自《麻省理工科技评论》成立之初，就一直关注那些正在颠覆现有格局并创造新的市场机会、影响人类社会的技术，以及那些正在从实验室走向市场即将商业化的技术。在此基础上，也高度关注将这些技术落地，并用这些技术影响我们生活的聪明企业。
2023 年，金融科技领域有哪些技术突破值得关注？
《麻省理工科技评论》中国研究团队联合北大光华度小满金融科技实验室，与金融行业的技术专家、关注技术应用的科研学者，以及业内企业展开访谈交流，将我们在金融科技领域观察到的技术创新、升级、应用展望，编制成《2023年金融科技趋势展望》。
扫码查看完整报告
生成式人工智能
Generative AI
《Théâtre D’opéra Spatial》 夺冠；“AI gets creative”入选《Science》2022 年的年度十大突破；DALL-E 2、ChatGPT和AlphaCode 横空出世，因其具有创建和生成超逼真内容的 AI 能力而迅速走红……
人工智能此前被更多的用于处理机械的数据任务（判别式任务），而生成式人工智能陆续证明能够输出富有创意性的内容，极大地降低了内容（文字、语音、图片、数据、视频等）产出的边际成本、提高了创作效率。
生成式人工智能在金融业务落地层面有一定的直接价值，从生成过程和结果角度来讲，带有创造性质；它可以适用到各种各样的下游 AI 的任务中去，这是它最具里程碑意义的地方。
因果推断
Causal Inference
因果关系一般指的是两个事件之间的一种作用关系，其中一个事件会导致另一个事件的发生，前一个称为原因，后一个称为结果。因果推断的本质就是从产生的数据里面回推背后的真相。
近两年，关于因果发现，或称作因果表征学习（Causal Representation Learning）的研究和应用逐渐变得更加活跃，它们与机器学习的关系更为密切，它尝试解决如何从非结构化的数据里面把背后真正存在的因果隐变量，以及他们的关系找出来。
在金融行业中，因果模型是智能营销的关键手段，能促成最大化全局营销效率。但金融数据是非常复杂的，如果希望利用因果的研究方式能真正发现很多我们不知道的可靠信息，一定需要对金融数据的性质有一个更深入的认识。再将目前的分析方法做一定的调试修改，才可以把背后的因果性找出来。
多模态情感计算
Affective Computing
情感计算是一个快速兴起的交叉前沿学科，涉及计算机科学、脑与心理科学、社会科学等学科。
在金融场景中，情感计算有助于了解客户的真实情感表达，可以收集客户情感信息、识别客户情感变化，并作出相应的决策指导，对于提升金融企业的服务质量和效率，起到了重要的辅助作用，长期应用在客户服务、催收等场景中。
图计算
Graph Database and System
图（Graph）符合人的思维方式、更符合世界万物本来的样子；图在当前数据分析中发挥的作用，即无监督学习，本身图可以自动化发现一些难以通过规则和经验所能发现的东西。本质上，图数据比单纯的数据存储更贴近应用层，图未来在数据治理层面上要高于关系型数据库。
在金融行业的实战应用：图计算技术最清晰的应用效果是智能信审、资金流向查询和金融数据可视化。金融行业每天都有海量的、关联的、动态时序数据产生，利用图技术业务人员可以毫秒级得到查询结果。
利用图计算技术，可以在金融场景中实现实时地找到最完整的路径。在数字支付、数字服务、数字金融等核心金融业务中，利用图技术就可以显著提升风险行为的实时识别和调查分析效率。
科技伦理治理
Science and Technology Ethics
Blessing or curse？科技是发展的利器，也可能成为风险的源头。过去十年，以人工智能技术为代表的信息技术进步，将人类社会快速带入数字化发展阶段。然而，人工智能发展也带来了算法歧视、隐私保护等社会问题。
AI 和算法应用一直遭受公众怀疑，存在缺乏广泛合法性的问题。近两年，中国对于 AI 伦理、安全、法律法规方面高度重视，数据治理和 AI 伦理规范将被提到新高度，同时法规与行业呼吁金融机构要做科技伦理建设的第一责任人。
链上分布式金融应用
Blockchain and Decentralized Finance
传统金融业务，需要人工参与、需要线上线下的场景和互动，而分布式金融技术，以及基于区块链上的应用，核心价值在于这套应用的可编程性。
无论是资产、标的、价值传递、操作流程、后续服务，全部都尝试通过数字世界可编程的方式或者软件形式来实现，成本极低、通用性强，这对传统金融业务的基础设施和业务流程来说，是一个翻天覆地的全新面貌。
完全基于链上编程的金融业务或许存在漏洞、或许遇到数字货币、金融危机等相关的挑战，但这并不影响中国金融机构，甚至非金融机构，在技术方向与业务应用价值上的探索：完全基于去中心以及可编程技术构建的链上分布式金融应用，将步履蹒跚、但也会越来越进步与成熟。
隐私保护计算
Privacy-preserving Computation
隐私计算在技术层面提供了一定程度规避风险的工具与能力，在确保数据安全和用户隐私不泄露的前提下，对数据进行分析计算，保障数据在流通与融合过程中的“可用不可见”。
未来，隐私保护计算的技术演进方向为综合考虑安全性和效率，打造通用统一性——密码技术学者开发设计更加高效、实用和更“通用”的算法，工程师加速实现方案和协议在实现层面的优化和硬件加速。
为了让隐私保护计算提供更高效、广泛地规模化推广，在保障安全性的基础上，开发设计通用性更强、易用性更强的隐私保护方案和协议，并同时提升现有协议的计算效率则成为科研界和产业界的共同新命题。
数字虚拟技术
Digital and Virtual Tech
虚拟数字人，无疑是当前虚拟数字技术最清晰的一个产品路径。在金融场景中，为迎合新时代年轻人的数字世界玩法、创造更有活力的品牌形象，诸多金融机构近一年纷纷推出数字品牌代言人，引领场景营销新方式。
2025 年前，“数字驱动”是金融行业发展的重要目标，虚拟数字技术则是激活金融数字活力、加快金融智慧化服务的重要技术手段。
利用物联网、移动通信技术突破物理网点限制，建立人与人、人与物、物与物之间智慧互联的服务渠道，打造“无边界”的全渠道金融服务能力。当虚拟化基础技术（硬件、渲染等）出现较大进步时，交互场景与体验将更加真实友好。
自动机器学习
AutoML
自动机器学习（AutoML），是指将机器学习技术应用于现实问题的端到端流程自动化的过程。简而言之，就是将机器学习建模流程自动化实现。
在金融领域，自动机器学习（AutoML） 技术，极大的简化了从数据到模型的过程，提高了模型产出的效率和质量，同时也降低了机器学习的门槛，让没有该领域专业知识的人员也可以使用机器学习来完成相关工作。
云上能力升级
Cloud Computing
金融机构在过去几年已经充分体会到了云计算带来的业务增益效果，云计算切实解决了算力需求、真正帮金融机构将算力成本降下来。稳定可靠性、兼容性（适配能力）、经济性，是接下来金融机构选择云管平台最重视的三个能力，也是评价云计算能力是否足够坚实的评价维度。
未来几年，云计算能力在金融机构内部的底层基础设施地位不动摇，也是其数字化转型的基础保障能力之一。除了上云之外，企业内部云计算能力未来仍需围绕以下三个方面投入建设：计算能力、网络能力、云上提供的基础服务能力。
点击下方小程序，可查看完整版 PDF 报告。
1 月 11 日 14:00-16:00，我们也将举办《2023年金融科技趋势展望》线上直播活动，届时将有业内产业端、科研端等关键意见领袖共同参与，探讨金融科技发展现状及未来趋势展望。欢迎大家关注 DeepTech 视频号预约并观看直播。
*以上分析仅供参考，不构成任何投资建议
本报告由《麻省理工科技评论》中国发布，其版权归属北京演绎科技有限公司（DeepTech）， 《麻省理工科技评论》中国对此报告拥有唯一著作权和解释权。没有经过DeepTech及《麻省 理工科技评论》中国的书面许可，任何组织和个人不得以任何形式复制、传播等。任何未经授 权使用本报告的相关商业行为，DeepTech及《麻省理工科技评论》中国将依据中华人民共和国相关法律、法规追究其法律责任。免责申明 
本报告所载数据和观点仅反映《麻省理工科技评论》中国于发出此报告日期当日的判断。《麻省理工科技评论》中国对报告所载信息的准确性、完整性或可靠性做尽最大努力的追求，但不作任何保证。在任何情况下，本报告中的信息或表述均不构成任何投资等建议，本公司对该报告的数据和观点不承担法律责任。不同时期，《麻省理工科技评论》中国可能会发布其它与本 报告所载资料、结论不一致的报告。同时 《麻省理工科技评论》中国对本报告所载信息，可在不发出通知的情形下做出修改，读者应自行关注。
继续阅读
阅读原文
关键词
《麻省理工科技评论》
《麻省理工科技评论》中国
机器学习