王宁表示，人工智能和金融领域结合分为四部分。首先是行为分析，通过智能资产管理，给每个用户定制化的配置你的资产。现在我们看到很多网银APP跟互联网公司结合，定向推送广告，广告或将与你的信誉相关。信用评级是通过行为大数据和人工智能结合去完成的。第二，安全领域，反欺诈、虚假信息账号，这些都是大数据的数据挖掘问题，也是人工智能问题。第三，投资银行领域、交易领域，做算法交易、自动化交易、风险控制，包括现在人工智能的资产管理经理，怎样调配一个最优资产组合。最后，客服领域，传统商业银行或零售银行，很大程度要跟客户打交道，现在很多地方可能被取代，人工智能助理、人工智能信贷员、人工智能决策放款收款都存在，还有智能推进系统。四个方向的人工智能都能够帮助金融，最终将最前沿的人工智能应用到金融领域。
人工智能给我们带来哪些方面的挑战？王宁称，牛津大学的报告显示，未来47%的以上的工作都会被机器取代，相对低端的工作，比如销售、生产、交通、智能汽车，很多方面都会被替代。美国质库调查数据表明，传统券商领域大概有5万多个工作会被机器取代，以及资产管理也有很多，现在人工智能管理出来之后，非常多的工作机会将会被流失，还有私人银行的财富管理工作、投资银行工作、销售工作都会被取代。
人工智能来了，大家都很恐慌，我们都在担心未来会不会哪一天就被机器替代了。2016年我曾经讲过，人类向右，机器向左。因为人的大脑分左右脑，左脑更多是理智做判断、决策的，这些方面会慢慢被机器取代，人是无法比拟的，机器有先天优势，就像马云说的你不可能跟汽车、火车比赛跑。人更多的是关注右脑做创意、艺术、灵感，这些发散性的思维，这是机器在很长一段时间取代不了的。但最终是人与机器所协同，人解决的问题机器解决不了，机器做一些人不擅长的工作，人机结合，达成互通做决策的过程。
以下为王宁的演讲实录：
王宁：非常幸运，我一上来就有话筒。感谢大家，谢谢李院长的邀请，主办方做了大量工作，很有幸能够参加这个会，我昨天会伦敦飞过来，还在倒时差，所以今天讲不好，李院长不要叫做我国，因为现在伦敦才早上6点钟，按道理我刚起床。
今天给大家分享我们最新在金融科技特别是大数据、人工智能方面的想法和最新进展，我叫王宁，是牛津大学NIE金融大数据实验室的，主要做数据科学，偏重于人工智能和量化交易方向。我们这个实室是牛津大学金融系的一部分，同时也是互联网学院的研究员。
大家看这张图，四个人在抬一个很大的箱子，大家可以猜一下是什么东西？这张图是IBM1956年发布的一张照片，大家当时在看一个庞然大物，这是一个大数据，只有5兆容量，1956年能够有一个5兆的存储器，可能就是大数据。
2013年，我们现在讲大数据，现在我们更多叫yottabyte，是10的24次方，这张图是美国国家安全局的数据中心，是全球部署的，所有数据都存到这里，应该是迄今为止世界上最大的数据中心，设计容量是一个yottabyte，现在我们所讲的大数据远远超出50年代的大数据概念。
我在牛津大学的同事也是大数据时代的作者，之前是哈佛学院的，他写过一本《大数据时代》在中国特别火，后来被翻译成中文。他在2013年，五年前就已经在说大数据，他说大数据是一个非常有潜力，我们现在忽视了大数据所带给我们的巨大潜能。在大数据时代，我们更多关心的是相关性，而并不是因果关系。因为数据很多，关系很复杂，并不是很多东西的原因和简单的因果关系可以解释的。我们能够找到一些很微小的发展和细节，这是之前没有大数据的时代所不能发现的规律。
讲到（英文）首先离不开科技，近一个世界科技的发展围绕信息化和数字化的过程展开，人类的第一台计算机是在1960年有雏形，当时只是美国军方的内部项目。实际上，另外一个科技，人工智能，人工智能早于计算机的发展，一九五几年已经有美国科学家在探讨人工智能，当时是把人的神经元写到数据芯片，整个科技发展十年一个周期，到1970年，我们做一个计算机的小型化，1980年是计算机个人电脑化，当时微软、苹果等公司应运而生。1990年我们把所有计算机连起来，形成一个互联网，这个创造了巨大商机，我们现在知道中国的BAT，百度，美国的谷歌、脸书这些公司都是在这个时代所产生的公司。2000年，移动互联网时代，当时是乔布斯开始发布第一代的苹果手机，不停的迭代，谷歌的安卓系统，产生两大系统。2014年，物理层面我们叫万物互联。万物互联以后产生很多数据，那些数据整合起来最终可能是一个智能化的时代。这就回到我另外一个同事，他是整个欧洲很著名的信息哲学家，他是信息哲学创始人，他提出人类的发展经历四个革命性的进展，第一个是哥白尼革命，哥白尼革命把人类从无知带到有知。后来到达尔文，现在我们做人工智能，做一个测试，最终测能不能达到目标，我们做一个图灵测试，最终达到智能化时代。
回到今天的主题，现在我们大家都有一个困境，银行跟科技必须结合，金融也要相结合，（英文）其实是两个部分，一个是传统的金融业，一个是科技，科技和金融怎么结合？我们实验室的荣誉顾问马行长，他也是招商银行的前行长，他讲了一句话，科技跟金融是现在处在热恋期，你中有我，我中有你的阶段，他作为招商银行的行长最早做网上银行、一卡通，他是先驱，我说招商银行为什么十年前就能做到？他说最早被一句话刺激了，比尔盖茨说传统银行业如果不拥抱科技，就将是21世纪即将灭绝的恐龙。他被刺激了，他觉得银行业要跟科技结合。
我问马行长，如果科技和金融处于热恋期，到底是科技拥抱金融，还是金融拥抱科技？现在我们看到两大趋势，一大趋势是传统的互联网公司，美国的谷歌这些公司，中国的BAT，他们现在都有自己的金融科技，互联网部分，他们做了很多传统金融能做的事，包括支付、接待、信用评级。传统银行某种意义上是被互联网企业倒逼，如果他不做用户就会流失，倒逼革命，相对比较被动。后面的原因，我们没有注意到，这是美国一个很有名的科技杂志，他在两年前说的话，实际上，整个这波的（英文）包括互联网金融的浪潮，背后的巨大驱动力是用户的习惯改变，因为现在特别是美国73%的90后、00后，他们更倾向于使用互联网公司的金融产品，而不是传统银行的金融产品。
在中国也一样，现在很多90后、00后，他们是互联网金融很大支持者，他们更倾向于使用互联网公司所提供的产品，这也是对我们传统金融企业的巨大挑战。因为用户的新一代群体，他们一出生就生长在手机年代，从小就开始玩手机，这也是背后用户行为的改变。
回到人工智能，刚才我给大家讲了，五几年已经有美国的神经科探讨，怎样用数字电路的方法去模拟人的神经元。但是1950年到2000年，做人工智能的人基本消声灭迹，不是主流了，因为2000年以后人工智能有一个大的突破，就是深度网络，有三巨头，一个是剑桥大学毕业的英国人（英文）去了美国，他在80年代读了人工智能博士，一直坚持在这个领域，深耕了二三十年，最后把人工智能最大的局限，深度神经网络的成熟度能够变得很深，通过一些方法把现在的神经网络做到深度的神经网络第二个是脸书的首席人工智能科学家，另外还有一个加拿大的科学家，他现在是唯一一个人工智能学界的，剩下所有的人工智能大牛基本都被大公司给挖走了。
1997年，IBM和（英文）的的世纪大战，当时我们说深蓝并不是人工智能的胜利，而是超算的胜利，因为深蓝的算法是把所有可能的概率全部算出来，最终选一个最优的。这在象棋是可以做到的，但在围棋很难做到，1997年很多人说我愿意花一千万美元赌，未来30年人类都攻克不了下围棋的人工智能关。直到2015年，英国一个公司被谷歌收购，是牛津大学、伦敦大学的一些人工智能科学家组成的公司，他们设计的软件AlphaGO，他们找了一个华人樊辉（音）的下面了，樊辉（音）当时只有两段的水平，在围棋上面并不是一个特别高的段位，直到2016年，AlphaGO挑战了李世石，李师师有十几个围棋冠军头衔，是围棋的九段位高手，基本上AlphaGO以碾压的态势把李世石干掉了，李世石基本没有希望。但是李师师只是一个过气的世界冠军，现在的世界冠军是中国的柯洁，2017年在乌镇AlphaGO挑战柯洁，柯洁比赛之前信心满满，比赛之后基本块哭了，觉得没有任何希望跟计算机下。
围棋为什么这么难呢？我们要解决搜索空间无穷大的问题，因为围棋落子的可能性，每个地方都可以落子，最终的要求做一个搜索数把整个结果做出来，实际是穷的空间。最终我们要做两个问题，就是两个程度的降维，一个是下棋的广度降维，如果我在这个地方降一个黑子，所有空白的地方都可以落白子，到终盘基本是无穷维的解决问题。另外是搜索空间的深度问题，围棋19乘19的棋盘，深度和广度最终决定这是一个非常难的问题。所以我们叫信息完备的博弈应该是人工智能的巅峰了，如果把这个问题，在信息博弈的情况下，基本上人工智能没有问题。
最终AlphaGO怎么把这个问题解决了？简单介绍一下。实际没有用新的东西，人工智能没有巨大的突破，最近二三十年没有一个巨大的突破，实际是用脑的方向，逼着用图象识别的方法把之前500万五段以上的所有下棋的棋谱全部转化为图象，通过深度神经网络。因为500万棋谱对人来说是很大的数据，但是对计算机来说很小，可能训练一两个星期就全部训练完，第二步用强化学习，通过机器自己跟自己博弈过程中又生成很多新的棋谱，探索一些人类之前没有尝试过的下棋位置，这也是AlphaGO的强大的地方，它通过自己跟自己的博弈学习，之前是建立在人的基础上，最终形成两个网络，通过这两个网络进行决策。
另外，要解决搜索空间很深的问题，下围棋不需要下到终盘，可能下到一半就知道大概90%的概率下到这个地方赢，大概下到50%的概率下到这个地方赢，一般我们下围棋要到最后才知道，还要数到底谁赢谁输。它通过空间换时间，不需要走到最后，但是牺牲了一些预判的准确率。
AlphaGO的第一代叫AlphaGO 李，当时是对李世石，后来出了AlphaGO马斯特（英）所有的段位都可以去打，基本上是60：0，所有人类的冠军都跟AlphaGO马斯特都没有赢了。后来做了AlphaGOzieo（音），后来AlphaGOzieo跟AlphaGO马斯特，AlphaGOzieo自己训练模型，再跟AlphaGO马斯特打，从此之后谷歌说我们不玩了，这个已经宇宙无敌了，基本没有人类能战胜了。
如果人类能够做出像AlphaGO这样强大的计算机对弈模型的话，我们能不能在金融市场研发一种算法，能够最大化收益，去纽交所证券市场做交易，这也是我们今天的主题，也是我们实验室正在做的，怎样把金融人工智能最前沿的深度学习用到金融领域？
2017年是人工智能革命元年，未来五年到十年有大爆发，人工智能要跟各个方面结合。跟金融是一个重大的结合点，怎样人工智能能够帮到金融？也是我们现在最重要的一部分，我们做一个Smart Finance未来人工智能更加智能，这是我个人的总结，如果把人工智能和金融领域能够结合的分为四部分。首先是行为分析，这也是我们现在做的非常多，通过智能资产管理，给每个用户定制化的配置你的资产。另外，现在我们看到很多网银APP跟互联网公司结合，定向给你推送广告，这些广告跟你的信誉相关。另外，信用评级都是通过行为大数据和人工智能结合去做。另外，安全领域，反欺诈、虚假信息账号，这些都是大数据的数据挖掘问题，也是人工智能问题。还有投资银行领域、交易领域，做算法交易、自动化交易、风险控制，包括现在人工智能的资产管理经理，怎样给你调配一个最优资产组合。最后，客服领域，传统商业银行或零售银行，很大程度要跟客户打交道，现在很多地方可能被取代，人工智能助理、人工智能信贷员、人工智能决策放款收款都有，还有智能推进系统，整个大的四个方向人工智能都能够帮助金融做，最终做一个智能的人工智能。
具体不细讲了，很多数据通过机器学习模型发现一些问题，帮人做一些决策，最终做一些执行，这个执行特别是在算法交易产生一个信号，这个信号决定买或是卖。
还有风控，在西方，人工智能能够分成几个大的方向，首先是手册方向，这里面有很多西方的公司，特别是（英文），就是把所有市场的金融财宝通过人工智能的方法抓取，最后生成一个报表，这个报表自动生成。还有市场情感，还有金融搜索引擎，区块链也是很大，还有交易公司，还有手机坏账公司，人工智能助理，虚假信息，人工智能个人银行服务，人工智能信贷评级机构。
讲几个具体事例，传统银行业越来越做的互联网化，互联网公司，不管是脸书还是谷歌实际是通过广告产生很多利益，这通过用户的大数据行为分析一针对你的兴趣爱好，给你推送相关广告，这个人工智能也越来越多在做。信用评级、违约风险分析，我们可以用深度神经网络大数据分析来分析违约的风险。
客服助理，这是瑞典银行开发的虚拟客户助理，一个人工智能可以跟它进行语言交互，可以问它一些问题，它有虚拟形象出来，通过语音和语言的方式做模式。现在英国银行、皇家银行，商业银行都会这样做，因为这对商业银行是很大的负担，雇了很多客服人员，英国的很多客服人员原来都包到印度和一些不发达国家，以减少成本，现在更多通过机器的方式取代相对比较低端的工作。
互联网的借贷以前是通过人工审计，现在通过大数据的方法，通过第三方数据、第三方评级机构，跟传统大的公司结合，整个互联网借贷行业分成不同的细分领域，针对客户的，包括中小企业、医疗市场、汽车市场、教育市场，特别是中国做的比较好的蚂蚁金服，完全没有任何人工干预的情况下在几秒钟的情况下做一个决策，完全做到自动化。
另外一个是领域是人工智能理财顾问，我们跟哥伦比亚大学合作，做了一些这方面研究。我们这个理财顾问主要基于我们跟香港一个公司合作，他做一个智能的交易顾问，该公司开发了一个软件，是一个交易平台，全世界有上百万用户在这上面做交易，我们拿到交易软件的数据后帮他们在上面做一些分析。我们现在通过大数据的方法，能够把一个交易行为通过量化方法做成统治化，做成报告，我们叫交易行为报告，最重要的是一个FTD（英文），是一个评判标准，包括稳定性、情绪、心理各方面，大概好几百个方面。我们现在提出SQ，SQ叫财商，最主要的量化就是用FTD（英文）帮初级交易人打分，进入培训课程。另外，全世界有1% 非常好的交易人，我们直接挖掘出来，把这些人提供给对冲基金，给他们找更好的就业平台。
我们现在做的项目是怎么样能够把AlphaGO的深度神经网络模式用到现在的金融交易里面，做成自动化交易机器人，未来有很多这方面的应用。
刚才提到深度卷积网络，之前被用来做图象识别、人脸识别，做的非常好。现在跟传统量化不同的是，我们把很多金融数据转化成图象数据，然后训练卷积网络，我们早期可能是模拟一个人的初级的交易行为，我们跟很多交易员交流，他们看图的信号，我们会截取过来。因为营销员要看很多图象信息，最后反馈到大脑，然后对他产生一个激励，他最终决定买还是卖，整个过程我们要用人工智能的方法模拟，卷积网络实际是模拟视觉系统找金融市场的信号，通过这种方法做。
另外，强化学习。比如这是一个强化学习的模型，要到一个未知去做的话，如果我们现在要发一个机器人到火星，人也没有去过，机器人要在火星不停的交互，这个环境会给它一个奖励或处罚，是一个交互、学习的过程。比如一个机器算法去金融市场做交易，它的买或卖对市场会有影响，我们通过这个行为不停在学，这是强化学习很重要的一部分。现在人工智能就是把（英文），以前都是数学上的一个模型，现在把这个换成深度神经网络，这可能是一个很深度神经网络，不停训练这个模型。这是我们一个学生做的，通过深度神经网络交易（英文），通过大概不到三年的交易，能够取得很好的收益，通过强化学习的方法。
还有一个领域，现在我们很关注区块链，区块链对我们来说，十年前中本村的文章一出来我们就在看区块链，当时觉得这个东西在技术上很平平，没有任何大的突破，而且都是用的二三十年前很过时的技术，现在很火是因为区块链跟现在金融的支付的场景结合后，更多的创新是在金融领域，而不是在我们的计算机技术领域。做计算机，区块链是一个分布式的操作系统，或者一个分布式数据库，对转动金融来讲，区块链可能就是一个分布式的记账簿，这是区块链的传统的数据存储机制。第二层是金融，在传统方面产生金融属性，作为金融资产的交换或交易，通过记账簿的方式做，这是我们现在要关心的区块链的金融属性。第三层是智能交易合约。
区块链的新兴市场，我们叫加密货币市场。大家可以看到，加密货币市场2017年有个突飞猛进的爆发，2017年初不到10亿美金市场，年底涨到7500亿美金市场，一年的时间有爆发性的增长，现在又在跌。当时我们跟很多基金都在关注加密货币市场，但是觉得这个盘子太小了，传统基金没法进去，一进去基本被吃掉。2017年年初，涨到7500亿美金的市场，很多基金也慢慢进场，开始关注这方面。这是我们跟香港基金做的，通过人工智能之前量化的一些模型，在这种加密货币市场，不同模型针对比特币做套利交易，最新结果通过人工智能模型，最终做到10%的收益，今年通过算法的交易，这个模型我们现在在做测试。
回归到本原的问题，人工智能会给我们带来哪些方面的挑战？牛津大学的报告，未来47%的以上的工作都会被机器取代，最容易被替代的是图上的红色区域，相对低端的工作，比如销售、生产、交通、智能汽车，很多方面都会被替代。美国质库调查，2025年华尔街的哪些工作可能会被人工智能替代，传统券商领域大概有5万多个工作，交易领域大概有1万多工作，资产管理也有很多，现在人工智能管理出来之后，非常多的工作会流失，还有私人银行的财富管理工作、投资银行工作、销售工作都会被取代。唯一增长的工作点就是科技，包括数据工作，包括我们牛津大学自己有传统的金融工程的数学课程，现在很多学生都选修数据科学，跟人工智能相关的课程，这也是未来的趋势，他们对这方面的技术更早熟悉，对未来他们找工作也是很好的布局。
最后，我以2016年在BBC发表的文章做个结尾，人工智能来了，大家都很恐慌，我们都在担心未来会不会哪一天就被机器替代了。2016年我说了，人类向右，机器向左。因为人的大脑分左右脑，左脑更多是理智做判断、决策的，这些方面会慢慢被机器取代，人是无法比拟的，机器有先天优势，就像马云说的你不可能跟汽车、火车比赛跑。人更多是关注右脑做创意、艺术、灵感，这些发散性的思维，这是机器在很长一段时间取代不了的。今天有个嘉宾也讲了，人工智能在所有世间能够解决的问题里，只能做到很少一部分，但最终是人跟机器所协同，人解决的问题机器解决不了，机器做一些人所不擅长的问题，人跟机器结合，最终是人机结合，这种互相接通做决策的过程。
