刘汀洁
中国人民大学 深圳市 518110
摘要：作为新一轮科技革命和产业变革的核心驱动力，人工智能（AI）正以令人惊叹的速度深刻的改变着我们的生产和生活方式，成为促进经济增长的新引擎。在无人驾驶、量化投资等众多领域，人工智能大显身手，甚至在新冠疫情席卷全球时，人工智能在获知人口流向、预判疫情传播趋势等方面也发挥着举足轻重的作用。本文从“人工智能在投资领域的应用案例”出发，着重分析人工智能应用于投资领域的商业模式和应用的局限性，同时简要分析其战略转型及发展前景。
关键词：人工智能 商业模式 大数据
一、商业模式的探索
大概在五六年前，深圳的一家有国内大型券商背景的投资公司试图通过人工智能（AI）实现投资决策过程的智能化，旨在打造一个以投资能力和综合经营能力作为自身核心竞争力的另类资产投资和管理平台。公司的几位联合创始人拥有计算机科学、投资管理、运营、财务、法律和金融背景，而我很荣幸的能成为财务模块中的关键成员。在研究了很多人工智能的创业公司，探讨了各种可行性的商业模式，并结合自身的竞争优势后，最终将公司定位为金融服务和投资管理，致力于为中小企业提供融资撮合和资本运作咨询等金融服务。
主要模式如下所示：
1）软件的开发：百度百科对人工智能的定义是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。我们这款软件系统主要是对行业专家（如投资、法律、财务等）的意识、思维的信息过程进行模拟。以财务来举例说明，若要完成对被投资项目的财务尽职调查，具有专业胜任能力的财务专家首先需要获取被投资项目的海量数据（包括但不仅限于财务、业务、法律和人力资源数据），然后从资产质量、或有负债、现金流状况、运营能力、偿债能力、盈利能力和增长潜力等各方面对项目进行详尽的分析和研究，最后才能形成对项目投资价值的综合判断。每个维度的研究都需要大数据做支撑，经过脑力劳动的分析判断和加工后，形成关键的评价指标。而这款软件就是对人类的这种数据搜索、知识组织、联想、推理和判断过程进行模拟研究和应用，从而作出决策并评估结果。
2）潜在客户的信息输入：无论软件背后的理论有多深奥、逻辑有多复杂、数据有多繁冗，都必须以友好（浅显易懂）的界面输出，否则再强大的产品都不会拥有广泛的客户基础。因此我们的产品在网站与APP的界面是以简单易懂的判断题或选择题的形式进行呈现，客户仅需在很短的时间内以“是”、“否”或者“ABCD”的形式完成信息的输入，从而拥有很好的体验感。
3）价值判断与投资建议的输出：在获取潜在客户的信息后，具有投资、法律和财务逻辑思维能力的软件需要出具一份详尽的分析报告。将潜在客户转换成正式客户的关键在于，这份报告的吸睛程度。因此经过多轮次的探讨后，我们一致认为报告必须包含且不仅限于以下内容：围绕公司的主体资格、独立性、规范性、财务状况 、税务情况、法律风险、公司估值等内容进行分析研究，综合判断项目的投资价值，最后输出公司运营方案、上市规划以及融资计划等意见和建议。
4）匹配服务产品：当客户具有很强的合作意向后，销售团队就会综合人工智能的分析报告和客户的实际需求，在线下搭配和推荐合适的服务产品。主要为融资撮合和资本运作咨询。其中融资撮合包括股权融资、债权融资和可转债等，最终通过上市、重组、收并购以及还本付息等方式退出；资本运作咨询包括点子策划、企业培训、企业咨询（主要为上市提供投行服务资源）等，同时实现资本、猎头、IT、审计以及业务资源的无缝对接等。
这个商业模式能否成功，关键在于这款软件系统的开发，即人工智能是否能够对人脑的思维进行充分、全面的模拟，并根据监管的规定来管理资金和提供投资建议。这一设想如果成功，将对客户的精准获取、投资的准确性、决策效率的提升以及人力成本的节约都会产生巨大的作用。
二、应用的局限性
将人工智能这样的先进科技在金融、投资领域进行应用，无疑是一种勇敢的、先进的尝试，而且具有非常现实的意义和广大的发展前景。但是理想很丰满，现实却很骨感。
团队的最初构想是希望通过一款APP或者软件系统，把企业在早期融资、规范运营以及上市筹划过程中，投资机构和券商普遍关注的业务、财务和法律内容，进行全面的整合，希望仅仅通过企业人员与APP或软件的互通，收集信息、生成融资计划、估值方案或者上市规划。这款软件产品试图代替投行顾问、财务总监以及法律顾问这样的专业人员的功能，要想达到这样理想的效果，任务是艰巨的，面临的挑战也是无法想象的。现将本次人工智能技术在应用尝试过程中面临的障碍和局限性总结如下：
1）缺乏海量的“数据集”
软件系统不仅仅是通过编程而来的，还需要进行“机器学习”，其训练过程要求的“数据集”在体量上要足够大、足够全面。甚至在某些情况下，需要获取数百万条大数据才能实现与人类相近的判断准确率，才能相对精确的执行复杂的任务。
然而，获取大数据往往是相当困难的，为了获取广泛的客户基础，软件的界面必须“友好”，因此调查问卷只能比较简短且设置成判断题和选择题。试想若设置成繁杂的论述题且罗列冗长的资料清单，没有哪个客户愿意在电脑或手机面前倒腾半天甚至一天以上时间，仅仅为获取一份未建立在信任基础上的分析报告。因此这种短小精悍的调查问卷获取的非全面信息量是不足以支撑融资、估值或者上市方案这种具有相当技术含量的分析报告。
2）不具备“处理全局”的功能
人类根据已有的储备知识可以融会贯通，并能变通的处理不断出现的新情况和新问题。与人类的学习方式不同，人工智能只能根据历史数据按照编程的模式进行预估和判断，很难将其学习到的经验举一反三，更加不会将新元素加入考量的因素中。因此人工智能的挑战在于它是否可以在所有不同的背景下全局的处理问题。举例来说，如果希望让自动驾驶车辆学会如何在多种天气条件、多种交通状况下行驶，就需要在数据集当中输入可能遇到的各种不同环境条件，很可能因为少输入一条“遇到绿灯且斑马线上还有人通行时停止行驶”的代码，就会导致“致命”的交通事故。
在编辑财务模块的程序时就遇到了同样的难题，例如验证被投资项目提供的收入数据是否真实，或者判断业务数据的准确性时，不同行业不同规模的公司判断的角度是大相径庭的。
传统的制造业可以从工厂每个月的水电费账单来推测产能利用率、物流行业可以查看油费、运输费、车辆使用费和过桥过路费与业务量是否匹配、互联网公司可以验证注册用户、活跃用户量以及客户转换率等指标......，360个行业有360多个判断的维度，在编程时不可能穷尽，甚至有些新行业正在酝酿过程中。
3）永远无法代替的“主观能动性”
金融服务、投资管理和上市咨询是需要经过一系列复杂的脑力劳动，因此才需要从业者具备保荐代理资质、CPA/ACCA证书、通过司法和CFA等考试。不能简单的看做“我有个人工智能算法，你把数据输进去，它就能运行并工作”，实际情况要复杂的多，必须进行大量的特性工程，必须拥有丰富的知识储备和市场经验，当中还涉及到很多不同的参数和很多不同的方法。
退一步讲，就算人工智能通过反复大量的训练学习，能够模拟行业专家大部分的逻辑思维过程，但是仍然不能提供具有“主观能动性”的创新方案。举个例子，2020年新冠疫情席卷全球，这款软件通过客户提供的数据判断公司遭遇经济不景气、面临财政困难，按照历史经验可能给出以下简单便于操作且可行的方案：裁员；甚至为了止损而关闭公司。但是一个擅于深入思考的伟大领导者可能通过实行股权激励+企业文化渲染等方法，使员工和企业的目标达成一致，大大提升公司员工的忠诚度和积极性，从而带领公司度过难关，这种决策是无法被人工智能所代替的。
4）数据与算法中的“认知偏差”
如果输入的数据掺杂了个人的偏好，或者忽略某些数据、或者偏重另外的数据，那么就有可能使得输出的结果存在“偏差”，在实际应用中，就会造成错误的决策。但是，偏差存在的方式多种多样，且永远都无法完全消除，因为所有数据都是通过偏见、意图或者对重要事务的世界观来收集的，如果控制不当，未通过很好的引导和消除，偏差将会影响最终的预估和判断。
在实际应用中，可能存在以下情况：a）企业的管理者对自我的认知是存在偏差的，在对自己一手打造的企业进行描述的过程中，企业创始人可能会高估企业在行业中的地位、企业的经营管理水平和发展前景等；b）人的专业水平高低不同，因此对同一专业术语可能存在不同的理解。这款软件产品定位的客户群体是中小企业，他们往往处于起步阶段，财务、法律甚至业务等专业岗位的专业能力比较薄弱，无法回答有时甚至会是很简单的专业问题。因此“人机互动”中“人”的部分水平层次不齐，将会导致人工智能要么收集到错误的信息，要么收集到的信息无效。
5）判断的”准确性”
准确性是指人工智能的信心和能力，正确的将一个或多个数据点分类为正确类别的能力，以及基于这些数据点和分类做出正确预测，给出建议或决策的能力。在融资与投资决策中，判断的准确率和投资的成功率是成正比的，然而机器的准确性是相对的。
我们可以发现，有时候尽管数据是正确的，人工智能依然给出了错误的判断，这是因为投资决策不会单纯的依靠“对与错”或者某个指标的“好与坏”来进行判断的，而是依靠更深层次的原因来进行决策。举个简单的例子，如果一家企业近几年的净现金流为正数，我们就能简单的判断这家企业经营状况良好吗？反之，如果净现金流为负数，就能武断的认为企业经营不善吗？答案当然是否定的，需要深入分析数据背后的原因，如果由于应收账款催收困难、销售渠道不畅通、存货积压导致的现金流为负数，则说明企业的经营确实出现了状况；如果企业处于高速发展的阶段，或者企业虽然处于成熟阶段，但是有很多回报颇丰的投资项目，这时现金流为负反而说明企业正处于积极向上、蓬勃发展的状态。
6）缺乏“信用基础”
只有在正确沟通的情况下，才能建立相互的信任基础，如果只是简单的“人机互动”，不了解机器背后的“未知领域”、没有关于价值观、流程和结果的透明度，那么信任的建立将会是有限的。
很多企业对通过软件或机器采集信息持保守态度，尤其是经营和财务数据，往往涉及到企业商业机密，在确保过程、数据和结果的百分之百安全前，潜在客户绝不会提供自身的商业机密。然而要做出融资方案或者投资决策，恰恰需要收集大量的企业机密信息才能完成基本的评估测算。
正是基于以上应用的局限性，在软件开发过程中，公司就有不少骨干成员对前景抱有怀疑甚至是选择了离开。
三、战略转型及发展前景
过去的五六年里，人工智能在投融资领域获得了飞速的发展，在智能投顾、算法交易、欺诈监测等股票和债券等二级市场中得到了比较广泛的应用，但是将人工智能往更高难度的场外投资领域做努力尝试并取得成功的案例是微乎其微的。
现在，查阅公司官网和知识产权信息，会发现一些有趣的内容，团队在预先设定的概念里摸爬滚打数年后，进行了战略转型。公司开始重点在投融资领域的某项或者某几项工作（此前是整个的系统工程）进行软件开发，并于2020年10月份发布了一条新闻稿，表示其“债权文件自动撰写系统”在国内的一家大型券商上线。这些变化跟原来的软件比，有几个显著的不同：
1）主要替代比较简单的重复性工作，不再围绕专业要求较高的工作；
2）更多的关注人工智能系统对文件信息的识别，不再要求与可能不够专业的“专业人员”进行大量互动，降低了人机互动难度；
3）系统应用的主要行业不再集中在野蛮成长阶段的各种初创的、运作不规范的企业，而是主要面向运作更为规范、透明，更容易标准化的行业（例如股票、债权业务等）；
4）与大型外部机构合作，对采集海量样本、实现机器学习有非常大的帮助。
这些战略性的变化，大幅度的降低了人工智能在这一领域应用尝试的难度，也确实是非常务实而且具备很大的发展空间的，同时对于各个领域的人工智能挑战者们有着重要的参考意义。
跟所有科技行业的先行者一样，活下去，坚持到最后，才能赢。人类的想象力在实践中不断的超越实现，期望人工智能技术的挑战者和先行者们能赢到最后，并帮助人类实现更美好的生活！
参考文献
1）网站类：
Michael Chui，James Manyika，Mehdi Miremadi.麦肯锡：使用人工智能技术的五大障碍.http://www.360doc.com/content/20/1012/16/71888828_940094406.shtml.2020年10月12日.
2）著作类:
Stuart J.Russell,Peter Norvig.人工智能：一种现代的方法（第3版）.北京：清华大学出版社，2017年10月第12次印刷.