德意志銀行執行長John Cryan曾經提出用機器人替換多達一半的98,000名員工，前不久他又戲劇性推翻了他的假設，意味著他不會履行這樣的承諾，但投資者不必期望其他銀行家能夠說出人工智慧的潛力，為在金融危機以來十年掙扎於盈利能力的行業帶來革命性變革。

前花旗集團執行長Vikram Pandit，作為金融科技傳道人重生 ，預計五年內30％的銀行職位可能會被AI消滅。日本的瑞穗金融集團表示，到2027年，將使用AI來取代19,000名員工，大約就是三分之一的員工。

幾乎所有的知名諮詢公司都已經發表了關於AI如何改變銀行業務的研究。畢馬威更進一步推出了“無形銀行”的願景，即“開明的虛擬助手”在所有客戶互動點取代人。

桑坦德於2010年引入了紅色機器人向其西班牙遊客中心周圍的客人展示。瑞銀在亞馬遜的數字助理Alexa負責客戶服務職責，摩根大通正在使用機器人（無形的）執行交易，摩根士丹利擁有一個人工智慧欺詐檢測團隊。就在本週，匯豐銀行表示，將透過使用人工智慧來檢測洗錢，欺詐和恐怖分子資金。

參與調查的一家歐洲銀行告訴英國“金融時報”，有500-800人正在從事人工智慧工作。瑞典的Nordea一般認為是世界上技術最先進的銀行之一，它說它只有25個。在英國“金融時報”接觸的30家大型銀行中，少數人認為人工智慧預算從300萬美元至1500萬美元不等，披露資料。一家銀行表示，其支出從每年不到300萬美元增加到5000萬美元以上。

總的來說，雖然銀行正在對其業務進行AI測試，但它們並不像公眾宣言所表明的那樣樂觀。在願意估計人工智慧長期成本節省的七大銀行中，有六家表示將削減成本不到20％，其他則更為樂觀。

目前還不可能發展得這麼迅速。隨著人工智慧(AI)的發展，機器人將取代人類一些傳統工作的威脅論開始湧現。但在某些領域，這些非人類勞動者似乎仍舊無法與人競爭。近日，瑞典網路銀行Nordnet就解僱了它的AI員工--Amelia。去年，Nordnet與美國科技公司IPsoft簽署了Amelia合作協議，旨在加快客戶的辦理速度、提高客戶的滿意度。然而這個AI卻沒能做到這兩點。

Nordnet CEO Peter Dahlgren告訴媒體，公司將把AI的重心轉移到其他領域。“我們已經嘗試讓它（Amelia）面向客戶，反應還算可以但算不上很好，所以我們選擇短期內將我們的AI專注到其他領域。”

或許Amelia不適合Nordnet，但另一家瑞典銀行--SEC卻一直在很好地利用它。這家公司還因工作改善--很有可能由Amelia促成--而獲得了AI行業的一個獎項。

AⅠ將先撕裂、再重構傳統銀行，這已經是確定無疑的。

未來傳統銀行下崗潮的慘烈，將堪比20年前東三省國有企業的下崗潮。

過去，傳統銀行一直有“三多”的優勢，利差收入多、線下網點多、在職員工多。而現在，“利差收入多”已經一去不復返，在前幾年餘額寶等網際網路貨幣基金的衝擊下，現在，除了極少數對公帳戶偶有閒錢趴在帳上讓商業銀行坐享“利差”，商業銀行的存款端成本越來越高，利差空間越來越小，大部分需要透過較高成本的理財或同業拆借解決。

這僅僅是傳統銀行受衝擊的第一步。未來，在不得不接受AⅠ的系統改造之下，傳統銀行的線下網點將大幅減少，在職員工減少幅度將更甚，不擴張地講，未來5年，傳統銀行裁員比例至少達到30%，減少100萬人，未來10年，傳統銀行裁員比例至少達到50%，減少近200萬人。

這不是危言聳聽，而是大勢使然。要知道中國傳統銀行的在職員工有多少?380萬!這是銀監會截止2015年底的資料，這相當於中東的科威特人口和大洋洲的紐西蘭人口。而其中，農業銀行和工商銀行的在職員工之和就接近100萬人。

在這380萬銀行在職員工的構成中，至少近一半是銀行櫃員和大堂接待員。而櫃員和接待員恰恰是AI最容易取代的群體，因為這一群體的工作程式化、簡單化，人工智慧(智慧機器人)完全可以取代，現在有些商業銀行，如交通銀行已經嘗試推出名為“嬌嬌”的智慧客服機器人。

此外，在移動網際網路的普及之下，以及AI(包括區塊鏈技術)對傳統支付結算的賦能之下，商業銀行的眾多傳統業務，以後絕大多數只需要線上辦理，而勿需去銀行線下人工辦理。所以，未來人員減少、網點減少，必將成為傳統銀行向資料銀行全面轉型的核心標誌。

以後aifinance （人工智慧金融） ， aifinancing（人工智慧理財）就是流行詞，就像網際網路金融，網際網路理財一樣流行。當然aifinance.cn或aifinancing.com這樣的域名也價格不菲。

Emmm，實話實話，不會，起碼這幾年還不會。現在人工智慧在銀行中的應用，最大的是人臉識別身份認證，其次是替你解答問題的線上智慧客服，姑且把影片安防攝像頭什麼的也算上的話，也只是佔真正的銀行業務裡的一小部分。

最近幾年人工智慧概念的火熱很大程度上是因為隨著計算能力的發展（此處可cue英偉達）深度學習演算法在應用落地方面大放異彩。所以與其說是人工智慧火，不如說是“人工智慧”底下的一個分支學科“機器學習”裡的一種分支演算法“深度學習”火了而已。

那麼深度學習真正落地應用的領域是什麼——也就是我們常說的“能幹啥”？

主要有兩樣：語音、影象。

語音方面包括語音識別（直接的應用就是語音轉文字）、語意理解（NLP，也就是讓機器明白你的話，直接應用有翻譯、語音助手等。這個發展其實遇到了一定挑戰，你開啟谷歌翻譯或者百度翻譯試試，又或者是隨便調戲下Siri，就知道這玩意其實有點人工智障）、還有語音合成等。

影象方面應用稍為多一點，但也主要集中在靜態影象跟動態影象（影片）的人臉識別、人體識別、車輛識別、文字識別等方面。

我們拿現在銀行業務最多最廣（現在已經被農行、中行、建行在內的80多家銀行使用）的AI公司雲從科技來說，他們現在是銀行業人臉識別技術最大供應商之一。

（雲從科技為銀行櫃檯提供的人臉識別解決方案）

雲從科技從2015年成立之初便已經認定了銀行金融業務，現在除了人臉識別身份認證之外，雲從還提供超級櫃檯、刷臉取卡、自動髮卡機等非現金業務操作中。

發現沒有，AI在銀行業務中的落地基本還是以身份識別、身份核准為主，雖然現在也有不少人在研究用AI來做風險控制、股票買賣投資之類的金融專案，但是暫時都沒有取得特別大的突破。要滿足現在的AI（深度學習）顛覆行業，這個行業要滿足以下兩點：

1、場景窄，規則明確：比如圍棋，為期的規則非常明確，棋盤上有多少目數，最後的輸贏，全都一目瞭然。現在的人工智慧比較適合在一個閉集裡應用。

2、可用的資料量夠大，能夠對深度學習神經網路模型進行很好的訓練。就像看過了成千上萬張影象後，機器可以辨別出這是貓還是狗，是人是車。

金融市場中很多場景應用都是多變數、場景大、規則變化、可用於訓練的資料量並不多，所以暫時來說，人工智慧還不能重構金融生態。