创新的角度来看，我们在探讨5G对金融行业带来重大改变的时候，有一个新的提法叫嵌入式金融。我们信通院承担一个重要的职责，就是推进5G的产业应用，我们有一个口号“4G改变生活，5G改变社会”。

从生活到社会，大家看这个词比较简单，但这两个词包含了巨大的差别。我们讲社会，包括生活生产方式，4G时代更多感受到了4G让衣食住行、消费领域有了更多改变。到了5G时代，说它改变社会，更多的是包含了生产领域，包括能源、教育等等、金融这些生产方式的改变。

为什么从这个角度说到嵌入式金融呢？当5G来临，生产方式进行了多种多样的变化之后，在智慧家庭、智慧生产这些场景之下，由于技术的沿革和发展，很多金融服务的流程、环节，特别像支付这样的，它可以嵌入到这些新的生产模式和生产环节当中。而这时候，嵌入式金融带来的，我认为是金融服务、金融产品另外一种形式的无感。你本来是参加了智慧工厂的模式，但同时金融服务就在这个过程中已经产生了，我觉得这可能是5G带来的生产方式的变革，从而产生了整个金融服务模式的变化。基本上情况就这样。

黄润中：我们想从银行实践的角度，请王学江董事长给我们分享一下，你们是怎么做的，包括今后有什么计划？

王学江：其实好多事情，把它的本质抓住以后，理解得更透一点。我们营口沿海银行，今年成立是第九个年头，应该是全国134家城商行里最年轻的一家城商行，我们唯一能确定的是，没有科技的投入，这个银行将来还是要走下坡道。所以我们2018年年底到2019年年底，科技的投入是前八年的总和，最大的。在这里面我们也收获很多，在资金端利用了新的科技手段，下一步对资产端还会做一些场景的结合。

现在5G很热，原因是5G是要改变中国发展的速度，某种程度上讲，跟现在区块链都可能是国家发展的机会。所以国家和研发部门层面，一直在强调这个。

对银行来说，对5G是什么态度？我一直想打一个比方——银行像什么？

第一，本来银行是给客户提供服务，存取、支付，本来就是干这个的，所以回归到初衷，就是充分理解客户的需求，人家怎么方便、需要什么，你去给人家提供什么样的服务，就可以了。比如说现在百姓需要一般消费的需求，怎么让人家支付方便，提供这种需求，你才能生存下来。

第二，现在国家讲银行做一些小微、百行进万企什么的，这也是国家的战略需求，其实也本来是小银行的生存之道。

银行就像一台电视机，你给大家提供服务。首先你得有节目能看得到，也就是银行得有产品，什么样的产品，得根据观众客户的要求，电视机一开始是什么接受器，就是一个天线，非常简单。再后来它也可以接入有线、USB。我不是搞科技的，但我一直相信，随着5G技术的开发，你怎么让银行的客户跟他的体验跟5G结合起来，这是我们需要的。

我们沿海银行一定会跟随着5G的研发，我们跟华为也有一定的交流。我们的各级投入已经很大了，银行业的服务，几乎能接驳很多的场景，这些场景可能是客户未来需要的，尤其是年轻的一代。过去银行可能是靠年龄大的客群，他看的节目跟年轻人不一样，所以某种程度上我们需要跟着这个时代客户的发展，按照客户的需求，你需要看什么电视电影，我们给你供什么产品，你需要什么样的生活中的服务，我们把场景给你联系上。

一句话，客户就是上帝，银行给他们做好服务。

黄润中：谢谢，都谈了5G技术，我们听听执5G技术牛耳的郑俊先生，怎么看5G，怎么跟金融融合，去给客户服务的？

郑俊：刚刚提出了无感金融的概念，具体考虑5G怎么和无感金融结合。我也先从无感金融说起，首先我认为无感金融是金融行业发展的一个必然的目标。因为我们的国家领导人也谈到了当前社会发展的主要矛盾，是我们的社会发展程度和人民群众日益增长的美好生活的需求之间的矛盾，金融服务会越来越成为普通人日常当中的一项非常重要的服务内容。

刚才谈到了有支付，其实在整个金融服务领域，包括投资理财，还包括另一个大的金融领域，就是在保险里面有各种的投保、理赔等等各个环节——但在银行这个领域，可能是以支付为主要的表现。

说到无感金融，刚刚何阳也说了，两个非常关键的字“嵌入”。我们认为无感金融要做到就是深度地对各种生活场景的嵌入，如何做到嵌入？有非常关键的要素，就是它能够提供非常急速的、稳定的、安全的连接能力，这就是5G现在能够做到的，5G能够提供的。5G提供了这个连接能力，当然做到无感，在背后还有一些其它的关键要素。

另外一个关键要素，我认为就是边缘侧和中心侧协同的AI能力，AI帮我们在无感金融整个实现的过程当中，去做判断、分析、决策。连接能力加上AI能力，构成了我们整个无感金融的技术核心。当然，最后还有一项技术能力，就是整个的无感金融的实现，背后有我们的业务流程。这个无感金融要实现，也会要求我们背后的业务流程能够自动化，不需要我们后台人员太多地去执行、去干预。所以说能连接、能分析、能执行，这是整个无感金融的关键要素。

无感金融之后的下一个金融时代

黄润中：四位嘉宾从国家研究的角度、行业协会的角度，具体银行实践的角度，和技术提供专家的角度都给出了答案。最后一个问题，我想让你们简单地用一两分钟再分享一下你们的观点，就是无感金融时代，刚才你们都说来了，我想请问一下：下一个还是什么样的金融时代？无感之后，你们畅想一下。

高峰：金融科技对整个银行业的赋能，今天一整天讲的都很多了，其实这个模式大家可以梳理一下：当初跟互联网金融PK的时候，银行第一个出手的叫直销银行；之后我们做了开放银行，包括最近线上线下融合的远程银行。

我认为未来可能两个东西比较追捧的：一个是AI银行，AI银行融合了所有的金融科技，包括我刚才说的ABCD。穿透式地从前中后、上中下，是AI银行的一个体系。这个是我第一个感觉，这是有可能会到来的。因为最近我们发现，平安银行、招商银行、建设银行等，整个AI银行的应用，已经开始逐步浮出水面。

第二个是RPA，刚才我特别同意华为说的，其实机器人程序的自动化，下一步必须要加上AI，AI加上RPA，是金融科技在银行应用的未来。

何阳：刚才听了几位专家的介绍，我觉得有一个新的思路。大家谈5G，不知道有没有一个比较，5G属于通信行业的，大家讲金融科技的跨领域融合，我们作为一个工信部体系的研究机构，也专门成立的一个金融科技公司。

什么样的思路呢？其实现在大家越来越多感受到，电信行业、信息通信在成为国家的战略性基础设施。所以我们认为，电信本身就是基础性的服务；而同样地，金融也是一个基础性的服务。金融一直说是整个现代经济的核心命脉，有了金融才能让信息活动活跃起来——金融和电信，两个同时作为社会经济的基础性的行业融合，它带来的是什么？

无感金融是一个畅想，但是我觉得可能往更远的将来去看。这次我也过来参加了深交所的技术大会，他们的主题很好：科技引领，构建行业数字化生态。我觉得未来是一个生态金融的时代。

为什么说生态金融？前段时间也参加了银行业协会金融科技司的一些交流和培训，我自己当讲师去讲，跟很多的学员、朋友们交流有一句话，说银行业现在越来越不像银行。包括平安银行在内，做了很多智慧城市，咱们在各个省市做智慧城市，竞争对手不仅仅是银行了，而是很多运营商、BAT的互联网公司。但是从无感金融我们延伸出来来看，未来是一个大生态竞争的时代，银行在跟运营商竞争，运营商在跟互联网公司竞争，互联网公司又穿透到整个行业做金融，跟我们金融竞争。因此我觉得未来的金融时代，我可以简单畅想一下，是一个生态竞争的时代。

大家还记得2013、2014年的时候，4G出现，我们肯定没有想到，过了五六年的现在，移动支付，包括其它的一些新的模式，对我们的生活改变有这么大。现在我们站在2019年去畅想，也许过了五到十年，5G可能带来的又是一些新的改变，那是不能以我们当前的思维方式去做的改变。作为工信部体系的研究机构，我们已经开始在用金融的思维思考技术的问题，今天有很多金融机构的朋友，可能大家也需要更多地用技术的思维去思考金融问题。谢谢大家！

高峰：我插一句，整个金融科技发展到今天，我感觉已经到了一个十字路口或者最艰难的时候。我今天不得不说的就是，很多金融科技用的一些算法，都是从互联网上扒过来的，然后很多开发公司把它进行简单的封装，封装完进行自己的产权。

实际上未来的金融科技在银行应用的关键核心是在于数学计算的能力，算力和算法。如果这个国家死投入很大的数学的能力，未来的金融科技才有希望，如果没有数学的投入，比如说我们经常学的这些概率论、统计方法，包括逻辑学，包括伦理道德、科技向善，所有这些东西会影响到未来金融科技发展的走向。

黄润中：好，王学江先生从自己银行实践者角度畅想一下。

王学江：我同意前面两个嘉宾讲的，我感觉未来也是，银行的生存环境，真有可能是一个大的生态金融环境，非常复杂了。但万变不离其宗，还是你能不能给客户提供他们想要的服务，这是关键。要保持他们的要求，能提供相对的服务，要求我们的科技无论是软硬件还是人才的水平，都要跟得上。

我们希望在这方面，尤其是社会或者一些平台的提供商，站在银行角度，因为银行不可能花太多的资金去自己上复杂的系统，迈个小台阶可以，大台阶就迈不动了。而且迈动以后，可能人才就跟不上了。所以我们在此呼吁一下，我们是需要给我们提供服务的设备和平台服务商，你们的服务能更好一点，质量好一点，价格优惠一点。

黄润中：好，请郑先生分享，5G还没有完全开始，刚刚商用，从技术变迁的角度，你畅想一下6G，比如说像美国卫星组团式的6G，还是地面打桩式的，并且将来对金融，叫物联网金融或者生态金融，带来什么样的影响和畅想？

郑俊：刚刚主持人也提到了这个美国的卫星组网，首先我觉得这个卫星组网是一个非常伟大的，有创意的一个举措，而且我也非常希望我们的国家在这方面能有更大的投入。但是这个卫星组网本身和5G不是同一个东西，也不是属于竞争关系。

为什么呢？因为5G有三个最主要的特性：第一个是大带宽，每秒钟可以达到1G的传输率，你要想通过卫星组网去实现的话，其实这么大量的数据，通过卫星去传输，成本是非常高的。

第二，5G的特性是高密度，可以每一平方公里达到100万个连接终端，同样这在卫星组网当中，也是不可实现的。就算实现这个成本也非常高。

第三，低时延，我们知道电波的信号，卫星主要是通过电信号传输的，无线电信号从地面到卫星，再从卫星回到地面，一个来回的时间大概是0.5秒左右，0.5秒就等于500多毫秒。

5G的低时延特性，可以做到1毫秒，这种极致的低时延特性，会对我们的一些非常精确的机械控制，类似于自动驾驶、类似于很多的机械操作，包括类似于远程手术，这些都非常需要极致的低时延。所以我认为，从未来的发展来说，在中国以及世界上绝大部分地区，在今后十年左右的主流通信技术还是5G，这种卫星组网是补充。

另外，从5G对整个金融的影响以及对整个金融后续业态变化的影响，我认为分两个层面来说：

第一个层面，5G可以直接改变我们金融一些业务的模式，比如说我们和客户交互的模式，给客户提供服务的模式，这是5G直接对金融的改变，比如我们提供VR的仿真虚拟的，针对VIP客户，他在家按一下手表就出现一个虚拟的人像等等。

另外一个更重要或者更深远的改变，也是结合刚才上一个问题，未来金融的形态，我认为是两个字：融合。我认为5G会极大地推动整个金融行业和其它行业的融合。

举个例子，前两天刚刚在北京开了一个5G和工业互联网的会，我认为5G和工业互联网的结合，未来它会对我们整个的金融服务提供影响，会产生影响。比如说整个金融对实体制造业的企业，给它提供了贷款之类的东西，我们可以非常精确地基于制造业的企业，它的资产，它的生产效率，它的存量等等，基于这种数据来实现。所以说类似有很多其它的行业，我认为5G会构建以数据传输、以数据搜集为主的生态，来促进金融行业和各行各业的融合。

黄润中：好，谢谢！已经非常精彩，我简单用几个关键词：第一金融，第二科技，第三融合，第四数据，第五未来。如果我们把这些都能够打通，不管是一个行业还是一个国家，还是一个行，还是一个单位，我觉得将来都是赢得未来的必经之路，也是我们这次论坛的主题“回归”。

雷锋网雷锋网雷锋网

“AI是不够成熟的，但RPA已经很成熟了——为什么非要把一样不稳定的事物贴到你那个稳定的产品里去呢？”艺赛旗联合创始人兼高级副总裁胡立军在接受雷锋网AI金融评论专访时说道。

有了AI光环加持的RPA，确实受到了更多新玩家和资本的青睐。不过在胡立军看来，AI并非万金油，用户确实需要AI的技术能力，但软件服务商也应当更专注RPA产品的成色和自我迭代。

“可投标的太少，投资人太多，跟风说明行业缺少一个准确的认知，这是需要通过时间或者经过一些教训才能沉淀下来的。”他强调。

在RPA行业扎根多年的艺赛旗，上个月刚推出了 iS-RPA 10.0 版本和应用机器人商城。雷锋网AI金融评论也借此机会与胡立军聊了聊，他眼中的RPA有着哪些机遇与陷阱，以及艺赛旗的重要布局。

艺赛旗联合创始人兼高级副总裁胡立军

做RPA，AI有多少分量？

站在一个传统玩家的角度来看，今年的RPA热潮意味着什么？胡立军坦言，这只是行业起伏的一部分，无须特殊对待；当下的热度更多的是有AI的催化因素在，但他认为并没有必要在RPA领域特地标榜AI的存在。

“RPA已经很成熟了，而且是一个能够做得很聚焦的产品，为什么非要把一样不稳定的事物‘贴’到稳定的产品里去呢？不管是投资者，还是新进入者，可能都是想通过AI去获得一些关注，但也说明一些问题：之前的AI是不是没有做好？AI落地出现了问题，就转投RPA？”他这样表达了自己的疑虑。

不过，他同时也指出，AI的进步和算法的革新会有助于RPA实现更多流程上的目标，增强其解决能力，但二者并非一种强依附的关系。“AI发展得越快，RPA会和AI一起走得更远——但如果没有AI的发展，它也一样会向前走。 ”

聚焦到艺赛旗，这一资深RPA玩家在AI领域又有哪些布局和思考？胡立军强调，“像艺赛旗产品上也有AI技术的支撑，但不会强调自己是一家AI企业。用户更关心产品怎么帮他们解决掉痛点。”

雷锋网AI金融评论了解到，艺赛旗已在机器学习领域有所投入，试图将RPA中的识别动作问题研究得更透彻。

“识别动作是RPA的基础。”胡立军告诉雷锋网AI金融评论，“RPA既然要解决人和计算机打交道时的流程难点，归根结底要让机器识别应用，小到‘认识’一个按钮，一个输入框。这对人来说很简单，但机器人要怎样判断精确？用什么方法识别？”

在艺赛旗看来，如果连用户操作流程里的界面都识别不准确，之后流程简化等一系列问题也就无从谈起。以艺赛旗此前的一项技术专利为例，以用户行为识别技术为基础，将采集的用户行为关键节点数据进行组装，同时与录制的图形进行关联，从而精准记录用户操作行为，这项技术为艺赛旗RPA奠定了基础。

“越基础的东西，越是可以拉开距离。基础功能往往才是提升产品优势的关键。”胡立军这样总结。

应用商城+机器人工厂，生态上的内外兼修

在业界将注意力放在AI+RPA上的时候，艺赛旗正在逐步完善自己的技术生态，打造竞争壁垒。今年9月，应用机器人商城作为iS-RPA 10.0 版本的一部分，正式推出市场，成为这场生态布局里一次极具战略意义的落子。

胡立军给商城的定义是类似于“RPA领域的APP Store”，借由商城这一渠道建立伙伴企业和艺赛旗产品之间的紧密关系。

商城将财务、税务、人事、电商、运维、物流等数十个机器人场景独立出来，试图为开发者提供丰富且高适配度的自动化业务场景应用。据雷锋网AI金融评论了解， C端开发者在完成商城所需的RPA学习认证之后，就可以根据自己所学，专注于自动化流程的设计，独立开发出机器人，并发布于商城中，获得开发收益。

与此同时，艺赛旗也鼓励更多的第三方开发者和技术供应商加入，让AI技术进一步渗透到艺赛旗的RPA生态中来。供应商将自身NLP、OCR等多项相关技术打包输出，相当于形成一种RPA的供应链条，以实现资源嫁接的最优化。

“应用机器人商城就是作为生态的一个落地载体，也是我们向前推进的一个增长点。”胡立军表示，如果先做整个的生态模式再下放到具体的业务单元或是某个行业，未必能适配；而艺赛旗的路子是将持续布局生态，在此过程中发现了这些落地的方向：

如果说应用机器人商城的推出更聚焦外部的交流合作，那么机器人工厂则是艺赛旗在业务内部实现更高维度的创新。

这一需求首先来自于与艺赛旗合作的各类大型机构。由于RPA产品不像传统软件那样可以提前敲定所需的功能模块，流程机器人的生成受到需求的不确定性影响，大型企业对RPA的要求可能每天都有变动——企业需要的不仅仅是数个分别优化不同流程的机器人，更迫切需要一种类似于研发中心的功能，来响应对RPA的加工型需求，对业务流程进行集中梳理。

艺赛旗的机器人工厂则指向更为明确，定位在售后服务环节里为用户“实现对机器人的弹性管理和配置”。

“机器人工厂，是围绕企业去单独设计组织架构的，相当于一个二级部门。企业可以预估自己需要的机器人规模，但当出现业务单元的新增需求时，由工厂对需求进行评估，并统一调用机器人。”胡立军这样阐明了机器人工厂的使用逻辑。

以财务领域RPA为例，财务机器人只是RPA产品中的某个功能点，而大公司的财务部门可以组建财务共享中心，将与财务有关的业务单元都纳入管理范围。艺赛旗在出售RPA产品的同时，也会为企业搭建这样一个相关的机器人集散地，提供从咨询到实施再到落地的全流程服务。

胡立军强调，机器人工厂并非一套单纯的技术解决方案，而是倾向于咨询形式的整体化解决方案；在应用机器人商城上线之后，二者也形成了艺赛旗战略布局上的互补。他向雷锋网AI金融评论透露称，已有部分大型企业和开发园区希望在自己内部完成艺赛旗这套工厂+商城的部署。

“为什么企业现在会去选择建立SaaS或是大数据处理中心？目的都是希望能把资源集中起来，在现有的IT架构里进行管理权限的集中和资源的再分配。”胡立军总结道。

RPA这块蛋糕到底有多大？

而对于国内RPA的未来发展，胡立军也认为行业仍具有极大的上升空间。

“其实RPA在全球都还没有实现大规模应用，欧美和日本的普及率大约在20-30%左右，中国就更少。但中国的市场规模理论上应该比欧美更大，即便是在这么多厂商近几年的集中开发推广之下，现在的中国市场至少还有95%尚未被覆盖。”他表示，这样庞大的市场份额不会在短短几年内就被消化殆尽，而会是一段较长的行业红利。

RPA茁壮成长的势头，从Gartner给出的数据也可见一斑：RPA是全球软件中增长最快的软件，同比增长超过63%，目前市场仍处于发展阶段。但2018年全球的RPA总收入也只是接近8.5亿美元；预计2019年这一数字将达到13亿。

此外，数字化转型的持续推进也将为RPA带来增量市场。胡立军称，目前国内IT基础设施仍有未普及的领域，当行业完成“传统IT架构——数字化”的成功转型时，原先并不在RPA服务范围内的行业，也就有望成为下一处新的市场。

但即便是有着可观的营收增速，也并不意味着在RPA领域存活下来是一件轻而易举的事情。在胡立军看来，这片蓝海很难在两三年之内就诞生一个实力强劲的独角兽，新玩家入局就要做好在行业长期扎根的准备。

值得一提的是，RPA企业目前的收费方案里，除了按年限付费的订阅模式，其实还保留着一部分直单销售，即直接将软件作为产品单次卖出。胡立军直言，中国不少客户仍未能适应以服务费为主的形式，RPA行业或许能够在商业模式和盈利方式上实现创新。