Jan. 2023 2023年金融科技趋势展望3 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——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AI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AI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、IEEE Fellow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，可驾驭空间也非常大、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（machinetractable）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、ACL Fellow4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。——陈红阳之江实验室图计算研究中心副主任/高级研究专家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和洞察，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，RPA、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 5《ThéâtreD’opéraSpatial》夺冠；“AIgetscreative”入选《Science》2022年的年度十大突破；DALL-E2、ChatGPT和AlphaCode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”（GenerativeAI）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。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、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Transformer模型来说，Meta⾸席⼈⼯智能科学家杨⽴昆（YannLeCun）认为：“它们是必要的，但并⾮是充分的，这可能是未来智能系统的⼀个组成部分。”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。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，此类生成式工具背后所依托的大模型的计算成本非常高，以及关于版权、信任、法律规范等也存在很多问题需要解决。2001，自然语言处理2013，深度学习2017，强化学习2018，对抗性神经网络2021，生成式预训练模型GPT-32022，AI数据生成*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展奠定基础深度学习作为机器学习的重要分支，通过学习给定数据存在的内部规律，实现对文字、语音、图像等内容的感知、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 6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，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。这种情况下，我们看到的变量本身之间未必有直接的因果关系，但是它们背后是由一些因果的因素产生出来的。那么，如何从这种非结构化的数据里面把背后真正存在的因果隐变量，以及它们的关系找出来，是因果推断领域亟待解决的问题。7 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DonaldB.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——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