作者简介：

方伟，昵称：jetfang，金融科技老兵一员，目前在某大型民企的金融团队担任总架构师，志同道合者请与之联系：jetfang1976(微信号)

1. 引言

当一项革命性的科技兴起之时，它会迅速的向广度和纵深两个方向延伸发展，并与千行百业的各种场景结合起来，展现出勃勃生机和旺盛的生命力。人工智能就是这样的科技。从深度来看，机器学习方向在神经网络的算法复杂程度不断加深，模型的参数数量在科技巨头们的竞赛中以让人咂舌的方式增长，达到千亿级甚至十万亿级的规模。从广度来看，人工智能这一领域延展出机器学习与深度学习、机器视觉、自然语言处理、知识图谱与认知计算、等许多子领域。从应用场景来看，人工智能在工业与制造业、安防、金融、交通、教育等各行各业得到广泛的应用，起到了数字化加速的驱动作用，成为许多行业的新的科技引擎。

金融行业作为数字化程度较高、科技应用较为领先的行业，对人工智能技术从一开始就保持了极大的热情与关注。在从业者所公认的金融科技ABCD中，A（Artificial Inteligence）成为金融科技之首。人工智能技术对金融业态产生了很大的影响，“智慧金融”成为行业热点，智慧营销、智慧风控、智慧运营、智能投研与投顾等成为金融行业运用人工智能技术的几个重点方向。

金融行业对人工智能技术的应用，起步较早，研究较深。但在实践过程中，依然暴露出来许多问题，带来许多挑战。这其中，既有技术门槛和场景价值的问题，也有资源利用和人才队伍的困境。此外，在技术架构、应用方向等许多方面也给金融机构，特别是中小型银行、保险公司、证券公司，带来巨大的挑战。

如何更有效掌握好、运用深人工智能技术，在数字化和智能化的过程中少走弯路，是摆在众多金融机构面前的难题。本文尝试从企业架构的角度出发，研究和分析当前金融企业较为典型和有特色的“企业智能架构”，为金融机构，特别是中小型金融企业找到合适的智能化应用之路提供一些参考。

2. 金融行业应用AI的现状与问题

AI技术在金融行业已经有许多有特色的创新场景。

比如在信贷风险方面。银行运用大数据和AI技术将小微信贷的时间从传统的数天缩短到小时级，已经是平常故事，有些银行甚至已实现“秒批秒贷”，没有实时数据和智能算法是做不到这一点的。在反欺诈方面，以前困扰金融机构的团伙欺诈行为，在大规模知识图谱等技术应用之后，许多金融机构对团体欺诈的识别和防范能力大幅提升，取得显著的效果。由于金融风险对实时性，精确性方面的要求很高，所遇到的数据规模大，算法复杂度也高，是大数据和AI的合适战场。AI技术目前正在推动金融企业在风险防控方面从“人防”走向“技防”直至“智防”。

但是从智能应用的总体层面来看，人工智能在金融场景的应用融合还存在许多问题和不足，AI技术对金融核心业务的渗透率还比较低。此外，由于企业的智能应用建设缺乏总体规划，许多人工智能应用以单体应用的方式开展建设，应用之间的AI算法、AI算力缺乏共享共用，在“数据孤岛”之后，又形成了一个个的“智能孤岛”。

AI对金融业务核心场景的融入度不足，以及“智能孤岛”问题的产生原因是多方面的。

一是人工智能算法的可解释性不足，阻碍了金融行业对AI的应用。AI技术近年来取得重大突破，其重要的原因之一是在于AI模型的复杂度发生质变性的提升。但是模型的复杂度与可解释性似乎是一对矛盾体，比如神经网络，其发挥作用的原因正是因为网络层次和参数突破了“临界点”，才取得超乎想象的效果。如何解决复杂模型的“黑箱”问题，AI专家正在努力的寻找解决之道。2021年，华为云的MindSpore团队就提出，可以从基于数据的可解释性、基于模型的可解释性、基于结果的可解释性三方面入手构建可解释AI。

二是人工智能的技术门槛相对较高，对银行传统的科技研发模式、技术储备、人才团队都提出挑战，带来了AI应用的困难。其中关键人才和AI队伍的不足是根本性的问题。AI的落地需要多种人才，算法工程师是必不可少的关键角色。相对于普通的信息技术人员和软件开发人员，算法工程师需要在数学、计算机科学、数据科学等方面有更深刻的知识背景，培育难度大，市场上也较为稀缺。不仅仅如此，要完成智能场景的应用和落地，还需要银行拥有数据工程师、数据分析师、业务分析师，这些人和算法工程师组成一个高效的复合团队，最好还加上“数据科学家”，这样才能真正运用前沿的AI技术解决业务核心问题，发挥出数据和人工智能的最大价值。这个团队与银行传统的业务团队和科技团队都有所不同，构建这样一支队伍并激发其工作活力，难度可想而知。

三是AI算力不足，也带来AI在金融行业应用的困难。AI模型的构建需要消耗大量的算力，为加速训练和推理的速度，互联网和科技大厂的做法大多是运用GPU集群，而这需要付出许多的资金和电力资源的消耗。比如在国外，OpenAI为构建GPT-3模型，对算力的消耗达到3640PD（PetaFLOPS/s-day），其训练成本高达数千万美元。在国内，阿里巴巴构建的十万亿级参数的“M6”大模型，虽然宣称在算力资源利用效率上有大幅优化，但也是建立在巨大算力资源消耗的基础之上才训练成功。在AI的应用效果尚不明朗之时，金融机构往往难以承担如此巨大的投入成本去构建庞大的算力集群。而且，随着AI芯片的竞争加剧，新的AI芯片不断迭代更新，如何最大化的利用好算力资源，实现对过往投资的保护，也是金融机构不得不考虑的问题。

此外，金融机构内部对智能化应用的认知不统一的问题、行业内部对AI技术标准不统一的问题，也给智能应用带来阻碍。许多金融机构从场景出发建设AI系统，这固然是业务驱动科技的良性思路，但也往往带来重复建设的问题。而且建设过程和关键技术往往过度依赖于外部厂商，丧失了技术主导权的同时，也形成了过多的“烟囱式”系统，从而造成了前面所提到的“智能孤岛”问题。

3. 金融行业智能架构的实践

金融行业应用AI的困局，反映出金融机构在面临复杂的、前沿性的技术时的种种问题。尤其是方向性和架构性的问题，是金融机构所面临的最首要的挑战。构建合适的企业智能架构，从总体层面对人工智能的技术应用进行解构和优化，是实现智能化应用突破的关键。

领先银行已经在智能架构方面做出尝试和实践，让我们来看看相关行的一些AI架构。

图1：《A银行人工智能平台架构图》

上图是某大行的人工智能平台的架构图。从图1中我们可以看出，其核心智能部分为两层，上层是面向“感知、思维、控制”三个领域的垂直的智能服务，下层是水平的AI底座层。在底座层面，又可细分为算力、算法、技术框架、AI工作站四个子层。其中，算力层负责芯片的适配和算力的调度，算法负责各种机器学习算法、深度学习算法和图算法的实现，框架层是基于算法层的封装而构建的AI开发编程框架，支持业界较为通用的Tensorflow、pyTorch等AI框架。在这三层之上是面向AI工程师的工作站层，提供了标注、建模、训练和推理等功能。基于基础平台，垂直层构建起面向领域的AI原子服务。包括了感知领域的人脸识别、声纹识别、语音识别等智能模型服务，这类服务多使用OCR、CV、以及VR/AR等智能感知技术。以及面向认知领域的语义理解、机器翻译、情感分析等AI原子服务，这类服务以NLP、知识图谱等的技术运用为主。此外，AI垂直服务层还包括面向自动化控制的RPA、机器人等服务。

垂直领域智能服务和AI底座构成的人工智能平台，从数据中台获得数据，形成智能原子服务，支撑起产品创新、客户服务、风险防控等智能应用，推动银行业务的智能化发展。

这个智能架构的优势在于，层次简单、清晰，可复用性较强，与数据中台和应用层的界限也比较清晰，职责分工较为明确。

让我们再来分析一下另一个中大型银行的智能架构。

图2：《B银行人工智能平台架构图》

从这个架构我们可以看出，B银行将AI体系划分为了5个层次。对比A银行的AI架构，B银行对于AI底座的设计更为精细，考虑到了算力的并行调度等的问题，对于算力、存储的思考更为深入，在具体的技术实现上则会考虑与企业云底座进行技术复用。在平台层，将标注、建模、推理进行区分，对于开发态和运行态的管理更为精细。在应用层和平台层之间，设计了统一的服务层，这有助于AI能力的复用，形成AI平台对应用的更敏捷支撑和更高效的对接。

由于人工智能技术发展迅速且分支技术十分广泛，即使大型银行也难以独自推进技术的发展，而不得不依赖于AI技术生态。针对金融机构的人工智能应用需求，一些大型科技厂商也提出了参考架构。

图3：《B厂商金融智能平台架构图》

如上图所示。该架构将应用场景与AI能力分开，将AI能力抽象出来，形成一个较为典型的中台架构。在AI中台架构内，又将总体架构切分为AI开发中心、AI资产中心、AI服务运营平台。在开发中心实现通用模型和垂直模型的建模和训练。在资产中心实现对数据样本和模型的统一管理。在AI服务运营平台实现AI能力的原子化服务，以及基于原子能力的面向业务能力的组合智能服务。在这3个层次之外，还设计了AI资产（样本、算法、模型、服务）的共享平台和风险管理平台，实现了对AI成果的更为精细化的管理和保护。

这个架构对模型和算法的区分和管理更为细致，提出了AI资产化的理念，对AI的价值和风险也有考虑，是一个架构更为完备的、商业价值更为凸显的金融企业智能架构。

总体来看，这些参考架构对AI能力有了公共抽象，对算力的集约化有了一定的设计，对算法的层次也有初步的划分，已经能够为金融机构如何应用AI起到较好的参考作用。

但是，目前的金融AI架构仍然存在一定的局限性。

1)       没有考虑边缘测的计算和端侧的感知。目前的架构多为“AI中台”的模式，对端、边的智能技术的应用和管理没有太多考虑。

2)       对算力的调配问题，考虑的尚有不足。多种算力之间如何取得平衡，并适配各种主流框架，实现算力的最大集约化应用，是当前金融机构应用AI技术的一个难点和痛点。

3)       对AI能力构建过程中的开发态，训练态，推理态的分离，考虑的不足。金融机构对于研发变更和运维过程的管理十分严格，目前业界已有提出“AIOPS”的理念，如何高效的对AI能力的开发、训练和推理进行管理，需要在架构层面即做出规划。

4)       为提升AI能力的可复用性，需要实现算法的原子化、分子化。目前许多银行只是做了简单的“水平-垂直”的分层划分，尚不能真正实现算法的原子化，并基于原子化的基础上构建分子化的组合，以实现AI能力面向场景的快速组合构建。

结合几个大型银行的AI架构，并针对当前各个架构的一些不足之处，笔者尝试提出一个参考架构如下：

图4：《金融机构人工智能参考架构图》

这个架构的特点是，简化了AI应用的层级，增加了边缘侧和端侧的感知计算和边缘AI计算的描述。在中心云的IaaS层，增加了AI算力调度平台的规划，通过对AI算力资源在各资源池之间、边缘与中心云之间、开发态与训练态和推理态之间的算力调度，实现算力的集约化使用。在PaaS层，对开发态、训练态、推理态进行了区分，并将算法划分为：原子算法层、组合算法层、场景算法层，从而增强算法的可复用性，真正达到算力集约化、算法原子化的目标。通过构建AI服务层对AI的访问进行统一管控，并与数据服务、业务服务进行互联互通。整体架构能够更好的支撑AI场景化，比如通过AI支撑RPA、数字人等自动化工具，提升其智能程度，为未来进一步扩展AI应用的广度和深度打下了良好的基础。

（待续）