下载掌阅APP，畅读海量书库
立即打开
如果你读过《从0到1》这本书，应该对PayPal这个公司有所了解——硅谷创投教父、PayPal创始人彼得·蒂尔便是这本书的作者。另外，PayPal黑帮（PayPal Mafi a）的说法也由来已久。2002年的时候，eBay（亿贝）以15亿美元的价格收购了PayPal，当时PayPal公司的许多重要员工纷纷选择创业，自立门户。PayPal也因此成为硅谷史上创业者群体最多的一家公司，这些人被称为PayPal黑帮。黑帮成员们创建了领英（LinkedIn）、YouTube（优兔）、Yelp（美国最大点评网站）、Space X（太空探索技术公司）和特斯拉（Tesla）等多家大名鼎鼎的公司，有着十分强大的社会影响力。
PayPal是美国一家提供在线支付服务的公司。马云当年受PayPal的启发，创立了支付宝。PayPal近几年市值的增幅非常显著，远高于同期纽交所和纳斯达克的增幅。PayPal公司2015年的市值接近400亿美元，到2019年上半年市值增加至3倍多，已经快1 300亿美元了——这个体量的市值，在美股互联网公司里位居前十。
PayPal能如此快速发展起来，很大程度上是得益于人工智能系统提供的强大动力。我在2012年初加入PayPal公司，负责建立了PayPal全球数据科学平台。当时PayPal对数据的加工和利用还相对比较滞后，不能跟谷歌这样的搜索引擎公司相提并论。值得庆幸的是，在2012年，PayPal公司把营销、广告、数字化方向的人工智能团队收拢在一起，整合构建了在硅谷都颇有影响力的PayPal数据科学部。而后，数据科学部经过数年的努力，在PayPal用户端内容的个性化呈现、为商家定制的“千人千面”广告推荐，以及在核心产品体验的提升上，全都通过人工智能进行了系统性的升级改造。
当时，虽然PayPal在全世界大多数国家和地区都有用户，可最大的市场还是在美国，但是美国国内的用户数已经非常饱和，短时间内无法再有太大的增量。既然开发新用户的难度很大，PayPal决定另辟蹊径，那就是增加每位用户的交易额。为了增加用户的交易额，PayPal数据科学部的任务就是为PayPal所有的用户精准推荐商家和商品。
理想情况下，PayPal想知道用户在每一个时间点可能会有哪些需求：比如为了周五晚上聚会，你打算到日用品网站购买些派对用品；或者周日中午，你会想去餐厅吃一顿大餐。有了关于这些需求的预测后，通过定向推荐全渠道精准的广告，PayPal可以把消费者和最能打动他们的产品或服务连接在一起，从而提高每位用户的消费金额，实现巨大的增量商业价值。
知易行难，PayPal用了两年多的时间，才成功地建立了自己的人工智能平台。这个平台主要由消费者动机预测引擎、精准推荐引擎以及优化客户生命周期的最佳行动引擎构成，而这几个引擎均部署在大数据平台之上，跟海量的底层数据衔接，面对动态的业务需求能够自动地构建解决方案。
其中，动机预测引擎通过人工智能，预测用户在某一个时间点的行为，包括点击广告、兑现优惠券、购买商品等；精准推荐引擎连接用户和他可能感兴趣的商家或商品，做出恰当的推荐；最佳行动引擎则通过人工智能优化在每一个时间点，商家采用什么样的策略，能够最有效地提升用户的价值。三个引擎相互结合，就有了精准理解消费者行为的能力，就像找到打开宝库的“芝麻开门”，把最恰当的商品和商家服务送到消费者面前。
人工智能平台为PayPal带来了成倍的交易增长速度。通过人工智能的精准预测、推荐和优化，PayPal的营销活动平均响应率提升了2~3倍，部分营销活动的点击率和兑现率超过5倍，总体投资回报率（ROI）也得到大幅提升，对公司基本面产生很大的影响。但是，通常来说，人工智能对公司的影响并不一定立刻体现，而是随着时间的推移，逐步释放出来。当人工智能平台已经有一定的规模以后，所带来的业务加速的增量会变得更大。2014年底，PayPal实现了19.4亿美元的利润，比2012年底提升了近30%；2015年的利润甚至超过了母公司eBay。随后PayPal从eBay剥离，单独上市，至今市值已经增长了数倍。
2018年我接受第一财经的采访，发表过一篇访谈文章《最好的数据科学家，就是把自己给“干掉”》。为什么数据科学家要把自己“干掉”呢？人工智能提升业绩依赖的主要是平台，而不是仅仅靠几位优秀的数据科学家。当然，搭建一个平台需要专业而尽职的团队，但是落地投产以后，优秀的人工智能平台可以独立运行，而不再依赖于某位数据科学家本身。换句话说，人工智能平台就像给机械化的工厂装上了一个“大脑”，在保持高生产效率的情况下，还能千人千面地提供个性化的产品服务，这就是人工智能平台化的魅力所在，也是数据科学家被“干掉”的原因所在。如果一个企业已经形成了人工智能平台化的运营方式——正如PayPal对用户的人工智能精准推荐体系，可以实时对全球的三亿用户进行智能推荐，这套体系是可以持续发挥价值的，并且随着时间的推移，用户的黏性越来越强，数据的积累越来越多，这个价值会释放得更加厉害。
现今很多人使用的今日头条、抖音也有内容推荐系统，它们推荐的内容确实是有黏性的。随着用户的使用，积累和沉淀的数据越来越多，平台内容的推荐也就越来越精准，这样就会赢得更多用户的青睐。所以，在以人工智能为核心的智能经济里，只要在恰当的方向上建立了相应的人工智能平台和体系，人工智能就会通过不断的学习形成正向的反馈。正向反馈对应的是业绩更加快速的增长，最终形成一个极具规模的叠加效应，而不是简单的线性增长。这样的叠加效应，依赖于人工智能平台本身的演化，并随着时间的推移产出更多的增量价值。
亿客行是全球最大的在线旅游公司之一，业务遍及全球，2007年通过与艺龙的合作正式进入中国市场。在人工智能的支持下，亿客行在广告变现领域满载而归。2010年时，亿客行的广告营收在1亿美元左右，这个数字对于行业巨头来说不是特别大。2011年，我帮亿客行开发了一套人工智能系统。这套系统上线以后，亿客行的广告营收获得了大幅度的提升。在这个过程中，亿客行坚持了一件事情：通过人工智能系统预测用户在网站上产生购买行为的概率，也就是预测一个访客在网站上转化为交易用户的概率。
人工智能具体预测什么事情呢？如果用户打开亿客行网站或者在手机App（应用程序）上搜索一个行程，比如从北京到洛杉矶的航班，亿客行的人工智能系统可以实时地预测这个用户的真正行为目标和意图。系统在用户点击“搜索”按钮的这一瞬间触发几百个用户相关的行为数据维度的分析，非常迅速地产出预测结果，通常在几十毫秒内完成。如果这个用户真正要购票的话，人工智能不会给你弹出广告，免得打扰用户，干扰即将发生的交易；如果用户只是试探性查询，只是想要对比下不同网站的购票价格，人工智能就会给用户弹出竞争性的广告。
什么是竞争性的广告呢？这些广告主本身并没有入驻亿客行，所以这些竞争性广告相当于是从站外引入的。正因为这些站外商家和本网站主营内容相似，对于想要比价或者试探性查询的客户来说，这类广告是具有高意向性的广告，广告的点击率远高于平均水平，所以这类竞争性广告的卖价比一般的展示性广告，也就是我们经常在网站页面上看到的横幅广告也要高很多。这个模式成立的关键点在于，亿客行通过人工智能预测引擎，可以很准确地预测出来亿客行网站的某个访客是真正来购票的，还是只是来亿客行对比下价格，对比完就离开，到别的网站去买票的。
这个预测引擎搭建完成以后，它的直接效果是把大量不购买的网站流量做了广告的变现。有统计数据表明，这类不购买的用户占了总访客数的97%。用户既然来网站只是看看，并不购买，那么，网站给用户推荐一个相关类型广告，用户只要点击了广告，广告主就会给网站付费。同时，预测引擎也做到了完备的风险控制，否则如果用户真来网站上购买产品，而网站给用户推荐了竞争性的广告，对网站来说就会造成亏损。
用户如果真的打算去国外游玩，在亿客行上搜游玩行程，多半看不到这种竞争性广告，因为亿客行的广告策略不允许降低网站本身的交易额。但是如果用户只是搜着玩儿，或者看完价格以后要到别的旅游网站或者航空公司去购票，用户多半会看到这类竞争性的广告，而用户的每次广告点击都会给亿客行带来收入。
亿客行的人工智能系统能够预测出来哪些人会购买，哪些人不会买，从而做到精准的广告推荐，这样既增加了额外的广告收益，又控制了潜在的对网站本身交易的风险。由于人工智能对每位访客的意图做出了准确的预测，这套人工智能广告系统在2011年上线之后，亿客行的广告营收稳步增长，到2018年已经超过10亿美元。
亿客行部署的人工智能预测引擎，是人工智能商业化一个早期的实践，后来这个系统的延伸版用在更多的在线交易场景下，也被美国风险投资商经纬创投、红点创投等国际知名风投公司所追捧。通过人工智能的精准预测，网站实时了解到用户的真正意图，把更恰当的内容呈现给用户，从而做到网站经营者、广告主和用户的多方共赢。
做金融的秘密武器
人工智能在金融领域中也大有可为。举一个例子，假如一个人刚踏入社会，参加工作时间很短，每个月收入不高。如果他去银行申请贷款，会得到什么样的答复呢？因为收入太低，银行没有很多流水记录，贷款申请会被拒绝，这很可能是当前银行基于现有数据做出的决定。
但是，让我们换一个视角来看，同样是这个人，在大数据的棱镜下，他经常参加网络课程和社会福利活动，爱好音乐和阅读，喜欢软件开发的交流。如果给这么一个人审批，作为金融机构的审批人员，会不会批准他的申请呢？在这种视角下，金融机构很有可能会给他提供一些信贷服务，因为他的兴趣爱好广泛，行为健康向上。虽然在金融领域没有强大的数据支持，但是他在社交和专业活动等方面正面且稳定的行为，可以作为金融机构审批信贷的参照依据。金融行业审批贷款的趋势是使用更多种类的非金融属性数据，通过人工智能来解读这些数据，使其能预测一个人的信用和风险水平，从而服务金融机构的风险控制需求。
如何通过人工智能深度分析大数据并在金融场景下使用，是一批想进入金融领域的互联网公司面临的问题。在阿里和腾讯都投身金融业务之后，百度在2015年才姗姗来迟，正式开发金融业务。当时百度的金融业务并不被业界所看好，一个很重要的原因是，虽然百度有很多关于互联网用户的行为数据，却不像消费数据那样与金融有强相关性，怎样通过这些看似与金融无关的数据去开展金融业务，是百度进入金融行业时亟须解决的一大难题。百度想到的是，通过人工智能将二者联系起来。
2016年初，百度高层找到我，希望我帮助百度在信贷场景用好人工智能。也就是说，通过人工智能去精准预测用户在金融上的表现。所谓金融上的表现，通俗来讲，就是一个用户借了钱后有多大的可能性会逾期不还。如果用户还钱概率很高，那么这个信贷业务就能够赚钱。但是如果逾期不还的人数较多，那这个业务就肯定要赔。我需要帮助百度解决的问题，就是用人工智能预测用户借款后会不会按时还钱。
举一个具体例子，如果某位小企业主的公司出现了经营问题，他想找金融机构申请一笔个人贷款，那这笔贷款对金融机构来说风险很高，因为他很可能逾期不还。通过借款人的行为数据可以分析得知，贷款是大概率用作个人的流转，还是要用作企业经营。这是两类不同类型的借款，借款人如果打着个人借款的幌子去填企业的坑，对金融机构来说风险相当高。在这种场景下，人工智能通过对大量行为数据和金融表现数据的分析，可以得出相应的结论，因而对这些人来说，如果他们来申请个人贷款，金融机构就应该拒贷，不把钱借给他。此外，还有很多在金融上有重要意义的数据，例如，借款人是一个日常生活稳定的人，还是一个居无定所的人。通过人工智能的深度分析，借款人的不同行为在金融上都对应了不同的逾期和风险概率，这些概率成为金融决策规则的一部分，帮助金融机构更安全地提供信贷服务，同时扩大放贷规模。虽然人工智能做出的预测不可能百分之百地准确，但是我们已经可以实现非常高的准确率，这对金融业务的开展仍然有相当大的帮助。
当时我估算过，风险控制上的预测准确率每提升1个点，带来的增额收入接近1亿元。基于这样一个人工智能风险管理体系，在控制风险的情况下，把流量逐渐打开用于金融业务，度小满金融（原百度金融）与金融机构合作的资产规模不断增长，在一年左右的时间里累计发放贷款超过3 800亿元，为50多家银行合作伙伴创造了近100亿的利息收入，真正让人工智能赚钱，且风险可控。
人工智能的一个重要意义在于它能帮助各行各业转型升级。例如对于银行而言，如何能够低成本精准获客是一大痛点。截至2018年末，我国商业银行机构数量已经达到了4 000家以上，其中国有大型商业银行5家、邮储银行1家、股份制商业银行12家、城市商业银行134家、住房储蓄银行1家、民营银行17家、农村商业银行1 262家、农村合作银行33家、农村信用社965家、村镇银行1 562家、外资法人银行39家，银行间的同业竞争十分激烈。而互联网金融公司的兴起无疑更增加了银行拓展客户与业务增长的难度。互联网金融平台以效率高、体验好吸引客户，银行如果止步不前，不注重提高用户体验，由此造成的客户流失可能会越来越明显。
另一方面，随着商业银行不良贷款率的居高不下，信用卡业务、贷款业务的风险控制也成为银行关注重点。根据银保监会发布的银行业主要监管指标数据，2019年一季度末，商业银行不良贷款余额2.16万亿元，较上年末增加957亿元，不良贷款率为1.80%。随着银行业务扩张、客户下沉，客户的金融属性越发稀疏，贷款业务的风险控制也成为痛点。
2018年，我参与领导了百度与中国农业银行的“金融大脑”项目，在客户画像、精准营销、信用评价、风险监控、智能投顾和智能客服等方面为农业银行提供人工智能服务，从营销、风控到运营、决策，全领域为农业银行的智能化转型赋能。
金融大脑平台是农业银行的核心人工智能系统，以它为核心的人工智能金融平台解决方案，为农业银行打造了全领域的人工智能能力体系，这在业内是首举。金融大脑平台包括感知引擎和思维引擎两大服务引擎，实现统一的智能服务，在大范围多场景下集成了人工智能核心技术。感知引擎和思维引擎就像人的左脑和右脑，让计算机程序像人一样不但能看、听、说，还能针对外部环境的变化做出最优的决策，帮助农业银行更好地开展金融业务。其中，感知引擎可以进行人脸识别、活体识别、OCR（光学字符识别）、语音识别、自然语言处理、语音合成，在保证银行业务安全可靠的同时，不断提升用户的体验。思维引擎则基于机器学习，在营销和风控的核心业务领域，帮助农业银行在快速变化的市场环境中高效、准确地做出决策，提升业务效果。
作为农业银行人工智能的核心系统，金融大脑为智能应用提供人工智能基础能力的支撑。在智能营销领域，思维引擎构建精准营销模型库，实现多渠道协同的智能化系统营销，助力信用卡年新增发卡连续突破1 000万张。智能推荐营销响应率达到自然增长的4倍有余，单次营销活动可为行内节约营销费用1 000万元以上。举个例子，对于银行机构来说，一个通常的广告推送渠道就是发短信。整天收到来自不同银行的各种各样的短信，用户会十分反感，因此对于银行而言，短信一定要发得精准。短信发得不精准会导致两个结果，一是用户被骚扰了，可能会退订短信，或者对银行产生负面的认知；二是发送短信也有成本，虽然单条短信价格很低，但是随着量级的上升，成本也会变得可观。在中国农业银行，我们通过对大量过往用户行为习惯的分析，建立了精准的营销响应模型。这个模型可以帮助我们发现哪些用户看到营销短信之后，会产生积极的行为和反馈。这些产生响应的用户才是营销活动应该选取的目标用户。这样基于人工智能的营销让短信只发送给高意图人群，不会打扰其他用户，降低了营销成本。
在智能风控领域，农业银行的信用分模型和反欺诈模型提供的服务，实现了实时、精准的智能化风控，有效防控了风险。其中，信用分模型可以预测识别出风险客户，比如在自助申请和自动审批的网贷产品“网捷贷”准入场景中识别出92%的不良客户。反欺诈模型在日均7 000万笔的掌银（掌上银行）交易过程中，可提供毫秒级响应的实时监控，每天平均预警交易可达1万笔，有效地保障了交易安全。
以上讲述了4个我亲身参与的行业巨头的案例，其中既有比较传统的银行业，通过人工智能实现成功转型；也有互联网科技业，通过人工智能大规模增加效益。无论在传统行业还是在新兴产业，数据和人工智能都产出了史无前例的商业价值。当然，从数据到价值的跃变涉及方方面面的许多环节，需要相互配合、相互衔接，无论哪个环节出现问题不能有效解决，都会阻碍最终价值的产生，不少人工智能项目也因此以失败告终。我在多年的行业实践过程中，总结出一套行之有效的人工智能方法论——AI思维——来解决这些问题。这几个案例只是一个铺垫，算是了解AI思维的热身环节，后面我们会从概念到实操等各个角度，以及金融、零售等多个行业，具体详细地阐释根据多年行业经验凝练而成的AI思维。