大概两年前，我去一个资管公司，他们有千亿以上的资产规模。总经理问了我两个问题：第一，你现在立即、马上就能帮我挣钱吗？第二，你是不是立即、马上，就能够帮我比市场上其他人挣更多的钱？
他说如果做不到，那你们搞智能金融还有什么意义？
这个想法在那时很普遍，是一种非常高的预期。但最近这两年跟大家沟通，越来越少听到这样的想法了。包括2017年，我们跟多家机构合作时，都找到了更小的落地切入点，大家不再追求非理性的目标了。
仔细想一想，如果一家公司有3000亿，它还有持久地高于市场的回报率，最终结果是什么？这种事真能发生吗？市场打败了不了市场本身。
我们不应该追求替代交易员或者投资经理，我们也做不到。我们也不应该追求跑赢市场，因为市场本身不能打败市场，当所有人都追求跑赢市场时，没有任何人能够跑赢市场。从人工智能角度来说，我们不应该去追求通过图灵测试，大家对于像这样的金融问答系统的期待是，在远期来看，希望它能达到人的水平，那就是通过图灵测试，但这是很难做到的。
标准化会带来意想不到的新应用
智能金融的新路径，我认为应该是通过零件的打造，逐步走向所谓大工业的金融。
就目前这几年时间，比较合理的目标和路径，是把信息处理过程中一部分的过程标准件化。自动化、标准化、工业化，这三块是相互影响的。
信息工业影响金融工业，不是今天才发生的。前两天我读《美国金融业史》，里面讲了电报的例子：美国在早年有很多交易所，这些交易所的交易规则全不一样，后来电报改变了这一切，所有的交易所都死了，只留下纽约的交易所。因为信息传播速度的上升，使得各种信息的披露、交易规则都标准化了，分裂的市场变成了一个统一的市场，其他的市场都没了。
之后，电话、互联网，每一次都带来了类似的变化。比如个人消费信贷，在没有电话之前是一个情况，二战后，我们通过改造电话线，有了信用卡网络，完全激活了一个新市场。
现在也是类似的，如果我们狭义地看标准化本身，第一个阶段我们看到的，只是我们做某件事情的效率提升了。当电话进入金融机构时，大家可能只能想到，电话实现了实时双向语音通话，改进了一点效率，但并不一定让人激动。但是当我们发现电话上面加一点东西，可以催生出个人信贷新形式时，这就有意思了。所以很多底层平台的标准化会带来完全意想不到的新应用。大部分情况下，我们无法预言这是什么，但首先我们要提供这种标准化，提供这种通用工具。
我把现在的金融信息服务业分成四大类：农业、矿业、手工业、大工业，我们要努力去创造的新生事物——大工业。
信息农业是什么？就是从金融的“自然资源”里刨数据。我以前跟华泰联合的一位前辈聊，他说十几年前，他们每天看《中国证券报》，从报纸里扒数据，看并购标的的情况。后来进步了，有各种各样金融终端，但这依然没有改变这件事的农业本质——基本模式都是一样的，就是在人力成本较低的地方，找一帮小弟小妹，通常是几百人，人肉摘录数字。
农业其实是一个很好的产业，如果农业能够经营得当，利润率50%是没有问题的。但是农业的最主要困难，是它很难规模化。很多信息农业，他们在主板时代做得很好，但在新三板时代，扩大就很成问题，因为我们的主体，已经不是1000家、2000家公司了，而是1.5万家公司。原来做产业链研究，招几十个人就可以做，现在要招几百个人来做，要手工处理所有1.5万家公司的财报、公告的话，则需要几千几万人。规模化是信息农业最大的问题。
信息矿业，就是在已经有了结构化数据，比如工商数据时，改进结构化和半结构化数据的可用性。这也是一种很好的模式，但如果没有深度加工能力，壁垒并不高。
第三种就是信息手工业。传统的金融决策过程，大部分是手工业的过程，个人通过大量阅读、学习，建立起对世界的认知，然后把认知变现。这涉及到个人经验，也涉及到人脉。我们去采访一些金融界的年轻人，他就告诉我，感觉他自己的能力跟老板也没区别，但就因为老板认识一些人，所以他在那个位置上，自己在这个位置上，他就愤愤不平。如果一件事本身是依赖于个人经验的，确实就会这样。所以当VC或者是券商的某些部门大到一定程度，里面的人成熟以后，他就愤愤不平，他一定会走，连着他的经验和人脉都带走，因为这是一个个人的不可复制的资产。
最后一种是大工业。大工业的特点，并不依赖于个人的经验和人脉，也不依赖一些现有的自然资源。它是基于一种可复制的技术和系统，建立起一种协作关系，从而制造出千千万万种有质量保证的产品。如果说矿业是开采石油，那工业就是制造塑料——中东产油国虽然能够生产很多石油，但是他们可能连一支笔上的塑料都造不出来，因为他们不具备这种工业能力。
金融信息服务业，在美国是260亿美元的生意，在中国还是规模非常小的，是不到100亿人民币的生意。是不是有一天，中国也达到260亿美元，或者说2000亿人民币？甚至比美国更大呢？完全是有可能的。但如果走到这一天，一定不是靠农业，一定是通过技术建立起金融数据大工业，从而连带整个金融产业发生一些大的变化。而且这些变化并不是像这样，我有了一个变魔术的机器，从而能赢得比市场更多的回报率。
如果我们往前走的话，我认为中国金融在今后十年内，会发生一个很大的变化，它会超越现在的手工业金融，出现更大的标准化生产。我相信每一个投资人都有自己的表格，每个人都有自己的分析模型，每个人都有自己积累的一些小技巧。其实在早期的手工业里面，也能看到，造个轮子或造个碗，每一家都会有这样的小技巧，每一家都把自己的小技巧藏着掖着，担心其他手工业者抢他们的饭碗。但最后这些手工业者都被大工业给干掉了，这样的事情会不会在金融界也发生？我相信会的。
所以，最关键的事情，不是现在这个阶段，大家都去追求超出市场收益率的投资决策，如果我们大家想用就能坐着数钱，这件事情永远都不会发生，现在不会发生，再过10年不会发生，再过100年也不会发生。
我们应该追求的合理的目标，是建立起一个金融信息处理的协作系统。或者更现实一点讲，并不一定是要去跑得比整个市场快，有时候跑得比旁边的人快就行了。
智能金融在不同部门里会有不同的落地形式。前两天我跟一个机构的IT部门负责人聊，他说以前在上投研工具时，领导没什么动力，因为在领导来看，无非是省了点钱，在整个公司的三张表里，它是放在费用里，而不是放在收入里的。
我们已经讲了，长期来看，通过这种投研工具提高收益回报率是不切实际的，但如果仅仅是省钱，又不是一个足够性感的目标。但另一件事对机构有吸引力——就是在一个基金里，研究员是不停流动的，比较有意义的目标，是让整个投研不再依赖于个人。其实金融就是信息和数据，把这些信息和数据资产化，才是上这个系统最大的价值所在。
我觉得这是一种非常正面的思路，不再是传统的、狭隘的，一个个人提高投资回报率的过程，而是从系统角度，去建立一个协作体系，从而提高整个组织的资产（）。
智能金融的本质就是：金融信息处理过程的（部分）标准件化。在投行、银行这些行业都已有类似案例。
另一个值得关注的问题是监管，从去年十九大以来，整个金融监管对科技，特别是对人工智能的关注度一下子上来了。从股票、基金、债券，包括新三板的合规性检查，还有下面的评估、评级，和整个宏观风险的监控，目前国家的投入非常大。
这是一个特别值得关注的宏观方向，它会一层一层传导下来。前天我看到一个券商的高管在朋友圈里抱怨，说以后没法再做了，一罚罚50个亿。其实这就代表，关注投资时，不能仅仅只看收益或者是金融创新，现在这个阶段，更重要的是如何规范化。中国新金融会有一个传导周期，国家机构可能会在整个产业最上游，最先把最核心的技术应用起来，然后一步步传导到券商，再往下传导到上市公司，上市公司的子公司、连带公司，一级一级传导下去。这个传导周期，可能会有好几年，但是我相信大家在未来都会逐渐感受到。
回到前面说的两个反常识观点：第一，做AI平台，不应该直奔平台而去。
做好有很多拦路虎。我们不应该一下子就去追求做这样的系统，不管是智能投研系统、智能投顾系统，还是智能投资、智能投机系统，可能在短期内都是做不到的。
通常人工智能系统都是一个非常复杂的系统，要几百个人几年才能做到。不管你做语音也好、做图像也好、做文本也好，如果你一开始就搞一个很大的平台，一下子砸10个亿、砸100个亿，基本上一定会失败。最典型的就是日本的五代机，日本在80年代时，想做第五代计算机，说是人工智能计算机，举国之力，没有做成，目标太大。
这可能是大型系统普遍的规律，它不是设计出来的，它是生长出来的，它是一点一点地通过一些很小很小的组件，一点一点地逐渐地碰撞、组合，慢慢生成的。这件事很难通过一下子砸100个亿就能达成，直奔这个平台而去，基本上会收获100%的失败。
再说第二个反常识：做金融领域的人工智能，不能直奔着摇钱树而去。
最早时，也有人给我建议，说你跟客户谈钱就好了，说我能帮你挣更多的钱。可能一开始刚刚进入智能金融行业时，很多人最直接的想法都是这样：我要造一个系统，能够持续帮我挣钱，躺着都能挣钱，睡觉都能挣钱，但这真的做不到。如果奔着摇钱树而去，最终真是长不出树，也长不出果子。
在智能投资方面，打败市场是困难的，最重要的是打败自己。每个人都是非理性的，所以仅仅通过数据不可能形成正确的决策。在前几年时，曾经有一个很火爆的东西，叫大数据指数基金。2010年时，印地安纳大学的一个教授提出了这个理论，他自己开了一个公司，两年后公司就破产了。过去这几年，所谓的大数据指数基金基本上回报率都很低。在此基础上，跟它相关的智能投顾，整个回报率也低于市场回报率。
另外一点就是规模，脱离规模谈策略都是耍流氓。我们经常会遇到有人说量化有用，人工智能有用，但是你要问他一个问题，你是在多大的钱上有用？
在几十万上是一个事，在几千万上是另一个事，如果在一个亿以上，那还能做得到，那真是非常非常厉害。在座的很多人应该身家过亿，或者管理的资金规模超过1个亿。在这个基础上，每个策略能够做什么事，它对市场产生的影响是什么，是不是一旦有效就变得无效？我相信很多人都有这方面的体会。
智能投顾也是一样。投顾技术分成几大块，一块是底层的资产配置，这里没有多少人工智能。另一块是用户画像，这方面现在用到了很多机器学习。从去年年中开始，越来越多的也人开始关注智能投顾的投后。
最开始，智能投顾之所以能够吸引这么多钱，有两个原因：第一是机构对人工智能有期待，期待它能打败市场，获得更好的回报率。但目前市场表现证明，这一点很难做到。第二个原因是，机构的客户本身对人工智能有期待，某只基金只要说我用人工智能了，是智能投顾了，就会有很多人买，一买就买上百亿，用这种方式来获客，但资产新规出来后，这条路也被关上了。所以智能投顾往后走得开发新的东西，特别是和投后相关的东西，在智能陪伴这一点上，人工智能也可以帮助投资人。
第三点，智能投研。在投顾、投资或者投机里头都是需要投研的。市场上已有很多投研产品，包括帮助投资者更好地看公告、看研报，更好地看数据的产品。但是不是智能投研只能用在传统场景？会不会新兴场景、新兴应用、新兴机构才是投研更能发挥作用的地方？
在中国，我们看传统投研——券商有几千人，买方分析师、投资经理有几万人，加在一起可能不到5万人。如果智能投研只服务这5万人，就是严重低估了这个技术，也许有5000万人都需要这项技术。
其实上面这几点一直都在讲，我们构造智能金融系统，不必把我们的思维局限在做交易这一件事情上面，很多环节都可以用到，而且我们不一定要从一个所谓的大的系统开始做这件事。
用历史眼光来看，整个金融IT建设的历史，可以分为四个阶段：信息化、大数据化、自动化、智能化。
第一个阶段是信息化，或者说是电子化，就是开始使用各种信息化系统。大概从十年前，我们开始大数据化，比如银行有各种云，把分散的各个部门数据汇总在一起。这两年开始有了自动化，包括自动化报表、自动化服务。从去年开始有了智能化的需求。每一步都依赖于前面的一步。
在我看来，现在这个阶段，最重要的是自动化，前面那一步已经做得挺好了，经过过去近10年的实践，银行、券商的大数据化都做得相当不错了。银监会刚发布一个文件，要求各个银行加强内部数据治理，以后要有数据治理标准。
我们最近刚刚和一个银行交流，他们在做了内部数据治理后，有了比较好的机构化数据，接下来马上就会有新东西出现：各种自动化需求，自动化匹配、自动化报表、自动化研究。我还认识一个券商资管部门的研究员，他们现在用各种表来做资产配置，这种事以后肯定会自动化，不会再用表格来做了。
核心就是自动化，怎么做到自动化？怎么做到人工智能化？要把底层数据结构化，底层的这些东西，就是要一层一层的从零件开始做。我们要从投研的各个不同的环节开始做零件、打造工具，先做解决方案，再做系统。
举个例子，瓦特其实不是蒸汽机的发明者，而是改良者，他发明了热力学某某定律吗？他发明了一种新的热机循环的方法吗？都不是。瓦特对蒸汽机效率提升的最大贡献，是在零件层面上的：他发明、改进了分离式冷凝器、行星式齿轮、平行运动连杆机构，有了十几个这样零件层面的改动，才导致了后面系统的变化。
再举个例子，很长一段时间内，法国汽车比美国汽车造得更好，产现在什么新兴行业赚钱量更高。但等福特发明了流水线之后，这一切全变了。一直到第一次世界大战之前，法国一年只能造4万辆汽车，因为要手工打造每一辆汽车，流水线的标准化改变了所有这一切，这就是零件的标准化能带来的价值。
要打造一个智能金融系统，我们已经能造其中的一部分零件了，有一百多种，但这还不是所有的零件。我相信未来的金融大工业会需要比这多得多的零件，但我们可以从这些零件开始，来做一些现在、立即、马上，就能做的事。
如果我们去构造一个智能金融系统，可能得要1000万、2000万。但如果我们从现在就能做的小事开始，不需要这么多钱，也许20万就能启动，很多事可能没有想象得这么难。
用人工智能打造新金融需要新金融人，我们要把我们脑子里面很多原有的想法给清掉。很多业务未必要通过原有的做法向外推，我们需要一种新的适应大工业时代的协作方法。
最后，我就希望大家记得一句Take-：智能金融的路径是由零件的标准化导向大工业金融。智能金融就是标准化和大工业这两件事。
END.
