7月9日，2021世界人工智能大会“AI新时代·数智新金融”论坛举行。论坛由交通银行主办，世界人工智能大会组委会办公室、上海市地方金融监督管理局指导，上海金融业联合会协办。论坛上，上海市人民政府副秘书长陈鸣波，交通银行党委副书记、行长刘珺，交通银行党委委员钱斌，中国工程院院士郑纬民，第四范式创始人、首席执行官戴文渊发表了主旨演讲。

戴文渊在演讲中表示，AI决策正在帮助企业转型进入新的范式，也是带领企业走向质变的重要方法。

以下是戴文渊演讲内容：

▎AI从“有用”到帮助企业“质变”

最早人工智能提出的时候，大家对它有很高的期望，这个期望经历后面的几起几落，到今天大家对它又有一些质疑。从另外一个角度看，这恰恰是AI从业者的机会。我们需要去分析每一次AI回落发生的本质原因，到底出了什么样的问题，如果能解决问题，往往就是下一次腾飞的机会。

上一波包括第四范式这样的科技公司的兴起，实际上是因为人工智能开始有用了，我们把人工智能应用在产业，很多企业用AI赚到了钱、节省了成本，享受到科技的价值，但为什么AI仍然被诟病呢？我的判断是AI在过去做了很多有用的东西，但可能还没什么大用，在企业内还不够关键。这是今天AI面临的最大问题，也是下一波AI浪潮的机会。

从金融行业来看，第四范式从成立第一年就开始就服务金融机构，积累了比较多的落地场景，诸如营销端提升信用卡营销效率，风险端识别欺诈风险、信用风险、合规风险……单从某个场景看，AI已经获得成功。这些曾经是令我们和客户非常兴奋的事情，但到了今天，我们已经不满足于在某一场景获得提升，哪怕是几十倍的提升，我们会思考，这些场景在一家千亿市值的企业，是否足够重要、足够关键。实际上我不认为把AI从这些企业拿掉，企业的经营会遭受很大影响，甚至说都无法存活了。

我认为人工智能的落地有两个阶段。第一个阶段是我们找到一个关键场景去优化，例如媒体行业的核心话题是内容分发的成本，成本下降后，相同的成本能获得更多客户。这是消费互联网核心的逻辑之一。

过去我们用技术实现分发成本的下降，每一次下降都能带来用户的增长。这个叫做人工智能量变的阶段，有很大的价值，但没有本质的区别。直到量变的积累达到一个临界点，进入到第二个质变的阶段，比方说消费互联网近年来出现的增长奇迹，本质上是当边际成本降到几乎为零时，通过固定成本可获得的用户数是无穷大的。今天我们看到的千人千面的内容分发，用户数和规模获得巨量成功，其实并不依赖于任何人工，此时就获得了质的提升。

在金融领域，这些年我们和客户共同努力寻找有没有机会，实现从量变到质变的改变。举例来说，手机银行里有很多场景可以优化，如猜你喜欢、关联推荐、理财推荐等，如果我们站在更高的高度思考，把手机银行当做一个网点、一个客户经理来看，今天是“手机银行”的业绩更好，还是线下的客户经理业绩更好。如果“手机银行”业绩比线下的客户经理高了，可能就达到了一个临界点。因为我们获得了一个边际成本为0的高业绩客户经理，并且这个客户经理可以无限的复制。

我们在零售领域也做过一个成功的案例。这家企业以往在手机端的客单价是低于线下的，这种情况下，企业也不愿意把过多的客户从线下往线上迁移。我记得在三年前第一次实现了反转，线上的客单价大于线下，反转后整个线上化的动力就完全不一样了。现在这家企业绝大部分业务量来自于线上，转型成了一个互联网公司。当然，这个反转也是量变积累的结果，背后其实是用AI做了大量场景建设，对着提升线上客单价这样一个目标。

产业互联网的核心是从业者的门槛。某找房企业就是通过经纪人协作网络，把经纪人的门槛不断降低，最终降低到让广大普通劳动者都能加入，让行业内有足够的从业者，获得了无穷大的生产力。

在金融领域，最近我们帮助一家金融机构改造私人银行，让水平不等的客户经理在与客户沟通的时候，有AI在不同层面上的指导，提升他的服务能力，最终是为了让一个很普通的客户经理都能成为最优秀的销售，降低行业内从业者的门槛，让金融领域主要靠人的客户经理模式发生质变。

从量变推向质变，这中间必然有大量的场景建设。对于绝大多数AI公司来说，做好一个场景都不是太难的事情，难的是一年做出一千个场景。这个时候需要的不仅是最先进的技术，更是高效落地场景的方法论以及平台建设，这也是第四范式过去七年努力的方向：如何规模化的落地场景，提升AI应用的效率。

回顾过去几年，其实是帮助广大客户建设AI、落地AI场景、让AI有用的时期。在未来的五至十年，希望AI不仅仅是做了有用的事情，而是做了一件事情，或者很多件事情之后，让我们的客户变成了完全不一样的客户，从经营量变到质变，找到新的增长曲线。

▎软硬件联合优化保障金融安全

金融安全是现在行业内另一个不可忽视的话题。在AI领域，中国很大程度上已经具备了自主研发与应用的能力，原因在于中国的人工智能发展并不晚于美国，我们最早在2009年开始做AI应用的时候，TensorFlow、Spark这类耳熟能详的开源技术都还没起步，没有拿来主义，只能依靠自主研发。

虽然实现了算法上的自主研发，但在硬件端如何高效、稳定的运行也是亟需解决的问题，为此我们投入了大量的精力与资源去研究，比如异构算力的优化。过去，金融机构采买的服务器型号较为统一，如今在AI应用数量快速增长的趋势下，需要越来越多不一样的硬件去支撑AI软件运行，满足AI异构算力的要求。

我们发现由于新的异构硬件的引入，从软件定义算力的角度进行优化有巨大的空间和价值。此前，业内大多是软硬件独立优化，导致了软硬件较为割裂，没有做到端到端性能最优。我们通过软硬一体的联合优化后，端到端性能相比采用GPU服务器跑开源框架的方案，提升了一个数量级，为保障金融系统可靠安全提供了一个有竞争力的自主可控方案。

希望在未来能够和越来越多的金融机构及其他行业的客户携手，找到质变的方法，进入AI决策的转型新范式。