本文共字，预计阅读时间。

最近AI圈不断刷屏，很多人都开始将视线聚焦到AI上，以求应对可能出现的颠覆式变化。

今天我们不会说具体的AI发展问题，我也不是专门研究AI的专业人士，今天仅以一些普通认知来看AI以及未来银行与AI的结合点到底是什么。

我们常常容易陷入一种盲目的狂热，很多人会说各行各业都要ALL IN AI，这句话看似正确，但却无法回答ALL IN的到底是什么，AI在今天已经形成复杂的产业结构，且因为还在疯狂扩张期，AI的产业结构的波动性也非常大。抽象到简化的节点，AI到底是投入具体的行业小模型，还是投入大模型，还是投入算力更基础单元，是去买一大堆的GPU，还是增强可持续的能源投入？

AI之所以在今天提上如此高的关注度，一方面是在应用侧，全面的互联网物联网普及，高度的数据云端存储，让AI的应用范围得到了指数级的拓展，同时由于数据基数的增加，应用深度同样的到拓展。另一方面在基础设施侧，超大规模的应用面，更加深入的应用深度，让AI模型的处理能力遇到挑战。

AI站在更高的战略层面，在今天其实并不是一个应用问题，而是“算力之争”的问题，之所以开始把人工智能看做是新的工业革命，是因为在能源之上，算力资源的多少开始决定了整个数字社会的驱动效率。

而算力一方面来源于高端GPU芯片的硬件效率支撑，一方面来源于大模型等软性效率支撑。

在数据、算力这些庞大、且强大的支撑体系之上，通用的人性理解（约等于“大模型”），专业的细分领域理解（约等于“小模型”）构筑了人工智能对外表达的基础能力，至于最最前端，到底是一个文本框来对话，还是一个智能推荐结果，还是一个观影视频，只是人工智能的表现形式。

所以AI在应用层面缺少绚丽的展示界面吗？或是缺少一个“拟人化的机器人”吗？可能都不是。正所谓“好看的皮囊千篇一律，有趣的灵魂万里挑一”。

其实人工智能也并不是这几年才有的，最近一两年开始火的是“生成式AI”，因为指数级提升的生成质量而收到广泛关注。而很早以前“决策式AI”就已经在发挥作用。银行业向互联网致敬了很多年的“千人千面”本身就是这种智能模型的体现。

只不过模型的水平有高级有低端，智能模型应用的深度广度差异很大。但大家都是在围绕一个“推荐策略参数集合”来实现对用户需求的自学习，并不断通过决策优化，达到更匹配的推送效果。

今天主流讨论的生成式人工智能不同的是，决策式AI多少还是带有对已知和已有事物的物理整合逻辑，模式更像是超市的配货员，依靠学习理解你的需求来给你合计配货。而生成式AI之所以火爆，是因为他不是“配货”逻辑，而是“造物”逻辑。配货逻辑像是降成本提升周转效率，而造物逻辑更接近直接创造价值。

对于你也说不太清楚的需求，干脆全盘重构，给你一个充满化学反应的反馈。这看起来好像只是一个创造文字、图片、影音的工作，但这些表达的形式并不关键，“创造”这两个字才关键。

人们表达情绪情感内容的方式，已经可以由机器来创造，那具备商业价值的信息也同样可以，而一但机器创造的内容得到规模化人群的认可与追捧，拥有属于自己的情感粉丝，表达的内容让人有期待感，生成式AI本身就具备了“创造价值”的能力，这种创造价值，极有可能是完全增量的商业模型，也有可能是对存量价值的冲击。

这种生成式AI将对自媒体产生重大影响。当你想象一下，你每天刷的短视频，30%变成AI自动生成且带货，会怎么那个，短视频博主50%变成虚拟AI博主，你看的直播中，一个主播，可以用AI同时开100个风格截然不同的直播间带货，这价值创造的结构会发生怎么样的变化？

似乎有些跑远了，说回银行与AI的连接，我们应该看什么，AI的应用确实不是一个“要不要”的问题，而是一个“如何用”的问题，因为这个问题不存在否定答案。

既然用，我们就要考虑清楚用在哪，怎么用。从决策式AI的角度来说，客户管理领域自然就是最最重要的主战场，但是我们大胆的问一下，各个银行的客户CRM管理里面，细分领域中的客户营销需求线索，短信或广告位投放，到底是人工生成的，还是机器自动学习生成的，客户触发到底是人驱动的，还是机器自学习驱动的？在极度复杂的客户关系管理领域，策略不能再仅仅依靠人工，靠人的常识理解来生产校对，这是AI应用首单其冲的场景。

在“信息触达领域”，到底有百分之多少的资源位置实现了机器自学习自投放？商业银行不如先盘点一下自己的CRM商机线索模型，到底覆盖了多少参数，商机线索生产、过滤、执行是否已经靠AI模型驱动（指的是占比更高）。

另外用的比较多的就是曾经风靡一时的智能投顾，靠产品的组合，仓位调整策略执行，达到一种更加敏捷，更加个性化的服务目的，但是由于监管合规性管理等方面的原因，这条路目前并不宽广。

上面两个例子是为了说明，AI并不是新事物，对于商业银行来说很早便开始介入，但是我们不能认为决策式AI不是我们今天所关注的AI，如果决策式AI都还没鼓捣明白或者没有规模化应用，那么生成式AI的应用或许会更加茫然。

关于目前大热的生成式AI，核心在于强化“人性理解力”之上的“供给”模式变革。生成式AI要做到准确理解输入端的表达，并在输出端产出符合“人的理解逻辑”并且超出“一般人状态预期”的结果。

回到我们2023年初的预测，未来银行经营更依靠“内容”和“新知”「2023“新知”崛起」，一切营销经营的起点都源于对内容的新叙述，因为内容越来越影响需求的满足结果。

今天生成式AI主要是在内容的供给侧提供强大的个性化满足能力，让“千人千面”从“打包配货”走向“生产制造”。从现实一点的角度来看，商业银行对生成式AI的应用一定先发迹于“营销领域”，即从营销内容开始实现生成式AI应用。

• 浅一点的应用，应用在宣传物料的快速供给，员工侧极速生成所需的营销物料，极速生成金融公众教育、特定投教类的数字内容。
• 深层次一点的应用，应用在营销事项的快速供给，极速生成营销规则（时间、渠道、用户、事件、回馈）及符合面客交互标准的页面。
• 更深一些的应用，应用在产品生产端的快速供给，极速生产符合风险管理、价格管理、流动性管理预期的资产产品或负债产品。

除了上面所说的决策式AI与生成式AI，AI本身因为处理超大规模复杂的系统模型关系，可以加快发现新科学的速度。

例如很多我们在当下无法解释的参数关系，在AI领域可以以更快速度找到其中的数理规律。但是这种对新科学的发现与应用，又依赖于我们对自身业务管理逻辑的调整，我们如何看待AI，如何看待自己，如何构建“好”AI的基础，AI连接的各个方面应该产出什么，如何驱动AI实现产出，如何使用AI的产出，又如何管理创造AI的人，这是当前各个机构最缺乏的设计。

说了这么多，AI对银行的连接可以总结为三个方面。

1. 传统的AI，不应偏废，机器替代人工的部分理应持续加强，这是一切AI技术引用的基础，现有的客户关系与需求管理领域的决策式AI，在银行本身还有巨大的短板没有被补足。
2. 新兴AI，应找准有“价值”的应用场景，盲目跟风解决不了任何价值创造的问题。而银行的供给侧重，首要的是数字化的内容生产供给，更深一层是产品的生产供给。
3. AI不是一个简单工具应用的问题，本身就是对供给侧模式的全面调整，也是对现有人的工作内容的再分配，而事务再分配就需要重新缕清协作关系，风控规则，保障机制。

​今天我们看到的所有惊爆眼球的AI应用，都属于弱人工智能阶段，距离强人工智能，超人工智能还有很长的路，但对每个应用人工智能的个体来说能走多远取决于基础准备的完善度。我们有时候自认为庞大的自有银行数据体系，在人工智能的需求规模面前九牛一毛。

对于应对AI大潮来说，商业银行的AI问题不是一个简单模型开发和使用的问题，背后还有数据源和基础算力的问题，商业银行如果没有办法解决海量的共享数据问题，包括自身内部的数据孤岛和外部的数据屏障，模型再多也只是大海中的一叶孤舟，而如果没有足够有经营意义的应用场景，GPU再多也难以发挥该有的智能效果。

未必正确欢迎探讨。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。