人工智能真的会成为实体经济的灰犀牛吗
人工智能的发展，一方面促进了经济的发展和创造了更好的生活，但另一方面，同样令很多人感到了担忧，认为人工智能将成会成为实体经济的灰犀牛。
“人工智能的出现，依靠的是技术进步和对人类复杂性的研究，包括装备智能软件的高性能计算系统，通过机器学习、深度学习，以及很多这种系统以自主、最优的方式进行连接，包含了神经科学、基因学和新兴的跨学科领域。”--玛利亚.斯皮罗普鲁（加州理工学院实验粒子物理学家）
某一天，智能手环以渐强振动的方式将你唤醒，然后智能音箱开始播报当天的天气，等你穿好衣服，牙膏已挤好，洗脸水已接好。洗漱完毕后，只听“哔”的一声，热腾腾的早餐已出炉，吃完早餐后出门，只需手机一个快捷键，无人驾驶的汽车已在门口等你，将你载到公司；下班回家后，一进门空调自动开启，晚饭已备好，电视自动打开调到你最喜欢看的节目，让你笑个前仰后合或者哭个稀里哗拉，时间差不多了，一个温柔的细语传来：主人该洗澡了，洗澡水已经给你备好......
曾经，我们似乎只有在科幻片中才能看到这种情境，而现在，这一切正在慢慢变为现实。并不是因为你请了私人管家，只是因为人工智能正在渐渐的融入我们的生活。
说起人工智能，估计大家都不会陌生，这些年几乎抢占了一切科技信息的头条。也许在十年前，听到人工智能一词时我们感觉是深不可测的概念，而现在要是你说没听说过人工智能，那倒感觉像是原始人穿越了一样。人工智能的发展，推动了全世界经济的发展，驱动了人类认知的进化，已经成为当前全球经济最重要的驱动力。
美国股市最大市值的五家公司分别是微软、亚马逊、苹果、谷歌和脸谱网，这是一件值得大家注意的事情。在十年前这个排行榜中的公司，要么是银行，要么是石油巨头，而现在全部被科技巨头包揽。这些公司之所以能够成为全球的巨无霸，就在于它们并没有止步于曾经的辉煌，而是搭上人工智能技术的快车，在各个领域内攻城略地，不断巩固自己的地位。这几家公司，无论哪家，在人工智能领域都具有广泛的布局，从基础研究到应用层面，都掌控了非常强大的话语权。
随着各国对新技术的研发与投入，人工智能时代的大幕已正式拉开，无处不在的数据和算法正在催生全新的由人工智能驱动的经济和社会形态。人工智能、大数据、云计算、人机交互以及未来万物互联，将会出现加速发展之势，成为推动全球技术和经济进步的重要动力。
自动化和智能化，也在慢慢渗透进工业制造的各个领域，未来商业世界也将会出现全面转型，依赖于数据和算法，实现物理与数字的融化，很多企业都提出了数字化转型的愿景和计划，未来企业内在的组织形式都会进行数字化和智能化，从办公到服务，再到生产与流通，各环节将更加高度依赖于技术。
但是事物均有其两面性，虽然各国都在高度重视人工智能的发展，并且提出了各自的规划与目标。但对于人工智能的发展，同样令很多人感到了担忧，认为人工智能将成会成为实体经济的灰犀牛。
那么，什么是“灰犀牛”呢？
“黑天鹅”一词，应该很多人经常听到，“黑天鹅事件”指极其罕见的、出乎人们意料的风险。而“灰犀牛”则是与“黑天鹅”相互补充的一个概念，意指太过于常见以至于人们习以为常的风险，比喻大概率且影响巨大的潜在危机，由米歇尔·渥克在其撰写的《灰犀牛：如何应对大概率危机》一书中提出。
人工智能真的会成为灰犀牛吗？
既然人们担心人工智能的发展，会成为实体经济的灰犀牛，必然有其担忧的合理性。人工智能为我们提供了更高的生产效率和更美好的生活，比如说算会自动推送你感兴趣的新闻资讯，会向你推荐你正好想买的商品，可以在几秒钟内评估出你能否获得贷款，额度是多少、利率是多少，还能通过人脸识别检测出在逃嫌犯，计算机分析影响诊断结果比医生更准确，提供更佳的治疗方案，还能实时翻译实现跨语言沟通......难道这些不都是在进一步提高生产力和促进经济增长吗？
这就是我们在享受到人工智能带来的益处之外，需要考虑的潜在危机，因为潜在危机是是存在的但是容易被忽略的，这才是可能使其变成灰犀牛的原因所在。人工智能的发展，确实在某些方面，会对现实社会造成一定的冲击，我认为主要四个方面：
1.就业冲击
这也是首当其充的冲击，很多人对人工智能的担忧，主要是从就业冲击开始的。他们认为，随着技术的进步，我们现在的很多工作，机器都能够很快的学会并熟练掌握，大多数工作都能被机器人代替，最终大家都会丢掉饭碗。
不可否认的，在未来，由于人工智能技术的不断提升，当机器人学会了深度学习之后，具有比当前人类更为完善的运作流程，但毕竟机器人还是由人设计、制造出来的，从普遍意义上来说，机器人应该是作为人类的辅助或者朋友，帮助人类提升社会生产的效率，为人类创造更好的生活体验。
而如果大量的人类从事的都是最低端的机械式的重复的工作的话，其实是在浪费人类的高级动物优势，把部分人类再次放到了低等动物的行列中去，利用他们的手或者脚，来简单的日一复一日的重复着没有任何思考性的体力劳动，将会使得很多人在很长的时间内丧失掉思考的权利和天赋。
当机器人可以代替掉大量低端的工作之后，人类就有更多的时间来学习更多的技能，发掘出现多适合人类的工作来，对整个人类的进化来说是一种推动。当然这里可能会有很多人会说，你说得轻巧，如果大量从事简单体力劳动的工作被替代，这些人没有工作了，就没有钱，再去谈学习更是伪命题。这里面存在一个悖论，就如同工业时代蒸气机的发明，收割机的发明会使大量从事农业和手工业的人失业一样，但历史证明了，社会系统会以自己的方式运转来协调到任何一次技术革新带来的矛盾和冲突。
因此，机器人代替人类，是一个循序渐进及自我协调的过程，并没有我们想象中的恐怖。而且，就目前来看，在未来数年甚至数十年的阶段内，工业自动化、人工智能将会促进社会效率整体的提升。再举一个简单的例子：巴尔的摩的马林钢铁厂是自动化驱动创新的典型案例。在中国制造商的竞争下，马林钢铁厂的核心产品价格下跌，迫使该公司转型，否则将会倒闭，大量工人失业。马林钢铁厂购买了机器人线材成型机，并开始专注于为波音和通用汽车等公司生产高质量的精密产品。此外，它还雇佣了更多的人，提高了工人工资，并吸引了更多不同背景的工人。
马林钢铁厂首席执行官、所有者德鲁·格林布拉特（DrewGreenblatt）表示，自动化不仅为公司发展提供了生命线，同时也为其员工带来好处。他说：“突然间，工人们的生产力大幅提高，这是因为我们给了他们工具，即机器人和自动化技术。感谢这些机器人，如果没有它们，这些人就会失业。”
2.安全冲击
随着人工智能的发展，人类开始担心人工智能会不会超越人类，甚至代替人类，成为新的主宰物种。如果人工智能具有了自主意识，会不会对人类社会造成巨大的安全威肋？恐怕很多人脑海中都闪现过和我一样的想法。
1997年，一台超级计算机击败了国际象棋世界冠军卡斯帕罗夫，2016年3月，阿尔法围棋与围棋世界冠军李世石进行围棋人机大战，以4比1的总比分获胜；2016年末2017年初，该程序在中国棋类网站上以Master为注册账号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；2017年5月，它与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分获胜。
毫无疑问，机器不管是下象棋，还是下围棋，肯定比人类下得更好。甚至对于普通人，如果你在棋类游戏中选择人机对战，并不需要超级计算机的挑战，普通电脑程序都能轻松赢过我们。但这并不代表计算机的能力超过人类。这只是因为下棋程序使用了启发式估值的图灵蛮力树搜索算法，他并不需要模仿人类思考，只需要使棋局进入搜索树中对手拥有更少好选择的分支，它并不知道自己比人类聪明，甚至并不知道自己在下棋，而仅仅是在执行程序而已。
另外，人们对人工智能安全性的担忧，还在于对诸如技术的不受控恐惧，比如说无人驾驶汽车的一大出发点是大幅减少人为因素引起的交通事故，但2018年3月，美国亚利桑那州，优步与一名在路试中骑自行车的女子相撞。这起事故造成了一名骑车女子的死亡。之后在5月，谷歌旗下的Waymo无人驾驶测试车发生事故，此次事故发生在美国亚利桑那州钱德勒市的一处十字路口，一辆Waymo无人驾驶测试车与本田轿车相撞，谷歌Waymo无人驾驶测试车安全员受轻伤。但其实，每天由人类驾驶发生的事故更多，各种酒驾，各种路怒症，引发的事故更加频繁。
人们对于人工智能系统失控的担忧，有些过头了，无论是人工智能统治人类，还是让人类变得不再重要，或者机器不受控制，这种恐惧都是夸大其词的，人们对于能力的可替代性分类时有错，就好比看到高效内燃机的发展就认定曲速引擎指日可待一样。
3.隐私冲击
算法的关键在于数据，而数据则需要向用户进行收集，这使得人们对大数据收集隐私方面普遍担忧。FACEBOOK剑桥分析数据的丑闻，引发了全球互联网用户对于数据泄露的担忧，大量软件都会收集用户的信息，有些甚至是不必要的信息，而很多犯罪份子可以通过技术手段窍取我们的各种信息，甚至盗取我们的各种账户，这难道不是一件让人坐立难安的事情吗？
随着技术的发展，现在人脸识别技术越来越普及了，刷脸支付、刷脸进站、刷脸签到等技术已经进入生活中的各个场景。脸是一个具有弱隐私性的生物特征，因此，这一技术对于公民隐私保护造成的威胁性尤其值得重视。人脸图像或视频广义上讲也是数据，如果没有妥善保管和合理使用，就会容易侵犯用户的隐私。在识别人脸的时候会不会把我们的人脸识别信息进行二次利用甚至滥用，这些问题同样让人担忧。
证券公司、大型机构，可以通过大数据知道证券投资者的账户持仓情况，什么时候股民们重仓了，什么时候股民们轻仓了，重仓的是哪些，轻仓的是哪些，这些数据本来只应由投资者本人知晓，但却以大数据的形式被收集，无形中就会将不同投资者置于不同的优劣势境地，使得市场变成一种更加复杂且不公平的博弈过程中。
侵犯隐私的数据泄露，成为用户对收集数据的两大担忧，如果用户的隐私被非法获取，并且被滥用，比如进行金融借贷和各种诈骗活动，也可能会引发对社会实体经济和金融体系的冲击，
4.系统冲击
人工智能技术有不少分支，每个分支都在高速发展，这些技术的进步，会不会造成破坏性创新？这也成为一个人让很多人担忧的话题。比如说，证券交易所，每个人都可以加入参与交易，推动全球金融一体化联动发展，在地球甚至外太空发生的事情，政坛的丑闻等事件，都会对金融市场造成连锁反应。
未来随着人工智能的发展，如果更多金融系统过度依赖人工智能的决策，那么系统能否作出更加理性的或者说让结果更好的选择，本身成为一个不确定性。比如说当大量对冲机构使用程序化交易，不再去分析未来的可能性，只跟踪市场，利用历史回朔数据进行决策交易，很可能发生程序化批量抛售，造成股市瞬间崩盘。
又或者当发生金融危机的时候，系统作出冰冷的决定，不再向市场释放流动性，不再对面临资金困难的企业进行援助，会不会进一步引发金融海啸？再回看2008年时美国发生金融危机的时候，美联储的做法是对还是错？如果让人工智能AI来进行决策，结果会如何？现在世界会变成什么样？这一系统的问题都面临着非常巨大的不确定，完全依赖于人工智能，能否为金融和经济体系带来更好的决策？
再或者，随着区块链技术的发展，各种虚拟货币不断盛行，接受和加入虚拟货币的人也越来越多。在2010年的时候一个程序员用10000个比特币购买了一个披萨，到现在比币币已涨至13000美元一枚。未来更多虚拟货币的发行，会不会脱离现有金融体系，引发全球货币体系的崩溃，这些问题很大很难，但确实是不得不考虑的潜在问题。
所以我们也看到，在7月4日，美国众议院财政服务委员会突然向扎克伯格等Facebook高管致函，要求其立即停止数字货币/钱包项目Libra/Calibra的所有工作。
理由为：Libra体系将会挑战美国的货币政策和美元地位；这将引发严重的隐私，交易，国家安全和货币政策问题。超过20亿的用户，投资者，消费者和更广泛的全球经济都应对此感到担忧；白皮书对于Libra/Calibra项目的潜在用途和安全性方面提供的信息极少，缺乏明确的监管保护；鉴于Facebook在过去几年里多次发生重大数据安全和道德违规事故；如果不立即停止该项目的实施，我们将面临一个由瑞士控制的、一旦失败将会引发金融海啸的新体系。
但是，针对这一系列可能出现的潜在冲击，我们是可以提前进行预防，找到降低风险的方法。技术有其双面性，它本身是冰冷的、没有感情色彩的，决定技术是好是坏的，其实是人类本身，那么就需要从人类自身和社会秩序的角度来进行解决。
一是法律法规约束
前面说的关于人工智能的应用，已经渗透到生活的各个方面。对于数据的获取、用户隐私的保护等等方面，需要出台相关的法律法规来约束。在商业利益最大化与个人信息发生冲突的时候，必须有法可依，依法行事。比如通过搜索投放各种虚假医疗广告，广告主和分发商自然都能赚钱，但最终伤害的还是用户，还是老百姓的利益。
再比如技术公司对用户信息的利用，究竟是利用数据进行算法决策以提供更好的服务，还是将用户信息作为商品进行转卖，这是不是违法行为？这些问题都需要法律来明确。现在只要你网购一次或者注册一个APP，马上就会收到铺天盖的黑广告，这里面难道没有一定的关联吗？
因而，人工智能的发展，需要建立更加健全的法律法规进行约束，2017年7月，国务院印发《新一代人工智能发展规划》。《规划》强调，促进人工智能行业和企业自律，切实加强管理，加大对数据滥用、侵犯个人隐私、违背道德伦理等行为的惩戒力度。
二是建立伦理秩序
人工智能行业从早期的野蛮生长，到现在各精细领域突飞猛进的发展，已经在很多方面，开始引发人们对于伦理范畴的担忧。正如人们对于基因工程科学的担忧一样，急需建立全球性的伦理道德秩，才能更好的引导行业向正确的方向发展。
技术本身是中性的，它没有善恶之分，但是开发和使用的人会赋予技术伦理价值，他们设计模型，选择数据并赋予数据意义，从而影响我们的行为。代码包括了关于现在和未来的决定，需要将环境、社会和人类的影响因素考虑进去。
人类本身是有一套伦理秩序的，什么是对？什么是错？在人类社会是有一套约定约成的道德规范的，技术作为一种工具，同样需要从伦理上进行规范。如果技术被恶人所用，必然行恶，如果为善人所利，必然行善。机械警察能够成为维护世界和平与正义的使者，但同样可以成为作恶的机械杀手，无人机可以成为空中拍摄的神器，可以成为给农田喷洒农药的农耕队，同样可以成为破坏性工具。
这一切，急需建立伦理秩序。
三是形成看法共识
对于人工智能的发展，应该形成共识。人工智能发展应置于我们的有效可控之下，坚守科技向善的初衷。从当前的现实来看，人工智能技术的发展，为我们带来的好处显著超过可能带来的可预期风险和坏处，无论是对每个个体，还是对企业，以及对整个实体经济，都需要确保其风险的可控性。
只有技术的正面价值高于负面价值，益处大于坏处，人工智能的发展才符合大众的利益，才不会对整个社会和实体经济造成负面冲击。同时，人工智能行业本身就是实体经济的重要组成部分，其未来将会走向何方，目前来看，是不可能完全预料出来的。只有坚持预警原则，做好防范工作，才能消除其成为实体经济发展灰犀牛的可能性，至少降低这个概率。
技术还是需要继续向前推进，我们不能因噎废食，因为害怕人工智能发展带来的潜在危胁而使其发展停滞甚至阻碍发展。在一百多年前，英国工业革命时期工人因害怕工作被机器取代，到工厂对机器设备进行打砸，但是工业革命的脚步依然没有停下，并且推动了全人类社会的进步，现在人工智能被称为第四次工业革命，其步伐也是没有人可以阻止的。
结论：对于人工智能的发展，每个人都是受益者，而我们对于人工智能成为灰犀牛的恐惧，归纳为核心的一点，就是担心人工智能发展的失控。目前人工智能还处于弱人工智能阶段，优势仅仅在于通过深度学习和大数据计算，为人类提供辅助。也许有一天，人工智能会进化到强人工智能，甚至进化到超人工智能阶段，那时候我们将会面临更大的更多的问题，而这一切需要现在就开始做好应对准备，否则到时候人工智能真的会成为一头难以驯服的灰犀牛！
人工智能在金融领域有哪些应用场景和作用
传统金融如何利用数据？
所谓前事不忘后事之师，在了解AI对传统金融行业带来的影响之前，我们可以借鉴以往的经验，看看传统金融行业对现有数据的利用情况。
在过去的几十年甚至百十年中，无数的银行家，金融工程师，数据分析师，金融从业者为我们设计了很多非常便利方便的金融产品，比如信用卡业务，个人贷款业务，在这些产品迭代的过程中他们形成了非常严谨的迭代和风险控制的方案。
他们所利用数据的特点是针对这些金融产品业务区分能力强，但是覆盖人群相对较低。
就如上图所示的冰山，传统金融行业对数据的利用率只有10%左右，而Fintech公司需要做的就是挖掘那些隐藏在冰山之下的数据，把金融产品带给更广泛的人群。
互联网金融怎么做？
随着大数据解决方案的普及，我们可以搜集更多维度的数据来更精细的进行用户画像，包括利用一些行业数据，用户的互联网浏览数据，司法执行数据，第三方信用数据，出行数据，电商平台的交易数据，电话通讯数据和社交数据。这些数据的覆盖人群会远远超过现有的金融行业所使用的数据。
而AI就是对这些数据进行组合，从而挖掘出有效的特征。
如何利用好这些维度很高的数据，需要一个智能的解决方案。因为这些数据大多是非结构化的数据，可能来自邮件、视频、文本、语音、点击浏览行为、社交网络等多种渠道。数据的量级和清洗是一个重要的环节。
而大数据的一些解决方案为我们提供了较好的基础设施。
关于AI
在此之上人工智能可以带给我们大量的自动的规则学习，同时带给我们更加强大的表达能力，而不仅仅是一些线性模型。当我们加入更多数据的时候，关于人的描述已经上升到更高维度的空间中，这时，我们就需要表达能力更强的模型，比如GBDT的模型，有几千个有权重的子树，比如深度学习网络，多层的神经元通过加工，自动抽取最优组合。
一个传统的贷款业务可能需要2-3天来审批，而一个基于人工智能模型的自动审批方案可能只需要几秒钟就可以完成。同时有些传统风控模型的迭代周期可能要数个月甚至数年，但是人工智能的模型迭代可以非常便捷和自动。
AI所做的就是极大简化这个过程，提高效率，同时可以大大提高模型验证和迭代的速度。
AIinDianrong
在点融，我们应用于风控的人工智能解决方案主要有以下三个部分：
数据搜集和处理
风险控制和预测模型
信用评级和风险定价
便利可扩展的数据存储和处理方案是重要的基础架构。
各种非结构化数据到结构化数据的灵活转换是保证应用的重要一环。
欺诈的识别是风险控制的第一步，如果利用第三方数据高准确度地识别一些有欺诈嫌疑的用户是这一个环节需要解决的问题。
灵活地支持人工智能的风控引擎和规则引擎是保证人工智能应用的业务的重要工具。点融的规则引擎同时可以支持简单的条件规则、也可以支持决策树的规则，以及更加复杂的GBDT和深度神经网络模型。
通过知识图谱我们可以将人群的关系更直接地映射到图数据里，通过这些关系的远近、和异常拓扑结构的识别，我们可以发现更多更深层次的风险模式，通过识别这些模式可以有效地减少团伙欺诈。
在风险级别识别和风险定价的模块里。我们会结合三类打分板:专家打分板，传统的逻辑回归打分板以及人工智能打分板在不同场景下针对用户进行不同级别的人群划分。针对不同级别的人群和不同产品的需求我们会试算出针对于该风险人群的定价。
我们点融也在积极地将人工智能模型作为主要风控手段迭代改进自己的系统中。
同时我们也在应用深度学习解决一些业务冷启动的问题。利用transferlearning我们可以大大加快模型在新业务数据不足的情况下收敛的速度。
总结
最后引用薛贵荣博士的博客中一段话：
“基于实例的迁移学习的基本思想是，尽管辅助训练数据和源训练数据或多或少会有些不同，但是辅助训练数据中应该还是会存在一部分比较适合用来训练一个有效的分类模型，并且适应测试数据。于是，我们的目标就是从辅助训练数据中找出那些适合测试数据的实例，并将这些实例迁移到源训练数据的学习中去。”
推荐阅读美国担心人工智能领域(美国人工智能出问题)
创业人工智能领域，创业人工智能领域包括
mit 人工智能领域(mit首次提出人工智能)
小米人工智能领域加盟，小米人工智能家居加盟
人工智能领域工程 人工智能领域工程有哪些
医疗人工智能领域 医疗人工智能领域包括
医疗领域人工智能融资(医疗领域人工智能融资现状)
人工智能领域规范，人工智能领域规范文件