回看历史，你会发现，金融业是最难实现变革的。但不可避免的是，大银行和创业公司在金融业方面仍取得了巨大的突破，我认为这不是因为他们使用了什么特别的技术，而是因为它们内在的文化差异，多样化的结构刚度和其他具有成本效益的商业模式。
金融创新：空话太多，实际行动太少
换句话说，银行之所以不创新，要么是因为它们规模太大，无法迅速适应并遵循外部激励机制，要么是因为它们不知道如何(或者想要)真正的改变。不仅在金融业中如此，在学术界也是如此，一直到上世纪90年代中期，金融创新没有任何的突破性进展。事实上，在少量的调查文献中（Cohen and Levin, 1989; Cohen, 1995），引用了超过600种不同的文章和书籍，但没有一个是与金融创新相关的。
当然，在过去五年中，情况发生了变化，但我认为，这种变化是被动的，而不是来自银行业的自愿推动。
因此，金融创新似乎通常是由外界引入的而非内部产生的，而且往往更多地是产品创新而非过程创新（尽管我认为这个观点比较有争议）。考虑到新的技术范式（正在强化创新与增长之间内在强烈的因果关系），我们似乎很自然地想知道，一个更好的创新模式是否可以由不同的行业导入。
我发现有一个非常特别和有趣的例子，这个行业必须“创新生存”，而不是“创新增长”：那就是生物制药行业（Baker, 2003; Gans and Stern, 2004; Fuchs and Krauss, 2003; Lichtenthaler, 2008）。
创新转移：生物制药行业
生物制药行业不是一个单一的行业，而包括两个不同的技术领域：生物技术领域，由推动了研究和探索阶段的小公司组成；以及制药公司，这些大公司在上个世纪成为了规模庞大的上市和销售企业。
因此，一部分是纯粹的（高风险的）创新，另一部分是纯粹的商业化技能……这都是我们已经见过的东西，不是吗？生物制药行业和金融业形成了明显的两极分化
生物制药行业的特点是，风险主要存在于最初的开发过程，而不是在市场销售阶段。问题不在于满足客户的需求，也不是为你的产品找到市场，而是首先要研发出这种药物分子。成功的可能性非常低，时间线拉的很长（10—15年），而20年的专利权只是一个短暂的优势。更重要的是，大约只有三分之二的药品能够抵消开发成本，而且大部分的公司都在亏损，而排名前3%的公司的利润几乎占整个行业利润的80%，这是一项艰难的业务。
生物制药行业不再仅仅是一个人力密集型的行业，而是一个需要大量资金投入的行业。创新不是附加物，而是企业生存发展的基石。这也是为什么他们必须确定一系列不同的方法来促进他们的发展——创新：研发、竞争性合作计划、风险投资、合资创造、收购交易、有限合伙协议等。
到目前为止，我的目标应该是明确的：金融业并没有强烈地感觉到像生物制药行业一样的创新需求，而且它没有尝试和推动创造新的模式，获得利益最大化。
引入人工智能，你的个人金融颠覆者
现在你可能仍然这么想“创新的确很棒，但是金融业和生物制药是非常不同的两个行业”那么我为什么要坚持从其他行业引入创新模型呢?好吧，这就是问题所在：我并不认为他们是不同的。
而它们变得越来越相似的原因恰恰是人工智能。人工智能正在为金融行业注入一种强大的创新力，它有一个发展周期和特征，与生物制药行业的情况类似：它需要很长一段时间才能被创造、实施和正确地部署（当然，这与金融行业的标准是一致的）;它是高度技术性的，需要高度专业化的人才;它是高度不确定的，因为在找到可行的方案之前，你需要进行大量的试验，人工智能正在给金融行业带来巨大的创新压力。
但人工智能也在给金融行业带来了全新的发展速度和可信度，降低了生物制药行业类似的错误。如果你的算法指出了问题产品或被推荐的错误的书，这是非常容易的。如果你的系统错误地解读了市场上的某些信号，或者在开发一种药物的时候出现错误，你会在几秒钟内损失数百万美元，甚至会失去生命。
因此，它不仅延伸了本质上属于金融领域的问题，比如监管或问责制，而且还带来了一些新问题，比如有偏见的数据或缺乏透明度(特别是在消费者应用领域)。
最后，人工智能针对“构建vs购买”提出了一个问题，这个问题甚至比上世纪90年代的生物制药行业还要大，在当前的生物技术制药二分法中达到了顶峰（如果你想知道，这个选择的重点是你的数据容量、团队和项目的可扩展性，以及与竞争对手有关的项目的独特性——你有足够的数据来训练一个ANI吗？你的团队/项目规模足够吗？你们的ANI是独一无二的吗？你的同伴们有没有做一些事呢？）
人工智能正在彻底推动一个有几百年历史的古老的行业创新。这就是为什么我认为金融服务业引入人工智能非常重要的原因——对于它所推出的具体创新或产品，并不是太多，因为它正在彻底改变一个有几百年历史的行业创新流程。
金融科技领域的人工智能功能细分
人工智能正在利用金融服务中的结构化和非结构化数据来改善客户体验及客户参与度，通过这样的方式，来发现异常值和异常现象，增加收入，降低成本，找到可预测的模式，提高预测的可靠性……但在其他行业，情况也是如此吗？这个答案显而易见，那么，在金融服务业，人工智能有什么特别之处呢？
首先，金融行业是需要大量数据的行业。你可能会认为这些数据主要集中在大型金融机构手中，但大部分数据都是公开的，而且有了新的欧盟支付指令（PSD2），规模更大的数据库也可以被较小的公司使用。人工智能很容易开发和应用，因为相对于其他行业，其准入门槛相对较低。
其次，许多基础的过程可以相对容易地实现自动化，而许多其他的过程可以通过按部就班的计算或速度来提高。从历史上看，人工智能是最需要这种创新的行业之一，竞争非常激烈，而且总是在寻找新的投资来源。总结：人工智能的边际影响大于其他领域。
第三，财富在不同代际间的转移，使这一领域成为人工智能发展的真正“沃土”。人工智能需要大量的新数据，并且最重要的是一些改进反馈信息，00后不仅乐于使用人工智能，而且还能提供反馈信息，但他们显然更不在意隐私和泄露自己的数据。
当然，金融领域的人工智能也面临一系列特定的挑战，这些挑战阻碍了智能金融的平稳快速的实现：不相互通信的遗留系统;数据孤立;糟糕的数据质量控制;缺乏专业知识;缺乏管理远见;缺乏采用这种技术的文化心态。
因此，目前缺少的只是对人工智能金融技术领域的概述。这里也有很多的人工智能金融科技创业公司的地图和分类，所以我在这里没有介绍任何新东西，只是给大家展示我的个人分类：
财务健康：这一类应用是为了让终端客户的生活变得更好、更方便，还包括个性化的金融服务;信用评分;自动化的财务顾问和帮助用户做出财务决策的规划者（robo——顾问、虚拟助理和聊天机器人;智能钱包可以根据用户的习惯和需要，以不同的方式指导用户。典型的例子包括机器人顾问和对话界面：Kasisito;Trim;Penny;Cleo;Acorns;Fingenius; Wealthfront; SigFig; Betterment; LearnVest; Jemstep; 信用评分应用:Aire; TypeScore; CreditVidya; ZestFinance; Applied Data Finance; Wecash;
模块链：我认为，鉴于这款工具的重要性，它应该有一个单独的分类，而不考虑具体应用程序（可能是支付、合规、交易等）。典型的应用包括:Euklid; Paxos; Ripple; Digital Asset;
财务安全：这个可以划分为身份识别（支付安全和物理识别——生物识别和KYC）和检测（追踪欺诈和异常的财务行为——AML和欺诈检测）。这类应用包括:EyeVerify; Bionym; FaceFirst; On?do; and Feedzai; Kount, APEX Analytics;
资金转移：这一类别包括支付、p2p借贷和债务收集。这类应用包括:TrueAccord;LendUp;Kabbage;LendingClub;
资本市场：这是一个很大的板块，我倾向于将它分为五个主要模块：
1）交易（交易或交易平台）。例子包括：Euclidean; Quantestein; Renaissance Technologies, Walnut Algorithms; EmmaAI; Aidyia; Binatix; KimerickTechnologies ;Pit.ai ;Sentient Technologies; Tickermachine; Walnut Algorithm ; Clone Algo; Algoriz; Alpaca; Portfolio123; Sigopt;
2）自助式基金（众筹基金或房屋交易）。例子包括：Senti?; Numerai; Quantopian; Quantiacs; QuantConnect; Inovance;
3）市场情报（信息提取或洞察力生成）。例子包括：Indico Data Solutions; Acuity Trading; Lucena Research; Dataminr; Alphasense; Kensho Technologies; Aylien; I Know First; Alpha Modus; ArtQuant;
4）替代数据（大多数替代数据应用都在资本市场，而不是在更广泛的金融领域，因此把它放在这里是有意义的）。例子包括:Cape Analytics; Metabiota; Eagle Alpha;
5）风险管理（大多数情况下，这一部分的创业公司也涉及到其他模块）。例子包括:Ablemarkets; Financial Network Analysis。
结论
从文章一开始，我就一直在强调人工智能正在使金融服务领域和生物制药越来越相似，而且，金融行业或许能从其他行业的创新中借鉴一些东西。现实情况是，金融业还需要克服一些困难和挑战。
我目前看到的最大的不同之在于AI对实体产品市场的影响，人工智能正在让这个行业变得比以往任何时候都更加数字化。它的最终目标是创建未来银行：没有分行，没有信用卡，没有欺诈。一个拥有模块化组件的银行平台，它可以提高我们的财务素养，并且不需要购买实体产品。
这绝对是一个令人向往的新世界，我已经等不及了。
参考文献
Baker, A. (2003). “Biotechnology’s Growth-Innovation Paradox and the New Model for Success”. Journal of Commercial Biotechnology 9 (4): 286–88.
Cohen, W. (1995). “Empirical Studies of Innovative Activity”, in Handbook of the Economics of Innovation and Technological Change, edited by Paul Stoneman. Cambridge, Mass.: Blackwell. Ch. 6, 182– 264.
Cohen, W., Levin, R. (1989). “Empirical Studies of Innovation and Market Structure”, in Handbook of Industrial Organization, Vol. 2, edited by Richard Schmalensee and Robert Willig. Amsterdam: North-Holland. Ch. 18, 1059–1107.
Frame, W. S., White, L. J. (2002). “Empirical studies of nancial innovation: lots of talk, little action?”. Working Paper, Federal Reserve Bank of Atlanta, N. 2002–12.
Fuchs, G., Krauss, G. (2003). “Biotechnology in Comparative Perspective”. In: Biotechnology in Comparative Perspective. G. Fuchs (ed.). New York: Routledge, 1–13.
Gans, J., Stern, S. (2003). “Managing Ideas: Commercialization Strategies for Biotechnology”. Intellectual Property Research Institute of Australia Working Paper 01/03: 1–24.
Li, J., Halal, W. E. (2002). “Reinventing the biotech manager”. Nature Biotechnology, 20 Suppl (6): 61–3.
Lichtenthaler, U. (2008). “Open Innovation in Practice: An Analysis of Strategic Approaches to Technology Transactions”. IEEE Transactions on Engineering Management, 55 (1): 148–157.
Meyer, F. J. (2002). “Business Models That Biotech Companies Employ”. Enterprise Development KFBS Biotech Speakers Series
November 25, 2002
