今年3月，摩根大通开发出一款金融合同解析软件COIN，用几秒的计算代替之前律师和贷款人员每年花费36万个小时才能完成的工作;4月，管理着近5万亿美金财富的黑石集团传出消息将裁员400人，或用AI代替;5月中旬，微软AI首席科学家邓力结束了在微软长达17年的职业生涯，转战资管行业智能金融，任知名对冲基金公司Citadel 首席人工智能官。
在大数据概念热炒过后，人工智能(AI，Artificial Intelligence)正式成为资产管理行业争相追赶的发展方向，全球资管行业刮起了AI风，各大金融机构均开始布局智能金融行业。不过和很多金融市场的舶来品一样，AI在中国资管行业的探索也不接避免地出现了一些“走偏”的矛头，被“大材小用”。对此，《财新周刊》采访了在国内金融领域较早布局AI智能金融服务公司铂诺，据了解，铂诺前不久刚刚在“中国人工智能先行者大会”上宣布与创新工厂就AI技术领域达成深度合作，并联合创业黑马聚集了包括京东金融、百度金融、蚂蚁金服等在内的一众金融企业成立了“智能金融行业分会”。
并非万能的AI，在中国市场不成熟和监管缺位的双重影响下，如何不被当成噱头，怎么避免走向泡沫，繁华的背后又有哪些崎岖和陷阱……对于这些问题，作为国内智能金融领军品牌的铂诺有着自己独特的见解。
一、 目前用于资产管理领域的AI算法有哪些？
资产管理领域应用AI可以把它分成三个子概念：智能投顾、智能投研、智能投资。每一类的功能偏向有所不同，涉及的AI算法也会不尽相同。
1)智能投顾
典型功能包括：客户偏好分析、市场分析提醒、智能配置组合、交易执行、组合优化等。
典型AI算法包括：知识图谱、机器学习、智能语言处理技术、图像识别等。
这方面有代表性的应该是美国的Wealthfront和Personal Capital两家公司。国内做得出彩的目前看来没有。铂诺希望作为一个先行者，在客户偏好和市场提醒这两项功能上着重发力，打造一个前端的智能顾问，帮助客户更好的了解自己和了解市场。
2)智能投研
典型功能包括：股票市场信息的深度挖掘分析、投资策略的量化与回测等。
这些功能的过程本质：1数据获取2特征提取3数据转换4模型训练5模型选择6模型预测
典型AI算法包括：监督学习算法：1回归算法：决策树、随机森林等2分类算法：二次判别分析、K最近邻算法等3 降维算法：偏最小二乘法等
无监督学习算法：1聚类算法：K均值、分层等2 降维算法：主成分分析、独立成分分析等。
3)智能投资
典型功能包括：量化交易，智能风控
典型AI算法包括：在线过程分析(OLAP)、聚类、滤波、神经网络、预测模型等。
这部分同样是外国的企业走得比较靠前，07年开始Rebellion research就开始采用贝叶斯网络算法进行智能投资相关的工作了。
国内的跟进速度也比较快，铂诺这几年也一直致力于搭建自己的智能风控平台。
二、 投资、销售、客服，您认为AI在其中哪个环节的应用最有意义？
投资环节应用肯定是最有意义的，在资产管理领域，所有机构经营的其实都是客户的信任，而信任是建立在投资能力基础上的，只有当你的投资能力与客户的收益预期相匹配时才能更好的获得其信任。大体来说，销售环节是如何包装和宣介你的投资能力去赢得客户的初步信任，而客户服务则是如何去经营与维护这种信任，最终将初步信任转化为深度信任的其实还是投资能力，这是资管行业颠扑不破的规律，即便在AI时代也不会有太大的改变。
落实到AI技术应用方面，AI在销售和客服两个环节的应用强调的是人群精准定位、环节优化与客户体验优化，实现的是成本控制与效率提升前提下的精准获客、精准营销以及精准服务，这其实和互联网行业中的流量经营理念较为契合，但是在资管行业单纯经营流量只能是短期有效的，只有进一步将AI技术运用到投资环节，强化投资收益，为客户带来切实利益，才能利用好并且长期维护好你所引来的流量，“皮之不存，毛将焉附”。
三、 如何看待大量的中国资管机构把AI技术应用于销售获客、精准营销环节，而忽视了对投资研究环节应用的现状？
需要结合一定的时代和行业背景，目前来讲，有资管经验的机构在发展AI时，着眼点更多在于存量客户的维护以及增量客户的拓展，因为他们已经具备显著的资管能力，而且这些机构的立身之本也正是他们的资管能力，所以如果在资管能力上面作文章，想要通过AI的应用去提升其投资研究环节能力，这个对于其已经运作十分成熟的资管体系而言会是重大的变化，这种变化既是风险，同时也会在内部引起既有体系一定的反弹，所以传统资管机构利用AI就会更倾向于销售获客和精准营销环节;而对于互联网企业而言，做资管更多只是其原有流量变现的一个直观途径，互联网企业尤其是几大巨头，他们的显著优势就是流量，而资管本身并不是他们的优势，在经营流量方面他们驾轻就熟，而在资管方面他们欠缺经验，同时他们也会避免任何潜在的影响其流量的因素，所以他们往往选择做好流量的引导和维护，将其引导至最为稳妥保险的资产端上来。
而对于既没有资管能力，又没有自生流量的企业而言，他们做AI+金融往往只会无疾而终，这些企业在真正做的时候，由于欠缺资管能力，所以也只能从销售获客和精准营销环节入手，通过这个带来一定的现金流来维系其生存，但最终由于缺乏资管能力，这个过程将是不可持续的。
总的来说，当你在既有体系与格局之中坐享红利时，是很难有动力去突破既有体系的;当你的体量发展到一定规模，你是会恐惧深层次创新带来的不确定性因素的;当你基础不牢，能力欠缺，创新将大概率将你推向失败的一面。所以无论是基于风险考量还是成本考量，他们都没有动力去做一些相对比较大胆的尝试，往往只能在既有体系内通过技术革新来强化优势与弥补劣势。而在这种情况下，我们更为看好市场上具备显著资管能力，同时又拥有流量经营能力和经验的企业，他们的创新将更为务实，而对于这种公司而言，投资环节将成为其AI技术应用的关键环节，因为他们懂得金融以及金融服务的本质，懂得投资能力才是在这个行业立足的根本。
四、 从国外市场看，AI在资管领域的应用，是否都首先从销售环节发力而不是投研？
首先应该这样说，大多数投身于AI+金融领域的企业都会首先想在智能投研领域有所建树，因为大家都知道资管行业的价值全部源自于投资环节，不过正如上个问题所说，决定一个企业是否在投研领域发力的重要因素并不是他们想不想，而是他们有没有动力，有没有能力，有没有优势去发展投研，当以上要素不具备的时候，他们也只能在销售环节发力。
而将这个问题放在国外，以美国为代表，其金融、科技以及互联网发展水平全球领先，具有相当的技术和市场基础，企业发展呈现鲜明的梯次性和多样化，在充分竞争市场环境下，许多资管企业往往具备全方位创新的源生动力、能力和优势。例如：Rebellion Research在2007年推出第一个纯人工智能基金，这只基金的显著特点便在于其投资能力，它的贝叶斯机器学习结合预测算法，可以很有效的形成自主学习不断优化的交易系统。而全球最大的对冲基金桥水联合，也是主要用来提高交易和投资能力。即便是比较具有创新性的Wealthfront、Sigfig等智能投顾，也都是主打他们高效的智能配置投资能力。
五、 短期内AI在中国市场是否摆脱不了作为销售辅助工具的角色？
确实存在这么一个现象，对于大的资产管理公司而言，短期内AI在中国市场更多的是作为销售的辅助工具，或者说，目前AI+金融的发展主要还是处在创造流量、利用流量、 透支流量红利，赚人头费的阶段，不过也必须认识到这只是一个过渡阶段的特殊情况，在创新的过程中，原有的体系会大概率保持既有的方向惯性前冲，从销售发力，透支流量红利是最为保险和直接的方式。不过这也刚好给予具备一定基础和实力的创新性企业弯道超车的机会，总的来说，传统大型资管以及互联网企业船大难掉头，很难有深刻的创新与变革，未来行业的突破性发展还是将发生在具备良好基础的创业型企业身上，而且在可预见的将来，就AI在金融领域的运用而言，投资能力的强化将成为重点，而销售与服务能力将成为辅助。
六、 中国金融市场的数据积累是否已经达到了很好地应用AI技术的标准？
首先明确一点，决定是否能够很好的应用AI技术的标准并不仅仅是数据积累的情况，数据搜集与统计口径的标准化、实时性与全面性以及进一步的数据解析和理解才是至关重要的，换句话说，市场的有效性才是决定是否能够很好地应用AI技术的关键标准。与此同时，是否达到了很好的应用AI技术的标准这个问题也是较为含糊的，关键看AI技术的应用方向和角色定位，就目前而言，在弱人工智能时代，AI技术更多的是起到辅助决策和取代简单重复性环节的人工投入两大作用，因此从这两个预期作用去反观AI技术的应用的话，目前的市场应用以及其效果是较为可观的，并且在逐步增强的。
七、 AI技术目前还无法解决市场投资决策中的哪些问题？或者尚无法替代哪些金融类工种？难点何在？
正如之前所说，目前只是弱人工智能时代，还远未到强人工智能时代，所以AI技术并不能在所有环节替代人工，更无法解决市场投资决策中的所有问题，我们一贯认为数据是饲喂AI技术的基础原材料。数据搜集与统计口径的标准化、实时性与全面性以及进一步的数据解析和理解是AI技术在金融领域运用的关键所在，随着市场的进一步规范和开放，数据统计口径的实时性以及全面性问题将逐步得到解决，但是，类似于将政策变化、市场规则变化、独立性突发事件等非标准化信息转化为标准化数据进而指导行为，这个过程就目前而言是很难通过AI技术来实现的，更多的需要依靠人工经验的积累与判断。
与此同时，AI技术应用于金融领域时，需要在行业内具备相当经验的人来确定其框架、流程、基础逻辑以及初始因子，而且还要根据市场与行业的发展进行适时地调整，而就目前而言，这个过程还是无法被AI技术本身所取代的。
总体而言，目前AI技术在金融领域的应用，其立足点并不是在所有环节完全取代人，我们更加关注其在关键环节对人的辅助作用， AI非常聪明和高效，但是这种聪明和高效只在AI其认知范围内成立，一旦当市场变化或者信息输入超出其认知范围，那么这时就需要人工的干预和参与，而且这种情况在弱人工智能时代会经常发生，因此我们认为未来在投资研究与投资决策两个环节，至少在很长的一段时间内，并不存在AI完全取代人的情况，而是分工会更为明确，那就是人类负责搭建框架，AI负责执行，人类负责对非标准化信息以及潜在未知风险进行反应，AI负责对标准化信息以及可预期风险进行反应。
这也就是我们在推出智能投研机器人以及AI基金的过程中为什么强调“AI驱动全决策流程的主观+量化”创新模式的原因所在。
八、 随着AI在资管领域的深度运用，精确计算之下，会否出现投资节奏和标的趋同的情形？市场是否因此失灵？
在AI运用深度达到一定层次后，市场投资策略会趋同，投资节奏和标的的选择会有一定的指向性，但是不会完全相同，因为很难达到完全有效市场状态，信息的获取速度、是否全面、信息解析是否正确，这些决定了投资节奏和标的，不同的机构在这些领域不会完全相同;市场永远是在博弈的，AI技术的出现，不过是让这种博弈换了一种表现形式，本质是不会发生变化的。
而且市场有交易等环节的摩擦成本，这个因素容易被忽略，但是影响也很深远，即便投资策略相同，但是交易策略不尽相同，在这种情况下，投资节奏和标的的选择以至于后期的收益都会不同。
九、 AI技术在遇到哪些市场情况时会失灵？面对突发性的市场政策，AI如何应对？
目前来看，突发状况都可能使AI失灵，比如突然变化的市场宏观政策、股票自身的突发性利好利空等等。这个失灵不是说完全不能用了，但是效益、收益都会收到很大的影响。有时甚至会引起很大的投资回撤。
所以风控的把握一定要非常严格。有时候人主动会犹豫会纠结会迷惑，所以风控必须是智能化的,AI化的。对自己严苛无情，也就是对客户的有情。铂诺把智能风控放作智能投研能力之外的最重点，不是没有原因的。
十、AI在金融领域的运用，中国目前尚无相关监管规定， 中国市场还有哪些特有因素制约AI在资管领域的融合发展？您认为监管层应该关注的重点是什么？
中国市场的制约因素还是非常多，简单说几个：1，投资者缺乏财富管理意识，刚性兑付尚未完全打破。一部分投资者投机心理较强，习惯短线操作，偏主动偏个股。2、我国金融行业实行高度严格的分业管制，银行理财、股票、信托、公私募、每种产品牌照都不同。3、金融市场不够成熟、产品欠发达。
AI金融同时具备金融属性和科技属性，对金融属性的部分一定要严谨，要积极拥抱监管，在遵循监管的基本原则的基础上，鼓励科技创新，采用一种包容的态度对待金融科技。监管应先建立对金融科技发展的理论基础，对其发展优势、技术强项等方面有一个综合性的认识，在此基础上，在起步阶段对一些良性的试错成本应在监管领域给予包容并进行行业合作，协同促进行业发展。
在大数据概念热炒过后，人工智能(AI，Artificial Intelligence)正式成为资产管理行业争相追赶的发展方向，全球资管行业刮起了AI风，各大金融机构均开始布局智能金融行业。不过和很多金融市场的舶来品一样，AI在中国资管行业的探索也不接避免地出现了一些“走偏”的矛头，被“大材小用”。对此，《财新周刊》采访了在国内金融领域较早布局AI智能金融服务公司铂诺，据了解，铂诺前不久刚刚在“中国人工智能先行者大会”上宣布与创新工厂就AI技术领域达成深度合作，并联合创业黑马聚集了包括京东金融、百度金融、蚂蚁金服等在内的一众金融企业成立了“智能金融行业分会”。
并非万能的AI，在中国市场不成熟和监管缺位的双重影响下，如何不被当成噱头，怎么避免走向泡沫，繁华的背后又有哪些崎岖和陷阱……对于这些问题，作为国内智能金融领军品牌的铂诺有着自己独特的见解。
一、 目前用于资产管理领域的AI算法有哪些？
资产管理领域应用AI可以把它分成三个子概念：智能投顾、智能投研、智能投资。每一类的功能偏向有所不同，涉及的AI算法也会不尽相同。
1)智能投顾
典型功能包括：客户偏好分析、市场分析提醒、智能配置组合、交易执行、组合优化等。
典型AI算法包括：知识图谱、机器学习、智能语言处理技术、图像识别等。
这方面有代表性的应该是美国的Wealthfront和Personal Capital两家公司。国内做得出彩的目前看来没有。铂诺希望作为一个先行者，在客户偏好和市场提醒这两项功能上着重发力，打造一个前端的智能顾问，帮助客户更好的了解自己和了解市场。
2)智能投研
典型功能包括：股票市场信息的深度挖掘分析、投资策略的量化与回测等。
这些功能的过程本质：1数据获取2特征提取3数据转换4模型训练5模型选择6模型预测
典型AI算法包括：监督学习算法：1回归算法：决策树、随机森林等2分类算法：二次判别分析、K最近邻算法等3 降维算法：偏最小二乘法等
无监督学习算法：1聚类算法：K均值、分层等2 降维算法：主成分分析、独立成分分析等。
3)智能投资
典型功能包括：量化交易，智能风控
典型AI算法包括：在线过程分析(OLAP)、聚类、滤波、神经网络、预测模型等。
这部分同样是外国的企业走得比较靠前，07年开始Rebellion research就开始采用贝叶斯网络算法进行智能投资相关的工作了。
国内的跟进速度也比较快，铂诺这几年也一直致力于搭建自己的智能风控平台。
二、 投资、销售、客服，您认为AI在其中哪个环节的应用最有意义？
投资环节应用肯定是最有意义的，在资产管理领域，所有机构经营的其实都是客户的信任，而信任是建立在投资能力基础上的，只有当你的投资能力与客户的收益预期相匹配时才能更好的获得其信任。大体来说，销售环节是如何包装和宣介你的投资能力去赢得客户的初步信任，而客户服务则是如何去经营与维护这种信任，最终将初步信任转化为深度信任的其实还是投资能力，这是资管行业颠扑不破的规律，即便在AI时代也不会有太大的改变。
落实到AI技术应用方面，AI在销售和客服两个环节的应用强调的是人群精准定位、环节优化与客户体验优化，实现的是成本控制与效率提升前提下的精准获客、精准营销以及精准服务，这其实和互联网行业中的流量经营理念较为契合，但是在资管行业单纯经营流量只能是短期有效的，只有进一步将AI技术运用到投资环节，强化投资收益，为客户带来切实利益，才能利用好并且长期维护好你所引来的流量，“皮之不存，毛将焉附”。
三、 如何看待大量的中国资管机构把AI技术应用于销售获客、精准营销环节，而忽视了对投资研究环节应用的现状？
需要结合一定的时代和行业背景，目前来讲，有资管经验的机构在发展AI时，着眼点更多在于存量客户的维护以及增量客户的拓展，因为他们已经具备显著的资管能力，而且这些机构的立身之本也正是他们的资管能力，所以如果在资管能力上面作文章，想要通过AI的应用去提升其投资研究环节能力，这个对于其已经运作十分成熟的资管体系而言会是重大的变化，这种变化既是风险，同时也会在内部引起既有体系一定的反弹，所以传统资管机构利用AI就会更倾向于销售获客和精准营销环节;而对于互联网企业而言，做资管更多只是其原有流量变现的一个直观途径，互联网企业尤其是几大巨头，他们的显著优势就是流量，而资管本身并不是他们的优势，在经营流量方面他们驾轻就熟，而在资管方面他们欠缺经验，同时他们也会避免任何潜在的影响其流量的因素，所以他们往往选择做好流量的引导和维护，将其引导至最为稳妥保险的资产端上来。
而对于既没有资管能力，又没有自生流量的企业而言，他们做AI+金融往往只会无疾而终，这些企业在真正做的时候，由于欠缺资管能力，所以也只能从销售获客和精准营销环节入手，通过这个带来一定的现金流来维系其生存，但最终由于缺乏资管能力，这个过程将是不可持续的。
总的来说，当你在既有体系与格局之中坐享红利时，是很难有动力去突破既有体系的;当你的体量发展到一定规模，你是会恐惧深层次创新带来的不确定性因素的;当你基础不牢，能力欠缺，创新将大概率将你推向失败的一面。所以无论是基于风险考量还是成本考量，他们都没有动力去做一些相对比较大胆的尝试，往往只能在既有体系内通过技术革新来强化优势与弥补劣势。而在这种情况下，我们更为看好市场上具备显著资管能力，同时又拥有流量经营能力和经验的企业，他们的创新将更为务实，而对于这种公司而言，投资环节将成为其AI技术应用的关键环节，因为他们懂得金融以及金融服务的本质，懂得投资能力才是在这个行业立足的根本。
四、 从国外市场看，AI在资管领域的应用，是否都首先从销售环节发力而不是投研？
首先应该这样说，大多数投身于AI+金融领域的企业都会首先想在智能投研领域有所建树，因为大家都知道资管行业的价值全部源自于投资环节，不过正如上个问题所说，决定一个企业是否在投研领域发力的重要因素并不是他们想不想，而是他们有没有动力，有没有能力，有没有优势去发展投研，当以上要素不具备的时候，他们也只能在销售环节发力。
而将这个问题放在国外，以美国为代表，其金融、科技以及互联网发展水平全球领先，具有相当的技术和市场基础，企业发展呈现鲜明的梯次性和多样化，在充分竞争市场环境下，许多资管企业往往具备全方位创新的源生动力、能力和优势。例如：Rebellion Research在2007年推出第一个纯人工智能基金，这只基金的显著特点便在于其投资能力，它的贝叶斯机器学习结合预测算法，可以很有效的形成自主学习不断优化的交易系统。而全球最大的对冲基金桥水联合，也是主要用来提高交易和投资能力。即便是比较具有创新性的Wealthfront、Sigfig等智能投顾，也都是主打他们高效的智能配置投资能力。
五、 短期内AI在中国市场是否摆脱不了作为销售辅助工具的角色？
确实存在这么一个现象，对于大的资产管理公司而言，短期内AI在中国市场更多的是作为销售的辅助工具，或者说，目前AI+金融的发展主要还是处在创造流量、利用流量、 透支流量红利，赚人头费的阶段，不过也必须认识到这只是一个过渡阶段的特殊情况，在创新的过程中，原有的体系会大概率保持既有的方向惯性前冲，从销售发力，透支流量红利是最为保险和直接的方式。不过这也刚好给予具备一定基础和实力的创新性企业弯道超车的机会，总的来说，传统大型资管以及互联网企业船大难掉头，很难有深刻的创新与变革，未来行业的突破性发展还是将发生在具备良好基础的创业型企业身上，而且在可预见的将来，就AI在金融领域的运用而言，投资能力的强化将成为重点，而销售与服务能力将成为辅助。
六、 中国金融市场的数据积累是否已经达到了很好地应用AI技术的标准？
首先明确一点，决定是否能够很好的应用AI技术的标准并不仅仅是数据积累的情况，数据搜集与统计口径的标准化、实时性与全面性以及进一步的数据解析和理解才是至关重要的，换句话说，市场的有效性才是决定是否能够很好地应用AI技术的关键标准。与此同时，是否达到了很好的应用AI技术的标准这个问题也是较为含糊的，关键看AI技术的应用方向和角色定位，就目前而言，在弱人工智能时代，AI技术更多的是起到辅助决策和取代简单重复性环节的人工投入两大作用，因此从这两个预期作用去反观AI技术的应用的话，目前的市场应用以及其效果是较为可观的，并且在逐步增强的。
七、 AI技术目前还无法解决市场投资决策中的哪些问题？或者尚无法替代哪些金融类工种？难点何在？
正如之前所说，目前只是弱人工智能时代，还远未到强人工智能时代，所以AI技术并不能在所有环节替代人工，更无法解决市场投资决策中的所有问题，我们一贯认为数据是饲喂AI技术的基础原材料。数据搜集与统计口径的标准化、实时性与全面性以及进一步的数据解析和理解是AI技术在金融领域运用的关键所在，随着市场的进一步规范和开放，数据统计口径的实时性以及全面性问题将逐步得到解决，但是，类似于将政策变化、市场规则变化、独立性突发事件等非标准化信息转化为标准化数据进而指导行为，这个过程就目前而言是很难通过AI技术来实现的，更多的需要依靠人工经验的积累与判断。
与此同时，AI技术应用于金融领域时，需要在行业内具备相当经验的人来确定其框架、流程、基础逻辑以及初始因子，而且还要根据市场与行业的发展进行适时地调整，而就目前而言，这个过程还是无法被AI技术本身所取代的。
总体而言，目前AI技术在金融领域的应用，其立足点并不是在所有环节完全取代人，我们更加关注其在关键环节对人的辅助作用， AI非常聪明和高效，但是这种聪明和高效只在AI其认知范围内成立，一旦当市场变化或者信息输入超出其认知范围，那么这时就需要人工的干预和参与，而且这种情况在弱人工智能时代会经常发生，因此我们认为未来在投资研究与投资决策两个环节，至少在很长的一段时间内，并不存在AI完全取代人的情况，而是分工会更为明确，那就是人类负责搭建框架，AI负责执行，人类负责对非标准化信息以及潜在未知风险进行反应，AI负责对标准化信息以及可预期风险进行反应。
这也就是我们在推出智能投研机器人以及AI基金的过程中为什么强调“AI驱动全决策流程的主观+量化”创新模式的原因所在。
八、 随着AI在资管领域的深度运用，精确计算之下，会否出现投资节奏和标的趋同的情形？市场是否因此失灵？
在AI运用深度达到一定层次后，市场投资策略会趋同，投资节奏和标的的选择会有一定的指向性，但是不会完全相同，因为很难达到完全有效市场状态，信息的获取速度、是否全面、信息解析是否正确，这些决定了投资节奏和标的，不同的机构在这些领域不会完全相同;市场永远是在博弈的，AI技术的出现，不过是让这种博弈换了一种表现形式，本质是不会发生变化的。
而且市场有交易等环节的摩擦成本，这个因素容易被忽略，但是影响也很深远，即便投资策略相同，但是交易策略不尽相同，在这种情况下，投资节奏和标的的选择以至于后期的收益都会不同。
九、 AI技术在遇到哪些市场情况时会失灵？面对突发性的市场政策，AI如何应对？
目前来看，突发状况都可能使AI失灵，比如突然变化的市场宏观政策、股票自身的突发性利好利空等等。这个失灵不是说完全不能用了，但是效益、收益都会收到很大的影响。有时甚至会引起很大的投资回撤。
所以风控的把握一定要非常严格。有时候人主动会犹豫会纠结会迷惑，所以风控必须是智能化的,AI化的。对自己严苛无情，也就是对客户的有情。铂诺把智能风控放作智能投研能力之外的最重点，不是没有原因的。
十、AI在金融领域的运用，中国目前尚无相关监管规定， 中国市场还有哪些特有因素制约AI在资管领域的融合发展？您认为监管层应该关注的重点是什么？
中国市场的制约因素还是非常多，简单说几个：1，投资者缺乏财富管理意识，刚性兑付尚未完全打破。一部分投资者投机心理较强，习惯短线操作，偏主动偏个股。2、我国金融行业实行高度严格的分业管制，银行理财、股票、信托、公私募、每种产品牌照都不同。3、金融市场不够成熟、产品欠发达。
AI金融同时具备金融属性和科技属性，对金融属性的部分一定要严谨，要积极拥抱监管，在遵循监管的基本原则的基础上，鼓励科技创新，采用一种包容的态度对待金融科技。监管应先建立对金融科技发展的理论基础，对其发展优势、技术强项等方面有一个综合性的认识，在此基础上，在起步阶段对一些良性的试错成本应在监管领域给予包容并进行行业合作，协同促进行业发展。
（责任编辑：bianji_pub1）
