时间：2023-05-30 09:05:51
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇人工智能的投资逻辑，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
一、人工智能的含义
人工智能的含义于1956年第一次问世以后，于科研行业里快速兴起，不断发展成了一系列把计算机作为主导，涉及到生物学、心理学、语言学、数学逻辑、医学、信息论、控制论与自动化等覆盖面较广的新科技。与人工智能结合，让机器具有和人们智能阶段相似的体系，可以成功实现人类智能可以做完的任务。人工智能机理为讨论、研制怎样拓展、仿真人的智能的机理。人工智能技术是新发展起来的计算机科学其中的一个领域，它诠释了智能的本质，且于这个基础之上加工出一系列和人类智能相似的智能机器。这个行业的探究涉及机器人、语言分辨、图像分辨、自然语言处理等多个体系。电气工程主要探究的是与电气工程相关的信息处理、信息处理与计算机、体系运作、开发研究、自动控制及电子电气技术等。由于科学技术进步越来越快，计算机技术现已在人们生活里无处不在。快速进步的计算机编程技术有利于宣传、自动化输送及宣传。人们的大脑是非常精密的仪器，计算机编程不仅可以模仿它给信息实施研究、解决、互换、采集与答复，因此对人类大脑技术的研究可以有利于电气工程自动化的进步。电气自动化控制对于加大互换、加工、配置及运输等起着关键的作用，完成电气工程的自动化，能够减少投资的人力费用，节约更多时间。
二、人工智能控制器的好处
对于不一样的人工智能控制，必须采用不一样的措施来分析。然而部分人工智能控制器，比如：遗传算法、神经、模糊与模糊神经全部为一类不是线性的函数近似器。使用以上区分的方法有益做整体的分析，而且能够有利于为控制方案做整体性的研究。上面提到的人工智能函数近似器拥有普通的函数近似器而没有的好处。第一，大部分情形下，准确地知道控制物体的动态方程是相当繁杂的，所以控制器规划现实控制物体的模板的时候，常常能够出现许多无法预料的原因，比如参数改变和非线性时等，这些往往不能够掌控。但是人工智能控制器规划时能够无需控制物体的模板。按照降下的时间与回复的时间不一样，人工智能控制器经过一定的调节能够加强本身的功能。比如从降下的时间角度分析，模糊逻辑控制器优于PID控制器的四倍；从升起的时间角度分析，模糊逻辑控制器优于PID控制器的两倍。和传统的控制器比较，人工智能控制器拥有容易调整的特点。虽然没有专业人员的实时引导，人工智能控制器也可以采用回复数据以实施规划。还能够经过使用语言和有关信息等形式实施规划。人工智能控制拥有非常大的同一性，键入以前没有见过的数据便可以出现非常高的数值，能够减少驱动器给其造成的不良反应。针对一些控制物体，即使现在未使用人工智能控制器也能够有非常好的影响，然而针对别的控制物体，并不确定是否有类似的非常好的影响，所以对于规划需要根据实际问题制定具体的解决方案。对于模糊化与反模糊化，假如使用适应模糊神经控制器与隶属函数，可以准确地实施定期核实。对于完成此成果的多种方案里面，唯有经过体系工艺的应用才可以获得固定的数值，加上简便的拓扑组构，可以达到非常快的自学程度。
三、人工智能于电气自动化里的应用
人工智能探究的重要目的是让机器可以完成部分一般要人类智能胜任的繁杂任务，电气自动化为分析和电气工程相关的体系运作。人工智能的组成部分包含逻辑推导、定理证明、机器人学、专家体系、自然语言理解，人工智能的使用表现在问题解答、自动程序规划、行为功能、思维功能与感知功能等。但是以上方面全部表现了自动化的特点，传达了同一个主旨内容，那就是加强机械人们意识功能，提高控制自动化。所以人工智能对于电气自动化行业将会起到非常重要的作用，电气自动化控制同时也需要人工智能的加入。由于人工智能技术进步地越来越快，许多科研工作者开展了对于人工智能在电气工程自动化控制中的探讨，比如：怎样把人工智能体系使用到问题的判断及预料、电气产品规划及爱护或控制等。从如何更好地规划产品角度讲，规划电气装置是相当复杂的任务。需应用电器、电路、电机和磁场等多课程的专业知识，还需应用传统规划里的经验。
四、结语
人工智能机理为分析、研制怎样拓展、仿照人的智能的机理。人工智能技术是兴起的计算机科学其中的一部分，它诠释了智能的本质，且于这个基础之上加工出一类和人类智能具有相似表现的智能机器。所以智能化技术对于电气工程自动化控制起着非常大的作用，有利于电气的更好规划、判断问题及智能控制等。
作者： 单位：河南安阳钢铁股份有限公司第一炼轧厂
2012年，在技术创业尚未形成风气之时，他中断了在美国的学术道路，回到中国，与中学同学、前阿里云总监林晨曦创办了依图科技公司，致力于计算机视觉业务。谈到创业的初衷，他说：“我始终认为，技术要应用于现实生活中，才能发挥出最大的价值。”
2013年，依图科技拿到了真格基金百万美元的天使投资。2015年和2016年，依图科技先后完成A轮、B轮融资，估值数千万美元，成为业界最被看好的计算机视觉创业公司之一。
创业四年，甘苦尝尽。朱珑的技术优势显而易见，要面对的难题也不少：没有商科背景，是否会让他在管理上左支右绌？在人工智能这样的前沿领域，没有现成的商业模式可供借鉴，他该如何取舍公司的业务方向？
8月，趁朱珑在北京出差之际，《时间线》对他进行了专访，听朱珑讲述行走在中国科技产业浪潮之巅的故事。
《时间线》：2012年你创业的时候，国内人工智能市场是怎样的？
朱珑：当时大家对人工智能的未来不像今天这样有信心，资本对这个圈子的热度也远不如今天。并不是说你来自MIT就很容易拿到投资。我认为2012年是技术类创业的标杆性的一年，此后，创投圈开始从“资金密集型”和“资源密集型”转向“智慧密集型”。
《时间线》：如你所说，当时资本圈对AI并不像今天这样抱有信心，依图拿到真格基金百万美元的天使投资，经历了怎样的过程？
朱珑：在红杉资本中国基金副总裁吴莹的介绍下，我和我的合伙人林晨曦与真格基金的创始人徐小平先生在他的家中见面，交流了十几个小时。当时，徐老师对人工智能技术并不十分了解，但非常看好我们的团队和AI的未来，提出给依图两百万美元的投资，这笔资金动用了当时真格基金总额的7%，我认为徐小平老师是个非常有魄力的投资人。
《时间线》：你们的很多项目都是与政府部门合作的，一家创业公司是如何取得政府的信任的？
朱珑：我回国之后动用了自己在国内所有的人际关系，最终获得了在某个公安系统会议的茶歇时间与一名负责人交流3分钟的机会。经过一番争取，他愿意让我尝试计算机车辆识别系统，当时计算机的车辆自动识别准确率不到30%，对方希望提升到70%。接到任务两个月后，我们做出了一套车辆识别系统，识别准确率达到了90%，获得公司成立后的第一单业务。
由此开始，我们与公安系统开始了长期紧密合作，将人脸识别技术应用于追逃、刑侦、监控等方 面。
《时间线》：人脸识别技术具体可以如何应用到公安系统的工作中？
朱珑：我们曾协助苏州公安完成一起追逃任务，公安用全国在逃库的26万人与常住及暂住人口库中的1300万人进行比对，通过人脸识别的捕捉，系统共预警25人。经过人工甄别，最终确定了17人为嫌疑人，其中9人已撤销，最后现场捕获了3人。这是过去单靠警力无法做到的事情，现在人工智能技术可以帮助我们实现。此外，人脸识别技术还可以应用到金融等其他行业。
《时间线》：从创业到现在，人工智能市场经历了怎样的变化？
朱珑：今年的前三、四个月，比过去一年的变化还大。很多投资人的逻辑是“我就要投资人工智能，一定要进来参与这个领域。”
《时间线》：在人工智能大热的今天，可能会有一些投机主义的公司涌现，这是否会成为你的困扰？
朱珑：肯定有，这很正常。有一些公司不见得会涉及智能的那些部分，只是包装一个概念，但时间会自动筛选出真伪，有实力的公司很稀缺，团队会更加值钱。
为杭州打造“城市数据大脑”
今年9月，全球瞩目的G20峰会将在杭州召开，杭州市委市政府联合众多公司，在阿里云的牵头下开展了一个名为“城市数据大脑”的城市交通规划项目，借此盛会展现大数据在城市管理中的作用，依图公司参与其中，提供车辆识别及大数据相关技术。首次涉通领域，对于依图来说是一个新的挑战。
《时间线》：“城市数据大脑”项目中，依图进行了哪些方面的技术支持？
朱珑：我们对城市中车辆的行驶路径等数据进行收集、分析，对车、道路、红绿灯的信息进行建模。在建模的基础上对政府的交通管理者给予建议和优化方法，比如红绿灯的改进措施，道路的修缮方案。我们希望通过解决城市交通这类世界级难题，让人工智能使我们的生活更加轻松便捷。
《时间线》：这个项目的难点在哪里？
朱珑：从技术层面来讲，交通管理是一个非常新的领域，世界上顶级机构对这一领域的研究也处于原始阶段，现有的学术界的模型、数据体量无法满足模型精度的需求。要完成这个项目，我们还要做很多新的研究。从操作层面来讲，我们的工作要跨越政府的不同部门，把这些数据整合到一起。
《时间线》：大数据对人工智能技术有重要作用，你们如何建立自己的数据库？
朱珑：最朴素的办法就是一点一滴积累，比如车辆数据，我们自己去路上拍了很多，慢慢地数据就积累起来了。在和客户合作的过程中，客户也会提供一些数据。
《时间线》：现阶段在中国进行技术创业，难点在哪里？
朱珑：从创业环境来看，我们没有完善的反垄断机制，也就是说大公司还是可以跟你竞争的；但在美国，这不一定行得通。而且中国的知识版权的保护尚为薄弱，小公司抄袭的情况比较多。
此外，探索出好的商业模式是非常困难的。依图成立四年，经历了很多探索，我们一直在扎实地做垂直领域，包括公安、金融等领域。我始终在问自己：人工智能的卖点是什么？
AI最大的考验是商业模式的创新
2016年初，一场人机大战成为全民热点。人工智能的概念从科技圈走向大众，做了一次生动的市场教育。影响迅速蔓延到二级市场，人工智能概念股迅速飙升，中国兴起一波人工智能创业热潮。创业四年，朱珑目睹了人工智能产业的变迁，他有着怎样的体会？作为一个创业者，他如何看待这个产业的未来
《时间线》：现在依图在技术研发和商业方面的比率大概是什么样的？
朱珑：超过50%都是技术团队，我们的核心优势是对技术的理解能力。有了技术作为基础，扩张的成本会变得很低。
《时间线》：作为学者型创业者，商业背景的匮乏会不会成为你的瓶颈？
朱珑：创业四年，这个部分的知识我补充了很多。商业知识是不断学习的过程，今天学到的商业经验不一定能解决明天的问题。换句话说，有商科背景不一定比我更有能力解决未来将面对的问题。创业本身就是个不确定的探索过程。
《时间线》：如何看待技术与商业化的平衡？
朱珑：技术与商业化从来不是矛盾的。中国现在有很多大规模的问题放到学术上都是非常有挑战性和标杆性的。在实验室是无法直接解决问题的，因为有些数据不易得到，做商业项目与学术研究并不冲突，反而可以更好地促进技术发展。
(讯)计算机投资策略不变，持续关注有卡位、有格局的AI龙头及云应用、互金等各细分子板块龙头:上周大盘略微下降，计算机板块大跌5个点。与上周策略观点保持相同，中短期我们仍然看好新兴板块反弹。荐股策略仍建议关注三个方向的逻辑:1.卡位优势明显，具有行业格局的标的;2.前沿科技发展，有望落地的标的;3.与国家政策高度相关，或因国家投资直接受益的标的。因此，我们建议关注AI板块具有良好卡位优势的四维图新(002405);直接受益于第三次国土调查的GIS行业龙头超图软件(300036);转型云平台服务商的建筑信息化--BIM龙头广联达(002410);前期超跌的高成长低估值个股创意信息(300366);CID龙头，布局ADAS的索菱股份(002766)。
上周大盘略微下跌，计算机板块大跌5个点:上周大盘略微下跌，上证综指略降0.35%，沪深300微涨0.15%，申万计算机指数大跌5.14%。板块估值(TTM)为64.8倍。涨幅居前的板块有互联网营销(0.55%)，智能交通(-0.51%)，虚拟现实(-1.02%)，在线旅游(-1.04%)，智慧城市(-1.20%);跌幅较大的板块有，在线教育(-6.26%)，区块链(-5.76%)，移动互联网入口(-5.61%)，网络安全(-5.60%)，小程序(-4.54%)。海联讯，维宏股份等领涨。
智能芯片，人工智能新时代的第一站。如上周的推荐逻辑，我们推荐持续关注AI行业，云服务商以及互金行业标的。AI板块主要包括目前已经落地的语音识别相关领域应用和图像识别的部分领域应用，以及明年或将落地的无人驾驶相关应用。随着高清摄像头的进一步普及和无人驾驶的逐渐落地，我们认为计算任务前移将成为人工智能产业发展的下一阶段，而智能芯片作为计算任务的承载，将具有重大投资机会。所谓智能芯片，即将机器学习算法以硬件的方式实现，从而达到高性能、低功耗、高稳定、低延迟的目的。目前主流的智能芯片主要分为两大阵营:以赛灵思为首的，完全可编程的FPGA以及以google的TPU、寒武纪的NPU为代表的，性能更高、能耗更低的ASIC芯片。麒麟970的，意味着移动端智能芯片时代被开启，人工智能的发展进入了新时代，智能芯片或将在自动驾驶领域以及视频处理领域得到进一步的普及与发展。推荐关注与无人驾驶及芯片相关的计算机标的四维图新。
风险提示:相关个股季报或低于预期，相关行业政策推行不及预期的风险，小市值成长股交易量或持续收缩的风险等。（来源：西南证券 文/熊莉 常潇雅 编选：中国电子商务研究中心）
人工智能语音也成为智能家电重要的突破口，无论是传统电视厂商还是互联网电视企业都对此给予关注，作为互联网企业的暴风集团也是如此。
5月10日，暴风TV在京召开新品会，推出首款可实现远场语音交互的人工智能电视X5 ECHO。同时，暴风TV还将与科大讯飞联合成立人工智能服务实验室。
值得注意的是，暴风集团公布的一季报显示，其营业收入为4.5亿元，同比增长136%，净利润为-1648万元，同比下降585%。为何在收入快速增长的同时，净利润却也快速下降？与科大讯飞成立的人工智能实验室，将具体关注人工智能的哪些方面？目前，已有多家上市家电企业都在人工智能电视，暴风TV的智能电视与其有何区别？暴风TV又面临着怎样的机遇与挑战？
带着这些疑问，《投资者报》记者来到暴风TV新品会现场，并采访到暴风集团CEO冯鑫，得到较为详细的答复。
暴风TV尚处发展期
在收入越来越多的同时，净利润下滑幅度却越来越大。这是暴风集团一季度的业绩写照。
根据暴风集团一季度数据显示，其营业收入为4.5亿元，同比增长136%，净利润为-1648万元，同比下降585%。针对净利润亏损原因，暴风集团归结于暴风TV目前的硬件尚处于发展时期，又处于市场扩张期，在此期间的营销推广费用增加所致。
具体营销推广费用增加了多少，目前尚o详细数据。不过，该数据归属于销售费用（包含职工薪酬、广告费和市场开拓费），一季报的销售费用为7961万元，同比增长48%。
除了费用增加以外，暴风集团的营业成本也在不断增加。一季报数据显示，其营业成本为4.1亿元，同比增长297%，其增速远高于收入的增速。
另外今年一季度，暴风TV电视收入同比增长297%，销量23.5万台，同比增长344%。其中线下销量达到16万台，占总销量的69%，同比增长323%，销量增长的同时，第一季度平均获客成本为321元，较上年平均获客成本下降20%；ARPU值（每用户平均收入）比同期增长374%。渠道方面，重点布局了线下渠道，截至一季度末，渠道建设达6000余家，并且在2017年目标扩充到10000家。
2016年投资者策略会上，冯鑫曾提到暴风TV将在2019年实现全面盈利。逻辑是基于获客成本的下降和ARPU值的上升，2017年也在被定义为入轨阶段。那么，目前暴风TV获客成本和ARPU值情况如何？
冯鑫对此表示，当前ARPU值的变化不是特别大，ARPU值是向用户收费，未有明确的变化。下一步ARPU值的上升，主要是源于新的广告、电商、游戏发行等方面。
“针对获客成本，一季度比去年平均下降了1/3，接近一半，已经下降的非常多。”冯鑫说。
谈及获客成本下降的原因，冯鑫称，获客成本主要取决于硬件的盈利情况和渠道、市场的费用。2016年上半年，互联网电视竞争激烈、各企业均未提价，恰逢上游原材料电视面板大幅涨价，导致硬件销售亏损。目前这一情况随着行业整体的涨价已经改善。
布局人工智能
在此次新品会上，暴风TV提出要把电视变成能够主动提供服务的家庭人工智能助手，这一思路的主要特点，是把电视变成“免遥控、远讲语音、随时触发和随时待命”。用户通过与暴风人工智能助手――暴风大耳朵的语音交互，可以实现无遥控器操控。
冯鑫认为，互联网正在走向下半场，随着人口和市场红利消失，传统入口饱和，总量高速增长的时代已经过去，挑战的本质在于效率和创新能力。同互联网下半场对应的是，人工智能电视正进入上半场。
暴风TVCEO刘耀平在会上表示，智能电视旨在解决用户三个痛点：随时触发、多任务切换、个性化需求。他指出，此次与科大讯飞的合作，是基于暴风TV在产品创新、渠道和服务、开放内容架构等方面的优势，以及科大讯飞在人工智能、大数据技术方面的优势。
据了解，暴风TV还与科大讯飞联合成立“人工智能服务实验室”。那这个实验室具体关注人工智能的哪些方面？双方的合作模式又是怎样的？
冯鑫告诉记者说：“科大讯飞主要是做基础技术的，这些基础技术需要在不同的垂直领域里打磨。他们需要垂直领域的应用环境和应用的基础数据来源，我们需要它的基础技术，所以我们在电视垂直领域当中一块打磨语音识别、自然语音识别、交互这些语音和大数据技术。”
目前，无论是传统的电视厂商还是互联网企业都在布局人工智能家电，暴风TV与之有何区别？
暴风TV副总裁侯光敏对记者表示：“目前市面上，大多数的人工智能是自然语音识别。而暴风TV的则不一样，暴风大耳朵的对话不是单一性指令，而是带有上下文的基础对话。”
“这是人工智能的黄金时代，其最好的应用领域之一是金融，因为金融是唯一纯数字和钱的领域。”创新工场创始人兼CEO李开复认为，人工智能在中国爆发的第一个且最大的领域一定是金融。
去年以来，他不止一次提及，未来的投资机会将集中在人工智能领域，而金融业可能会最先被人工智能化。对于人工智能的看好，让李开复所带领的创新工场投资了不少这个领域的创新公司，智融集团就是其中之一。
在今年2月的一次关于人工智能话题的公开演讲中，李开复就将智融作为人工智能在金融方面尝试的案例。这家公司将人工智能应用到小额、短期借贷的领域，它并不负责用户的放款，而是与传统金融机构合作，由后者提供贷款，智融扮演的角色是通过人工智能的方法对目标客户进行信用评估。
在智融集团CEO焦可看来，对于小额分散、高频、标准化程度较高的金融业务，人工智能有着天然优势。首先，机器可以处理海量数据，能大大提高服务效率；其次，机器学习速度极快，以人工智能为核心的模型可以实现高频次的优化迭代；再次，机器在反欺诈方面优势明显，大大提高了系统的安全性。
弱特征的强表现
焦可曾就职于创立初期的百度，主管搜索类产品的市场与运营工作，后相继就职于赶集网、马可波罗等互联网公司。2013年，看到机会的焦可创立贷小秘，主打结构化的贷款数据库及智能化推荐引擎。
统计数据显示，美国家庭87%的平均负债率，而这个数字在中国只有40%。另外，中国有85%的人群无法享受目前传统金融机构提供的金融服务。
创立贷小秘的初衷是，贷款用户与银行之间存在着巨大的信息不对称，想通过搜索与推荐引擎机制，把银行产品和用户结构化，以提高双方的信息匹配程度。但是，在业务开展将近一年半后，焦可发现产品表现并未达到预期，在将借款用户推荐给传统金融机构的过程中转化率极低，各机构产品并没有明显的差异化，导致信贷服务同质化。
贷小秘触礁让焦可着实思考了很多，他发现自己对于市场的认知存在偏差：“业务无法继续的原因在于国内传统金融机构无法给这些用户提供相应的金融服务，本质上说是供需不对称，而不是我们原来想的信息不对称。”
在想清楚症结根源之后，焦可选择放弃继续贷小秘，进行业务转型。2015年7月用钱宝（现为智融集团旗下产品线）上线，将人工智能的风控解决方案应用于金融领域，为用户提供小额短期借款的智融应势而生。在用钱宝上，用户可以借贷的金额最低500元，最高5000元，而借款期限最低7天，最高30天。
传统金融机构是以人的经验作为风控判断，或者依靠某一项核心技术实现身份认证。而当一套风控流程特别依赖某一项技术或某一个经验的时候，很容易引起特定情况的攻击和欺诈。锁定人工智能是因为焦可和团队相信，解决市场供需不对称的根本方法，在于具有技术变革意义的新金融技术。
在焦可看来，国内金融机构之所以会出现供需不对称，很大程度跟银行的风控逻辑有关。传统上，银行风控主要是依据一些强特征数据，比如不动产证明、工资流水、社保证明等。那些刚步入职场的月光族、工作地点不固定的蓝领工人、服务人员和刚毕业的大学生等人群，在风控数据上的表现不具备这些强特征变量。
与银行不同的是，在贷前风控环节，智融的人工智能风控引擎注重的则是弱特征。焦可认为，弱特征和强特征的区别就在于，强特征是非0即1的；而单独的某一项弱特征，对于用户的信用评估和逾期率，没有绝对性的指导意义，需要很多弱特征在一起，才能对用户进行准确的评估。
传统金融机构人为处理贷款申请时经常依赖贷款“老司机”的经验，所看到的数据只是水面上的冰山一角，水下的冰山主体存在着大量的弱特征数据。焦可觉得，虽然无法凭借几条弱特征数据来做出借贷的决定，但当这些数据积累到上百项弱特征时，便能以此为风控依据做借贷决策。
在梳理特征的过程中，焦可和他的团队尝试过很多变量，不相关的很多很多。“星座跟逾期有没有关系，其实是没关的，这个其实就是我们很重要的一个工作，首先找到这些人有什么特征。”焦可介绍，很多弱特征完全不在传统风控人的经验里，甚至有很多是人不能洞察而机器可以发现的。比如，一个人的手机电量也能成为参考标准，申请贷款时电池电量低的人要比电量高的人逾期率更高；再有，有的人通话行为体现出非常强的单向性，经常单向播出很多电话，却很少接到来电，这样的用户逾期率比有来有往通话模式的用户要略高。“这是老司机办不到的，即使他能够想到这一点他也很难做定性定量的判断。”焦可说，目前智融已成功挖掘1200多个维度的有效弱特征数据。
基于人工智能的分析技术，智融的目标用户锁定在以刚刚步入社会、消费没有计划性、经济收入不高的年轻人。同时，在发展方向上明确 “不做理财、不做学生群体、不做地推、不做展期”的几个原则，把业务中心放在利用人工智能技术，从海量数据中挖掘出有效的弱特征。
数据反哺模型
一般情况下，贷款平台公布数据都会着重放款额度，但焦可认为，能体现金融科技技术能力的参考指标不是贷款交易的金额，而在于交易的笔数。“贷款笔数一方面体现出一个企业服务和影响到的人数，另一方面，通过大量样本的产生和挖掘，实现人工智能风控的进一步完善。”焦可说。
智融集团CTO齐鹏也透露，用钱宝在服务大量用户的同时为风控模型带回了大量的数据样本，可以不断进行模型的迭代和练，其精度将越来越高，从而提高通过率、降低坏账率，实现马太效应正循环。
具体来说，智融现在的月交易笔数120万笔，意味着在贷款陆续到期后，其I.C.E.人工智能风控引擎将收获120万个数据样本。这些具备完整生命周期的样本，可以反哺到系统中，持续不断的训练及优化模型。“举例来说，我们现在每天通过的交易笔数在5万～6万人，每个人有1200多个特征点，也就是说每天的风控需要处理的特征量是6000万～7000万个。这已经远远超出人的计算范围，而这正是机器擅长的。”焦可说，“我们现在的大数据计算架构很出色，可以存储海量数据，运算速度也很快，一个用户提交以后整个的机器决策只需要8秒钟。”
经过不断磨合迭代，智融自主研发了以人工智能技术为核心的“I.C.E.风控引擎”――Identify（识别）、Calculate（计算）、Evaluate（评估）的缩写，分别对应了“柯南特征工程”、“Anubis大数据计算框架”、“D-AI机器学习模型”三大组成部分。基于此，智融平台的通过率是同行业两倍，同时逾期率仅为行业平均水平的60%。
选择人工智能进行分控也决定了智融在人员的配置上的差异化。比如，智融没有CRO，只有CTO，高管团队具备百度、民生银行等技术与金融的背景。另外，来自于顶级互联网公司的核心研发工程师占比超过70%，他们占据了知春路上一座办公楼的大半层办公室。目前，智融还在不断丰富智融的数据科学家团队，不断加强统计分析、数据挖掘、文本挖掘、机器学习、能力表达及大数据处理方面的优势。
除了创新工场，智融的技术也获得了更多资本的青睐。今年3月28日， 智融获得4.66亿元人民币的C轮融资，由金砖资本、中金甲子领投，国科嘉和、源码资本、创新工场、光信资本等机构跟投。
“智融集团是一个让我们非常自豪的投资，他们有很棒的技术团队，以技术为核心把握住了非常好的风口和先机。”李开复在融资当天的活动上说。
中金甲子董事长梁国忠认为，相比于依托互联网和移动互联网技术的金融科技1.0阶段，金融科技2.0阶段表现出极强的“技术驱动”的特征，在它的背后是人工智能、大数据分析和区块链等关键技术的赋能。“金融科技2.0将是金融与科技的化学反应，有着极大的想象空间。”
刘佳辉
（河北大学 管理学院 唐山 063000）
摘要：人工智能作为计算机的学科的分支之一，是被公认的二十一世纪三个最尖端的技术之一。伴随着改革开放以来三十年的经济和科技力量的不断发展，我国的人工智能在各个的领域的技术也得到了长足的发展。而在杭州出现的无人超市更是让人工智能的发展进入到了一个前所未有的阶段，毫无疑问，社会的快速发展离不开人工智能的技术的不断进步。因此，企业应该加强人工智能技术的发展，将人工智能的发展与企业的运营和管理相结合，以推动企业的可持续发展。由此，本篇文章将对人工智能技术对企业管理中的应用进行探究，以期望将对人工智能与企业发展的结合，和我国企业的飞速发展有所借鉴。
关键字：人工智能 企业管理 企业发展
Application of Artificial Intelligence in Enterprise Management
Liu Jiahui
(Tangshan 063000， School of Management， Hebei University)
ABSTRACT： As one of the branches of computer science， artificial intelligence is recognized as one of the three most sophisticated technologies in the 21st century. Along with the reform and opening up since 30 years of economic and technological power of the continuous development， the technology of artificial intelligence in various fields has also been greatly developed. The appearance of unmanned supermarkets in Hangzhou has brought the development of AI to an unprecedented stage. There is no doubt that the rapid development of society can not be separated from the continuous progress of AI technology. Therefore，enterprises should strengthen the development of artificial intelligence technology and integrate the development of artificial intelligence with the operation and management of enterprises to promote the sustainable development of enterprises. Therefore, this article will explore the application of artificial intelligence technology in enterprise management，hoping to combine AI with enterprise development and provide some reference for the rapid development of enterprises in China.
Key words： Artificial intelligence Business management Enterprise Development
引言：人类一向以自己为“智能生物”自居，这是因为我们能够不断的学习、观察新事物，让自己能够不断的取得进步，这让人类在地球上显得与众不同。所以当我们也开始充当上帝的角色，开始创造属于我们自己意识的人工智能时，心情也像上帝创世一样，内心充满了激荡与振奋，这便是人工智能的发展的动力。如今，人工智能在大数据时代充当着越来越重要的角色。在欧美等发达国家取得了飞速的发展，随着人工智能技术的不断深入，企业的人力资源、财务会计和知识管理的技术均被运用到人工智能应用中去。
一、 人工智能将对企业会计行业产生影响
（一） 我国的会计行业人工智能的运用
会计作为会计制度的主体，分为三类，主要涉及企事业单位，行政机构和会计师事务所。在中国，涉及会计工作的许多主题工作仅限于人工智能应用中的会计系统。在会计中，一些需要主观行为的工作，例如审查，验证和判断，仍然需要会计人员手动完成工作。然而，在会计师事务所，虽然审计业务也是主要业务的一部分，但在人工智能应用方面略显稀疏，原因是对于大多数上市公司的审计业务，大量的审计工作文件是需要。填写后，它既有草稿的电子版本，当然还有纸质版本，但这些入门数据仍需要手动填写。
（二）对人工智能在会计行业中应用的展望
任何会计师都清楚地知道会计行业是一个严格的行业，也需要及时性。有许多会计程序和复杂的过程需要解决。因此，对于会计，加班是一种普遍现象。在某种程度上，会计师还希望有一天会有人工智能来取代这种枯燥乏味的工作。当前的人工智能应用程序解决了一些基本操作，例如凭证和报告的生成，但它远远不能满足当前会计机构的需求。例如，人力资源会计需要一个符合业务特征的测量工具，并报告业务的人力资源。通过该模型，可以分析企业的人力资源，从而进行合理的人力资源管理，成为降低成本的方法之一。这种需求是会计管理会计和环境会计中许多分支机构的必然要求，因为会计职能现在越来越倾向于决策，会计需要在相应的决策过程中提供信息。但通常很难获得人工计算和分析。如果人工智能可以进一步应用科学知识来解决这个问题，那么最好。
（三）人工智能对会计行业的影响
1）提高了会计内容的时效性和正确性
企业是政府机关或任何会计师事务所，可以在使用会计软件后及时处理发生在当日的经济业务。因为会计人员只能在系统中注册并选择或审计相关事务，所以最终系统根据现有的自动生成相关报表的数据，比传统的会计凭证人工生成报表要及时得多，另一方面，在传统的会计业务流程中，会计人员往往会产生假账，而现行的会计凭证则会产生假账。财务系统也必须是一些手工输入的数据，因为系统在输入错误时会提示，在这种情况下，减少了数据的错误概率，从而提高了会计信息的准确性。
2）一定程度上抑制了财务信息造假
在具体的会计核算制度下，所有登记制度人员都有唯一的账户和密码，并有自己的权限和非常严重明确的分工。工作场所包容性现象在传统会计核算中非常严重。特别是在中小企业中，人工智能的应用有助于通过明确的功能来抑制人工伪造信息。然而，人工智能不能说是为了防止金融伪造。系统毕竟是由人控制的，管理层无法应对会计人员以上的内部运营现象。
3）会计行业中传统岗位需求减少
由于日益广泛使用的人工智能在会计行业，传统的会计职位不需要员工，所以这是一个明显的变化。自1980年代以来我国会计电算化发展此后晋升。它已经商业化，是用于各种会计实体，使原始简单的会计记录和会计工作被人工智能所取代。因此，会计的地位不再是必要的。
4）会计信息安全性受到威胁
各种计算机化的会计系统，广泛应用于电子形式会计实体中存储的各种金融数据，具有电子数据的优点，如省电，方便，数据容量大，易于查找等优点。而另一方面，系统如果保护未达到易受黑客攻击的指定位置，当前网络安全性大大降低的同时，信息可能在网络传输过程中被截获，因此导致企业财务信息泄露会非常严重，会造成重大商业机密，并导致损失。
二、 人工智能对企业金融风控的影响
（一）智能风控落地的前提
在互联网信息技术和网络技术普及的时代，让人类生活进入大数据驱动的智能化发展阶段，而人工智能在金融风险控制的探索和实践中经历了以计算机为标志的信息时代，人类因此CIETY已进入人工智能引领第四次工业革命，如果追求信息时代是数据采集和存储，那么解决人工智能时代是伴随着信息技术的发展和信息爆炸而引起的。由于信息处理能力不足，计算机帮助人们处理海量信息、分析数据和使用，是人工智能的时代，智能认知阶段，人工算法进入商业世界后，开始显示出趋势的普遍性，特别是LY在金融业务中显示出较强的适用性，目前人工智能在国内重点应用于风险控制、信用和欺诈等领域。人工智能产业化可以结合现场诞生，不能留下以下三个重要方面前提：
技术基础的改进。用云计算来说，计算能力在出现之前是一种昂贵的资源，公司不能独自承担这种成本。在人人上网的时代，计算数据量不断增加，大规模数据的培训和计算带来了对CPU水平提高的需求。云计算服务实现了计算资源的循环和重用，大大降低了企业的成本。在云计算的情况下，为了将成本降低两到三个订单，许多初创企业可以拥有强大的计算能力。当然，对于从事人工智能服务的公司来说，拥有计算能力是不够的，因为限制技术的因素还来自于数据采集能力和数据处理和处理能力，列如数学、统计学、机器算法等。而确定大规模计算，强大的人才是必不可少的。
场景的出现需要更先进的技术。特别是在需要扩大规模和复杂化的消费信贷服务中，如何提供高质量的用户体验成为一个难点。例如，在少量的贷款业务中，金融机构或平台需要在短时间内对某个用户进行准确的风险评估，或者在一天内完成数十万甚至更多的用户信用。由于可以预见，这样的要求只会越来越高，场景也会越来越多。传统的刀耕火种评估方法与现有的大量多样化的金融需求完全脱节。因此采取智能投资，但它面临的投资机会是短暂的，交易信息的判断甚至需要快到几毫秒。对现场的需求促使业界使用更合理的算法，更快的计算速度，并要求新技术将人工智能带入舞台。
改进的数据材料丰富。人工智能，所以数据是使用数据来支持操作和判断是人工智能的基础。在金融行业中，数据也是如此。互联网时代的背景下，金融消费者的高度收集碎片更大规模的需求，数据采集成本较低。金融机构和企业可以使用这些数据来计算、处理、和判断，为用户提供个性化服务的经验，基于智能的数据做出决策，实现精细管理，从而进一步推动人工智能技术的应用的发展。
（二）智能风控是传统风控的有效补充
传统金融机构与传统计分卡模型和规则引擎等“特色”风险评分，根据性能和智能风险控制记录，社会行为，行为偏好，身份信息和设备安全方面的行为特征的“软弱”用户的风险评估。两种类型的风险控制从操作到场景显示效果之间的显著差异，后进入移动互联网时代，智能风险控制的优点更加突出，有效补充传统的风险控制。
传统风力控制形成了标准化的操作模式，首先判断用户的身份，然后复习物理用户提供的证明材料。简而言之，它分为以下步骤：首先，回顾通过面对面的检查来确认用户身份的真实性提交材料。材料包括识别和收入证明，如身份证、户籍、银行流动和就业信息。其次，用户的资产评估和确定信用额度，主要的资产估值标准抵押房地产和汽车生产等。最后，信用贷款，其他步骤可以添加，如调查贷款的使用和确认交易的意愿。
关注人的评论，首先，传统的风险控制单元的时间跨度，至少在周需要层层审批，业务流程涉及多个人员和链接，导致效率低;其次，长时间的业务流程，无法满足用户的资本要求，导致坏的用户体验;最后，对小型业务，传统的风险控制复杂的审计程序导致的高成本使银行和无利可图，所以这个巨大的市场的一部分。
智能风险控制对大数据，算法和计算能力，重视数据，生活等识别确认用户的身份;欺诈识别风险，智能控制使用多维特征，许多数据表明意图和倾向，反映用户欺诈;普通用户的还款意愿和能力评估判断。
在互联网经济下具有“规模”增长的消费者金融市场中，智能风险控制可以捕获非传统的金融数据并增加弱势的金融相关特征。机器建模和分析的方法用于及时有效地补充传统的风险控制。首先，智能风控带来闪电般的审查速度。时间跨度以分钟和秒计算，为用户提供更好的服务体验。其次，对用户行为数据的分析得出更准确的评估。最后，在风险预测中，数据模型的使用可以准确地量化未来风险最有可能发生的时间和情景。从快牛金科的实际应用来看，定量风险预测的结果与实际风险的表现一致，误差很小。风险控制标准的放松和收紧所引起的坏账绩效水平的变化可以通过数据直观地衡量。实际的业务运营非常有益。
目前，个性化的场景下贷款和大规模贷款，信用贷款和消费贷款等，智能风险控制有足够的优势，但是大的贷款和交易涉及资产评估、房地产贷款和供应链融资等大型企业。验证的真实性，传统风力控制仍然是不可替代的，两个风控制模式仍将。
（三）智能风控成长空间巨大
在金融行业，风险控制中，无限智能风险控制是一个不断迭代的过程，并不断按照优化的结果进行。到目前为止，智能风险控制已经取得了良好的应用效果。实践中，智能风险控制模型已经更好的用户差异化程度，能够清晰地反映出评价结果中的高质量和不良客户，通过不断的优化迭代，识别的准确性和判断的速度，技术人员一直在螺旋式上升，但目前行业面临的问题是数据岛和信息不透明，行业总负债不共享，仍然是大空间智能风险控制技术的提升。在用户体验上，智能风险控制的最佳路径有二点：一是减少对用户的干扰，对于当前信用风险控制过程中需要获得用户授权等数据的审批，随着数据共享和计算能力市场机制的完善，未来只有需要向客户提供极少的信息进行评估，消除用户对信息安全的顾虑，使用合规性。其次，在上述基础上，提升用户评估的准确性。。
人工智能是一种不可逆转的趋势，但人工智能在推广特定情景时仍面临一些外部阻力。
首先，由于一些工人，意识滞后，商业实践中的人工智能面临着银行和其他机构的模型变革，在管理决策时考虑到潜在风险。其次，需要探讨适当的业务情景。传统的金融业务场景，在应用、审批，基于不同操作系统的贷款和大量人力资源等一系列环节之后，如何切入人工智能将在调整过程中面临长期运行。此外，在监管方面，人工智能还暴露了“黑匣子”理论与“可追溯性”金融活动的矛盾。人工智能对于许多风险控制的实施过程并不是人类大脑能够理解的，而是在一些监管更严格的情景中给予必要的解释。
中国着名科幻作家刘慈新曾经说人工智能就像一个黑盒子。从理论上讲，他们的计算步骤可以追溯，但由于计算量巨大，跟踪实际上很困难甚至不可能。实现两者之间的平衡并建立信任是未来人工智能面临的巨大挑战。在这种情况下，一方面，可以采用更加解释性的算法。对于相同的数据，不同算法的结果不应该远远落后。另一方面，可以预期社会态度的变化和监管法规的调整。毕竟，它不仅仅是以人工智能为代表的计算机科学。随着研究的深入和领域的细分，其他人类主体可能具有传统逻辑意义的结果。
三、 人工智能对企业信息安全防护的影响
（一）人工智能时代下信息安全论述
信息安全是指用户使用网络系统时，软件和硬件不会被破坏，用户数据不会被改变，为计算机的使用提供安全保障。目前，信息安全在网络保护中尤为重要。在计算机网络的发展过程中，出现了许多数据泄露事件，不仅给企业带来了伤害，而且也暴露了许多人的隐私信息。从小的角度看，数据泄露事件给企业和人民造成了损失，在很大程度上阻碍了国家的发展和社会的进步。
因此，在人工智能快速发展的时代，我们不仅要追求技术进步，还要重视信息安全的保护。信息安全保护不仅是企业和国家的责任，也是每个公民的责任。
（二）威胁企业信息安全的因素
目前大多数互联网公司都在进行人工智能的研究，5G的华为技术是世界领先的，它不仅是企业的荣誉，也是国家的骄傲，影响企业信息安全的因素很多，涉及到很多方面，对信息安全的保护带来了许多挑战。
1）数据的集中存储
大量的数据可以存储在计算机系统中，数据之间的紧密联系，非常容易引起攻击者的注意，成为一个黑客的目标。网络数据繁多，从不同的方式，如电子邮件、微博、传感器等，相对集中存储的数据在一起增加数据泄漏的风险，并导致人身安全的丧失。
2）数据加密技术
计算机领域的数据加密一直是防止数据泄漏的首要任务，但仍有数据泄漏事件。人工智能技术的应用基于互联网用户的互联网数据的收集。如果没有大量的数据分析，将无法生成智能应用程序和技术服务。集中式数据库集中在资源丰富的大型企业手中。一方面，他们收集数据，另一方面，他们分析数据并智能地应用它。企业主要是营利性的，信息安全投入太小，会增加数据泄露的风险。
3）杀毒软件的应用
由于计算机病毒的不断侵入，导致很多杀毒软件的产生。如果计算机中毒，可能会导致多台计算机，甚至整个企业计算机崩溃，数据丢失。病毒以不断变化的形式出现，入侵计算机的方式多样化，每次出现新的病毒，都会导致杀毒软件的各个方面升级。企业不应该只根据病毒更新杀毒软件，而应该让企业的数据更加安全
（三）企业信息安全的防护措施
1）对数据安全技术研发
从传统信息安全技术的角度出发，企业必须加大对数据安全技术开发的投入，以保证人工智能的顺利发展。同时，国家要给予大力支持和一定的帮助。多方面引进新人才。其他企业数据安全技术也在不断发展，以保证网络操作过程中的数据安全，从而使黑客蒙受损失。
2）重视敏感数据的保护
敏感信息不应披露没有用户的权限。企业应优先保护用户的私人数据，并规定使用的设备，以确保网络可以正确操作。国家应该制定相应的制度措施的敏感信息，这使得一些人气馁。
3）国家对数据的保护制度
保护数据不仅是企业的责任。国家也应提出安全策略，制定安全要求，加强然后进行安全体系建设，加快人工智能立法的应用。国家应制定相应的数据保护法律法规，同时将数据保护渗透到学习课程中，教育幼儿，真正向每个人传达数据安全意识。个人应及时清理隐私资料，安全文明上网。
4）合法共享用户信息
使用用户信息时，应明确信息来源的合法性，确认数据的有效性，共享用户信息时应征求用户意见，用户不得擅自披露。否则，将获得虚假数据，这可能导致企业损失。
总结：随着科技的蓬勃发展，人工智能的蓬勃发展也在继续。尽管这个的人工智能还发展不完善，及时在早期进入的金融领域，还主要集中于风险控制、定量交易和智能客户服务。然而，人工智能对世界的好处将不受限制。
人工智能的进一步推广和应用，将形成广泛的基于机器的智能决策，可以大大提高社会整体运行的效率。例如，在围棋、自动驾驶、公安等领域，人工智能显示出良好的学习能力和决策能力。
人工智能也带来了社会结构的变化，如就业制度。一些简单、重复和自动化的数据收集和记录将被机器所取代。从目前的发展速度来看，客户服务、简单的风险控制、基础营销等人员更有可能被替换。技术的发展超出了人们的想象。就像2000年一样，没有人认为打字员在计算机和互联网普及之后成为了纸堆中的象征。人工智能技术对人类生活的渗透将是巨大的。就像互联网一样，20年前需要访问特定场景和手段的服务，如网吧、学校房间和拨号上网，都涉及到饮食和穿着。业务的各个方面的活动、业务和业务方面。当人们无法感受到人工智能的存在时，这意味着人工智能技术已经达到并得到了广泛的应用。
参考文献：
[1]贲可荣，张彦铎 .人工智能 [M ].清华大学出版社，2006.
[2]陆汝钤 .人工智能 [M ].科学出版社，1989.
[3]罗素，诺维格 .人工智能：一种现代的方法（第二版）[M ].清华大学出版社，2006.
[4]李生 .自然语言处理的研究与发展 [J].燕山大学学报，2013（5）：377-384.
[5] 孙涛 . 知识管理 ——— 21 世纪经营管理的新趋势 [M ]. 北京 ： 中华工商联合出版社 ， 1999.
[6] 李桂青 ， 罗持久 . 工程设计专家系统的原理与程序设计方法[M ]. 北京 ： 气象出版社 ，1991.
[7] Joseph Giarratano. 专家系统原理与编程 [M ]. 北京 ： 机械工业出版社 ， 2000.
[8] 吴今培 . 智能故障诊断与专家系统 [M ]. 北京 ： 科学出版社 ，2000.
[9] STB ofNASA [ Z]. Clips Reference Manual Advanced Program 2ming Guide 2001.
[10] 幸聪.人工智能时代网络信息安全与防范分析2018，2（07）：172-173.
未来世界中，人工智能会沦为人类的奴隶，还是会拥有超越人类的能力？来自硅谷的著名创业家，斯坦福大学人工智能与伦理学教授，《人工智能时代》作者杰瑞・卡普兰（Jerry Kaplan，以下简称JK）带给了我们新的见解。
AI是技术不是魔术
《时间线》：您认为AI真正的本质是什么？JK：人工智能是以使机器能够胜任一些通常需要人类智能才能执行工作为目标的一个工程领域。但这并不意味着电脑本身是智能的，只是它们能在某些情况下替代人 类。
《时间线》： AI似乎更容易对显性知识进行技术转化，那么在对隐性知识技术化时遇到哪些阻碍？现在是否有所突破呢？
JK：你可以将AI技术大概分为两类。第一类是趋向于理性问题的AI技术，像是规划一个驾驶路线，在电路板上布局组件，合理高效地将包裹放置在运输车上。处理这类问题时，人们是通过显性信息和使用显性逻辑规则开始处理的。第二类是趋向于感知问题AI技术，这其中包括识别照片中的人物，驾驶汽车，研究收集医疗数据模型。一般来说，这类问题很难被明确地描述出来。还有些问题像是翻译语言、玩一些复杂的游戏，可能需要对这两类技术都有所涉猎。
主人or奴隶
《时间线》：在Ray Kurzweil的《奇点临近》一书中曾描写道：在“奇点”到来之际，机器将能通过人工智能进行自我完善，超越人类，从而开启一个新的时代。很多人都开始恐慌AI或许会在未来的某一天取代人类，对此您怎么看？您认为最为适当的人机关系是怎样的？
JK：我并不同意Ray Kurzweil的观点。机器已经在许多领域超越人类的能力，并且我们对此也并没感到任何的不适。事实上，这就是我们为什么使用它们。电脑能够比人类计算得更快更精确，记忆存储大量的信息，并且通讯交流的速度是人类无法想象的。随着AI领域的进步，将会有越来越多的任务是由机器去处理，并且会比人类处理得更好。但是这不意味着它们能比得上人类的智慧。我们并没一个言之成理的人类智慧的理论，即使我们有，也没有证据能表明我可以编制一个机器去复制它。
《时间线》：现如今一些企业工厂已经在开始利用AI进行日常生产工作活动了，但对于工种的替代还只是局限在初级的、可替代性强的工作，那么在未来随着AI的发展是否会挑战高级工作，例如高级电脑程序工程师、注册会计师、高级律师等等？
JK：AI程序不能执行工作，它们的作用是使任务自动化。如果一个人的工作是由那些能被自动化的任务组成的，那么的确他们的职业是面临风险的。如果一些人的工作任务是机器不能处理的，那么AI技术只是能够帮助人们把工作处理得更加高效。这无关乎工作多么高级，人们需要接受多么多的培训去做他们的工作。我们在用电脑执行计算时，执行任务往往需要相当大的训练和专业知识作为前提的。比如，一个放射线研究者的工作职能可能是容易去自动操作的，但是相反地，一个儿科医师需要的是机器无法执行的人类技能。
《时间线》：在您的《人工智能时代》一书中介绍了AI对财富再分配的影响，您希望AI的发展可以极大地提高社会财富，但现实情况是，现在无论是东方还是西方，贫富差距是不可避免的问题，因此，AI在提高社会财富的同时会不会反而加重了贫富差距和财富分配不均匀的问题？
JK：我不确定我们所理解的社会财富是否是完全一样的。但是在我看来，AI是自动化的一种形式，它是资本对劳动力的替代。从逻辑上看，这意味着拥有资本的人可以通过利用机器去获得更大的利益，而那些只能依赖出售自身的劳动力的人，将会被取而代之。一般来说，自动化使社会更加富裕，而获益者主要是那些富人，除非我们采取一些措施来确保整个社会都享受新财富。
《时间线》：您认为当前人们对AI误解的主要争议点是什么？您对当前人们对AI的看法和理解有何建议？
JK：许多人所理解的AI就正如他们在电影中看到的那样。通常都是一些伤害和攻击人类的坏的机器人和程序。但是这些都是幻想。机器是没有感情的，除了我们指令它们做的事情以外它们是没有独立目的。只要我们仔细考虑如何使用这些技术，它们将会很好地为我们的需求服务。但是像另外一些技术，比如核能，我们既可以用它来做建设也可以用它去搞破坏。但这些都取决于我们人类，而不是“它们”。
AI在中国
《时间线》：在AI领域，西方国家，例如美国，拥有较为完善的技术支持和发展环境，而中国的AI领域更多的是依赖于商业驱动，那么对技术驱动与商业驱动，您认为哪一个更能推进AI的可持续发展？
JK：我认为在美国AI技术的发展和在中国一样都是由经济发展驱动的。有很多大学都在研究AI这个领域，但是大多数的进步是发生在像谷歌和Facebook这样的公司。我相信在中国，百度也是这样的公司。
《时间线》：从伦理角度来看，在西方国家，例如美国，AI的发展遇到哪些问题和阻碍？中国拥有特殊的文化环境和较为保守的伦理逻辑，您认为当AI甚至是未来的AI机器人在步入中国普通老百姓生活中时是否会遇到更多新的问题？
JK：当我们将AI技术融入我们的生活中时，将有很多伦理问题需要我们面对。例如，无人驾驶汽车应该如何平衡和协调驾驶员与其他行人和车辆的安全？如果你要求你的机器人去帮助你实施一个犯罪行为，它应该如何拒绝？如果它看到你违反法律，它应该被要求去报告给你吗？如果它意外伤害到别人了，你应该完全负责任吗？这些困难的问题我们需要时间去解决和回答。
关键词：人工智能；智能传媒；美联社；智媒实践
中图分类号：G702文献标志码：A文章编号：1001-862X（2017）03-0134-006
一、人工智能的内涵、技术梯度及其在新闻传播领域中的应用
人工智能（Artificial Intelligence，简称AI），作为计算机学科的一个重要分支，是由McCarthy于1956年在Dartmouth学会上正式提出。学术界认为，人工智能是一门研究运用计算机模拟和延伸人脑功能的综合性科学，其假设电脑系统具有人类的知识和行为，并具有学习、推理判断来解决问题、记忆知识和了解人类自然语言的能力。人工智能的产生过程为：对于人类因问题和事物而引起的刺激和反应，以及因此而引发的推理、解决问题、判断及思考决策等过程，将这些过程分解成一些步骤，再通过程序设计，将这些人类解决问题的过程模拟化或公式化，使电脑能够有一个系统的方法来设计或应付更复杂的问题。[1]
人工智能在新闻生产链条中的运用根据算法的使用程度呈梯度分布：第一梯度是计算智能在新闻生产中的运用，能够辅助记者储存和快速处理海量数据，人工在新闻生产中占据主导地位；第二梯度是感知智能，机器能够代替记者完成“看”和“听”的相关工作，在“采、写、编、评”的新闻生产过程中采用人工与算法相结合的方式；第三梯度是认知智能，机器可以全面辅助或者代替人类，实现几乎完全依据算法进行新闻生产。总体上，人工智能在新闻生产中的应用处于计算智能向感知智能的过渡阶段，部分领域如机器新闻写作已步入认知智能的初级阶段。
1.在新闻和信息来源方面
（1）“传感器”新闻崭露头角。在新闻和信息的来源方面，“人工智能”越来越站在新闻生产的前台。它主要是通过对相关新闻数据库所需数据的自动化采集、处理和分析，经过人工智能算法把数据内容新闻化，即时输出准确、客观的新闻信息产品。目前，尤以“传感器”新闻为引人瞩目。
传感器（sensor）是一种收集特定数据信息的监测装置，能感受到被监测对象的信息，继而转换成为电信号或其他形式予以输出，以完成信息的记录、传输、存储、显示和控制。[2]所谓“传感器”新闻就是通过人工智能算法对上述数据进行统计分析和判别而输出的一种自动化的机器新闻产品。如对于地震台网相关传感器的数据、对于体育比赛相关传感器的数据、对于股市相关传感器的数据等等（未来还可能基于对人体的可穿戴设备传感器的数据等）进行信息加工处理和判别所自动生成的新闻。这种“传感器”新闻的特点就是与事态发生几乎同步，并且客观、准确。目前传感器新闻在传媒业的应用尚在起步阶段，其中有两个问题是人们普遍关注的：一是传感器入侵个人的生活空间，让人在传感器数据收集的环境下对个人隐私的保护产生疑虑；二是传感数据的准确程度在很大程度上依赖传感器的质量、测量指标级算法模型的有效性、可靠性。
（2）语音识别技术极大提高了现场采访与处理资讯的效率。人工智能虽然不能取代记者作为采访者的角色，但在技术方面己经有较先进的人工智能技术可以大大优化和节省记者编采的时间成本。 2015年底科大讯飞股份有限公司研发出语音识别技术，让计算机能够“听懂”人类的语言，提取语音中的文字信息，即时迅捷地将语音信息转化为文字信息，不但误差率极低，而且可以“听懂”各种方言和人的口音。这种语音翻译系统大大地提高了采访资料整理的效率。
（3）“新闻人物”的虚拟影像技术取得突破性进展。2016年10月4日《中国日报》通过整合人工智能技术，采访真人而制作虚拟视像面世，[3]这一人工智能所虚拟出来的“新闻人物”的影像可全天改变表达方式。虽然这项技术尚处于起步阶段并有很大的改善空间，但它对新闻来源的使用方式提供了一个具有巨大想象力的空间。
2.在新闻的内容生产方面
（1）C器新闻写作。人工智能在语言文字写作方面的技术具体表现在“机器新闻写作”上，它“是指自动根据算法将目标数据通过自然语言生成的方式输出文章的一种人工智能技术，它的核心在于自然语言生成技术。”[4]在对资料数据进行分析后，人工智能可通过分词法和语义理解来进行基本的情感分析，进而进行新闻角度的选择。
目前的机器新闻写作可以在分析信息数据所得的结果上自行提炼出新闻角度，根据新闻类型套用相应的文章模板，从而生成完整的新闻稿。从当前的发展现状来看，算法不仅可以及时地捕捉数据信息，同时还可以对作家和记者的写作风格进行模拟，实现特定文风的定制。[5]然而，目前新闻写作只能把数据分晰和整合的结果进行结构化处理，重新排列组合，对模块进行内容填充，加上一些简单的语义加工和风格调整。
（2）语音新闻生成。以美联社为例，2016年，他们开发了一个把文字新闻自动传换成广播的程序。虽然美联社目前还没有对此程式进行过实际演练和质量控制试验，但可以肯定的是，这个程式己经可以识别一些篇幅短、语句偏简洁的条目。因此，文字新闻与广播格式新闻的自动无缝转换将是人工智能在新闻产业的发展趋势。
（3）直播过程的自动监播。在技术的发展下，大大小小的直播平台不断衍生，它们比传统传媒更具及时性，成本更低，而且这种类型的全民主播比专业播音员更具亲民性和娱乐性，因此，直播平台将成为传媒界的新机遇。与电视一样，低俗及不雅语言和内容在网络直播中是被明令禁止的，然而，每天成千上万的直播视频以及用户评论，是人工审核难以完成的。随着人工智能的应用，对直播环境的塑造也有着崭新的监控方法：通过人工智能去对文字、语音、图片、视频、直播等进行审查，利用人工智能深度学习在内容审核领域的应用，比如Gootion、网易易盾等，根据多年在安全领域违规词库的沉淀和神经网络学习能力，实现了对目标文本进行精确匹配和快速识别。
3.在新闻策划与推送方面
（1）智能化地抓取热门话题。在2016年8月，Facebook解散了负责“热门话题（Trending）”的团队，改以利用人工智能算法来抓取数据，通过对用户搜索、浏览的分析，对热门搜索词进行排序，抓取热门话题呈现给受众。此外，以报导科技新闻为主的新型媒体Mashable开发了Velocity人工智能数据分析系统，能在30秒内分析3亿个不同的页面链接数据，从而识别网络流行趋势，预测可能成为热点的内容，并能监测全球社交平台的实时热点。Velocity还能发现新闻传播的“饱和点”，预测新闻热度消退的时间。这种利用人工智能技术以数据为基础来抓取热点新闻，可以覆盖更多话题，大大降低了时间成本，且避免了出现人工编辑团队可能受公司立场和员工的个人偏见影响筛选内容的情况。然而，热门话题演算法在很大程度上依赖话题的相关文章的点击和分享率，但高点击和分享率并不与新闻质量挂钩，因此这种以人工智能演算法得出的热门话题较容易让假新闻登上版面，致使新闻失去“把关人”的把关。
（2）海量资讯简洁化的个性推送。面对网络上的海量新闻，大众要获得有用信息可谓大海捞针；通过人工算法实现个性化推送，根据用户的阅读习惯、阅读时长等各种数据分析受众喜好，自动分类出推送内容。随着人工智能技术的发展，出现了以对话形态获取新闻内容的阅读模式，通过人工智能把分析得出的相关新闻进行汇总，并运用自然语言处理技术，提取信息的核心内容，方便用户更快捷地获取具有针对性的信息。如“百度”推出的“聊新闻”通过对新闻信息进行分类及结构分析、信息特征学习等，自动为用户提供最核心的信息[6]，以深入聊天的方式呈现用户所想要了解的新闻内容要素。这种以人工智能来进行个性化推送的模式可以为用户节省搜索时间，方便用户进行简洁化的阅读。
二、美联社的实践：一个智能传媒的先行探索
通讯社与报社、广电机构等传媒形态有明显不同，扮演着位于新闻生产链前端的批发商或“龙头”的角色，这种组织形态是一种适应市场经济条件与大规模生产的组织形式和运行模式。为了与这种规模化生产相适应，美联社正在尝试利用机器学习将新闻生产过程实现自动化转换，并借此缓解记者的压力，提高新闻报道量，拓展报道范围与业务领域。 2015美联社制定了一个5年（2015―2020）战略规划，2017年美联社将有可能实施7个项目，其中包含新闻的智能化生产。美联社战略及企业发展部高级副总裁Jim Kennedy希望美联社在2020年之前，80%的新闻内容生产都能实现自动化。
1.新闻内容采集
（1）数据资源采集方式的转变。美联社的机器新闻生产利用了Automated Insight公司开发的Wordsmith 平台，该平台以自动化技术为基础，能接受任何格式的数据，通过算法运算生成图文并茂的报道，最后通过云服务进行多渠道实时。数据资源的获取与处理是Wordsmith基础工作的，可以对来源与客户的各种形式或格式的数据进行规模化和快速化处理。Wordsmith 智能化数据采集具有以下特点：
――数据来源的多样化： Wordsmith可以对客户的各种形式或格式的数据进行收集和处理，这些数据包含如Google Analytics等第三方提供的相关客户的运营、业绩、报道、批评、引述等相关数据；大数据技术也使得新闻数据源从传统记者转变为个体用户，涉及用户生成内容时，美联社与其投资的社交媒体内容管理系统SAMDesk合作创建了一个工具，将美联社的渠道策略和SAMDesk的用户生成内容源相结合。
――数据获取的规模化。Wordsmith 超强的数据采集、分析与处理能力能够大幅度提高效率，使新闻报道实现规模化生产。美联社的季度财报稿件的数量从 300 篇增长到 4400 篇，这种高效率、规模化的新闻生产方式是过去任何时代所无法企及的。[7]
――数据处理的高效性。Wordsmith 采用制式化新闻撰写方式，只需要将采集的数据输入已有的程序，便可立刻生产出新闻稿件，即时通过 Twitter、E-mail 等渠道，加快传播速度。例如，美联社在最短时间内苹果公司的财报新闻，其时效性远超其他媒体。时效性凸显新闻价值，使美联社在此类报道中脱颖而出。
（2）图像素材采集方式的转变。在图像素材的采集方面，美联社正通过智能硬件的辅助来实现新闻素材获取的规模化及高度时效性。摄影师们在里约奥运会上开始广泛使用的一种智能辅助拍摄设备，美联社除了调动了61位摄影师进行赛场拍摄，还提前在现场安装了八部机械人和数十部遥控相机，这种远程遥控相机可以自动变换角度以及镜头变焦。此外，远程控制的水下机器人可在最佳时机自动捕捉到最佳画面，能够动态实时地捕捉游泳运动员在水下的位置，然后将拍摄到的画面实时回传到摄影师的电脑上。这种水下相机不需要摄影师把握拍摄时机，摄影记者只需要更准确地调整基座和相机位置，进行拍摄。此外，美联社还使用智能手臂辅助摄影记者拍摄，这些实践都涵盖了人工智能技术的运用。
2.新闻内容制作
（1）自踊生成：机器写作及智能播报。Wordsmith让美联社实现了从以数据获取为中心的数据新闻到以规模化数据和人工智能算法为中心的机器新闻的演变，机器新闻写作超越了数据新闻写作“数据处理”的工作范畴，可以代替新闻工作者生成知识、见解和建议，按照Automated Insights公司的观点，这是一种“从大数据到高见”的跨越。从其关键技术领域而言，这应该是整合了数据库知识发现（KDD）以及自然语言处理（NLP）两个领域，属于人工智能范畴。
Wordsmith对信息价值的挖掘，包含分析数据与提炼观点两个部分。在新闻内容的呈现方面，主要是针对内容的结构和格式。Wordsmith 平台需要用其自然语言生成功能对此前的分析和提炼得到的观点进行故事化叙述，并按照需要生成适应的篇幅长短的新闻、推文，以及标题导语、可视化图表为主的内容等形式的文本。
在与风险投资基金Matter Ventures的合作过程中，5名美联社员工组成的团队尝试利用人工智能技术进行智能播报，将篇幅短、语句简洁、数据详实的新闻文字自动转换为广播版本。这个项目并不是简单的将新闻从文字到语音的形式转换，而是制造一个基于算法的模型，将用于识别文字中需要转化成广播格式的元素。这项试验是美联社将自动化应用于新闻领域的重要尝试。目前，这个项目还处于初级阶段，新闻广播版本后期依旧需要经过记者的人工审核与校准，以确保写出规范和准确的新闻。项目的最终目标是在智能技术的协助下，让文字到广播的自动转化达到不需要人工编辑和审校即可的水准。
（2）可视化呈现：数据新闻。数据与图表之间的智能转换是美联社在可视化呈现层面的重要尝试。目前，Wordsmith平台可以将文字处理图表转换为数据，可以对APIs、XML、CSCs以及各种文字处理图表等形式的数据进行“消化”，为下一步的数据分析与信息价值挖掘提供更为丰富的数据来源。Wordsmith还可以将数据自动转换成图表，运用自然语言生成技术对此前的分析和提炼得到的观点进行故事化叙述，新闻内容能够依据需求通过可视化图表的形式呈现。
（3）沉浸式体验：虚拟现实报道。美联社拓展人工智能版图另一个动作是在VR设备终端、360度全景式视频手机端等智能硬件上进行虚拟现实报道。美联社目前与密苏里大学唐纳德・W・雷诺兹新闻学院的研究者、AMD芯片制造商建立合作关系，推动虚拟现实技术在新闻报道领域的应用。从2016年7月份的法国尼斯恐怖袭击到里约奥运会，美联社已经制作了20个虚拟现实和360度全景式视频。美联社还推出了观赏性的奢华生活体验虚拟现实视频，但大多是针对特定内容进行虚拟现实报道，如地震、难民等，可以在关塔那摩监狱体验囚徒、在难民营体会难民生活等。虚拟现实新闻报道的新技术也将带来新的一场新闻革命，美联社的虚拟现实报道目前还停留在用户体验阶段，虽然只是低成本的制作虚拟现实报道，交互依旧是个难点。美联社还拓展直播版块，目前直播领域主要有AP Direct和AP Live Choice两大业务，全天候向用户提供重大突发新闻和地区性重大活动的直播视频，其中AP Live Choice能够通过3个频道同时直播三个事件。
3.新闻内容投送
人工智能驱动下的信息通路趋向于窄众化的内容生产与投送，美联社新闻内容的传播路径从过去的“面―点―面”模式转变为如今的“点―面―点”模式。借助于人工智能技术的支持，美联社通过对碎片化内容的聚合重组，利用标签聚类和差异化语言风格进行个性化的投送。当前美联社的新闻内容投送存在以下特征：
（1）碎片化聚合，个性化投送。目前美联社通过与智能平台“强强联合”，完成对碎片化文本进行结构性处理，实现精准个性化的内容投送。Wordsmith平台可以根据组织和个体的碎片化数据，如员工的表现评估、企业绩效分析报告、行业分析、行业竞争态势分析等，在数据聚合的基础上分析其情况与需求并实现定向内容投送，为用户提供精准个性化内容。美联社Wordsmith系统尤其擅长进行客户的财务情况和客户运动、健身情况的分析，实时收集动态数据，并能够将所生成的文章，通过多种方式，实时到客户指定的平台上。对听众制定个性化的内容，是美联社拓展新闻产智能化板块的另一个举措。美联社体育编辑尝试利用人工智能技术为赛事双方的支持者分别提供不同的新闻；记者们也考虑用不同的方式向国内外的听众分别提供广播。
（2）标签聚类、智能匹配。包括美联社在内的2000 家媒体加入了聚合类新闻 App ――News Republic，达成了新闻内容版权的合作 。News Republic可以对每一条信息来源做出单一信息来源或多重信息来源的判断，为新闻生成智能化标签并聚类，与不同受众群体相匹配。目前News Republic利用自己的语义分析系统分析每篇文章的意义，证实文章的原创性并将文章分类，在用户挑选的分类中生成头条新闻，为用户提供快速即时的阅读体验。
（3）机器新闻语言的风格化差异化。随着受众群体的不断细分，不同人群的语言风格差异愈发明显。美联社正尝试利用人工智能技术完成对各种语料库语言风格的智能学习，为不同群体传送不同风格的新闻报道。通过语言风格的差异化处理，同一条新闻报道可以同时适应高端人群、中层阶级、低收入群体等不同用户群体的阅读习惯及语言风格，大大提高了新闻生产的实用性和可读性。基于语言风格的智能化学习，美联社能精准匹配用户的语言风格，进行个性化的新闻表达，形成不同版本新闻的规模化生产。
三、人工智能范式驱动下传媒业的“洗心革面”
1.传播内容：从单一传播到全息传播
美联社的智媒实践表明，人工智能技术逻辑下的内容生产方式事实上改变了以往利用单一途径进行新闻生产的模式，通过多种人工智能技术的融合最大限度地形成了对某一新闻事件的全息传播：基于海量数据的支撑和算法的精准制导，美联社在获取数据后分析、提炼观点，并结合固有的结构和模式进行故事化叙事。与此同时，快速生成的文本还可以配合智能播报技术提供语音信息，配合可视化图表完成可视化新闻的转变，配合VR及AR技术实现读者的沉浸式体验。
@种融合机器新闻写作、智能播报、新闻可视化和VR技术的全方位新闻生产模式能够充分还原社会实践发生发展的过程，表达新闻事件的全息原貌，有效地规避了过去新闻受制于媒介传播的弊端与局限。基于数据和算法的准信息采集、加工的全面智能化，在互动传播、互动体验高度发达的助力下，能够达到全息传播的境界。而人工智能支撑下的VR（虚拟现实）、AR（增强现实）、MR（混合现实）技术将彻底颠覆大众传播时代的选择性传播，实现社会信息原汁原味的全息传播。
2.传播方式：由同质化到分众化、精准化
互联网技术的发展使得新闻资讯的获取更为便捷化、免费化，传统媒体和新兴媒体在竞争中也推动了传媒行业的融合变革，海量信息的生产带来的是同质化新闻的严重超载。单一、同质的新闻资讯已经难以满足不同受众人群的需求，有效采集“长尾资讯资源”的分众化、个性化的新闻成为了众多资讯用户的迫切需求。
机器新闻写作能通过对不同语料库语言风格的智能化学习，可以自动生成适应不同人群语言习俗的表达方式。美联社与News Public的合作增强了新闻资讯在传播渠道投放的精准性。人工智能驱动下的传媒产业正在通过对不同语言风格的智能学习，将聚类、标签化的新闻资讯精准投送给不同的受众群体。当前人工智能技术驱动下的传媒业正往分众化、精准化的趋势快速发展。当然，事实上，目前用户洞察数据的“聪明算法”还远不够聪明，容易造成 “信息茧房”的负面效应。但如果我们看到：算法本身是可以进一步优化的，尤其是以目前的行为数据匹配上用户间社会关系的属性数据；再辅之以通过“人机对话”聊新闻的方式、通过资讯类别的组团化、标签化处理，在可预见的未来，“聪明算法”对于人们真实需求的逼近是可能的和必然的。
3.传播主体：由受众到人机协调
在人工智能全面渗透到信息传播的全环节全要素之后，人的价值何在？控制论的创始人诺伯特・维纳（Norbert Wiener）深刻地指出：“人有人的用处！”
机器学习是人工智能的第一项普及化技术。一些简单重复、数量庞杂的工作可以用人工智能中的机器学习的方式来替代，减轻人信息加工的负担。根据现阶段技术发展的逻辑，我们有理由预计，2017年用于数据处理的人工智能技术将会有一些重大突破。现在对基于用户洞察和基于数据找寻信息传播的路径这一块的要求越来越高，这是传播绩效最基本的要求。而要开发非共性的“利基市场”、开发分众化的“长尾市场”，一定要有相关的数据作为路径导引和技术支撑。因此明年在这一领域会有比较大的提升。用户洞察、数据路径辅之以机器学习，会成为传媒业普遍使用的人工智能的一种方式。
在人际交互方面，人工智能也能帮助人去采集必要的相关资讯。《环球时报》的总编胡锡进就某一争议性话题撰写社论前，他通常会从其专家库中挑选左右各派的几位专家，在听取他们的意见后才下笔撰稿。这种传统工业化流程的社论撰稿模式其实是可以借助人工智能来完成的。人工智能能判断出众多专家的立场和政治标签，通过综合各派专家观点，如此一来在撰写评论时，话语空间和结构性把握相对来说会更加到位、更有把握。这就是人C如何互动的具体应用。
其实有些东西对人来说是困难的，但对机器来说是简单的。只要符合一定的规则，进行重复性的检索和采集对机器来说是再简单不过了。相反，如果我们要从跨界的角度来（下转第150页）（上接第138页）找到两者的关联，机器却很难做出一些超越其界限的评判，因为机器是在人制定的规则范围内运行的。李世石和Alpha Go在围棋对决中赢了一局恰恰是因为李世石下了一招很陌生的棋，但这步棋却超出了Alpha Go的认知范围，从而导致Alpha Go在后面的应对中显得很业余。现在机器对于规范性的文本可以进行很高效的处理，但一旦规则变了，机器就跟不上，这时候就需要人的帮助。因此人是跨界的实现者和设计者，人知道如何实现不同资源的调度和“混搭”，而机器却很难实现这种“混搭”。这其实是未来一段时间内人和机器之间最大的不同。人有天生的直觉和跨界的通感能力，现阶段的机器还没有这类跨界与通感能力。我们可以通过直觉和顿悟去把握一个人、一种事态的感觉，但机器却无法理解和模仿这种行为。
事实上，人工智能对传媒行业的重构离不开新闻工作者的专业支持。未来自动化、智能化技术搭配新闻从业者的专业经验和智能的指导能极大地解放新闻生产力，推动传媒行业的发展与创新。
参考文献：
[1]廉师友.人工智能技术导论[M].西安：西安电子科技大学出版社.2002.
[2]许向东. 数据新闻中传感器的应用[J]. 新闻与写作， 2015，（12）：70-72.
[3]中国日报实现世界首例人工智能视频采访[N].中国日报，2016-10-04.
[4]龚隽鹏，任文，张鹏洲.机器写作在新闻领域应用的思考.中国传媒科技，2016，（5），58-50
[5]申云.“机器人新闻写作”对新闻采编的机遇和挑战[J].今传媒，2016，（11）：115-116.
一场由阿尔法狗与棋手间展开的围棋比赛，让世界关注到人工智能（Artificial Intelligence，简称“AI”）技术的发展。百度百科对AI如此定义――它是对人的意识、思维等信息过程的模拟。AI虽不是人的智能，但却能像人那样思考、也可能通过深入的语言识别、图像识别、自然语言处理等功能，超过人的智能。
尽管阿尔法狗只会下棋，但人类已经意识到，其背后的技术力量正在带来革命。特别随着现代科学应用技术的不断发展，AI的智能程度逐渐提高，其思维的逻辑性和复杂程度已经与人类的大脑相差无几。AI技术在真实的应用场景中正在对金融、医疗、教育等各个垂直领域产生颠覆性的变革。
就在日前刚刚结束的全球移动互联网大会（GMIC）上，创新工场的创始人李开复曾着重强调了AI技术与金融行业的结合。在他看来，AI所需的数据量大、有属性标注且领域单一的特性，决定了AI技术必将在金融行业引发一次技术主导的产业革新。
《中国经济信息》记者了解到，AI技术凭借深入的机器学习等优势，正对金融行业的产品、渠道、风控、授信、决策等诸多方面产生深刻的影响，不仅推动了金融服务的个性化体验，更让用户的财富管理趋向智能化。
加速布局AI应用
“金融是一个不直接产生价值的行业。”读秒CEO周静在接受《中国经济信息》记者采访时指出，多年来，金融作为一项服务，却占用了消费者较多的时间与体验环境。
据了解，过去要是去银行取款需要排队，转账需要等待，支付更需要刷卡签字等，而一旦开展了AI在金融行业的应用，“不仅快速提高了金融效率，降低了金融边际成本。”
周静认为，在推动金融普惠的过程中，无论是传统金融机构、互联网金融企业还是金融科技公司，通过对大数据、AI等新技术的运用，能够帮助降低金融服务成本，提升服务效率。
不仅如此，当AI技术与同样飞速发展的金融科技相结合时，还会十分有效地将核心的金融风控系统进一步量化，使金融变得更加规模化，而用户享受到的金融服务也会更优化，普惠金融的步伐自然加快。
在中国，不仅有像蚂蚁金服、宜信普惠、京东金融等金融科技的巨头，更有像读秒这样“年轻化”的金融科技探索者，在积极地依托其天然的大数据等优势，将AI技术创新地嵌入到其产业链金融的各个应用场景中，不仅使风控体系优化成效显著，更让客户的体验愈发高效、智能。
在采访过程中，周静指出，AI技术对金融产业的价值点，主要在于通过一系列的自主逻辑判断和大数据运算，很可能会解决“风险控制”这个金融行业长久以来一直存在的痛点。
让金融风控再升级
首先，传统的金融风控流程冗长，包括纸质进件、录入、复核、客户预审、尽职调查、电核审批等，这导致人力成本、时间成本、运营成本的增加，也降低了运营效率。“而AI技术的手段或应用实现了流程自动化，可以予以解决这一低效问题。”
此外，传统金融风控往往只考虑强金融属性的征信与风控，鉴于央行征信覆盖率不足，一定程度上造成了信息不全，客户画像不够立体。“目前以大数据和AI技术为基础的智能信贷技术，可以全方位捕捉到网购信息、运营商数据、社交信息等弱金融数据，通过大数据交叉验证，让用户画像更精准、丰富。”
其次，在反欺诈的运用中，传统风控往往依赖工作人员的经验，存在人为操作失误和经验不足。“AI技术使金融风控具备了智能的人脸识别、设备指纹，可以更智能地进行鉴别欺诈。”
周静认为正是以往金融风控存在的痛点，才让不少金融巨头主动拥抱AI技术，或与具有智能技术优势的企业开展联合风控。像读秒就作为智能信贷技术提供商，与华瑞银行、新网银行、中信证券、诺亚财富等展开联合风控。
“在合作期间，读秒提供的智能信贷技术，可以很好地辅助金融机构，完成更加精准的获客，更立体的用户画像，更智能地反欺诈以及更高效的风控。”在周静看来，像读秒这样具备大数据优势及AI技术创新开发的金融科技公司，在精准的获客、互联网化的运营等方面，可以为金融机构补足短板。
回顾中国信用借贷的历史可知，“风控”一直都是金融行业的命脉。谁提高了风控的准确率和风险评估的速度，谁就能够引入更大的流量、涉足更大的市场。但值得注意的是，“在整个贷前、中、后过程当中，AI技术只是提高金融的一种手段，整体的金融逻辑与核心是不变的。”周静强调，像各金融机构以大数据的形式采集数据，以AI技术创新开发应用场景，目的是评价用户的欺诈风险、还款意愿、还款能力等，“本质上是传统金融考虑的核心因素。”而像一些金融机构举着“AI+金融”的大旗，宣称可以用星座、血型等指标来智能风控，却是噱头大于实际功效，与传统金融的本质并不相符。
迈向金融3.0时代
“银行3.0时代已经来临。”中国银监会主席郭树清曾表示，银行业要利用金融科技，依托大数据、云计算、区块链、人工智能等新技术，创新服务方式和流程，整合传统服务资源，联动线上线下优势，提升整个银行业资源配置效率，以更先进、更灵活、更高效地响应客户需求和社会需求。
实际上，这个“银行3.0时代”仅仅是金融科技的一个缩影。从当前金融行业的发展现状可见，以大数据、人工智能等技术服务为核心的金融科技已经从概念阶段，逐步迈入了实践落地的层面，不仅真正体现在金融机构或者各互金平台的日常运营层面，更让金融与AI技术实现了场景间的融合创新。
如上文所言，融合发展的背后，就意味着颠覆和改变。如今由于AI技术的助力，不仅让传统金融的信息采集来源扩容，风险定价模型智能化，投资决策过程规范化、信用中介角色正规化等，还大幅提升了传统金融的效率，解决传统金融的痛点。
需要明确的是，“AI+金融”的结合效应还远不止于此。通过洞悉用户的需求，以及和AI技术的结合，金融机构或金融科技公司可以根据用户的行为轨迹洞察到他的需求和风险偏好，自动为其进行资产配置，并帮助用户追踪、监控风险，使得有理财需求的用户享受到“智能”级别的资产配置服务。
理性选择理论对行为主体“认知”问题的学术处理，从“经济人”到“理性经济人”并没有显著的变化。古典经济学框架下的理性选择理论以完全信息假设为前提，将行为主体（个人）界定为无本质差异和不涉及个体间行为互动，不受认知约束的单纯追求自身福利的“经济人”（约翰·伊特韦尔等，1996）。新古典经济学的理性选择理论将行为主体界定为“理性经济人”，它同样以完全信息假设为前提，研究了被古典经济学忽略的选择偏好，通过对“偏好的内在一致性”的解析，论证了个体能够得知选择结果的抽象认知(Von Neumann and Morgenstern，1947；Arrow and Debreu，1954)。这里所说的抽象认知，是指行为主体没有经历具体认知过程而直接关联于效用函数的一种认知状态，这种状态在新古典理性选择理论中的存在，表明“认知”是被作为外生变量处理的。
现代经济学的理性选择理论开始尝试将“认知”作为内生变量来研究。现代主流经济学从人的有限计算能力、感知、意志、记忆和自控能力等方面研究了认知形成及其约束（Salvatore， 1999；Schandler，2006；Rubinstein，2007），认为认知是介于偏好与效用之间，从而在理论研究上处于不可逾越的位置，只有对认知进行研究，对偏好和效用的研究才能接近实际。现代非主流经济学注重于运用认知心理学来研究人的认知形成及其约束（Kahneman and Tversky，1973，1974，1979；Smith，1994），它通过实验揭示了一些反映认知心理进而影响选择行为的情景，如确定性效应、锚定效应、从众行为、框架依赖、信息存叠等，以论证传统理论忽视认知分析而出现的理论与实际之间的系统性偏差。
但是，经济学理性选择理论对认知的分析和研究，是在预先设定规则的建构理性框架内进行理论演绎和推理的，它们对认知的解释，通常表现为一种规则遵循。例如，新古典理性选择理论关注个体应怎样符合理性（最大化）的选择，而不是关注个体的实际选择，它对认知的学术处理是从属于效用最大化的（Harsanyi，1977）。现性选择理论所关注的，或是在忽略认知的基础上建立解释和预测实际选择的理性模型来说明实现效用最大化的条件，以阐释个体如何选择才符合理性（Edgeworth，1981）；或是通过行为和心理实验来解说实际选择的条件配置，以揭示实际选择的效用函数（Kahneman and Tversky，1973，1974，1979；Smith，1994），因而对认知的学术处理同样是从属于效用最大化的。基于选择的结果是效用，而认知与偏好都内蕴着效用形成的原因，我们可以认为，经济学在将个人追求效用最大化视为公理的同时，也在相当大的程度上表明理性选择理论对效用函数的描述和论证，不是依据数据分析而是一种通过理论预设、判断和推理得出的因果思维模式。
因果思维模式在信息完全和不完全情况下的效应是不同的。在信息不完全状态下，如果研究者以信息完全预设为分析前提，依据自己掌握的部分信息对问题研究做出因果逻辑判断和推论，则其不一定能得到正确的认知。在信息完全状态下，研究者不需要有预设的分析假设，也不需要依赖逻辑判断和推论，而是可以通过数据高概率地获取正确的认知。经济学的信息完全假设对认知研究的影响是广泛而深刻的。例如，新古典经济学假设选择者拥有完全信息，能够实现效用最大化，它对偏好与认知以及认知与效用之间因果关系的逻辑处理，是通过可称之为属于该理论之亚层级预设的“给定条件约束”实现的（信息完全假设是第一层级预设）。在该理论中，偏好被规定为是一种处于二元化的非此即彼状态，认知在“选择者知晓选择结果（效用）”这一亚层级预设下被跳越。很明显，这种因果思维模式有助于使其建立精美的理性选择理论体系，但由于没有对认知阶段作出分析，它很容易严重偏离实际。
现代主流经济学的理性选择理论偏离现实的程度有所降低，原因在于开始重视认知的研究。半个多世纪以来的经济理论研究文献表明，现代主流经济学的理性选择理论正在做逐步放弃完全信息假设的努力，它对偏好与认知以及认知与效用之间因果关系的逻辑处理，是在质疑和批评新古典经济学偏好稳定学说的基础是进行的，该理论用不稳定偏好取代偏好的内在一致性，解说了认知的不确定性，以及不完全信息和心理活动变动等如何对认知形成约束，以此质疑和批评新古典经济学的期望效用函数理论，并结合认知分析对个体选择的效用期望展开了深入的讨论。相对于新古典经济学的理性选择理论，虽然现代主流经济学的理性选择理论仍然是因果思维模式，但它有关偏好与认知以及认知与效用之因果链的分析衔接，明显逼近了实际。
现代非主流经济学的理性选择理论不仅彻底放弃了完全信息假设，而且彻底放弃了主流经济学中隐性存在的属于新古典理论的某些“给定条件约束”。具体地讲，它对偏好与认知以及认知与效用之间因果关系的论证，不是基于纯理论层次的逻辑分析，而是从实验过程及其结果对这些因果关系做出解说。至于效用最大化，该理论则认为认知与效用最大化的关联，并不像先前理论描述的那样存在直接的因果关系。现代非主流理性选择理论通过实验得出一个试图取代传统效用函数的价值函数（Kahneman and Tversky，1979），该函数体现了一种以实验为分析底蕴的不同于先前理论的因果思维模式，开启了以实验数据作为解析因果关联的理论分析先河。但由于现代非主流理性选择理论毕竟还是一种因果思维模式，因而同先前理论一样，在理论建构上它仍然具有局限性。
从理论与实践的联系看，经济学理性选择理论的因果思维模式之所以具有局限性，乃是因为它用于分析的信息是不完全和不精确，甚至有时不准确，以至于造成认知不正确和决策失误。当研究者以不准确或不精确的信息来探寻因果关系时，极有可能致使认知出现偏差；而当认知出现偏差时，理论研究和实际操作就会出问题。诚然，因果思维模式本身并没有错，但问题在于，单纯从现象形态或单纯从结果所做出的理论判断和推论，不足以让研究者揭示真实的因果关系。人们对因果关系的理解过程伴随着认知的形成过程，在非数据支持的因果思维模式存在局限性的情况下，经济学家依据这种模式所构建的理性选择理论，难以得到符合实际的认知理论。那么，在未来世界是什么影响和决定认知呢？人类认知有没有可能达到准确化呢？我们把目光聚焦于大数据，或许能够找到问题的答案。
二 、运用大数据能获得正确认知吗？
在迄今为止的经济理论研究文献中，经济指标或行为指标所选用的样本数据，不是互联网和人工智能时代所言的大数据。大数据具有极大量、多维度和完备性等特征，极大量和完备性表明大数据有可能提供完全信息，多维度意味着信息可以通过大数据的相关性得到甄别和处理。广而论之，人类的行为活动表现为一个庞大的数据堆积，个别行为所产生的数据只是这个庞大数据的元素形式。如果我们以人们的投资和消费活动作为考察对象，对大数据蕴含的因果关系以及由此得出的认知进行分析，那么，我们可认为投资和消费不仅在结果上会产生大数据，而且在运作过程中也会产生大数据。换言之，投资行为和消费行为在“结果”上显示极大量数据的同时，也在“原因”上留下了极大量数据让人们去追溯。因此，人类要取得因果关系的正确认知，离不开大数据，而在样本数据基础上经由判断和推理得出的针对因果关系的认知，至少是不全面的，它不足以作为人们投资和消费选择的科学依据。
1、运用大数据分析因果关系的条件配置
人类认知的形成离不开因果关系分析，但运用大数据来分析因果关系以求获取正确的认知，必须具备以下条件配置：1、移动设备、物联网、传感器、社交媒体和定位系统等的覆盖面要足够大，以便能搜取到极大量和完备性的数据；2、需要探索对极大量（海量）数据的算法，能够对大数据进行分类、整合、加工和处理；3、需要厘清和区别数据的不同维度及权重，以至于能够运用大数据来甄别因果关系的内在机理。显然，人类从两百年前的工业革命到今天的信息革命，对数据的搜集、整合、加工和处理还不全然具备以上的配置条件，人类运用大数据来分析因果关系，还刚刚处于起步阶段。
联系经济学理论看问题，经济学家分析投资行为和消费行为以及对其因果关系的研究，主要是在抽象理论分析基础上运用历史数据来完成的。其实，对投资行为和消费行为的研究，不能只是从结果反映的数据来考量，即不能只是局限于历史数据分析，还需要从即时发生的数据，乃至于对未来推测的数据展开分析。这可以理解为是运用大数据思维来研究经济问题的真谛。从大数据观点看问题，投资和消费的因果关系应该是历史数据流、现期数据流和未来数据流等三大部分构成的。经济学实证分析注重的是历史数据流，很少涉及现期数据流，从未考虑过未来数据流，因此，现有经济理论文献的实证分析以及建立其上的规范分析，很难全面反映或揭示经济活动的真实因果关系。
2、未来几十年大数据揭示因果关系的可行性
在互联网悄然改变人类经济、政治和文化生活的当今社会，互联网的发展历史可理解为经历了三个阶段：从前期“人与信息对话”的1.0版本，经由中期“信息与信息对话”的2.0版本，近期正走向“信息与数字对话”的3.0版本，互联网版本的不断升级是大数据运用范围不断扩大的结果，这是问题的一方面。另一方面，随着互联网、移动互联网以及物联网技术等的广泛运用，人类各种活动的数据将极大量地被搜集，人们行为的因果关系也会以迂回方式通过数字关系显露出来。特别地，若互联网在将来发展成“数字与数字对话”的4.0版本，这样的发展方向则明显预示着数字关系将取代因果关系，或者说，数据思维将取代因果思维，人类将全面进入大数据和人工智能时代。
如果我们把互联网版本的不断升级以及大数据运用范围的无边界扩大，看成是未来几十年运用大数据来分析因果关系的重要配置条件，那么，如何对大数据的整合、分类、加工和处理，以及如何通过大数据的完备性和相关性来获取因果关系的真实信息，则是另外两个重要的配置条件。工业革命后的人类科学文明对因果关系揭示的主要方法和路径，是先利用掌握的信息再通过抽象思维建立复杂模型，然后在实验室通过试错法来设置能反映因果关系的参数使模型具有操作性；但这种方法和路径涉及的数据，是样本数据而不是大数据。在大数据和人工智能时代，智慧大脑是使用“数据驱动法”来设置模型和参数的（吴军，2016）。具体地讲，是用云计算集约化及其运算模式来整合、分类、加工和处理大数据，通过数据之间的相关性来探寻在样本数据基础上无法判断和推论的信息；同时，对模型的处理，不是建立复杂模型而是建立许多简单模型，并通过数以万计的计算机服务器对模型进行优化和设定相应的参数，以至于完完全全地运用大数据来揭示因果关系。
有必要说明的是，数据驱动法使用的数据不仅包括“行为数据流”，而且在某些特定场景中，还包括“想法数据流”；前者是指历史数据和当前发生的数据，后者是指从已知数据的相关性所推测的未来数据。社会物理学认为，人们实际行为与“想法流”之间有着可以通过大数据分析而得到的可靠数量关系，这种关系会通过互联网成为一种改变人们选择行为的重要因素（阿莱克斯?彭特兰，2015）。诚然，在未来几十年，数据驱动法是否能成功地成为解析因果关系的有效方法，尚有待于大数据运用的实践，特别是有待于它在人工智能运用上之成效的检验。不过，数据驱动法作为解析因果关系的一种重要方法，无疑是智慧大脑的人机结合在大数据思维上的重要突破，它至少在如何展开大数据思维上打开了解析因果关系的窗口。
3、运用大数据分析因果关系所获取的认知，包括对历史数据分析的历史认知，对现期数据分析的现期认知，以及推测未来数据而形成的未来认知
经济学家运用大数据来研究经济现象的因果关系，对经济现象原因和结果关联的解读，只有以极大量、多维度和完备性的数据为依据，才是大数据意义上的思维。大数据思维较之于传统逻辑思维，最显著的特征是它可以通过对不同维度数据之间相关性的分析，得到比传统逻辑思维要精准得多的信息。这里所说的精准信息，是指由大数据规定且不夹带任何主观判断和推测的信息。例如，经济学家要得到特定时期某类（种）产品的投资和消费的认知，其大数据思维过程如下：1、搜集、整理和分类前期该类产品的投资和消费的极大量和完备性的数据；2、加工和处理业已掌握的数据，并在结合利润收益率、投资回收期、收入水平和物价水平等的基础上解析这些不同纬度的数据；3、根据不同纬度数据的相关性，获取该类产品投资和消费的精准信息，从而得出如何应对该产品投资和消费的认知。当然，这只是在梗概层面上对运用大数据分析而获取认知的解说，现实情况要复杂得多。
然则，现有的关于投资和消费的模型分析以及建立其上的实证分析，主要是以非大数据的历史数据作为分析蓝本的，因此严格来讲，经济学对投资和消费的因果关系分析所形成的认知，属于典型的对历史数据分析所形成的历史认知。众所周知，自经济理论注重实证分析以来，一直存在着如何“从事后评估走向事前决策”问题的讨论。由于经济学家对投资和消费展开实证分析所使用的数据，几乎完全局限于（样本）历史数据，这便导致对投资和消费的因果关系分析对现期认知和未来认知的缺位，它不能解决“从事后评估走向事前决策”问题。国内一些著名的成功人士指责经济学家不能解决实际问题。在我们看来，不熟悉大数据的成功人士的这种指责是可以理解的，但深谙大数据的成功人士带有调侃风味的指责就不公允了。经济学家要在理论上立竿见影地解决实际问题，必须能得到现期数据和未来数据（而不仅仅是历史数据），这需要计算机学家的配合和支持，否则便不能在精准信息的基础上分析投资和消费的因果关系，但经济学家又不是计算机学家，因此，经济理论的科学化需要大数据挖掘、搜集、整合、分类、加工、处理、模型和参数设置、云计算等技术及其手段的充分发展。
历史数据是存量，目前计算机对其处理的能力已绰绰有余，难点是在于模型和参数设置；现期数据是无规则而难以把控的流量，对这种流量数据的挖掘、搜集、整合、分类、加工和处理，取决于移动设备、物联网、传感器、社交媒体和定位系统的覆盖面，以及云计算的集约化的运算能力；未来数据是一种展望流量，它依赖于对历史数据和现期数据的把握而通过大数据思维来推测。如果说经济学家对投资和消费的因果分析以及由此产生的认知，主要取决于历史数据和现期数据，那么，解决“从事后评估走向事前决策”问题，既要依赖于历史数据和现期数据，也离不开未来数据。也就是说，在“历史数据 + 现期数据 + 未来数据 = 行为数据流 + 想法数据流”的世界中，经济学家要解决实际问题，其理论思维和分析手段都受制于大数据思维，经济学家运用大数据分析因果关系而得到正确认知的前提条件，是必须利用历史数据、现期数据和未来数据以获取精准信息。
就人类认知形成的解说而论，现有的社会科学理论是以信息的搜集、整理、加工、处理、判断和推论，作为分析路径来解释认知形成的。当认知被解释成通过数据的挖掘、搜集、整合、分类、加工和处理而形成，对认知形成的解释，就取得了大数据思维的形式。大数据思维是排斥判断和推论的，它否定一切非数据信息，认为产生精准信息的唯一渠道是大数据。在现有的社会科学理论中，经济学的理性选择理论对人类认知的分析和研究具有极强代表性，经济学家对投资选择和消费选择的解释，便是理性选择理论的代表性运用。基于人类认知形成和变动的一般框架在很大程度上与理性选择理论有关动机、偏好、选择和效用等的分析结构有很强的关联，我们可以结合这个理论来研究大数据思维下人们对经济、政治、文化和思想意识形态等的认知变动。事实上，经济学关于动机、偏好、选择和效用等关联于认知的分析，存在着一种可以通过对大数据思维的深入研究而得以拓展的分析空间，那就是大数据思维会导致人类认知的变动。
三 、大数据思维之于认知变动的经济学分析
我们研究这个专题之前有必要指出这样一个基本事实：大数据思维可以改变人的认知路径，可以改变不同阶段或不同场景下的认知形成过程，但改变不了影响认知的动机、偏好、认知和效用等的性质规定。如前所述，传统经济学理性选择理论在完全信息假设下，认为个体选择的动机和偏好以追求最大化为轴心，传统理论的这个真知卓见从未被后期理论质疑；但由于传统理论的完全信息假设存在着“知晓选择结果”的逻辑推论，因而认知在传统理论中是黑箱，也就是说，传统理论无所谓认知的形成和变动问题。现代主流经济学尤其是现代非主流经济学在不完全信息假设下开始重视对认知的研究，在他们看来，认知形成过程是从理智思考到信息加工和处理的过程；他们特别注重从心理因素来考察认知变动（Schandler，2006；Rubinstein，2007；），注重通过实验且运用一些数据来分析和研究认知（Kahneman and Tversky，1974，1979；Smith，1994），但这些分析和研究不是对极大量、多维度和完备性的数据分析。因此，经济学理性选择理论发展到今天，还没有进入对大数据思维改变人类认知问题的讨论。
1、经济学家能否对选择动机、偏好和效用期望等进行数据分析，决定其认知分析是否具有大数据思维的基础
经济学关于人类选择动机、偏好和效用期望等反映人们追求最大化的基本性质分析，以及从这三大要素与认知关联出发，从不同层面或角度对认知形成的分析，主要体现在理性选择理论中。但这方面显而易见的缺憾，是不能对动机、偏好、认知和效用等展开数据分析。现实的情况是，在大数据、互联网、人工智能和机器学习等没有问世或没有发展到一定水平以前，经济学家对这些要素只能做抽象的模型分析。经济学理性选择理论要跳出抽象模型分析，必须选择具有解释义或指示义的指标对动机、偏好和效用期望等进行数据分类分析，以便给认知的数据分析提供基础，显然，这会涉及抽象行为模型的具体化和参数设计的具体化，需要得到大数据和云计算集约化运算模式的支持（吴军，2016）。作为对未来大数据发展及其运用的一种展望，如果经济学家能够围绕最大化这一性质规定来寻觅动机、偏好和效用期望等的特征值，并以之来设置参数和模型，则有可能对直接或间接关联于动机、偏好和效用期望的大数据进行分析，从而为认知分析提供基础。
大数据的极大量和完备性有可能消除信息不完全，这给认知的数据分析提供可行性。诚然，选择动机、偏好和效用期望等只是反映人们选择的现期意愿和未来愿景，其极强的抽象性决定这样的数据分析还有很大困难，但由于选择动机、偏好和效用期望等会通过实际行为迂回地反映出来，因而我们可以找到解决这一困难的路径。例如，人们在准备投资和消费以前，一般有各种调研活动，即对影响投资和消费的信息进行搜集、整合、分类、加工和处理，值得注意的是，这些调研活动会在移动设备、物联网、传感器、定位系统和社交媒体中留下大数据的痕迹，这些数据痕迹会从某个层面或某个角度显现出投资者和消费者选择动机、偏好和效用期望的倾向或意愿。
智慧大脑依据什么样的标准来数据化这些倾向或意愿，从而对选择动机、偏好和效用期望以及进一步对认知展开数据分析呢？这里所说的标准，是指通过云计算和机器学习等对人们实际行为的数字和非数字信息进行相关性分类，把反映选择动机、偏好和效用期望的具有共性特征的倾向或意愿进行整理和归纳，以确定符合选择动机、偏好和效用期望之实际的参数。如果智慧大脑能够利用大数据、互联网、人工智能和机器学习等完成以上工作，根据认知是偏好与效用的中介这个现实，智慧大脑便可以对认知进行大数据分析。如果经济学家能够利用智慧大脑提供的大数据分析成果，经济学理性选择理论将会随着信息不完全假设前提变为信息完全假设前提，选择动机、偏好和效用期望的抽象分析变为数据分析，认知的抽象框定或心理分析变为数据分析而发生重大变化。以上的分析性讨论，是我们理解大数据思维改变人类认知之经济学解释的最重要的分析基点。
2、运用大数据思维进行偏好分析会改变认知形成的路径，使经济学理性选择理论接近现实
现有的理性选择理论有关动机和偏好的分析和研究（这里集中于偏好的讨论），主要集中于偏好如何界定和形成以及如何随认知和效用期望调整而发生变动等方面，并且这些分析和研究是采用“个体行为”为基本分析单元的个体主义方法论。在大数据时代，虽然个人、厂商和政府的选择偏好仍然是追求最大化，个体选择行为仍然是整个社会选择的基础，个体主义方法论仍然在一定程度和范围内存在合理性，但互联网平台改变了选择偏好的形成过程和机理。具体地说，现今人们的选择偏好已不是经济学理性选择理论意义上的选择偏好，而更多地表现为是一种以最大化为底蕴的具有趋同化特征的偏好。例如，某种产品投资或消费的介绍会和研讨会，对某种产品投资或消费的点赞和评价，中央政府和地方政府关于某种产品投资或消费的统计数据，专家和新闻媒体对某种产品投资或消费的评说和报道，等等，都会成为人们选择偏好出现一致性的催化剂。因此，经济学理性选择理论跳出抽象模型分析，已经在偏好分析上具备了大数据思维的条件和基础。
智慧大脑与非智慧大脑的区别，在于能对人们消费和投资的偏好展开大数据分析，能通过大数据的搜集、整合、加工和处理，运用云计算得到来自不同维度数据之间相关性的精准信息，以至于能获取建立在大数据分析基础之上的认知。从理论上来讲，偏好会影响认知但不能决定认知。就偏好影响认知而论，它主要是通过利益诉求、情感驱动、身心体验和时尚追求等对认知产生诱导或牵引作用。但在非大数据时代，这些诱导或牵引作用无法数据化，于是经济学家对偏好影响认知的研究便只能以抽象模型来描述。大数据思维对偏好影响认知的处理，是使用以许多简单而相对具体的模型取代高度抽象的单一模型，运用数据驱动法来设置参数和模型，对利益诉求、情感驱动、身心体验和时尚追求等偏好特征进行解读，这样便实现了很多非数据化信息的数据化，从而使以偏好为基础的在理论上对认知变动的研究有了新的分析路径。
阿里巴巴公司正在奋力打造的线上和线下相结合的“新零售”模式，是以大数据分析和运用的阿里云平台为背景和依托的。这个模式试图通过充分搜集、整合、分类、加工和处理已发生的历史消费数据，正在发生的现期消费数据和有可能发生的未来消费数据，捕捉人们消费偏好的动态变化，以期构建符合大数据思维的全新商业业态。撇开新零售模式在运营过程中的诸如数据处理、机器学习和人工智能运用等技术问题，仅以该模式对人们消费行为的系统梳理、分级整合及相关处理来说，它无疑会在引领人们消费行为的同时促动消费趋同化偏好的形成。尤其值得关注和研究的是，随着该模式运营所积累的数据量全然达到大数据的标准，人们的消费认知将会在消费趋同化偏好的导引下发生变化，这种情形不仅会发生在消费领域，投资领域也会出现投资趋同化偏好。很明显，趋同化偏好具有共性特征，它在很大程度上是对个体选择偏好的否定，对于这种偏好所导致的认知应该怎样理解呢？这个问题需要进一步研究。
3、在大数据时代，趋同化偏好会改变认知形成过程，消费者和投资者的认知不再是自己独立思考和理智判断的产物，而是在趋同化偏好驱动下对智慧大脑认知的认同
厂商的投资选择偏好是追求利润最大化，这一永恒的事实不妨碍或排斥投资趋同化偏好的形成。一般来讲，大数据发展初期的互联网平台对选择趋同化偏好形成的作用力，在消费领域要比投资领域来得更加直接和迅速。究其原因，是两大领域的机会成本和风险程度不同的缘故。但随着大数据、云计算和机器学习等的充分发展，智慧大脑有可能对历史、现期和未来的大量投资数据进行搜集、整合、加工和处理，有可能通过云计算集约化模式来分析不同维度数据之间相关性而获得精准信息，同时，智慧大脑会根据市场“行为数据流”折射出“想法数据流”而产生预见能力，寻觅和遴选出高收益的投资方向和投资标的。若此，智慧大脑投资选择的胜算率（利润率）将会大大提高，厂商会效尤智慧大脑进行投资选择，从而出现投资趋同化偏好。经济学曾经对诸如“羊群效应、蝴蝶效应、从众行为、信息重叠”等现象有过许多研究（罗伯特?希勒，2001），但严格来讲，这些研究是描述性的，不是联系偏好和认知等的分析性研究。
消费和投资的趋同化偏好主要是针对消费者和投资者的选择行为方式而言的，它不改变消费和投资选择偏好的追求效用最大化的性质规定，这是问题的一方面。另一方面，在将来大数据充分发展的鼎盛时期，消费和投资的趋同化偏好会改变认知形成过程，这可以从两种意义上来理解：1、从原先通过对信息进行搜集、整合、分类、加工和处理来获取认知，转变为通过对数据的搜集、整合、分类、加工和处理来获取认知；2、消费者和投资者的认知不再是自己独立思考和理智判断的产物，而是在趋同化偏好的驱动下认同智慧大脑的认知。关于第一点，大数据思维的认知之所以会取代独立思考和理智判断的认知，乃是因为它能够运用云计算集约化模式将消费和投资的历史数据、现期数据甚至未来数据进行分类处理和相关性分析，能够运用数以万计的计算机服务器对特定事物的因果关系展开深度机器学习，从而通过分类和归纳不同维度数据而得到精准信息（精准医疗就是基于此原理）。人类对因果关系探索的手段和路径发生变化，认知的形成过程及其机理就会发生变化。
关于第二点，消费者和投资者在未来放弃对信息的搜集、整合、分类、加工和处理，认同和效尤智慧大脑的认知来进行选择，这可理解为是他们进行效用比较（投入与收益）时的“幡然悔悟”。尤瓦尔?赫拉利（2017）有关一切有机和无机实体都可以运用算法来解构的前景预期，（吴军，2016）关于未来制造业、农业、医疗、体育、律师业甚至新闻出版业都将由大数据统治的观点，凯文?凯利（2014）以大数据和人工智能为分析底蕴对新经济十大重要准则的论述，均认为具有大数据思维且不作出主观判断的智慧大脑将是未来世界的操控者，而Master和AlphaGo战胜世界顶级围棋高手的实践，则显露了人工智能完全有可能战胜人脑的端倪。现实中的普通消费者和投资者通常只是依据有限或不准确的信息进行消费和选择，经济学家也只是根据有限或不准确的信息进行因果关系分析而得出认知，因此，相对于智慧大脑的选择效用，消费者和投资者是相形见绌，经济学家的理论见解和政策主张往往不吻合实际。
智慧大脑是运用大数据思维而超越一般智人大脑的大脑。不过，从性质上来讲，极少数拥有智慧大脑的人通过对数据的搜集、整合、分类、加工和处理所得到的认知，仍然属于人的认知。需要强调指出的是，这种认知不同于经济学理论及其他社会科学理论所阐述和论证的认知，它是在大数据思维驱动下的人类认知。对于这种新型认知的理解，如果我们结合经济学理性选择理论对其展开解说，则有着基础理论的分析价值。
4、在未来，智慧大脑的认知将引领非智慧大脑的认知，其结果是导致认知趋同化
熟悉经济学理性选择理论的学者知道，无论经济学家是从信息的搜集、整合、分类、加工和处理获取认知，还是通过心理分析或行为实验获取认知，他们都是在不完全信息或有限理性约束下进行的，这不仅存在着以不精准信息推论认知的问题，而且存在认知形成过程的主观判断问题。智慧大脑运用大数据思维所形成的认知的最大特点，是在接近完全信息基础上获取认知的，并且不夹带任何主观判断。现代未来学家曾分别从不同角度和层面对大数据、互联网和人工智能展开了许多讨论，他们的共同见解是认为大数据的极大量、多维度和完备性将有可能解决信息不完全问题（包含信息不对称），并且能够给人类选择提供精准信息。倘若如此，人类的认知问题便完全成为智慧大脑对数据的搜集、整合、分类、加工和处理问题，一旦人类可以通过大数据思维获取精准信息和完全信息，经济学理性选择理论将会在根基上被颠覆。
智慧大脑只有极少数人才具备，绝大部分人（包括智人）都是非智慧大脑。在未来世界，智慧大脑将引领非智慧大脑进行选择。这一引领过程是由前后相继的两个阶段构成：一是智慧大脑运用大数据对偏好进行分析，通过互联网将偏好传送给具有从众心理和从众行为倾向的非智慧大脑，形成非智慧大脑的趋同化偏好；另一是智慧大脑运用大数据分析获取认知，同样是通过互联网让非智慧大脑效尤智慧大脑的认知，形成趋同化认知，从而使非智慧大脑以智慧大脑的认知为认知来选择。这些情形表明，未来人类智慧大脑将决定非智慧大脑的偏好和认知，进一步说，则是智慧大脑将影响非智慧大脑的选择行为。这里有一个极其重要问题须讨论：对绝大部分非智慧大脑而言，他们在选择过程中是否还存在认知？事实上，无论是趋同化偏好还是趋同化认知，非智慧大脑的偏好和认知并没有彻底消失，只是形成的路径和内容发生了变化。关于这个问题的讨论，联系经济学的认知理论进行比较分析，或许会有更深的理解。
如前所述，传统经济学以完全信息为假设前提，将认知作为理性选择模型的外生变量，“认知”是被理论分析跳越的。现代经济学以不完全信息为假设前提，在理性选择模型中，努力通过心理和实验分析把认知作为内生变量，易言之，“认知”被解释为个体对信息进行搜集、整合、分类、加工和处理的结果，显然，以上分析在分析对象、分析方法和分析路径上，是与大数据思维不同的。现代经济学理性选择理论所分析的个体，是通过逻辑推论所抽象出来的芸芸众生；虽然智慧大脑也可以看成是个体，但人数极少，是具有大数据思维之共同特征的个体。现代经济学理性选择理论是借助于偏好分析来研究认知的，虽然认知已在一定程度上被视为内生变量，但分析方法和路径仍然是逻辑判断或推论为主；大数据思维对认知分析将会采用的方法和路径，是搜集、整合、分类、加工和处理数据，试图从极大量、多维度和完备性的数据中获取精准信息以得出认知。因此，尽管认知出现了趋同化，人类在大数据思维下仍然存在认知，只不过是非智慧大脑放弃自己的认知而统一于智慧大脑的认知罢了。
总之，偏好和认知的趋同化显示了大数据思维的魅力，这种魅力根植于大数据能够经由智慧大脑而产生精准信息。其实，智慧大脑如何设置参数和模型，如何运用云计算集约化模式，如何利用互联网以及寻觅广泛使用人工智能的方法和途径等，主要是计算机运用层面上的技术问题。我们研究大数据思维下人类认知变动需要重点关注的，是非智慧大脑究竟还有没有认知，其效用期望会呈现什么样的格局？既然非智慧大脑只是没有独立认知而不是完全跳越了认知，那么非智慧大脑便存在着效用期望，关于这种效用期望，我们可以联系效用函数来解说。
四 、认知结构一元化与效用期望变动的新解说
经济理论对选择行为与效用期望之间动态关联所建立的基本分析框架，展现出一幅“偏好认知选择效用期望”的图景。各大经济学流派的理性选择理论对这幅图景中的 “”有不同的解说和取舍（前文有所涉及），概括来说，或侧重于分析这些箭头前后要素之间的相互关联，或侧重于分析这些箭头前后要素之间的影响和决定作用。但就人们选择动机和目的与效用之间的关联而论，几乎所有理论都不怀疑“追求自身利益最大化”的公理性，于是，“最大化”在成为效用函数核心变量的同时，也在一定程度上被作为理性选择的判断标准。以上图景的逻辑分析链是建立在信息不完全分析假设上的，各大经济学流派的理性选择理论对这条逻辑分析链各环节的不同解说所产生的理论分歧，可归结为是在信息不完全假设分析框架内的分歧。值得学术界关注的是，当大数据在未来有可能提供完全信息时，这些分歧将会让位于新的理论探讨。
经济学家对效用函数的研究是与认知分析紧密相联的。但无论是传统经济理论还是现代经济理论，他们对效用函数以及最大化问题的研究存在着共性，即这些研究都是建立在抽象的认知结构一元化基础上的。具体地说，传统经济理论在完全信息假设上认为，选择者可以得到“获悉选择结果的认知”，从而主张用“最大化”来描述选择者的效用函数。现代主流和非主流经济理论在不完全信息假设上认为，选择者受有限理性约束不可能得到“获悉选择结果的认知”，从而主张不可用“最大化”来描述选择者的效用函数。这里所说的抽象认知结构一元化，是指不是以具体的认知主体作为分析对象，而是把整个人类描述为一个同一的抽象主体，让“最大化”问题成为效用函数的核心问题。在大数据思维的未来世界，随着信息有可能出现完全化，“最大化”问题将会成为不是问题的问题。
诚然，智慧大脑对大数据进行搜集、整合、分类、加工和处理，并通过云计算、机器学习乃至于根据人工智能实践来选择参数和设置模型，仍然没有越出追求自身利益最大化这一效用函数的性质规定，但由于智慧大脑的认知形成过程是建立在具有极大量、多维度和完备性的大数据基础之上的，大数据能够提供完全信息的特点有可能会让智慧大脑取得效用最大化。人类绝大部分选择者是非智慧大脑者，从科学意义上来讲，大数据对他们可谓是长期的黑箱，而他们依据自己认知所做出的选择又不可能实现效用最大化，于是，非智慧大脑者将以智慧大脑者的认知作为自己认知而做出选择，这便形成了大数据时代实际意义上的一元化认知结构。如果说我们划分智慧大脑和非智慧大脑是对人类选择主体的一种新界定；那么，我们揭示这两大选择主体实际意义上的一元化认知结构，则是对大数据时代人类认知问题的一种新解说。
大数据背景下人类实际意义上的认知结构一元化，将是未来发展的一种趋势，相对于经济理论抽象意义上的认知结构一元化，它容易把握和理解。但它在将来能否成为一种固定化趋势，取决于智慧大脑在经济、政治、文化和思想意识形态等领域进行选择时获得的效用函数值。对于该效用函数值的预期，大数据思维下的智慧大脑是具备这种能力的。从经济理论分析看，对效用函数值的讨论，将涉及内蕴且展示效用函数的效用期望问题的讨论。传统经济学的期望效用函数理论，是一种运用数学模型论证选择者能够实现最大化的理性选择理论（(Von Neumann and Morgenstern，1947；Arrow and Debreu，1954），现代非主流经济学是在分析风险厌恶和风险偏好的基础上，用一条S型的价值（函数）曲线取代传统的效用函数，并通过相对财富变动对选择者感受的分析，解析了选择者的效用期望会不断发生调整的情形（Kahneman and Tversky，1979）。那么，大数据时代选择者的效用期望会发生怎样变动呢？
人类社会发展的历史表明，人的主观期望与实际选择结果之间会发生经常性偏离。选择者的效用期望能否实现最大化，一是取决于选择者能否得到完全信息，另一是取决于选择者认知过程的科学化。事实上，现代经济学对传统经济学以最大化为核心的效用函数的质疑和批评，主要是围绕信息不完全和忽略认知过程展开的。大数据时代存在着提供完全信息的可能性，而智慧大脑利用互联网和运用云计算、机器学习和人工智能等手段，正在实现着认知过程的科学化，这便提出了经济学必须回答的两大问题：1、大数据思维下的人类选择是否可以实现最大化，2、大数据思维下选择者的效用期望会不会发生调整。这是现代经济学没有提及的两大问题，但当我们分别从智慧大脑和非智慧大脑来讨论这两大问题时，结论或许会让笃信经济学经典理论的学者大跌眼镜。
在未来世界，随着互联网平台的日新月异以及移动设备、物联网、传感器、社交媒体和定位系统等搜集大数据手段的覆盖面的日益扩大，大数据的极大量、多维度和完备性给人类选择提供了完全信息的基础。智慧大脑在云计算、机器学习和人工智能等的支持下，以数据分析为基础的认知过程也越来越科学化，于是，智慧大脑便可以知晓选择过程的结果，有可能实现最大化，这说明智慧大脑不存在效用期望的调整问题。另一方面，非智慧大脑以智慧大脑的认知为自己的认知，其效用期望完全依附于智慧大脑的效用期望。具体地说，非智慧大脑不对数据进行搜集、整合、分类、加工和处理，跳越了认知过程，同样不存在效用期望的调整问题。非智慧大脑效用期望完全依附于智慧大脑效用期望的情形，或者说，非智慧大脑以智慧大脑效用期望为自己效用期望的情形，统一于智慧大脑与非智慧大脑的认知结构一元化。如果要追溯非智慧大脑效用期望的变动，那就是从原先属于自己的效用期望转变成了智慧大脑的效用期望。
智慧大脑有可能实现最大化，以及不存在效用期望调整是一回事，但智慧大脑能否在所建模型中给定效用期望值却是另一回事。效用期望作为一种主观预期或判断，它不会在互联网上留下可供大数据分析的历史数据流、现期数据流和未来数据流，也就是说，不会在互联网上留下可供大数据分析的行为数据流和想法数据流，这在决定智慧大脑难以跟踪、模拟和推论效用期望值的同时，也给非智慧大脑放弃认知而效尤智慧大脑提供了某种聊以。推崇人工智能可以替代人脑的学者，好用Master和AlphaGo战胜世界顶级围棋高手的事实作为这种替代的立论依据，但无论我们怎样在大数据分析、机器学习和人工智能运用等方面进行深度挖掘，也找不到智慧大脑能在所建模型中给定效用期望值的科学依据。智慧大脑不能确定效用期望值，也就规定了非智慧大脑不能确定效用期望值。这又提出了一个在理论上有必要回答的问题：非智慧大脑还有没有效用期望？
在经济社会，智慧大脑和非智慧大脑的投资和消费选择的效用期望都是追求最大化，这一点是永恒的。但问题在于，非智慧大脑以智慧大脑的认知为自己认知，以智慧大脑的选择作为自己选择的情形，会使自己的效用期望完全停留在期望智慧大脑选择结果的形式上，这可以解释为大数据时代非智慧大脑的效用期望的一种变动。但对于这样的效用期望的理解，与其说它是一种效用期望，倒不如说它是一种效用期待。社会经济的精英是人数极少的智慧大脑群体，但推动投资和消费的是占人口绝大多数的非智慧大脑群体。因此，非智慧大脑群体的偏好、认知、选择和效用期望，应该是理性选择理论研究的重点。关于这一研究重点的逻辑和现实的分析线索，是大数据思维趋同化偏好趋同化认知认知结构一元化最大化效用期望。不过，这条分析线索包含着许多本文或有所涉及或尚未涉及的交叉性内容，它需要我们在继续研究大数据思维改变人类认知这一理论专题时，做出进一步深入的探讨。
关键词：数字经济；财务会计；管理会计；人工智能
随着大数据、云计算、区块链、人工智能等技术的创新、应用和推广，数字经济已深入到各个领域、各个层面，会计信息出现几何式地爆发增长，数字经济逐渐凸显出颠覆和重塑财务管理领域的威力，使得单纯的财务会计或管理会计难以满足现代企业高速发展的需要，现代企业的发展需要财务会计和管理会计的协同发展。
一、财务会计与管理会计的内涵及关系
财务会计是对企业经济业务进行确认、记录、计量和报告，向信息需要者提供财务信息的经济管理活动。管理会计是深度参与企业战略规划、管理决策、内部控制与绩效管理活动，并为这些活动提供有价值的信息，以促进企业顺利实现战略目标的经济管理活动。1.财务会计与管理会计的共通点一是同属于会计体系，财务会计与管理会计共同构成了有机的会计系统，两者相互依存、制约和补充。二是目标相同，财务会计与管理会计作为会计的两个分支，两者共同为实现企业价值最大化服务。2.财务会计与管理会计的差异一是遵循准则不同。财务会计必须严格按照会计制度、会计准则、税务法律法规等强制要求定期出具财务报表、进行税金申报等。管理会计没有固定的方法、标准、周期，根据管理者的需求和实际情况设定指标，一切以提高企业效率为准绳。二是服务对象、报告目的不同。财务会计主要通过对外报送各类报表、报告、披露财务信息等，服务单位外部具有经济利益关系的相关者，主要起到“反映”的作用，通常被称为“外部会计”。管理会计主要分析、研究经营活动中的具体问题、具体事项，提出、优化解决方案，为内部各层级管理者提供决策依据，主要起到“控制”的作用，通常被称为“内部会计”。三是工作核心不同。财务会计的工作核心为业务反映，合法合规地反映企业在过去经营管理过程中人力、财力、物力等要素在供应、生产、销售各个阶段、各个环节上的采购、使用、消耗、分布等情况，保证企业定期财务报告的财务状况、经营成果、现金流量的真实性、准确性、完整性，财务会计反映的业务主要发生在过去，是过去实际已经发生的经营管理活动。管理会计的工作核心为过程管理，对经营管理活动在事前进行预测、在事中进行跟进和控制、在事后进行回顾和分析，做到总结过去，汲取过去的经验、教训，从而更好地控制现在和指导未来；管理会计报表不受时间的约束和限制，可以编制未来的报表，也可以编制业务进行中的报表，还可以编制各期对比分析报表，时间维度、报表内容可以完全根据管理过程的需要而编制。四是工作内容、报告格式不同。财务会计的工作内容是企业全部的会计要素，是完整反映、监督企业的全部生产经营过程，所编制的报告信息需要按照统一格式。管理会计的工作内容可以是企业整体，也可以是企业内部的一部分，所提供的内部报告没有统一格式，甚至报告的种类也没有统一规定。
二、数字经济时代财务会计与管理会计协同发展的必要性
1.相关概念（1）数字经济。数字经济是指以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动。大数据、云计算、区块链和人工智能是数字经济的重要构成要素，数字经济的发展主要依赖这些技术的共同发展。（2）大数据。大数据是指一种数据集合。大数据技术的核心在于对海量数据进行专业化的挖掘、穿透、分析等加工处理，最终实现数据增值的成果。（3）云计算。云计算是一种互联网下的信息技术，本质是数据、信息、资源的集中和共享。（4）人工智能。人工智能就是使计算机去做过去只有人才能做的智能工作。人工智能的实质是算法和数据，是大数据、云计算、区块链结合发展的更高阶段。2.数字经济时代对会计发展的要求一方面，财务转型源于企业生存和发展的内在需求。随着市场竞争日趋激烈，为争取更大的市场份额，在成本压力上升、利润压缩的环境下，大多数企业只能通过选择提高决策水平、提升内部管理能力实现企业价值的最大化，这要求财务人员必须参与到企业决策和管理的全过程，收集分析财务信息、提供财务判断，以支持企业决策和管理的科学性、准确性、及时性。另一方面，数字经济技术为转型提供了可行性。互联网、大数据等技术的飞速发展，人工智能具备了完成基础财务会计工作的能力，并且完成的准确性、时效性大幅度提高，释放出了大量的财务基础操作人员、复核人员，使得财务人员把时间和精力投入更高附加值的工作中成为可能。如，参与企业战略制定、预算管理、成本管控等工作，并为这些工作提供有价值的信息。同时，数字经济技术可以准确、快速地提供、加工、处理大量的数据信息。可见，数字经济时代，当企业同时存在转型需求，又具备转型条件时，转型成为必然。但是，财务会计向管理会计转型并不意味着管理会计取代财务会计。之所以目前企业都在提倡财务转型，是因为过去我国企业没有开展管理会计工作，在目前数字经济时代，需要有一部分财务人员转而从事管理会计工作。但是这并不意味着财务会计不再重要，因为财务会计是管理会计的基石。同时，管理会计的发展又能倒逼财务会计提供更多、更规范、更有价值的企业经济活动信息，促进财务会计更好发展。因此，只有财务会计和管理会计协同发展，才能更好地为企业管理与决策服务，更好地促进企业发展。
三、财务会计与管理会计协同发展存在的问题
1.Y公司简介及财务会计与管理会计发展现状Y公司是A股上市的快消品行业公司，行业的市场增长率25%。Y公司产品的市场占有率65%、市场增长率40%。Y公司作为A股上市公司，在完善财务会计体系的基础上建立了管理会计体系，但目前财务会计体系与管理会计体系独立运行。管理会计体系建立背景：在Y公司年度经营汇报会上，对于广告费的投放金额，市场部汇报的是800万元，财务部汇报的是1000万元。对此，市场部的观点是企业本年度签订了800万元的合同。财务部的观点是虽然当年公司签了800万元的广告合同，约定自当年6月份开始在电视上播放8个月，当年共播放7个月，按照权责发生制原则入账，广告费当年的入账金额应当为700万元。但是，按照同样的权责发生制原则，上一年度签订的广告合同在本年度播放，应当计入本年度的费用是300万元，合计1000万元，并且在财务报表中只能按照1000万元报出。为解决该类问题，财务部门牵头梳理各管理层级、各部门的需求，协同信息管理部门利用数字经济技术建立财务会计与管理会计协同发展体系：维护管理会计基础信息，建立管理会计取数逻辑，自动生成管理报表，提供给内部管理者；维护财务会计基础信息，建立财务口径取数逻辑，自动生成财务报表，提供给外部利益相关者。2.财务会计与管理会计协同发展存在的问题及困境（1）将财务会计与管理会计独自运行，而不是协同发展。某种意义上，财务会计是管理会计的基础，管理会计是财务会计的提升，Y公司建立的管理会计体系独立于财务会计体系运行，财务会计以权责发生制为基础，管理会计以收付实现制为基础，因此目前不能解决它们之间数据不一致的本质问题，阻碍了管理会计的应用与发展。（2）将无财务会计经验的人员配备到管理会计岗位。目前，Y公司将个别无任何财务会计经验的人员配备到管理会计岗位，管理会计只能出具管理角度的数据，对于与该管理角度数据相关的财务会计数据，没有理论基础和实务经验，导致管理会计与财务会计完全是两组数据，极端情况下出现满足管理需求的数据未在财务会计角度进行及时披露。如上述管理广告费的管理会计人员，其专业是品牌设计，无任何财务经验，在年度预测时，提报的广告费用是800万元，但财务会计最后决算出的广告费用是1000万元。这也就意味着，年度决算利润比预测利润少了200万元，该差异直接导致Y公司应当披露预测数据但没有披露，造成Y公司信息披露不合规。（3）出现重管理会计、轻财务会计的倾向。Y公司为推进管理会计的顺利实施，配备了大量的人力、物力、财力至管理会计，甚至抽调了一部分理论基础扎实、执行能力强的财务会计人员至管理会计项目组，以致出现财务会计人员紧张的情况。实际上，Y公司作为A股上市公司，对财务会计信息承担定期披露的义务，披露信息的准确性、及时性至关重要，不能在发展的过程中顾此失彼。（4）存在基础数据重复维护现象。自从Y公司建立管理会计以来，经常听到财务人员抱怨“天天在维护基础数据”，财务会计系统维护一次，管理会计系统维护一次，两套基础数据在很大程度上是相同的。如在维护广告费用的基础信息时，项目名称、合同金额、供应商名称等接近90%的信息是相同的，财务会计系统仅需要增加维护受益期间。在这种情况下，相同数据维护两次，造成人力资源的极大浪费。（5）存在取数逻辑重复设置问题。信息管理部在设置取数逻辑时发现，管理会计的某一段取数逻辑，在设置财务会计系统的取数逻辑时已经设置过，存在取数逻辑重复设置。取数逻辑的重复设置，一是造成不必要的取数环节增加，降低取数效率；二是造成存储空间的浪费。
四、数字经济时代财务会计与管理会计协同发展对策
1.建立科学的财务会计与管理会计协同发展模式财务会计与管理会计最好的关系是协同发展。财务会计要做到的是保证数据核算严格按照会计准则、政策法规；管理会计要做到的是既要能听得懂业务在说什么、理解到业务需要什么，又需要深入领悟财务会计的核算原理，只有同时做到，才能有效地提出财务会计与管理会计协同发展的方案。如在系统中设置由权责发生制转换为收付实现制的换算算法，确保两者数据本质上的一致性等。以广告费用为例，假设广告费用的年度预算是800万元，按照权责发生制以前年度签订合同受益期在今年的金额是300万元。财务人员应当非常清楚今年签订的合同受益期在今年的金额不应超过500万元，同时要辅导市场部理解：预算800万元，不是可以签订合同的金额是800万元；当合同的受益期部分在以后年度时，可以签订合同的金额可能高于或等于800万元；当合同的受益期全部在当年时，可以签订合同的金额不高于500万元。在此基础上，利用数字经济技术生成包括已签合同金额、费用已入账金额、尚可签订合同金额、费用尚可入账金额等信息的报表，及时动态地反馈至市场部、管理者，以作为市场部签订广告合同、管理者审批广告合同的信息基础。通过该过程，将广告费用的管理会计数据同财务会计数据进行有效衔接，实现有效控制广告费用的预算超支抑或广告费用投入的不足。2.避免重复工作、提高运行效率维护一套全面、真实、完整的基础数据，形成数据库系统，同时建立财务会计、管理会计的取数逻辑、分析逻辑、穿透逻辑、报表模型等，根据各自的需求自数据库系统读取基础数据，实现一套基础数据同时生成财务会计报告和管理会计报告的需求，最大程度避免基础数据的重复维护，提高数据提取效率。可行的情况下，将财务会计数据设计为管理会计数据的来源，避免取数逻辑的重复设置，以最少的数据维护，满足财务会计和管理会计数据的提取。3.充分运用数字经济技术借助大数据、云计算、区块链等数字经济技术对原始数据信息进行有效整合和管理，深入地、全方位地挖掘数据价值，人工智能完成基础的、指令性的财务会计工作，释放更多人力、时间完成财务会计的高难度工作、管理会计工作，以及财务会计与管理会计的协同发展工作。
五、结语
综上所述，数字经济技术已经深入到各领域，更是颠覆和重塑着财务管理领域，在此背景下，财务会计与管理会计的协同发展势在必行，同时数字经济技术又为两者的协同发展提供了技术可行性。充分利用数字经济技术实现财务会计与管理会计的协同发展，财务人员必须顺势挑战、创新思维，由管理兼具赋能，由会计核算兼具支持管理和业务决策，必须夯实财务会计基础，提高管理会计水平，实现财务管理的价值，实现企业增值的目的，最终实现股东财富最大化的目的。
参考文献
1.陈娅.新形势下管理会计与财务会计的融合思考.经济管理文摘，2021（17）.
2.董洁.企业管理会计与财务会计融合策略思考.财经界，2021（24）.
3.刘小玲.如何促进企业财务会计和管理会计协同发展研究.商场现代化，2019（24）.
4.周彩英.互联网视角下纺织企业财务会计与管理会计协同发展展望.市场观察，2019（11）.
关键词：继电保护 自动化技术 人工智能
Abstract: the safety of the electricity system relay protection is an important link in the production system. The relay protection system stability and the design principle, configuration and setting closely related. This paper is mainly to the analysis of the present situation and relay protection narration, this paper expounds the development direction of the relay protection.
Keywords: relay protection automation technology of artificial intelligence
中图分类号：F407.61文献标识码：A 文章编号：
1继电保护的基本概念
继电保护是对运行中电力系统的设备和线路，在一定范围内经常监测有无发生异常或事故情况，并能发出跳闸命令或信号的自动装置。因在其发展过程中曾主要用有触点的继电器来保护电力系统及其元件使之免遭损害，所以沿称继电保护。电力系统继电保护的基本任务是：当电力系统发生故障或异常工况时，在可能实现的最短时间和最小区域内自动将故障设备从系统中切除，或者给出信号由值班人员消除异常工况的根源，以减轻或避免设备的损坏和对相邻地区供电的影响可靠性是指一个元件、设备或系统在预定时间内，在规定的条件下完成规定功能的能力、可靠性工程涉及到元件失效数据的统计和处理，系统可靠性的定量评定，运行维护，可靠性和经济性的协调等各方面。
2继电保护现状
现阶段各种主电气设备、低高压线路都有相对应的微机保护装置对其进行保护，特别是线路保护已形成系列产品，并得到广泛应用。在实际的工作生活中微机保护是比较高的，远远高于其他的各种保护措施。目前对于220KV的继电保护装置已经基本是国产的，我国继电保护技术发展非常迅速，国产的继电器优势方面非常明显。
2继电保护的发展
继电保护是否能安全可靠的工作直接关系到整个电力系统的安全运行情况。因此在电力系统中对继电保护有很高的要求。传统上采用独立的装置有专门人负责，希望继电保护装置能快速有效地检出，切除、隔离故障，并能快速恢复供电。电力系统继电保护先后经历了不同的发展时期，机电式继电保护、晶体管继电保护、基于集成运算放大器的集成电路保护，到了20世纪90年代继电保护技术进入了微机保护时代，微机保护有强大的逻辑处理能力，数值计算能力和记忆能力。对于微机型继电保护装置由于其性能的优越运行可靠，越来越得到用户的认可而在电力系统中大量使用。
4继电保护发展趋势
4.1人工神经网络
人工神经网络下简称是模拟生物神经元的结构而提出的一种信息处理方法。具有本质的非线形特征并行处理能力强鲁棒性以及自组织自学习的能力其应用研究发展十分迅速。目前主要集中在人工智能信息处理自动控制和非线性优化等问题。近年来电力系统继电保护领域内出现了用人工神经网络来实现故障类型的判别故障距离的测定方向保护主设备保护等。例如在输电线两侧系统电势角度摆开情况下发生经过渡电阻的短路就是一非线性问题。距离保护很难正确作出故障位置的判别从而造成误动或拒动。如果用神经网络方法经过大量故障样本的训练只要样本集中充分考虑了各种情况，则在发生任何故障时都可正确判别。其它如遗传算法、进化规划等也都有其独特的求解复杂问题的能力。将这些人工智能方法适当结合可使求解速度更快。可以预见对于电力系统这个存在着大量非线性的复杂大系统来讲。人工智能理论在电力系统中的应用具有很大的潜力。目前已涉及到如暂态，动稳分析、负荷预报机 组最优组合，警报处理与故障诊断，配电网线损，计算发电规划经济运行及电力系统控制等方面。
4.2自适应控制技术
自适应继电保护是为能根据电力系统运行方式和故障状态的变化而实时改变保护性能、特性或定值的新型继电保护。自适应继电保护的基本思想是使保护能尽可能地适应电力系统的各种变化，进一步改善保护的性能。这种新型保护原理的出现引起了人们的极大关注和兴趣是微机保护具有生命力和不断发展的重要内容。自适应继电保护具有改善系统的响应，增强可靠性和提高经济效益等优点。在输电线路的距离保 护、变压器保护、发电机保护、自动重合闸等领域内有着广泛的应用前景。针对电力系统频率变化的影响、单相接地短路时过渡电阻的影响、电力系统振荡的影响以及故障发展问题。采用自适应控制技术，从而提高保护的性能。对自适应保护原理的研究已经过很长的时间，也取得了一定的成果但要真正实现保护对系统运行方式和故障状态的自适应必须获得更多的系统运行和故障信息只有实现保护的计算机网络化才能做到这一点。
4.3变电所综合自动化技术
现代计算机技术、通信技术和网络技术为改变变电站目前监视、控制保护和计量装置及系统分割的状态提供了优化组合和系统集成的技术基础。高压超高压变电站正面临着一场技术创新实现继电保护和综合自动化的紧密结合它表现在集成与资源共享远方控制与信息共享。以远方终端单元、微机保护装置为核心，将变电所的控制、信号、测量、计费等回路纳入计算机系统，取代传统的控制保护屏能够降低变电所的占地面积和设备投资，提高二次系统的可靠性
4.4智能电网的特点
智能电网的特点是电力和信息的双向流动，便于建立一个高度自动化和广泛分布的能量交换网络。为了实时的交换信息和设备层次上近乎瞬间的供需平衡，在这个关键目标下，继电系统的保护发展取得了一个广阔的空间，也催生了一批新的商业模式，其技术涉猎广泛，如再生能源、计算机网络技术等，许多工作集中于分布式电源的并网及灵活运行的控制策略上。未来电力系统的继电保护技术的发展将在传统电力系统趋向智能系统的转变中迎来技术的革新。
结束语：
现代电力系统是一个由电能产生、输送、分配和用电环节组成的大系统。电力系统的飞速发展对电力系统的继电保护不断提出新的要求，在电力系统中的任何一处发生事故，都有可能对电力系统的运行产生重大影响。继电保护必将得到大力的发展。
参考文献：
[1]陈德树 继电保护运行状况评价方法的探讨[J] 电网技术 2000
[2]严兴畴 继电保护技术极其应用[J] 科技资讯2007
