雷锋网按：7月12日-7月14日，第四届全球人工智能与机器人峰会（CCF-GAIR）于深圳正式召开。峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，深圳市人工智能与机器人研究院协办，得到了深圳市政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会，旨在打造国内人工智能领域极具实力的跨界交流合作平台。
7月13日，阿博茨科技联合创始人余宙为CCF-GAIR「AI金融专场」做了题为「AI金融大脑驱动知识处理变革」的大会报告。
余宙表示，“金融领域的知识处理”是当前金融行业面临的最大挑战之一，抠数据、找数据、填数据、画图表等粗活累活充斥着金融从业者的日常，“表哥、表妹、金融民工”的自嘲也由此而发，金融公司需要面对居高不下的人力成本和高离职率的双重困扰。
余宙认为，“人应该成为机器的一部分，而非机器”，通过阿博茨科技的AI金融大脑结合RPA技术，打造一系列超级分析师助理机器人，并运用在日常的数据处理业务中，让机器这台从不歇止的永动机，把人从繁杂重复的工作中解脱出来，从而投入到更有价值的决策工作中去，是阿博茨科技核心要做的事。
对公司而言，利用机器除了获得人力成本的下降之外，更大的收获是对公司知识的沉淀和对人员依赖的减轻，使公司能够成为“铁打的营盘，流水的兵”，让所有的用户和员工都来训练同一台超级大脑。
以下为余宙的现场演讲内容和会后采访，雷锋网AI金融评论作了不改变原意的编辑：
大家好，我的名字非常好记，就叫余宙。很多人说我的英文名字是不是就起Universe好了。我们公司的名字更好记，大家先看中文名叫阿博茨科技，可能有90%以上的人听到这个名字的时候会想“阿博茨”几个字到底怎么写？是什么意思？其实我们看一下英文就非常容易懂了，ABC。这是一个特别容易测出年龄的问题，一般之前都学过汉语拼音，把ABC用汉语拼音来读一遍，就是“阿博茨”的发音。
从技术角度讲很容易想到，ABC中的ABC分别代表了AI、Bigdata、Cloud，也就是人工智能、大数据和云服务。于是我们就起了一个非常接地气的名字就叫阿博茨。
此外，因为谷歌的上市公司叫Alphabet，是一个字母表公司，我们也对标了这样一个目标，就起了一个非常中国化的阿博茨科技。
用机器人解放“表哥表妹”
阿博茨主要做什么事情呢？我们主要是为金融行业提供四类机器人：第一类是抠数据，第二类是找数据，第三类是填数据，第四类是画图表。
刚开始接触金融行业的时候，都说金融是一个知识沉淀和经验非常多的行业。去年我去瑞士银行的时候，出来了一位头发花白的客户经理，说这是我们的资深客户经理，沉淀了30年的经验，要培养这样一位经验丰富的客户经理，能够回答出来你的任何问题，是需要非常大的代价的。那么我们就想，这些知识和经验要如何传承，如何被记录。
谷歌之前收购过一家公司叫Freebase，他们存储了这个世界上庞大的知识库，里面有19亿条人类的知识，但这里面仅覆盖了不到全球知识的1%。我们现在面临的最大挑战和问题，就是人类和机器如何进行沟通。
提到金融，也有一个非常有意思的话题，去年年底很多人在考CFA，非常着急，一定要在年之前过，因为从年开始的CFA考试要考编程语言了。
打个比方，上个世纪以前学习一门外语是掌握如何和世界上不同的人进行沟通，但在如今的AI时代，掌握一门机器语言是一种最好的和未来世界进行沟通的方式。
那现在我们面临的最大挑战是什么？就是大量非结构化知识如何处理的问题。人类现在产生了大量非结构化的知识，比如说我现在站在台上的一段演讲，比如一段视频、一份新闻稿、一份文件。金融行业经常碰到的是研报、公告、新闻资讯、图片、电子邮件，每天大家都被这些非结构化的信息给充斥着。
(金融行业知识的构成)
为什么我们有这个idea呢？几年前我们在做投资的过程中，遇到越来越多金融圈子的人，他们常会说如果你们是码农，我们就是金融民工，因为每天都在干着抠数据、找数据、填数据和画图表的事情，这个行业里对这些人也有一个昵称就叫做“表哥、表妹”。
实际上，大家在处理这些事情的时候，非常费时耗力，而且出错率高，业务也重复。根据之前的一项全球统计，有35%的公司倒闭是因为人力成本过高，人力成本可能是压倒这家公司的最后一根稻草。
随着现在的年轻人不断开始走向更重要的工作岗位，我们也听到很多老板在抱怨，说现在的90后甚至是00后，大家都非常喜欢创新型的工作，讨厌枯燥乏味的工作，每天让他干着“表哥、表妹”的活，离职率非常高，结果好不容易培训了一群人，刚掌握了公司的数据结构和信息之后，就离职了。
上次我们就碰到一个首席经济学家，他有一个培养了三年的分析师助理要离职了，要去寻找人生新的意义。他的工作每天就是从各种金融终端里面去抠数据，做图表。这样的工作非常枯燥乏味，对于人本身的成长来说，老一代的金融分析师可能会说这是一个培养数据感的过程，就是如何对这些数据更加的熟悉。但对新一代的人来说就比较重复了。
（处理数据or浪费生命？）
对机构来说，去年有一本书非常流行，就是瑞·达利欧写的《原则》，里面有个核心观点对我来说非常有价值，他说：人应该成为机器的一部分而不是机器。因为人是有感情、有情绪的，会累，不能24小时工作，所以，我会考虑我应该如何做一个系统，让人成为机器的一部分。
刚才提到了重复的工作量，在日常工作中，相信这些工作是大家非常熟悉的金融行业中的一些事情。这里的什么事情需要人来干呢？数据挖掘、采集、处理等会充斥在“表哥、表妹”的日常工作中。
因此我们做的事情，就是通过ABC的金融大脑，把自然语言处理、机器视觉技术以及机器学习、深度学习技术，运用在日常的数据处理工作中。就像一条生产线，把原始的材料丢进去，最后能够有一道精美的菜肴被做出来。金融分析师就像一位厨师，要有人帮他买菜、洗菜，切菜、准备佐料，而这些工作都可以用机器人来替代。
AI三层次成就超级分析师助理
（ABC金融大脑三层成就超级分析师助理）
那么AI分成几个不同的层次呢？我认为有以下几层：
第一层是认知引擎层，就是第一步打开了人和机器世界沟通的环节，如何让机器能够读懂一张图、一张报表、一份文件呢？首先是让机器人具备一只眼睛。
传统的人机交互方式，首先是让人学会编程语言，让所有的数据被处理成结构化。不知道现场有没有数据分析师或数据科学家，我们也会大量地处理数据库里的结构，在很多应用场景里，有一些分析师要找研究报告里面的图表，有几十页甚至上百页。
比如说我想知道前一阵子海底捞刚上市，海底捞的门店数量有多少？如果要搜这个数据，最理想的是丢给你的实习生做，让实习生在众多海量的报告里把这个东西找到，帮你提交出来。
这时候如果用机器的话，机器首先要阅读这些大量的报告，然后才能把这些数据找到。认知层就是把所有非结构化的数据，包括公告、研报、新闻、图片、视频和语音都可以解析出来。
第二层是感知层。它和认知层最大的不同是什么？打个比方，比如说看到街上有一个红绿灯，知道红灯停、绿灯行，或者红色代表的是警示、注意、慌张，绿色代表的是平和，这些都是感知层做的事情。认知层上，机器只能识别是红色还是绿色，RGP值是多少，是不带有任何情感的。
那么在传统的识别层面上，比如说我们解析一张财务报表，或者是解析一段文字，比如说里面出现了2.，中间是一个逗号，百万美元。中间的逗号到底是属于单位的分隔符，还属于金融单位呢？这些都是需要结合上下文，有专业的金融知识，才能把这些数据和信息结构整理得更好，这就是对内容和数据的理解。
所以我们说AI的技术必须放在非常垂直、非常细分的领域，才有可能做好。像谷歌那样，把人类所有的事情都干了，那是好事情，但不是创业公司的菜，也不是小公司能做的事儿，我们就要选择一个非常垂直、细分的市场。
另外一个案例是，可能很多人都在用iphone，号称有最强的语音助理，但是我们也经常发现它很蠢，因为有时候导航还不如国内的百度和高德，就是因为百度和高德在导航这个上面累计了大量的训练样本，所以它的感知层就会做得更好。
第三层是可视化。当机器读懂信息之后，如何把这些信息回馈给人类的分析师，就要有一套自觉的能够绘图、会标的引擎。假设我是一个刚入行的分析师，你丢几个数据给我让我生成一个图表，我就是什么都不知道，唯一能够做的就是读那些老司机的报告。
目前ABC的引擎已经学习了超过3千万份金融的文档和报告，阅读了超过10亿张的金融图片和信息，当你扔过来一些数据之后，可以自动的把表格、图纸绘制出来，这就是金融大脑。
对于所有人来说，这个机器人就像是一个超级实习生或是超级分析师助理。AI的这几层，可以极大帮助分析师解决对于公开市场上的数据进行获取，同时如果在进行私有化部署之后，还能够大量挖掘自己家里的海量数据。
经常说很多金融机构是坐在金矿上，但由于这些数据都是隐藏在各种文件中的，被沉淀在金矿里，默默无闻地躺在那里，只有人肉挖掘机挖掘，但现在我们就可以用机器人去做了。通过自然语言的检索和语义的分析，可以实现一些简单的问答，最终能够把这些数据进行可视化。
创造金融数据的永动机
最近在整个金融行业，尤其是全球的技术行业，RPA机器人特别炙手可热。我们有的金融大脑，结合RPA的技术，是一种自然而然的延伸，从大脑到手脚的延伸，做到“知行合一”。
RPA和前面的绘图、找数据的机器人有什么最大的不同？答案是：它的流程性比前面的更强。我们经常说RPA解决两个问题，就是在流程上的断点和阻塞点。什么是断点？我们试图做一个永动机，或者是一个全自动化的流程，让这个事情从输入到输出能够完整的经历过去，但现在发现中间存在很多的断点。
举个例子，比如说银行做信贷，收集上来的大量的纸质的扫描信息，现在是不是可以全自动化的录入到风控系统中去？在没有金融大脑之前，传统的RPA机器人需要人作为预处理的输入终端，由人手抄的方式把信息，或者是通过OCR的方式输入进去，但是机器人不能识别和理解里面的内容，导致大量的RPA机器人在复杂的工作中会失效。
（传统RPA和AI时代的RPA的区别）
在终端层，比如说现在的传统机器人，可以支持一些网页、windows的程序或者其他的程序，做过程序开发的人就知道，可以在HTMA里面找各种各样的标记，但是在这个过程中，如果你碰到一些本地的客户端的程序员，他是自己绘制的界面，可能是通过坐标和点击区域进行的描绘，可能对机器来说这个界面就是瞎的。
最锉的RPA机器人是什么样的呢？每填一个格子点一下，就是把表单完成填写。演示的时候，就是QQ弹出一个消息，再往下点就是各种花边新闻，整个流程就被中断掉了。
如果是不带视觉、不带AI的传统RPA机器人，很容易在各种事物的处理流程中，像一个机械臂没有眼睛一样，被当前的流程所困惑。
而新一代的RPA通过人工智能够给RPA附上眼睛、大脑，能够读懂非结构化的文本、应用程序，同时进行相应的决策。这样的RPA就能够解决传统的只是模拟手脚操作的过程，进化到能够模拟一些初级员工在工作中的重复性劳动。
（Everdroid-认知RPA机器人）
我们的RPA机器人叫做Everdroid，Ever是永远的意思，代表着永不停歇，可以7×24小时为大家提供服务和工作，从成本和代价来说，至少是普通人工的3倍提升，成本上的降低就更多一些。
所以能够使得赋能的RPA机器人有感知、认知和相应的训练出来的职业技能。当他所处的工作和流程越垂直、越细分的时候，就越能够发挥机器学习的优势，成为一个老司机。
对很多的机构来说，最大的收获不仅是人力成本上的减少，更多的是对公司知识的沉淀，对人员依赖的减轻，使得机构成为“铁打的营盘，流水的兵”，让所有的用户、所有的员工来训练一台超级大脑。
当然这个对很多员工来说听起来是一件很悲哀的事情，但是对未来市场的成长来说，就是需要机构赋能这些用户，谁家在这场军备竞赛中储备了更强的武器，反而能够吸引到更多的优质人才。也使得工作者能够从事一些更有价值的工作，而不是每天在重复性的劳动中度过。
对于机器人来说，可以适用的场景包括券商、银行、财务以及各种各样的其他金融场景，在金融行业，甚至是一些跳出金融行业的跟数字、报表打交道的行业，机器人都是有使用场景的。这让阿博茨的RPA从金融行业得以拓展到诸如财务等更多的领域，可以覆盖更多的企业类型。
（Everdroid覆盖的场景）
另外，ABC的RPA与一般公司的区别是，我们建设了一个RPA开放平台。一部分开放是将ABC金融大脑和RPA技术开放出来，让外部的开发者通过简单的模型配置，就可以创建一个流程机器人，为企业自动化创造一个独有的解决方案，为此我们创建了一个开发者社区，网址是