2023年金融科技趋势展望.docx

PmfeceIr大模型是数字经济时代智能信息处理的基础设施，它的基底是语言生成模型和语义理解模型。它的语义生成空间非常大，可驾驭空间磔E常大、创作自由度高，但是它的自由度太大了，当试图去完成某种真实任务的时候，会由于可控性不够而导致困扰，它的优点反而变成了它的弱点，所以未来要在“可控生成上面下功夫。大模型的最主要特点是以机器易驾驭(machine”ctbe)的方式,即自监督学习的方式博览一切，因广博而产生能力。如果将它的能力放在金融行业中去处理原有的任务，性能和效果将会有显著的提升。如果把各类金融大数据注进大模型去做经济形势的预测，与现有的主流经典分析方法论将会有质的区别，国际上如果因此出了一个诺贝尔经济学奖(将人工智能用于金融研究或预测)，我一点都不感到惊奇，甚至是可期待的。孙茂松清华大学人工智能研究院常务副院长、ACLFeIIow近期智能计算和智能网络的重大技术突破，依然是深度学习为我们带来了惊喜。从算法角度来讲，首先最有代表性的是深度神经网络，以及预训练模型方向得到长足的发展。预训练模型有一个巨大的神经网络，最新的版本在千亿级参数量，知识深度和广度都让人叹为观止。不论从研究角度，还是应用角度，预训练模型都产生了重大影响一从图灵测试的角度远超过之前的测试,并且具有行业普适性，它可以适用到各种各样的下游Al的任务中去,这是它最具里程碑意义的地方。其次是生成式模型，它所代表的机器创造性也是智能的重要体现。从网络角度来讲，算力是最大的瓶颈，不论是边缘的算力，还是中心化的算力，从目前统计来看，它们的使用率是比较低的。怎么样能够提升它的使用率，还需要一些新的技术，能够打通中心的算力以及整合边缘的算力，使得这些算力能够满足普适的Al的算力要求。除了算法和算力外，数据也是支撑智能计算和智能网络发展的重要因素，尤其对于金融行业来说，数据的使用和安全更加重要。隐私、安全和公平性是最需要关注的三个话题，隐私保护计算、联邦学习、数据的选择和算法改进，分别能够一定程度上解决上述三个问题。此外，从治理角度来看,区块链作为一种基础设施，也是数据治理的重要技术手段，目的是对数据和其他资源进行分布式的自治化治理。郭嵩香港理工大学计算机系教授、IEEEFeIIow1短期内人工智能总体还是会保持大模型、大数据、多数据源、多任务的发展趋势，通过大规模算力堆砌实现接近甚至超越人类的精度。但我们也注意到，数据驱动的人工智能可能无法突破弱人工智能的极限，我们还是应该积极探索数据之外的内容，比如客观规律等"知识，将其结合到算法中，实现更好的人工智能。原!阳之江实验室图计算研究中心副主田高级研究专家(?(?I数据分析或者机器学习，对于理解、发现以及使用因果是不可或缺的。这个时代我们有足够多的数据，而且计算资源非常丰富。显然，机器学习一定可以帮助我们更好地理解、发现和使用因果关系。这也是因果表征学习最近几年才提出来的原因。其次，我们希望用因果的思维方式去看待机器学习，这样可以帮助我们从传统的只是基于预测的机器学习，走到更高维的层面，走到理解、可信任、可干预的人工智能发展层面来。因此，理想状态下，这两者相互促进之后，可以让我们有一个基于数据进行学习、有一个很好的表述机制，同时能让人理解并且信任，可以进行合理干预的系统。张坤卡内基梅隆大学哲学系和机器学习系副教授I当前，金融行业数字化、智能化转型正在加速，数据和人工智能技术是关键驱动要素，人工智能技术在金融行业的应用必将革新金融行业的现有服务模式。基于图计算、多模态等技术对于大数据的深入理解?口洞察，降低了金融机构风险管理的成本，扩大了服务人群的边界；因果推断、AutOML(自动化机器学习)等技术让业务决策更智能，RPAx情感计算、数字人等技术让金融服务更有温度，提升了用户的服务体验。人工智能在金融行业的应用潜力目前可能只发挥了不到1%,随着技术商业应用成熟度的不断提升，人工智能技术将改变金融行业价值链的每一环节。许冬亮度小满CTo创造性任务，别开蹊径：生成式人工智能，新一代生产力工具识别和控制。近年来，借助深度学习，研究人员在自然语言理解、数据挖掘、展奠定基础深度学习作为机器学. 通过学习给定数据存在的on创造性人工智能/生成式人工智能目 前依然处于实验阶段，尚未出现商业化 雏形。生成式人工智能远没有达到替代 人的境界，其所输出的内容，暂时没有 形成人的逻辑和情感。此外，此类生成范等也存在很多问题需要解决。TheatreD'operaSpatial夺冠；,AIgetscreative”入选Science2022年的年度十大突破；DALL-E2、ChatGPT和AIPhaCode横空出世，因其具有创建和生成超逼真内容的AI能力而迅速走红2022年，上述事件背后所代表的“生成式人工智能"(GenerativeAl)技术，吸引了大多数人的眼球，以及科技企业和资本的大量资金投入。人工智能此前被更多的用于处理机械的数据任务(判别任务)，而生成式人工智能陆续证明能够输出富有创意性的内容，不仅极大地降低了内容(文字、语音、图片、数据、视频等)产出的边际成本，还提高了创作效率。2001,自然语言处理:2013,深度学习i2017,画分习-2018,对抗性神经网络2021,生成式预训练模型GPT-3I20221A瓒娓生成*上述技术入选麻省理工科技评论十大突破性技术，为当前大模型出现和生成式人工智能的发现对文字、语音、图像等内容的感知、个性化推荐等领域取得了显著成果，而基于深度学习的大模型也成为实现高维人工智能的主流选择。但对于诸如GPT-3、BERT这类备受关注的TranSfOrrner模型来说MetaSJS人工智能科学家杨靖(YannLeCun)认为:"它们是必要的，但并3最充分的这可能是未来智能系统的一组成部分。“在金融领域中，通过指令，生成不同风格的文字、语音、视频，以及生成一种类似于金融资产标的内容，是它最基本的应用。生成文字、传播文案、语音、图像、视频等，可以用在智能营销、广告等业务场景中，还能够用在客户服务、用户交互、售后服务中。生成式人工智能在金融业务落地层面有一定的直接价值，从生成过程和结果角度来讲，带有创造性质。因果推断：人工智能和机器学习的下一个前沿领域，更高维、值得信任的、有自主性能的人工智能的基础角度去看因果推断。统计学对因果关系的研究，分为两类：一类为因果推断，目前，机器学习算法和模型很擅长于寻找模式、相关性和关联。但它们不能告诉我们：是这个因素导致了那个结果吗？或者如果我做这些事，那么将会发生什么？所以在计算机科学中还有一整个关于因果推理和推断的领域。几十年来，统计学界一直在研究因果关系。因果关系是人工智能和机器学习的下一个前沿领域。周以真(JeannetteM.Wing)因果关系一般指的是两个事件之间的一种作用关系，其中一个事件会导致另一个事件的发生，前一个称为原因，后一个称为结果。统计学、经济学、社会学、教育学、流行病学等领域均对因果关系做出了研究。在医学中，通过操控实验寻找病因是医学界最常用的因果检测方法。因果推断则是一个更为广泛的定义，指跟因果关系有联系的、跟数据有关的、基于技术的因果研究。传统的因果研究主要做因果推断，指从一个因果图和数据里面找出一个变量怎么影响另外一个变量(Identificationofcasualeffects),关注这个问题的研究学者聚焦用因果图以及结构方程这个另一类为概率因果论。人们对因果关系的理解普遍建立在概率因果论之上，所以会容易把相关性当作因果性，因为机器不能很好地分辨内生性问题。随着深度学习和大数据的发展，人们对于事物背后的关系探讨也早不止步于相关关系。近两年，关于因果发现，或称作因果表征学习(CausalRepresentationLearning)的研究和应用逐渐变得更加活跃，它们与机器学习的关系更为密切，因为传统的因果推断是只知道了因果图、看到数据之后去分析一个事物怎么影响另一个事物。但是一个很重要的问题是，如何从数据中找出因果图以及隐变量，这也是因果发现和因果表征学习的主要目的。我们目前用在机器学习、人工智能、机器视觉里面的数据，很多时候不是结构性数据，更多可能是视频数据或者图像数据。这种情纳，我们看到的变量本身书间未必有直箴)辱嘛口俚后是由一些因凄的金H山藤碣血何从这种非结构化的数据里面把背后真正存在的因三它们的关系找出来，是因GTQOCQ长期以来，JudeaPearl是因果论、因果推断的推崇者。当前开展因果推断的两种代表性方法是以DonaIdB.RUbin为代表的结构因果模型和以JUdeaPearl为代表的因果图方法。而现实应用中，如何去把数据背后的过程信息恢复出来，是让机器和人进行高维智能互动的重要技术支持。在解决实际问题、将因果推断应用到行业中去时，理解实际问题的基本性质是研究因果学习的第一步。因果研究跟传统的机器学习有很大的区别。传统的机器学习，例如预测，在意的是最优性，不管数据之间噪声有多大，只在意预测的结果是不是最好的。但是因果研究有另外一个性质很重要一一要保证得出来的结果跟背后的真相是吻合的。因此需要在不同的领域、针对不同的问题，将因果过程或因果的约束条件变成技术上可用，同时去证明表达出来的事件和事实是吻合的，这就需要因果推断比机器学习付出更多的理论研究和技术上的努力。具体的场景应用中，因果研究需要关注具体问题的一些性质。要想恢复出来因果性，需要知道有哪些数据、里面哪些性质是可以用来恢复因果性的。不同情况下的数据需能够恢复什么样的因果性，是完全不一样的。所以我们就需要从实际问题出发，去理解这个问题里面的性质之后，再针对这类问题思考如何能找出背后的事实真相。因果推断的本质就是从产生的数据里面回推背后的真相，既然它的在不同数据里面表现出来的性质不同，显然，我们就需要针对这种性质，寻找如何有一种方法很适合的方法，去回推背后的因果过程。在金融行业中，因果模型是智能营销的关键手段，能促成最大化全局营销效率。但金融数据是非常复杂的，如果想要因果的研究方式能真正发现很多我们不知道的可靠信息，一定需要对金融数据的性质有一个很深入的认识。再将目前的分析方法做一定的调试修改，才可以把系统背后的因果性找出来。因果推断领域当前最需要进行深入研究和拓展的两个方向，一个是因果表征学习，需要让机器能从各种数据里面找出背后有意义的表征。机器必须走到这一步，人类才能信任他，才能做到所谓的可解释AL这是从人工智能的角度来思考，如何能得出一个特征提取的方法，或者是如何表述数据的方法，使得人可以信任机器的处理方式。第二个则是针对一个具体的实际重要问题，如何能把这个问题解得更好，需要开发专门的因果表征学习或者因果发多模态情感计算：为人工智能决策提供了优化路径情感计算(AffectiveComputing)是一个快速兴起的交叉前沿学科，涉及计算机科学、脑与心理科学、社会科学等学科。由于深度学习等人工智能领域的技术突破，作为人工智能和认知科学的结合，情感计算在商业、管理等领域有许多前景广阔的运用，近年来更是成为理论研究的一个热点。在情感计算领域，运用最多的理论模型是情感分类理论模型，主要包括离散情感模型和维度情感模型。在理解式和生成式大模型的支撑下，情感计算的准确度上有望提升，这对金融领域的应用无疑是有益的。提供各类信息技术手段和工程化能力， 对情感的感知、识别、理解、反馈 等实施数字化重构和计算实现，从而 使机器能够拥有类人情感心智功能计算机科学提供关于人类情感的基础定义、相 关要素结构存在的意义等方面的理 论，这为情感理论建模构筑了基石为情感计算的应用提供了充分的“用 武之地"，是该类技术应用场景设计 的策源地及建立与情感相关的心理要素功能N 网络，为开发情感计算模型提供了/乙 关键的启发和策略指导 /t心飒意识领域人在表达和传递情感信号的时候，通常通过多种方式输出，如文本、语音、表情、肢体信号、生理信号等，研究人员针对上述相应的数据开发了分析算法和工具，赋予机器感知、识别、理解情感能力。为了更精准的识别人类所表达的情绪，多模态融合算法利用来自不同模态的信息和数据来合成多模态表征。在金融场景中，情感计算有助于了解客户的真实情感表达，可以收集客户情感信息、识别客户情感变化，并作出相应的决策指导，对于提升金融企业的服务质量和效率，起到了重要的辅助作用，长期应用在客户服务、催收等场景中。银行催收必须符合监管要求，识别用户情绪非常重要，例如当用户情绪非常激动的时候，(机器)应停止催收动作，否则会出现高投诉率。情感计算承担了辅助测谎功能，综合用户语音的分析，提炼出语速、语气的变化，分析说话者的情绪、是否犹豫等，判断有无明显说谎特征，通过多因子综合判断说话者说殳U如果可唬g断:逾期还款的理由是比较真实的，金融机赚、圃户还款逾期，助手太明显说谎特征，图计算：高维数据治理方式、深度释放关联数据价值, 力技术+场景两手抓，助益实现从有人用到大规模用当前对于"图"(Graph)的理解和应用，可追溯到数学分支"图论"。图计算则是以“图论”为基础，对现实世界进行"图"结构的抽象表达，以及一切基于图数据的分析和计算。图计算行业涉及提供底层能力的图数据库、图计算引擎厂商，以及应用开发商和软件集成商。图计算的优势，一是表达方式，图符合人的思维方式、更符合世界万物本来的样子；二是图在当前数据分析中发挥的作用，即无监督学习，本身图可以自动化发现一些难以通过规则和经验所能发现的东西。本质上，图数据比单纯的数据存储更贴近应用层，图未来在数据治理层面上要高于关系型数据库。业务中能够应用图计算能力的前提：具备深度关系网络，以及是否需要对复杂关系做可解释的分析，金融业务及其所产生的海量数据，天然具有这样的属性。过去十年间，中国开始出现提供图计算能力及下游开发、软件集成的企业直接2021年开始出现了商业化机会。在金融行业的实战应用：图计算技术最清晰的应用效果是智能信审、资金流向查询和金融数据可视化。金融行业每天都有海量、关联的、动态时序数据产生，利用图技术，业务人员可以毫秒级得到查询结果。利用图计算技术，可以在金融场景中实现实时地找到最完整的路径。在数字支付、数字服务、数字金融等核心金融业务中，可以显著提升风险行为的实时识别和调查分析效率。知识BBaIR篡改文本文本信息信息消歧分国抽取1合文本结构化文本关询(8S自动分类SR别可视化秒枇图I图计算技术用于智能信审，提升了直询和评估效率(来源：度小满)(3)设计新型图1型和高能效图计算体系结构及系统L研究 期关注复杂的图1目前图数据库主要适用的金融场景有两类：一是对时效有极高要求，希望快速分析并得到结果的场景；二是对分析深度有要求，如一些区块链金融客户希望对数字货币交易可追踪不只深入到几十步，而是上百步甚至上千步。实际应用也会遇到一些技术上的挑战。例如大多数图计算系统的使用方是银行中的研发人员，其在第三方提供的图数据库或图计算引擎上做二次开发。但银行系统有一定的特殊性，从技术语言、架构、再到网络，开发人员要做更多技术层面上的兼容工作，包括国产芯片的兼容。图计算领域近期关注的研究和应用重点：(1)如何对于一个十亿级或者是百亿级的大规模图数据，快速高效地学习出图中每一个节点的象量表示，即所谓的图深度表示学习。在既有图数据库或者是有了图数据库支撑的数据后，如何更高效地对图数据进行挖掘，做一些机器学习或深度学习任务。(2)图数据上的预训练技术，尤其是自建构的预训练。预训练最近在Al学界和产业界，比如视觉、自然语言处理方面都有很大进展。如果在图数据上，可以有一个预训练出来的通用模型，这个模型所生成属性、特征，就可以自动应用到下游各个机器学习应用当中，那将可能节省下游诸多开发团队的尝试和努力。(3)高性能计算。当前5万亿点边、10万亿点边规模的图数据越来越普遍，这让通信量猛增，对算力资源的需求变大。将高性能计算研究与图相结合，更好地提升计算效率，是当前非常棘手的问题。(4)考验深入走进业务的能力。懂技术但不懂业务，是典型的思考方式与技术先行、再找应用型产品所面临的困境。技术演进方向：(1)提升分布式图算法效率。对应解决的是硬件计算成本的问题，已有论文研究阐述其解决思路是，先确保单机的计算是最高效的，再做分布式，只有当单机做不了的时候再做分布式，而不是先试图把它分到机器上再试图减少通信。(2)跨数据源的数据融合或打通，仍需在机器学习领域探索图联邦计算。业务落地中很常见的局限在于，业务侧数据本身不可被打通，如在一家银行中，不同部门之间的数据受规范所限不可打通。间的不匹配问题。(4)图数据查询语言及图数据库测试蹴断算侈：I足。C1S三Q科技伦理治理：数据治理和Al伦理规范将被提到新高度，金融机构要做科技伦理建设的第一责任人2022年1月施行的新修订的中华人民共和国科学技术进步法中，进一步细化增""Scienceisapowerfulinstrument.Howitisused,whetheritisablessingoracursetomankind,dependsonmankindandnotontheinstrument.Aknifeisuseful,butitcanalsokill."AlbertEinsteinBlessingorcurse?科技是发展的利器，也可能成为风险的源头。过去十年，以人工智能技术为代表的信息技术进步，将人类社会快速带入数字化发展阶段。然而，人工智能发展也带来了算法歧视、隐私保护等社会问题。AI和算法应用一直遭受公众怀疑，存在缺乏广泛合法性的问题。近两年，中国对于Al伦理、安全、法律法规方面高度重视，将科技伦理治理提到新高度。2019年6月，国家新一代人工智能治理专业委员会发布新一代人工智能治理原则一发展负责任的人工智能，提出了人工智能治理的框架和行动指南；2021年9月，发布了新一代人工智能伦理规范（以下简称伦理规范），正式将伦理道德融入人工智能全生命周期。当前中国伦理规范与立法等方面仍处于起步阶段。加了科技伦理治理的相关要求，强化了科技伦理治理的法律支撑。2022年3月，中共中央办公厅、国务院办公厅印发实施关于加强科技伦理治理的意见，这是中国首个国家层面的科技伦理治理指导性文件，也是科技伦理治理体系建设的又一标志性事件，对科技伦理治理作出顶层设计和系统部署，构建了中国科技伦理治理的基本模式、监管框架、制度体系。2022年10月9日，中国人民银行正式发布金融领域科技伦理指引，明确了科技伦理即开展科学研究、技术开发等科技活动需要遵循的价值理念和行为规范；提供了在金融领域开展科技活动需要遵循的守正创新、数据安全、包容普惠等七个方面的价值理念和行为规范。对于金融行业从业机构开展科技伦理治理工作，具有一定的指导意义。访问数据是Al发展的基础，也是金融行业运转的基石；数据治理同样是Al治理和科技伦理治理的重要保障。数据和算法本身没有偏见，只得将人类社会的偏见学习了出卮3年性悦/中静方法、领导数据;昌他用艰相途的开发。金融领域科技伦理指引同样也强调了数据安全的重要性，明确了六项数据使用原则，引导金融市场的数据使用规范，具有很强的实际执行参考意义。同时，在金融科技行业，金融企业将是建设科技伦理的排头兵，也是科技伦理违规行为单位内部调查处理的第一责任主体。健全金融科技治理体系：运用知识抽取、知识融合、知识推理等技术对数字化规则进行分类、消歧和整合，系统梳理规则逻辑。健全智能算法管理规则制度,建立模型安全评估和合规审计体系,及时披露算法决策机理、运行逻辑和潜在风险，通过临界测试、仿真模拟、参数调优等方式着力防范算法黑盒、羊群效应、算法歧视等问题，提升算法可解释性、透明性、公平性和安全性。在数据治理方面，度小满围绕三大法网络安全法、数据安全法和个人信息保护法，把整个数据安全与管理、隐私保护贯穿于数据的采集、存储、流通、应用以及销毁全环节，制定数据的全生命周期的管理，并且设置了严格的数据红线。技术治理方面，从三个维度开展工作打破算法模型黑箱，深度学习算法可解释性是比较差的，通过技术革新，比如因果推断的方式能够使得模型的因果关系可解释性变得更强，以及制定算法规范，防范算法歧视，避免用户遭受不应该有的伤害；通过构建模型全生命周期管理机制，将模型立项到下线全流程纳入规范管理，确保模型安全可靠、持续、透明可解释、尊重隐私、可审计可监督，有效控制模型风险；通过专家经验防范系统性的风险，例如用成熟的框架限定新技术应用边界。许冬亮度小满5。任制度鼎新：完全基于去中心以及可编程技术构建的上分布式金融应用，重建一种数字化的通用型信用机制然而，正是由于其带来的巨大变化，也随之带来了接受度低、成熟性欠佳等区块链技术是一个综合性、组合型的技术，门槛高，想要有巨大的技术进展就需要让共识算法、智能合约等都有很大的技术进步，而这是非常难实现的。国外在分布式金融上的探索比较积极，尤其是数字货币领域。分布式金融的重大突破和变化，在于它全部都通过可编程的方式或者软件形式尝试来实现。传统金融业务，需要人工参与、需要线上线下的场景和互动，而分布式金融技术，以及基于区块链上的应用，核心价值在于这套应用的可编程性。无论是资产、标的、价值传递、操作流程、后续服务，全部都尝试通过数字世界可编程的方式或者软件形式来实现，成本极低、通用性强，这对传统金融业务的基础设施和业务流程来说，是一个翻天覆地的全新面貌。一李丰度小满首席架构师过去一年，NFT已经代表了大众对纯数字虚拟化标的进行价值传递的一种尝试。它的走红走热，某种程度证明了人们对基于纯数字空间产生的虚拟产品卜有一定的价值认可；也代表人们愿意基于此进行标的拥有和价值传递，这可谓是一次非常有意义的价值探索。问题。除了技术难题外，金融业务复杂，同时牵扯到多方货币和利益问题，所以对应的，金融机构的技术应用风险也随之提高。金融行业大规模应用新技术,首先要求具备技术稳定性，因此，仅就区块链与分布式金融在中国的普及性而言，暂时并未见到质的飞跃。完全基于链上编程的金融业务或许存在漏洞、或许遇到数字货币、金融危机等相关的挑战，但这并不影响中国金融机构，甚至非金融机构,在技术方向与业务应用价值上的探索：完全基于去中心以及可编程技术构建的链上分布式金融应用，将步履蹒跚、但也会越来越进步与成熟。行业清楚的认识到，分布式金融技术以及基于区块链上的应用当前仍处于蛰伏期，正在等待成熟拐点，成熟的状态不仅要具备基础技术的完善，更需要这套业务模式被更广泛的用户所认可。试想，当一个完全基于可编程实现的完善金融业务模式走向成熟，并且被I大家所接受、修使用，意味着重新建攻坚计算安全：兼顾安全性和效率，科研与工程界 合力，打造通用性更强的隐私保护计算框架2011年、2018年、2020年，同态加密、零知识证明、差分隐私分别入选麻省理工科技评论当年十大突破性技术。与传统密码技术不同，这些以保护信息在传输、存储等动态过程中的安全为目标的密码技术，近几年备受关注。隐私保护计算(PrivacypreservingComputation),从问题定义出发，是一系列信息技术的统称，多指在技术研究做产品化落地在不同场景进行调试并在终端探索更好的产品。行业总体呈现出研究先行、商业落地在工程化、产品化上发力的特点。金融、医疗是应用最积极的两个行业。在金融行业的实战应用：随着合规压力提升，外部的数据开口减少，数据范畴缩窄，因此金融机构有动力在规避风险的前提下开拓合规数据源头隐私计算在技术层面提供了一定程度规避风险的工具与能力，在不揭示原始数据的确保数据安全和用户隐私不泄露的前提下，又擞据进行分析计算，保障数据在流通与融合过程中的"可用不可见”，促进数据的流通开放和价值共享。其中不仅包括以密码学技术为工具的安全多方计算技术、零知识证明技术和同态加密，也包括以联邦学习为代表的软件技术，以及像可信执行环境这样的硬件技术。尽管隐私保护计算是近几年新提出的技术概念，在商业端也呈现了新兴技术产业化落地的特征，但隐私计算所涵括的多数技术子项在科研研究与方案设想方面已经发展成熟(譬如安全多方计算可追溯至上世纪70、80年代)。目前隐私计算技术方案基本是将成熟的情况下，利用数据的价值。最终在开拓数据源头后，交叉验证、合理评估客户风险，促成业务决策。在小额信贷场景中，利用银行及其合作方的数据，隐私技术供应商可提供采用多方安全计算的风险模型，开发一整套风险评估解决方案，这能够识别出十余万名高风险客户，阻止数十亿元高风险贷款发放；同时，还可以识别出几十万名低风险客户，潜在授信规模约百亿元。实际金融业务中，隐私计算技术有能力帮助银行显著提高信贷的质量。没有基于隐私计算的多元数据共享、传统黑舞很难批准这些客户贷款，采用隐痴旌架的模型便得僖货喇迪植技术演进方向：综合考虑安全性和效率，打造通用统一性密码技术学者开发设计更加高效、实用和更"通用"的算法，工程师加速实现方案和协议在实现层面的优化和硬件加速。理论层面上，密码技术为隐私保护计算提供了强大的工具、提供了看似通用的方法论。但是，在实际运行中，隐私保护计算需要牺牲速度、计算资源等要素，并且对精度、性能和成本进行取舍。换言之，安全性、计算性能和规模不可同时、极致地兼得。多方安全计算的安全性高，但计算性能有短板；零知识证明中的非交互式方法可大规模应用，但效率和安全性有待提升；同态加密具有更小的通信量和通信轮次，但受限于算力；联邦学习在安全性上做退让，但提升了计算规模.以全同态算法为例，在通用芯片上密文运算的速度比明文运算慢了近万倍。数据体量的增加给计算存储和网络通信带来新的挑战和诉求。这意味着，算力问题，即计算和网络通信将成为推进隐私计算规模化落地的核心限制因素之一。另外，当前使用隐私保护计算技术的企业，多根据实际业务场景下的不同需求进行评估，选择不同的技术组合方案。由此，当前实际业务中能够落地的解决方案，通常是实现特定计算、针对特定业务/应用场景的隐私保护方案和协议。为了让隐私保护计算提供更高效、广泛地规模化推广，在保障安全性的基础上，开发设计通用性更强、易用性更强的隐私保护方案和协议，并同时提升现有协议的计算效率则成为科研界和产业界麟襦霸姓要的在于它的安全性，最终需要经得起理论和时间的检验。它属于伴生技术，与AI等技术不同，其保护性不能直接展示或用直观的方法度量,判断隐私计算的先曲妇弹继ft只敲率不可区分混淆技术被誉为"密码学皇冠上的明珠"，是继同态加三（2022年哥德尔奖成果）后下一个密码学领域亟待攻克的密码技术。它可以用来构造任何包含隐私计算技术在内的其它所有密码技术，因此也被称为"密码完备技术.另外，三农互式的零知识证明在区块链中有着广泛的应用，但也存在例如其占用内存大、证明时间长等缺点，因此在有些应用场景中效率较低、用户体验时间也长。未来，更多科研工作将在交互式唧识证明方面开展。郁昱上海交通大学计算机科学与工程系教授不解决算力和通信问题，隐私计算的大规模应用无从谈起。采用大量密文计算，力唯后的数据计算将产生大量的算力开销，单次模型训练与迭停蝌将会呈硼髅酸增员此外，密码学基础理论、操作系统和系统安全等底层技术的自主安全可控，也是非常重要的一环。陈凯香港科技大学计算机科学与工程系教授虚拟数字技术：交互方式别开生面，开辟更有活力、无边界、多元融通的金融服务渠道2025年前，"数字驱动”是金融行业发展的重要目标，虚拟数字技术则是人工智能技术必须与各行各业紧密结合，才能产生实际价值。然而，数字虚拟化技术自带场景和应用价值、自含生激活金融数字活力、加快金融智慧化服务的重要技术手段。当虚拟化基础技术（硬件、渲染等）出现较大进步时，交态，在软件里即可模拟或者映射了软件互场景与体验将更加真实友好。人、数字人，这是对现实世界的模拟，突破时间、空间等物理层面实现能力的限制，它理论上能够做到以前因为物理限制无法做到的事情。但是受限于技术能力，当前大众需要理解和接受"数字虚拟中间态"阶段，暂不成熟的虚拟化以线下为基础，依托5G高带宽、低延时特性将增强现实（AR）、混合现实（MR）等视觉技术与银行场景深度融合推动实体网点向多模态、沉浸式、交互型智慧网点升级。同，打造“无边界”的全渠道金融服务技术帮助人类从现实世界过渡到虚拟数字世界。虚拟数字人，无疑是当前虚拟数字技术最清晰的一个产品形态和实现路径。在金融场景中，为迎合新时代年轻人的数字世界态度、创造更有活力的品牌形象，诸多金融机构近一年纷纷推出数字品牌代言人，引领场景营销新方式。此外，数字主持人、数字人客服、数字人带货、数字人测评、真人和数字人同台等场景层出不穷。IP是虚拟数字人成功最重要的基础，理网本最高，也最需要贴合金融机构身份地J秀创意设计。虚拟数字人不仅成为营销新玩意，也是彰显金融机构科技和人文品牌力量的符号。以线上为核心，探索构建5G消息手机银行等新一代线上金融服务入口，持续推进移动金融客户端应用软件（APP）,应用程序接口（API）等数字渠道迭代升级，建立”一点多能、一网多用”的综合金融服务平台，实现服务渠道多媒体化、轻量化和交互化，推动金融服务向云上办、掌上办转型，以融合为方向，利用物联网、移动通信技术突破物理网点限制，建立人与人、人与物、物与物之间智慧互联的服务渠道，将服务除渠灌皇僧手g”自动机器学习（AutoML）:覆盖关键模型场景，助力深挖数据潜力，提升建模效率依托自动机器学习（AutoML）技术和开发平台，用户只需要提供原始数据自动机器学习（AutoML）,是指将机器学习技术应用于现实问题的端到端流程自动化的过程。简而言之，就是将机器学习建模流程自动化实现。在以往，模型设计需要编写复杂的网络模型、耗费很多时间和精力在超参数调优和模型选择上。因此，Al算法落地也面临诸多难题，（I）Al算法成本高，不仅算法开发门槛高、人力成本高，且算力资源消耗大，硬件成本高；（2）Al算法效果不稳定，高度依赖人工经验；（3）Al算法开发周期动辄达到数月以上、丰富业务场景需要定制化开发、模型产出与算法落地间存在鸿沟。和标签，机器便可自动完成特征工程、模型训练、模型选择、超参调优、打分评估和部署上线全生命周期的支持。就超参调优一个环节而言，算法专家在调参的过程中往往需要不断的重复、尝试以搜索到最优参数组合，而自动调参功能便可替代这部分重复性的劳动、节省算法设计的时间。专家建模效模型开发优化周期率动AU阴门模型生产高度依IR植算法专家参与业务整解BoOStmMVUtX模艘务化HnPHADOOPSGDRMMXSPARKGPU贝Wli优化性1«优化HIVE由刊IaNAS集歙喋构性IKt化分花式（11第离可用数重治理系统/硬件数据管理模型训练算法优化部署发布图IAI算法生产流程（来源：度小满）图I自动机器学习（AUtoML）技术优势（来源：度小满）对于Al算法生产流程来说， 覆盖范围广，不同生产阶段要求 大，需要人工参与的部分都可能 产的瓶颈或难点。机器学习技术能力能型生产流程，提高的模型方够贯穿Al生产全流程，全面解决Al潦法落 地难题，主要的技术增益价值 人工、高效产出、提能增效。果最高可超在金融领域，自动机器学习（AutoML）技术，极大简化了从数据到模型的过程，提高了模型产出的效率和云上能力升级：稳定可靠性、兼容性（适配能力）、 济性三个选云方针不动摇，同时加快布局先进高效 算力体系尽管云计算在过去五年中一直被提及，但其在金融领域还是有很大的进步和应用空间。近两年在监管文件里，企业架构（EnterPriSeArChiteCtUre）被高度关注，经常用的ToGAF方法论，也被越来越多的银行金融机构所采用。企业架构可以让处于数字化转型中的银行有更全面、更高阶的视角，自上而下的从业务视角到技术视角统筹全局。其中，IT架构则是企业架构中非常重要的一部分。金融机构在过去几年已经充分体会到了云计算带来的业务增益效果，云计算切实解决了算力需求、真正帮金融机构将算力成本降下来，但是也面临另一个困境，如果计算规模没够足够大到成本拐点，那计算成本也很难大幅下降。云服务厂商除了能够提供基本的虚拟化能力之外，还有云上的安全能力、大数据能力、人工智能能力、数据库能力，但是中大型银行却鲜有采用这些云上能力，仅引进云管平台。银行的科技队伍越来越壮大，干人、甚至过万人的科技团队在主流大型银行并不少见，他们做底层技术、做应用、在云上搭建自己的能力。某种程度上，"不计成本地建设数字化技术底座、做数字化转型，是金融机构最近几年的"常态"。但是在未来1-3年，银行需要重新审视云计算设施建设的投入产出比问题，当银行进入精细化管理阶段，经济性问题就会浮出水面。稳定可靠性、兼容性（适配能力）、经济性，是接下来金融机构选择云管平台最重视的三个能力，也是评价云计算能力是否足够坚实的重要维度。中国六大行每家每年在IT建设上的投入，至少百亿元，其中以大数据技术（包括数据库建设、数据治理等）、人工智能和云计算为首。长期以来金融机构（尤以银行为主）都在使用私有云，本质只解决了算力虚拟化的问题，但没有把公有云的云上能力用起来，某种程度上讲，当前金融机构使用私有云的血本，并不比使用大型机成本低。未来几年，云计算能力在金融机构内部的底层基础设施地位不动摇，也是数字化转型的基础保障能力之一。除外等业内部云计算能力姓g个方面投入建设：计算能力、网络能力、云上提供的基础服务能力，为金融业务提供跨地域数据多地密活母态双模并存、分布式与集中式互相融合。