P2P平臺大批跑路后，不少幸存者為了避嫌開始改名，管本身叫“Fintech平臺”，首先我們要知道，不是能在網上買點理財產品就可以叫“Fintech”，能稱得上金融科技的，好歹得有一點點科技含量吧？

在人工智能概念火了之后，，Fintech又被帶了一波節奏，其實Fintech+AI是個有著清晰前景的命題，只是現在市面上出現了太多假Fintech結合假AI的產品。

Fintech最喜歡吹噓的往往是本身的風控系統：傳統金融做風控要業務員實地考察、要客戶三番五次提供一大堆資產收入證明，現在有了人工智能，我們只需要動動手指就能完成這一切。

實際上幫他們做到這些的不是人工智能，而是征信系統，好比芝麻分什么。在這個時代，還有誰能不在網上留下點痕跡呢，數據夠大了，很多事就能做到了。

大數據是怎么幫Fintech做到風控的呢？簡單舉幾個例子，在授信環節，在用戶授權的前提下，用爬蟲可以抓取用戶的信用卡還貸數據、電商交易數據、各種O2O消費數據……甚至可以在學信網上看到你上哪個學校。如果你是小微創業者，還可以看到你的交易數據和所有的企業注冊信息。而這些往往是征信機構做的，和Fintech平臺無關。

征信機構通過用戶數據的采集、共享、分析做到了這一切，要說有多么智能，恐怕有些牽強了。

真智能的Fintech不但僅是風控

那么Fintech+AI到底能做到什么呢，顯然不但僅是風控，但我們可以先從風控說起。

好比在風控上，雖然征信機構可以構建出幾乎完美的風控模型，但在消費金融領域，中國有65%的人沒有被征信記錄覆蓋，面對這些人離散在互聯網遍地的復雜數據，AI是如何幫手Fintech進行授信的？

目前比較流行的方式是知識圖譜，知識圖譜是人工智能大概念下的子集之一，其價值在于理解數據的內在含義，把以往的“名詞搜索”釀成語義搜索，從而在離散的數據間建立聯系。

應用到金融中，知識圖譜可以把個人信息和履約記錄、社交媒體數據等等聯系起來。舉個例子，如果我們僅僅擁有客戶的姓名和聯系方式卻沒有授信記錄，我們可以通過他的通話記錄發現他所聯系的其他用戶授信記錄如何，從而進行風險評級。

當然，這只是知識圖譜在Fintech方面最簡單的應用。知識圖譜還能做更多的事，好比不看財報而是通過社交媒體新聞分析某只股票的股價走勢等等。總之，在個體數據匱乏的情況下，知識圖譜可以利用其它可獲得的數據，通過“聯想”完成很多分析工作。如果建立的足夠完善，知識圖譜幾乎可以成為一個應對無數維度的征信系統。

分析師：你學我！

除了知識圖譜，深度學習和NLP在Fintech中的應用也很遍及。好比通過深度學習中的回歸分析來模仿分析師的交易行為，從而推導出相關交易策略的算法模型來輔助報答操作。

而為了優化處理效果，一些機構開始試圖在算法中引入非結構數據——新聞、分析陳訴、社交媒體輿情等等。通過NLP技術對其進行分析處理，增強算法在演算時的邏輯性。

最后這些算法就可以像入行多年的金融老司機一樣，通過內部數據和外部環境影響做出決策。

倫敦、香港、日本等等地區都有團隊在從事相關的研究，其中著名的有投資機器人Kensho，這家專注于量化投資的技術企業通過NLP、圖像識別和云計算等等技術，可以快速處理投資關聯業務。

面對類似于美國大選一類的黑天鵝事件，分析師們只能從本身短暫的從業經歷中總結方法，Kensho卻可以通過總結歷史上所有類似事件產生的影響而給出答案。

經驗、直覺這些原本在金融行業不成替代的特質正在被AI通過深度學習快速復制，華爾街的魔法正在慢慢褪去。

大多數Fintech只有人工，沒智能

風控、量化分析這些金融產業中較為重要的環節正在被AI入侵，一些自己就技術含量不高的環節更是不能幸免。最簡單的，像是招股書、陳訴等等文件的撰寫，通過自然語言理解和自然語言生產就可以處理。在信貸審批中生物識別（指紋、虹膜）和設備指紋識別（移動設備的唯一編號）也在替代著傳統的流程模式。

但說到底，真正能運用上人工智能的Fintech企業基本都有著強大的“靠山”。前文提到的Kensho已經被高盛收購，對沖基金橋水聯合也早已招兵買馬試水AI，在國內，螞蟻金服也是托身與阿里巴巴的。