如何在防范风险的情况下，帮助更多的人？蚂蚁金服给出了「技术」答案。
湖南平江一座土砖垒成的一层平房里，50 岁农民艾煌兮迎来了生命中的第二个「大件」物品——一台三轮车，另外一件是台 19 寸老式电视机。这辆价值 1.7 万的车占了两年中他向蚂蚁金服借款 3 万元的一大半，不过，他靠三轮车跑运输，不仅做到了按时还款，还改善了 80 岁母亲的生活。
在 BMW · 极客公园 Rebuild 2019 科技商业峰会上，蚂蚁金服副总裁兼首席数据科学家漆远讲了这样一个故事，一下子把科技带到了「土」里。在中国绝大多数农户因为没有信用数据，比如银行流水、资产证明、抵押物等，很难获得金融服务，蚂蚁金服打破了「现状」，漆远说，借助用科技的力量，蚂蚁金服服务全球小微企业主和中型企业，实现普惠。
从 2010 年支付宝开始为个人提供快捷支付的服务以来，蚂蚁金服逐步完成了个人信用体系的建立，并在 2015 年将其可视化，用芝麻分作为度量标准。其业务也从传统金融领域逐步扩展到更为广泛的商业场景，例如在 2018 年 10 月支付宝 App 正式上线的一项大病互助共济服务相互宝，芝麻信用就发挥了信用风控作用，而今年该项业务已经面向了三高、心血管人群。
对中小型企业，蚂蚁金服则依托云计算、技术和金融手段，为他们的经营发展提供综合服务，履行「让天下没有难做的生意」的承诺。2017 年蚂蚁金服 CEO 井贤栋一上任就表示，希望在十年内能当 2000 万家小微企业的 CFO。虽无最新数据，但因全球化及技术开放战略的快速推进，支付宝及其合作伙伴在全球服务已经超过 10 亿人，支付宝由此成为全球最大的非社交类 APP。
不过，能给更多的人、企业提供更好的金融服务，蚂蚁金服的底气也在于风控技术。正因为用户数量增多，许多用户此前的数据匮乏，才必须用更精准的算法和最前沿的技术来防范风险。例如用深度路径学习识别骗保风险，用多层注意力机制进行套现检测。目前蚂蚁金服每月能防止的达千万级的套现。对于企业则需要用图谱连接海量企业情报，建立企业关系网，穿透股东、投融资、诉讼、交易上下游等多种关联，全方位掌握企业关联风险。
蚂蚁金服不仅如此将技术用于自身的金融产品中，其 CEO 井贤栋曾表示，蚂蚁金服会努力打磨自己的技术能力，成熟一个，便对外开放一个。区块链技术、风控技术、生物识别技术，三大领域都已被蚂蚁金服列入技术开放计划内。
在 BMW · 极客公园 Rebuild 2019 科技商业峰会上，漆远先为观众们带来了一场「剧透」，展现了没有「原罪」的资本应有的「人文温度」和「技术深度」。
以下是 漆远在 BMW · 极客公园 Rebuild 2019 科技商业峰会上的演讲实录（经过极客公园编辑整理）：
大家下午好。我是漆远，来自蚂蚁金服。今天很高兴跟大家做分享，介绍金融科技的发展，尤其是金融智能的发展。
我们正在进入一个智能的时代。智能的标志其实就是学习。我早上看到一个帖子，说长颈鹿刚出生大概 10 个月已经学会了所有基本的技能，而一个小孩子一直在学习。我们现在在讲终身学习，一直在学，工作以后还在学习。但是我们讲智能时代有什么标志？这个标志就是这张图。图上两个机器人的小娃娃在做什么？她们在学习。
我过去研究的主要方向就是机器学习。机器学习是过去十几年来推动人工智能发展的中坚力量。我们怎么能够真正来迎接这个智能的时代？这是一个非常大的话题。这之前我们再往后拉一下，我们看一下社会发展真正推动的力量是什么？
这是几年前所有的机场到处卖的书，叫做《从 0 到 1》，书上讲了两个推动社会发展的关键力量，一个是垂直进步，讲科技，所以这本书是「从 0 到 1」，另外一部分是把成功的经验，科技的发展、产品的经验推广到全世界，全球化，从 1 到 N。
但今天其实我们在面临一个挑战。大家发现科技本身作为社会的推进力量变得困难。困难之处在于很多人发现它并没有为更多人带来更多福利，没有为社会带来更多平等的机会。过去几年越来越多科技公司开始面临非常大的挑战，是怎么能把更多用户变成我的用户，但是如果说我们只是关心流量，只是关心商业模式，那我们今天还会遇到这样的挑战。比如这张图上讲的科技公司，我在蚂蚁金服，我们讲做普惠金融，过去几年讲普惠金融，大家看到同样的名词下面有不同的非常不一样的公司出现。比如 P2P 公司，P2P 公司平台数量非常多，但是我们可以看到暴雷的数量，横轴是年，公司发展问题越来越多，2018 年有一个突发性的问题。
正如刚才讲的，一方面我们可以看到传统科技公司受到挑战，它的挑战是能不能为更多人带来服务；另外一方面，我们看到一些所谓的科技公司，它的科技不是真科技，它在讲一个假的科技。这背后的核心问题就是，我们能不能做到一个真正的结合，做一个有深度的也有温度的科技。
蚂蚁金服过去几年的核心思想就是希望用科技做一些不能做到的事情。这张图展示了以前的发展，比如快捷支付、小微贷款、二维码支付、余额宝、芝麻分，相互宝是我们希望为六七十岁的人推出的妨碍计划，三高、心血管疾病都可以加入，这在以前是不可能的。为什么我们能做到，核心背后就是科技。
我们的目标非常简单，是普惠、便捷、安全。为什么要普惠，我们看这张图，显示了两部分，一部分是个人用户，一部分是企业用户。
而要做到这些海量的用户服务和企业用户服务，我们的挑战是怎么用技术降低成本，能真正产生有效率有质量的服务，这就是我们说的温度背后的深度。
金融服务里最关键的是风险。如果我们提供这样的服务没有技术，那就不能变成所谓的科技公司，不能控制风险，风险在金融里就无所不在。另一个问题也非常重要，是关于数据隐私和安全保护的问题。怎么保护用户数据安全，怎么保护用户数据隐私，同时为他们提供好的服务。另一个问题是用户体验，当有海量用户的时候，核心挑战是是用户体验，怎么服务大量用户时同时给他们好的体验。
我们讲金融风险，金融风险有两个重要的原因，一个是杠杆的使用，如果说大量的杠杆可能导致金融风险。另外一个风险就是信息的不透明不对等，我们怎么用科技力量把信息透明化公开化降低金融的风险。背后我们就开发了一系列的有深度、有温度的金融智能技术。
今天给大家举几个简单的例子，从风控到信贷，到保险、客服、智能信息服务等等。这是比较技术的例子，但是它解决了实际的问题，就是贷款违约风险识别。如果说我们做普惠金融，我们给小微企业贷款，第一个问题就是怎么能够识别违约风险。如果没有违约风险可能会变成高利贷，其实我们并没有真正识别金融意义上的风险本身。那么怎么来做到呢？
很多情况下，我们在过去几年不断积累技术的情况下，已经做到了 3、1、0：3 分钟申请，1 秒钟决定，0 的干涉。这些全部是基于算法和机器的全流程决策。
在新的发展情况下还有新的挑战，比如用户稀疏的情况下，数据并不全面，怎么能有效理解它的风险？核心的问题就是要通过技术的方法来解决这个问题。过去人工智能在 2012 年开始从语音识别到图像，到现在 NLP 的发展，背后最主要的推动力量就是深度学习。深度学习通过使用大量的数据，来识别单个物体，但是如何能从系统角度来分析和识别背后的风险，来识别背后的关系，识别背后真正的规律，这是深度学习今天面临的挑战。
我们扩展深度学习，采用有监督和无监督的学习模型，把海量的数据从网络角度进行分析，把无监督的学习模式和有监督的学习模式结合起来有效识别背后的风险。这种背景下同等逾期的情况下同样抓取高风险的人，有效提升风险的区分度。
怎么通过技术手段识别骗保的风险，背后采用了深度的学习模型。思想非常简单，在脱敏的情况下，看与交易相关联的背景。中国人讲近朱者赤近墨者黑。在一个大的系统下，比如图上传统的图，我其实是海量的图，怎么在庞大的海量的图里面找到关键的途径，我们采用了注意力机制。注意力机制是人类自身进化的核心推动能力，就是我们人类同时在处理非常多的信号，人的眼睛、耳朵等各种感观，收到非常多的信号之后，怎么有效迅速判断，非常重要的能力就是注意力。
持续保持关注力是人非常重要的能力，我们把这种能力用在机器学习里面，让机器找到关键的路径本身，这张图上是红色的路径，找到关键的路径，来有效识别骗保的风险。中间这张图，这是我们划出的背后真正的神经网络架构，它有效可以帮助我们大规模识别骗保。我们现在实践中发现 95% 的问题可以通过机器自动识别。
另外就是套现，这种风险怎么识别，如果我们只看单个人，其实有时候并不能区分它是有效购买还是无效购买，但是如果我们把一个网络综合考虑，把时间放进来，比如一个人有可能和多各机构同时打交道，如果同时高频传输大量的金钱就变成非常明显的洗钱风险，但是套现有类似的问题。
如果从时间轴和网络角度，从机器学习可以有效地发现它，这里面我们就把注意力机制同样引入了该问题的解决上。就像人类一样，我们引入了多层注意力机制，首先要发现关键问题，但是比如设备关联、人的关联，怎么在一个网络下综合起来进行体系化分析，我们通过多类分析网，通过注意力机制有效结合起来。这方面我们可以非常有效识别，每月可以拦截已知套现达千万级。
另外一个问题就是洗钱，洗钱在大量网络情况下监管科技需要有效的识别这种犯罪团伙，数据是非常有限的，洗钱团伙毕竟很少，少量的数据之下怎么有效识别，我们就需要无监督、弱监督的机器学习算法来进行学习。
我们前面讲的例子是想说明，我们通过现有的人工智能技术能够有效识别各种风险。今天没有讲金融市场风险，主要是讲洗钱、套现、骗保的风险，但是风险无处不在，里边有很多共性。
下边讲用户隐私、政府监管、数据孤岛的问题。
每个机构有不同的数据，我们怎么打破数据孤岛，让其产生更大的价值。但是有一个相同的挑战，就是怎么保护数据隐私和用户隐私。在政府监管方面，我们怎么符合监管，比如欧洲推出 GDPR，就是用户数据隐私保护的方案。在全世界的大蜂巢下怎么有效保护隐私，同时让数据发挥真正的价值。我们下面给一个具体的例子，看我们怎么来处理这个问题。
中和农信是一个中国扶贫机构下办的农村扶贫的贷款机构。我们蚂蚁金服与它合作，通过人工智能技术帮助它提升贷款能力，比如说我们通过人工智能大数据能力，帮它做到 5 分钟急速放款，大幅度降低逾期率。这是湖南一个农民贷款，他不用在城市打工，可以在家里照顾父母亲。背后核心的技术就是通过人工智能的技术把各方数据进行加密，加密之后放在共同的环境中进行机器学习，保护数据的隐私。而这个技术是我们蚂蚁金服开发的核心技术，可以在有效的保护隐私的情况下，对农村扶贫业务做出重大的帮助。
我们三年前进行了这项布局，有国家 50 多项专利和认证的标准，我们在联合更多的金融机构共同使用相关的共享学习机制来赋能金融。
下面我讲另外一个例子，我们如何帮助更多人享有医疗保障？我们的多收多保覆盖了全国上千万的个体「码商」，今年推出了相互宝，半年有 5 千多万用户，老年用户突破 1 千万。我们理赔单据非常多，流程复杂，怎么解决这些问题，这些问题背后同样是用人工智能来解决理赔的问题。
这张图展示了一个流程。这个流程显示从用户上报相关发票，通过机器学习、自然语言理解、自动来发现相关的医院、疾病等等，我们可以识别相关的图章防骗保，通过自然语言理解可以发现哪个疾病、哪个科室，今天相关保险对应的产品，然后最终做出智能的决策。
这张图展示了背后的识别，左边显示产品，右边显示相关的发票，左边是知识图谱，比如相关的医院到科室到疾病，系统可以分析之间的关联，然后做出准确的判断。通过这项技术达到了所谓的「212 急速理赔」体验，即 2 分钟报案，1 秒钟核赔，2 小时到账。我们通过人工智能技术和人工审核能力达到了非常难达到的标准，就是「212」。
刚才讲的骗保能力是讲人机器怎么帮助人解决问题，下边再讲一个例子，就是我们的客服在双十一压力非常大，担心电话打爆。那年我飞到成都，客服中心在成都，当时我们决定接几个电话，到下午的时候就发现没有太多电话。我们整个进行复盘，发现核心的问题被解决了。这个问题就是如何在话务量大规模上涨的情况下保护用户体验。后来，我们开发了客服机器人，可以有效把很多人类处理的复杂问题来自动通过机器解决。
这个展示图里面显示出人工智能的技术，比如我们如何把客户数据和其他领域的数据，通过最先进的人工智能的自然语言处理模型自动识别当前遇到的问题，比如花呗逾期，这里有很多技术，比如迁徙学习、大规模的分类，这背后是一系列技术的开发。可以看到一个曲线，这个曲线从 2015 年在成都突破 94%，我们发现机器人问题解决率超过人工，去年我们把这种能力开放出来服务钉钉企业群，我们服务 5 千多个 B 端客户和 13 个快递公司。
最后一个挑战，我们讲信息服务的挑战，挑战非常简单——信息不透明，大量的数据查询效率低，匹配不精确。
我们通过人工智能技术，通过中国外汇交易中心提供搜索和推荐的能力，我们知道金融产品特色相关的知识，所以它是深度垂直化的智能服务能力。我们把这种能力进一步深化，把行业信息包括供应商的风险评估一系列问题，包括监管需求，我们通过人工智能技术来满足它。
下面给出一个简单的例子，如何分析一个企业的图谱。我们自动提取相关的核心公司、时间点，然后自动把非结构化的数据去结构化，然后我们产生智能相关的金融图谱。而这种图谱本身可以为我们提供非常有效的金融服务，在这上面显示出了蚂蚁金服的企业图谱相关的服务。比如我们可以发现风险排查，相关的受益人、预警推送等等，这些能力使我们能够提供普惠金融真正背后核心的驱动力。
最后总结：蚂蚁金服做人工智能加金融服务，我们把金融服务变成普惠的、可持续发展的。我们希望这种科技本身是有深度，也是有温度的，谢谢大家！