所以这两件事情并不矛盾，数据和后面的AI技术是连成串的。仅仅有一个空洞的技术，而没有实实在在的数据，也达不到效果;当然有很多食材，厨师不好也做不出来。

　　目前，风控以业务需求为驱动，数据、算法以及AI等是一种业务流程手段。

　　马骏驱：大数据里有不同的流程，像前端数据的搜集方法，还有数据清洗、数据处理的方法。人工智能可以降低人工操作。我们怎么挑选变量、怎么做出更好模型，当中人工智能可以做的比较多。

　　事实上，大数据领域都有人工智能的身影。这两块是绝对不冲突的。

　　冯继强：大数据和人工智能有一个严格区分线。很多情况下数据存储在那里，你自己设定的规则，符合这个规则就进行清洗和处理，这叫大数据技术。但是人工智能分为机器学习和深度学习。

　　在金融风控领域，原来的大数据技术就是根据现有的风控模型对已知标签的数据做处理，人工智能是对已知标签或某些规则的标签数据，根据人工智能算法模型做精细化处理，再为客户和厂商输出一个处理过的结果。这就是大数据和人工智能在风控领域的区分。

　　02大数据风控落地的问题

　　薛洪言：一方面，数据是人工智能的原料;人工智能技术包括数据，反过来改变人工智能算法，优化数据采集挖掘效率。二者相互促进。

　　但是提到大数据风控和人工智能，基于数据量、数据维度和算法，以及没有经历过足够长时间检验等因素，大众对于大数据风控的水平存在一些疑虑。

　　第二个问题，目前的大数据风控也好，人工智能风控也好，它对传统金融的替代率有多少?有人讲，说大数据风控是一个伪命题，你们是否认同?如果不认同，大数据风控在落地当中是否遇到了一些问题?

　　冯继强：大数据风控不是伪命题，但问题是信贷周期没有得到检验。传统的风控技术已经历三十年、五十年周期的迭代，但是大数据的检验成效现在看不了。

　　判断是不是伪命题，就是看能不能解决现有问题，如辅助现有的风控手段或者说简化劳力、人力成本等。

　　现在一提人工智能，检验的办法就是投入多少服务器资源，一个月花多少钱。京东说他们做AI集群一个亿，像我们每个月的成本是七位数，这种成本可能不是一个小公司承担得起的。

　　马骏驱：长远来说，人工智能、大数据帮忙，风控会越做越好。落地中间肯定会有困难，但我觉得这是一个度的把握。但我首先要做到的就是压低成本，才能做出更多、更普惠的一些金融服务，更碎片化，更场景化的金融服务。

　　随着时间推移、产品改变，我想大数据和人工智能肯定是需要的，同时遇到的困难会越来越少。

　　实际上，一些相对小一点的金融公司，也称自己在做科技金融，但是实际上它对模型、数据、流程等方面的理解差很多。

　　陈曦：显然不是伪命题。国内消费金融公司，尽管成立时间短，但它一个贷款周期为六个月、九个月、十二个月，其实这已经有很多的验证周期了

　　技术是不是能够取代一些金融行业?目前还不行。因为目前所用的模型也好，大数据也好，是基于一个统计学的原理，即所谓大数原则。也就是说，我们现在所用的方法是有一定的应用场景的，并不适用所有的金融场景。

　　普惠金融显然是一个落脚点，为什么?因为它是小额分散。因为小额分散所以大数原则才能够成立。换句话说，如果是用它对公，一笔贷款上亿，总共也没有多少，一百个贷款，这种情况下大数原则就不会起作用。

　　所以目前所用的基于统计学原理的大数据模型，对于线下，包括对公和大额的业务是普遍适用的。但是人工智能技术能否延伸到大额的不分散的，也就是说不基于大数原则的这个领域，我觉得可能性非常大的，但是目前还没有看到一个成熟的方案，一个能够脱离统计学基本原理而独立成立的AI技术解决方案。

　　周静：大数据和人工智能是一个趋势，而且是一个不可逆转的趋势。

　　技术是否可以替代传统金融?我举一个例子，读秒不光做个人无抵押贷款，也做小企业经营性的流动性贷款。这块银行一直想要做，但是风险太大，审批需要六个月时间。我们可以做到15分钟用数据方式代替所有流程，客户15分钟拿到授信和贷款。我不是说银行风控不好，但是银行风控成本太高。

　　我们两年前开始测试，现在多头的认证，已经可以替代之前的所有的信息，与此同时，我们切掉了销售端风险、审批端风险。我们用新的方式基本可以完全覆盖掉人为欺诈的风险。

　　03风控黑科技