近年来，人工智能、大数据、云计算等技术的高速发展，加速了科技与金融的高度融合，促进了包括银行在内的金融机构智能化转型快速发展，银行通过具体的智能化转型项目，实现了自身新的可持续增长。2020年，新冠肺炎疫情对银行的智能化转型可谓是起到了催化和加速的作用。中国工程院院士潘云鹤曾提出，金融科技的发展过程可以分为金融电子化、金融网络化和金融智能化三个阶段。当前，先进的企业正在从网络化向智能化发展，从大数据技术向人工智能技术发展。 

几十年以来，银行和客户之间的信息互动和业务模式印证了上述趋势——银行在20世纪60年代推出了ATM，在70年代推出了基于卡片的支付方式。在21世纪，24/7全天候网络银行逐步普及；21世纪10年代，基于移动技术“随时随地办业务”移动银行模式广泛出现。 

进入21世纪20年代，我们已处于AI赋能的数字化时代，数据存储和处理成本不断下降，信息获取与互联程度普遍提升。AI技术能提高自动化程度，在风险控制得当的情况下，能提升人为决策的速度和准确度。其在各个行业的价值创造潜力无与伦比，例如AI技术每年可为全球银行业带来1万亿美元的增量产值。 

人工智能已成为世界不可或缺的一部分，智能化转型是中国银行业升级的必由之路。智能化转型不仅为金融机构解决了时间和空间的限制，更促使金融机构的业务流程、运营模式、风险管控等更顺畅、高效地运作，为金融行业实现了提质、降本、增效的效果。2020年新冠肺炎疫情暴发后，整个银行用户群体行为发生重大改变，无论是领先银行还是尚处发展阶段的中小商业银行，如果未能把AI技术置于战略和运营核心，都将面临以下三大趋势的严峻挑战： 

大规模个性化不断提升客户预期。随着更多用户使用数字银行服务，尤其随着新冠肺炎疫情的暴发，使用网银和手机银行的用户数大幅增加。根据调查，预计在疫情消退后一些用户的习惯会被改变，会有15％至45％的消费者减少对实体网点的造访。用户对银行的服务预期也在不断提高，会对标领先的消费互联网公司。这些具有卓越数字化体验的公司在不断提高大规模个性化水平，能基于客户潜在需求在适当时间通过适当渠道为其提供个性化定制的服务。 

数字金融生态系统挑战传统金融服务。移动互联网深刻改变了用户发现、评估和购买商品和服务的方式，超级App的出现使用户通过统一的访问点即可获取多元的生活信息服务组合，包括获取传统的金融服务。例如，微信不仅可以收发消息和语音通讯，还可以打车、网购食品、预约医院、畅玩游戏、向好友转账以及获取个人信贷。这种趋势在全球范围内都已出现，科技巨头和各种“超级App”纷纷将金融产品和服务整合进自己的产品，为客户提供极具吸引力的体验，不断颠覆获取金融产品与服务的传统方式。这样的数字金融生态系统使科技巨头构建了巨大的市场优势：庞大且高度互动的客户网络；海量数据资源让其对客户个体的了解越发可靠和准确；开发和扩展创新技术（包括AI技术）的天然优势；以及低成本的资金获取渠道。因此，银行需要重新思考如何参与这样的数字金融生态系统，并通过AI技术充分利用数字金融生态系统中获取的海量用户行为数据。 

领先银行开始部署AI技术。据《麦肯锡全球人工智能调查报告》数据，近60％的银行已经整合了至少一项AI功能。最常用的AI技术包括：处理结构化运营自动化工作的RPA（36％），用于营销和客户互动的机器智能对话技术（32％），以及基于机器学习和深度神经网络的用于信用卡核卡或贷款审批的风控管理技术（25％）。显然，越来越多的银行开始用系统性方法部署金融AI技术，并将其整合到贯穿前后台的全生命周期之中。 

在数字化金融生态体系中，要满足客户不断提高的预期并在竞争中取胜，“AI银行”最关键的特征是智能化（推荐最优行动、预期关键决策并实现决策）、个性化（实用、及时且基于对客户历史行为和背景的分析）、全渠道（无缝覆盖多个设备，包括线下和线上情景，并提供一致的体验），并将银行的产品和服务与用户生活场景中的相关产品和服务融合在一起。 

在银行内部，“AI银行”将通过数据驱动的RPA技术，以及在银行运营的各个领域以机器学习和深度学习技术替换或增强人工决策，从而提高运营效率。未来的AI银行也将拥有数字科技领先企业的速度和敏捷性，银行将快速创新，在数天、数周而非数月的时间内发布新功能。银行还将与合作伙伴广泛协作，提供覆盖各个客户旅程、技术平台和行为数据集合的全新业务和服务。

传统银行必须满足国家对金融服务企业规模化、安全性和监管上的要求，但智能化转型要求传统银行需要追上智能金融科技企业的速度、敏捷性与灵活性；这两个略微有些矛盾的目标是传统银行智能化转型中的挑战——在核心系统、数据管理、运营模式方面和AI银行的要求不能很好匹配。 

银行的核心系统主要以稳定性为目的，特别是在支持传统业务方面性能表现是很优异的。然而，传统银行核心系统的这些特点，在AI银行中会产生较大的阻碍：首先，闭环AI应用有特定的可变计算、数据处理和实时分析要求，而传统核心系统往往缺乏支持上述需求的容量与灵活性，并且很难做出调整。其次，在许多传统银行，数据存储分散在多个独立部门，分析工作往往缺乏从上帝视角的全局全量分析。例如，让数据智能引擎在业务流程“决策点”上准实时、规模化地为数百万规模的客户人群分析内外部数据。所以说，数据是AI应用的基本原料，没有集中的大数据，要在适当时候分析相关数据并生成智能推荐是不可能的。最后，银行也缺乏为规模化部署各类高级AI模型需要的一套可靠的工具和标准化流程，通过可复制、“工业化”的方式构建、测试、部署和监控模型。 

银行运营模式是另外一个对AI应用部署容易形成阻力的因素。传统银行的组织架构是基于不同的垂直业务线，科技部门则作为独立的成本中心集中管理，这种垂直功能部门运营模式和数字金融企业的平台运营模式有较大区别。业务部门容易只从部门角度确定目标，各部门之间的目标以及与全行的战略有时候缺乏统一或协调性较差。同时，这种运营模式一般会促使科技部门逐步形成孤立的项目团队以及“自顶向下”瀑布式的开发流程，缺乏“测试—学习—提高”这种数据闭环下有力的反馈循环，无法推动快速验证与迭代。而正是这种大规模的A/B测试和迭代优化模式，是目前数据驱动的机器学习应用的主要运作模式。 

对许多银行而言，在全行范围内大规模采用AI技术已成为战略必需，而能否在上述两个层次全面成功转型将决定AI银行战略转型的成功与否。 

作者系浙江大学摸象金融智能实验室主任