湖南平江一座土磚壘成的一層平房裡，50 歲農民艾煌兮迎來了生命中的第二個「大件」物品——一臺三輪車，另外一件是臺 19 寸老式電視機。這輛價值 1.7 萬的車佔了兩年中他向螞蟻金服借款 3 萬元的一大半，不過，他靠三輪車跑運輸，不僅做到了按時還款，還改善了 80 歲母親的生活。
在 BMW · 極客公園 Rebuild 2019 科技商業峰會上，螞蟻金服副總裁兼首席數據科學家漆遠講了這樣一個故事，一下子把科技帶到了「土」裡。在中國絕大多數農戶因為沒有信用數據，比如銀行流水、資產證明、抵押物等，很難獲得金融服務，螞蟻金服打破了「現狀」，漆遠說，藉助用科技的力量，螞蟻金服服務全球小微企業主和中型企業，實現普惠。
從 2010 年支付寶開始為個人提供快捷支付的服務以來，螞蟻金服逐步完成了個人信用體系的建立，並在 2015 年將其可視化，用芝麻分作為度量標準。其業務也從傳統金融領域逐步擴展到更為廣泛的商業場景，例如在 2018 年 10 月支付寶 App 正式上線的一項大病互助共濟服務相互寶，芝麻信用就發揮了信用風控作用，而今年該項業務已經面向了三高、心血管人群。
對中小型企業，螞蟻金服則依託雲計算、技術和金融手段，為他們的經營發展提供綜合服務，履行「讓天下沒有難做的生意」的承諾。2017 年螞蟻金服 CEO 井賢棟一上任就表示，希望在十年內能當 2000 萬家小微企業的 CFO。雖無最新數據，但因全球化及技術開放戰略的快速推進，支付寶及其合作夥伴在全球服務已經超過 10 億人，支付寶由此成為全球最大的非社交類 APP。
不過，能給更多的人、企業提供更好的金融服務，螞蟻金服的底氣也在於風控技術。正因為用戶數量增多，許多用戶此前的數據匱乏，才必須用更精準的算法和最前沿的技術來防範風險。例如用深度路徑學習識別騙保風險，用多層注意力機制進行套現檢測。目前螞蟻金服每月能防止的達千萬級的套現。對於企業則需要用圖譜連接海量企業情報，建立企業關係網，穿透股東、投融資、訴訟、交易上下遊等多種關聯，全方位掌握企業關聯風險。
螞蟻金服不僅如此將技術用於自身的金融產品中，其 CEO 井賢棟曾表示，螞蟻金服會努力打磨自己的技術能力，成熟一個，便對外開放一個。區塊鏈技術、風控技術、生物識別技術，三大領域都已被螞蟻金服列入技術開放計劃內。
在 BMW · 極客公園 Rebuild 2019 科技商業峰會上，漆遠博士為觀眾們帶來了一場「劇透」，展現了科技應有的「人文溫度」和「技術深度」。
以下是 漆遠在 BMW · 極客公園 Rebuild 2019 科技商業峰會上的演講實錄（經過極客公園編輯整理）：
大家下午好。我是漆遠，來自螞蟻金服。今天很高興跟大家做分享，介紹金融科技的發展，尤其是金融智能的發展。
我們正在進入一個智能的時代。智能的標誌其實就是學習。我早上看到一個帖子，說長頸鹿剛出生兩個小時以內已經學會了所有基本的技能，而一個小孩子一直在學習。我們現在在講終身學習，一直在學，工作以後還在學習。但是我們講智能時代有什麼標誌？這個標誌就是這張圖。圖上兩個機器人的小娃娃在做什麼？她們在學習。
我過去研究的主要方向就是機器學習。機器學習是過去十幾年來推動人工智慧發展的中堅力量。我們怎麼能夠真正來迎接這個智能的時代？這是一個非常大的話題。這之前我們再往後拉一下，我們看一下社會發展真正推動的力量是什麼？
這是幾年前所有的機場到處賣的書，叫做《從 0 到 1》，書上講了兩個推動社會發展的關鍵力量，一個是垂直進步，講科技，所以這本書是「從 0 到 1」，另外一部分是把成功的經驗，科技的發展、產品的經驗推廣到全世界，全球化，從 1 到 N。
但今天其實我們在面臨一個挑戰。大家發現科技本身作為社會的推進力量變得困難。困難之處在於很多人發現它並沒有為更多人帶來更多福利，沒有為社會帶來更多平等的機會。過去幾年越來越多科技公司開始面臨非常大的挑戰，是怎麼能把更多用戶變成我的用戶，但是如果說我們只是關心流量，只是關心商業模式，那我們今天還會遇到這樣的挑戰。比如這張圖上講的科技公司，我在螞蟻金服，我們講做普惠金融，過去幾年講普惠金融，大家看到同樣的名詞下面有不同的非常不一樣的公司出現。比如 P2P 公司，P2P 公司平臺數量非常多，但是我們可以看到暴雷的數量，橫軸是年，公司發展問題越來越多，2018 年有一個突發性的問題。
正如剛才講的，一方面我們可以看到傳統科技公司受到挑戰，它的挑戰是能不能為更多人帶來服務；另外一方面，我們看到一些所謂的科技公司，它的科技不是真科技，它在講一個假的科技。這背後的核心問題就是，我們能不能做到一個真正的結合，做一個有深度的也有溫度的科技。
螞蟻金服過去幾年的核心思想就是希望用科技做一些不能做到的事情。這張圖展示了以前的發展，比如快捷支付、小微貸款、二維碼支付、餘額寶、芝麻分，相互寶是我們希望為六七十歲的人推出的妨礙計劃，三高、心血管疾病都可以加入，這在以前是不可能的。為什麼我們能做到，核心背後就是科技。
我們的目標非常簡單，是普惠、便捷、安全。為什麼要普惠，我們看這張圖，顯示了兩部分，一部分是個人用戶，一部分是企業用戶。
而要做到這些海量的用戶服務和企業用戶服務，我們的挑戰是怎麼用技術降低成本，能真正產生有效率有質量的服務，這就是我們說的溫度背後的深度。金融服務裡最關鍵的是風險。如果我們提供這樣的服務沒有技術，那就不能變成所謂的科技公司，不能控制風險，風險在金融裡就無所不在。另一個問題也非常重要，是關於數據隱私和安全保護的問題。怎麼保護用戶數據安全，怎麼保護用戶數據隱私，同時為他們提供好的服務。另一個問題是用戶體驗，當有海量用戶的時候，核心挑戰是是用戶體驗，怎麼服務大量用戶時同時給他們好的體驗。
我們講金融風險，金融風險有兩個重要的原因，一個是槓桿的使用，如果說大量的槓桿可能導致金融風險。另外一個風險就是信息的不透明不對等，我們怎麼用科技力量把信息透明化公開化降低金融的風險。背後我們就開發了一系列的有深度、有溫度的金融智能技術。
今天給大家舉幾個簡單的例子，從風控到信貸，到保險、客服、智能信息服務等等。這是比較技術的例子，但是它解決了實際的問題，就是貸款違約風險識別。如果說我們做普惠金融，我們給小微企業貸款，第一個問題就是怎麼能夠識別違約風險。如果沒有違約風險可能會變成高利貸，其實我們並沒有真正識別金融意義上的風險本身。那麼怎麼來做到呢？
很多情況下，我們在過去幾年不斷積累技術的情況下，已經做到了 3、1、0：3 分鐘申請，1 秒鐘決定，0 的幹涉。這些全部是基於算法和機器的全流程決策。
在新的發展情況下還有新的挑戰，比如用戶稀疏的情況下，數據並不全面，怎麼能有效理解它的風險？核心的問題就是要通過技術的方法來解決這個問題。過去人工智慧在 2012 年開始從語音識別到圖像，到現在 NLP 的發展，背後最主要的推動力量就是深度學習。深度學習通過使用大量的數據，來識別單個物體，但是如何能從系統角度來分析和識別背後的風險，來識別背後的關係，識別背後真正的規律，這是深度學習今天面臨的挑戰。
我們擴展深度學習，採用有監督和無監督的學習模型，把海量的數據從網絡角度進行分析，把無監督的學習模式和有監督的學習模式結合起來有效識別背後的風險。這種背景下同等逾期的情況下同樣抓取高風險的人，有效提升風險的區分度。
怎麼通過技術手段識別騙保的風險，背後採用了深度的學習模型。思想非常簡單，在脫敏的情況下，看與交易相關聯的背景。中國人講近朱者赤近墨者黑。在一個大的系統下，比如圖上傳統的圖，我其實是海量的圖，怎麼在龐大的海量的圖裡面找到關鍵的途徑，我們採用了注意力機制。注意力機制是人類自身進化的核心推動能力，就是我們人類同時在處理非常多的信號，人的眼睛、耳朵等各種感觀，收到非常多的信號之後，怎麼有效迅速判斷，非常重要的能力就是注意力。
持續保持關注力是人非常重要的能力，我們把這種能力用在機器學習裡面，讓機器找到關鍵的路徑本身，這張圖上是紅色的路徑，找到關鍵的路徑，來有效識別騙保的風險。中間這張圖，這是我們劃出的背後真正的神經網絡架構，它有效可以幫助我們大規模識別騙保。我們現在實踐中發現 95% 的問題可以通過機器自動識別。
另外就是套現，這種風險怎麼識別，如果我們只看單個人，其實有時候並不能區分它是有效購買還是無效購買，但是如果我們把一個網絡綜合考慮，把時間放進來，比如一個人有可能和多各機構同時打交道，如果同時高頻傳輸大量的金錢就變成非常明顯的洗錢風險，但是套現有類似的問題。
如果從時間軸和網絡角度，從機器學習可以有效地發現它，這裡面我們就把注意力機制同樣引入了該問題的解決上。就像人類一樣，我們引入了多層注意力機制，首先要發現關鍵問題，但是比如設備關聯、人的關聯，怎麼在一個網絡下綜合起來進行體系化分析，我們通過多類分析網，通過注意力機制有效結合起來。這方面我們可以非常有效識別，每月可以攔截已知套現達千萬級。
另外一個問題就是洗錢，洗錢在大量網絡情況下監管科技需要有效的識別這種犯罪團夥，數據是非常有限的，洗錢團夥畢竟很少，少量的數據之下怎麼有效識別，我們就需要無監督、弱監督的機器學習算法來進行學習。
我們前面講的例子是想說明，我們通過現有的人工智慧技術能夠有效識別各種風險。今天沒有講金融市場風險，主要是講洗錢、套現、騙保的風險，但是風險無處不在，裡邊有很多共性。
下邊講用戶隱私、政府監管、數據孤島的問題。
每個機構有不同的數據，我們怎麼打破數據孤島，讓其產生更大的價值。但是有一個相同的挑戰，就是怎麼保護數據隱私和用戶隱私。在政府監管方面，我們怎麼符合監管，比如歐洲推出 GDPR，就是用戶數據隱私保護的方案。在全世界的大蜂巢下怎麼有效保護隱私，同時讓數據發揮真正的價值。我們下面給一個具體的例子，看我們怎麼來處理這個問題。
中和農信是一個中國扶貧機構下辦的農村扶貧的貸款機構。我們螞蟻金服與它合作，通過人工智慧技術幫助它提升貸款能力，比如說我們通過人工智慧大數據能力，幫它做到 5 分鐘急速放款，大幅度降低逾期率。這是湖南一個農民貸款，他不用在城市打工，可以在家裡照顧父母親。背後核心的技術就是通過人工智慧的技術把各方數據進行加密，加密之後放在共同的環境中進行機器學習，保護數據的隱私。而這個技術是我們螞蟻金服開發的核心技術，可以在有效的保護隱私的情況下，對農村扶貧業務做出重大的幫助。
我們三年前進行了這項布局，有國家 50 多項專利和認證的標準，我們在聯合更多的金融機構共同使用相關的共享學習機制來賦能金融。
下面我講另外一個例子，我們如何幫助更多人享有醫療保障？我們的多收多保覆蓋了全國上千萬的個體「碼商」，今年推出了相互寶，半年有 5 千多萬用戶，老年用戶突破 1 千萬。我們理賠單據非常多，流程複雜，怎麼解決這些問題，這些問題背後同樣是用人工智慧來解決理賠的問題。
這張圖展示了一個流程。這個流程顯示從用戶上報相關發票，通過機器學習、自然語言理解、自動來發現相關的醫院、疾病等等，我們可以識別相關的圖章防騙保，通過自然語言理解可以發現哪個疾病、哪個科室，今天相關保險對應的產品，然後最終做出智能的決策。
這張圖展示了背後的識別，左邊顯示產品，右邊顯示相關的發票，左邊是知識圖譜，比如相關的醫院到科室到疾病，系統可以分析之間的關聯，然後做出準確的判斷。通過這項技術達到了所謂的「212 急速理賠」體驗，即 2 分鐘報案，1 秒鐘核賠，2 小時到帳。我們通過人工智慧技術和人工審核能力達到了非常難達到的標準，就是「212」。
剛才講的騙保能力是講人機器怎麼幫助人解決問題，下邊再講一個例子，就是我們的客服在雙十一壓力非常大，擔心電話打爆。那年我飛到成都，客服中心在成都，當時我們決定接幾個電話，到下午的時候就發現沒有太多電話。我們整個進行復盤，發現核心的問題被解決了。這個問題就是如何在話務量大規模上漲的情況下保護用戶體驗。後來，我們開發了客服機器人，可以有效把很多人類處理的複雜問題來自動通過機器解決。
這個展示圖裡面顯示出人工智慧的技術，比如我們如何把客戶數據和其他領域的數據，通過最先進的人工智慧的自然語言處理模型自動識別當前遇到的問題，比如花唄逾期，這裡有很多技術，比如遷徙學習、大規模的分類，這背後是一系列技術的開發。可以看到一個曲線，這個曲線從 2015 年在成都突破 94%，我們發現機器人問題解決率超過人工，去年我們把這種能力開放出來服務釘釘企業群，我們服務 5 千多個 B 端客戶和 13 個快遞公司。
最後一個挑戰，我們講信息服務的挑戰，挑戰非常簡單——信息不透明，大量的數據查詢效率低，匹配不精確。
我們通過人工智慧技術，通過中國外匯交易中心提供搜索和推薦的能力，我們知道金融產品特色相關的知識，所以它是深度垂直化的智能服務能力。我們把這種能力進一步深化，把行業信息包括供應商的風險評估一系列問題，包括監管需求，我們通過人工智慧技術來滿足它。
下面給出一個簡單的例子，如何分析一個企業的圖譜。我們自動提取相關的核心公司、時間點，然後自動把非結構化的數據去結構化，然後我們產生智能相關的金融圖譜。而這種圖譜本身可以為我們提供非常有效的金融服務，在這上面顯示出了螞蟻金服的企業圖譜相關的服務。比如我們可以發現風險排查，相關的受益人、預警推送等等，這些能力使我們能夠提供普惠金融真正背後核心的驅動力。
最後總結：螞蟻金服做人工智慧加金融服務，我們把金融服務變成普惠的、可持續發展的。我們希望這種科技本身是有深度，也是有溫度的，謝謝大家！