gdfc org cn财联社10月30日讯，华为云高级战略顾问黎江在上海金融大数据联合创新实验室成立仪式上表示，上海要想成为国际金融中心首先要解决的就是数据的供应产业链问题。五方合作的金融大数据联合创新实验室应当肩负解决这个问题的使命。

　　首先祝贺今天隆重宣布的金融大数据联合实验室成立。在介绍整个人工智能科技在金融数据的应用之前，我先说一下个人参加今天活动的三个感想。

　　第一个感想，我是90年代初在美国的金融机构工作，1997年回国，回国以后一直在国际的科技公司工作，在IBM、微软都工作过。我见证了中国金融行业从90年代末，从当年的信息化到今天的数字化转型。在这个发展的过程中目睹了国内金融机构，包括各金融买方、卖方取得的巨大的科技成就和在科技方面的领先创新。

　　但同时我们也看到在金融行业中其实还有很多短板，我个人认为在金融行业里面有三个特别明显的短板，这个短板不仅关系到某一家金融机构，实际上关系到整个金融行业。

　　第一个短板就是跨境支付网络。跨境支付网络是一个大杀器，曾被某些国家应用在金融制裁上。跨境支付网络会给中国的金融业带来巨大的影响。

　　第二个短板就是我们今天的主题，基于数据的金融、资产定价的能力。因为不管是资管行业也好，不管是外面的买方、卖方、标的方还是最终的投资人，实际上金融资管行业是建立在数据之上的。但是我们现在的数据使用模式还是非常小型化，非常底分散，某种意义来说大量的数据没有能够汇聚到我们金融机构。

　　如果我们看国际上金融数据提供商是谁？是路透、是彭博。金融数据评级机构是谁？是标普、穆迪和惠誉三家机构。金融指数机构是MSCI和晨星，这些机构它们背后的控股方又是谁？是国际上一些大的资产管理公司。

　　我们第三个短板，就是基于整个金融市场的做市能力还不行。国内单个金融机构有一些市场风险能力，但是还没有大的金融做市商，没有一家公司像高盛这样善于跟市场风险打交道，把很多风险资产买过来、进行重新定价，进行包装转移、再卖掉。高盛每一年的金融资产定价是几十亿次，而我们的定价非常慢，而且频率低。

　　从行业目前面临的三大挑战来说，就像刚刚我特别同意前面嘉宾介绍的，我们的金融交易从原来的集中交易走到了分布式交易进步明显，但是在数据方面跟国际上相比，如果数据方面如果没有取得大的突破，我们在上面的数据模型和计算，在上面新的计算将来使用的限制就很大。

　　我去过印度的班加罗尔很多次，我经常见到很多印度的数据公司。我就问他们，你们的客户是谁？你们为谁服务？他说我们服务的公司是阿拉丁。我跑到另外一家公司，也是做数据处理的公司，我又问他你们的客户是谁？还是阿拉丁。全球有近1千家数据公司给阿拉丁公司提供全世界的数据服务。阿拉丁公司是贝莱德全资控股的，阿拉丁给全世界150多家大型资产管理公司提供数据、模型和应用服务，包括美国的、日本的、欧洲的大的投行、大的资产管理公司，几乎我们能数得出来的金融机构都是它的客户。

　　全球有93万亿美元资产管理的总规模，这里面阿拉丁一个数据服务的公司能够处理、支撑20万亿美元，还没有看到那个行业有这么高的垄断。这些资产的数据、评级、定价权掌握在寡头手里实际上是件危险的事情。

　　上海要想成为国际金融中心首先要解决的就是数据的产业链。实验室有财联社作为权威专业媒体的牵头很重要。目前最重要的数据就是人与人交往沟通数据，比如我去采访他，我去了解他，我了解企业的历史，了解企业创始人这个人本身。财联社在这个方面有得天独厚的优势。

　　在我介绍人工智这些技术在金融应用之前，我先说一下行业的挑战。我们金融大数据联合创新实验室应当具有这个使命，我们不是为某个甲方金融机构、某个乙方金融机构，某个中介公司提供解决方案，我们不是在寻找单一的解决方案。

　　如果我们联合实验室做成了，可以为金融行业奠定很好的基础。如果这个实验室失败了，我觉得它也很有价值。因为它在探索中国的数据产业真的问题，在研究如何把它整合、汇聚，如何能够把金融数据大规模产业化。未来不仅仅是收集国内的数据，应当收集全球的数据？如果收集不到就不能说你有金融资管的能力。

　　金融行业虽然在应用方面很领先，但我们还有前述三个挑战。这三个挑战也是未来我们的机会，是我们金融大数据实验室联合创新实验室的使命。

　　第二个问题，刚才我也很同意嘉实同事分享的，我们数据的这些难点、痛点等等。在这些难点、痛点中其实人工智能技术也在发生很多变化。

　　1、我们现在首先如果把数据产业化，如何做一些数据的标准化，如何能体制真正发挥优势，能解决这个问题。所以如果没有数据，自然在上一个层次就不可能有模型，不可能有指标体系，不可能有很多这种动态的策略准备，如果没有这些的话，很难说现在真的需要大杀器式的计算能力。所以在未来说数据、模型、算力不是三个东西，而是同一个东西，在新的算力下可以把模型固化到芯片上，可以用新算力增强数据处理的能力， 我接下来介绍融合计算与知识计算。

　　下面讲一下融合计算。知识计算大家都知道现在是一种多范式融合、多框架集成、异构统一编程的能力，它可以通过预训练大模型加上知识计算应用资产管理，我们已经做了预训练大模型赋能智能投研平台的工作。

　　另外，介绍一下图计算在金融风控的应用，它是金融数据分析重要的环节，图分析已成为刚需，万亿边起大规模图普遍存在，通过图计算加上机器学习可以构筑风险管理们解决方案。

　　图计算中能够应对的是大的规模、大的边界，能够在时空图上异质的、多关系图上做处理。

　　我们现在可以看到，在国际上大家可能也看到了叫GTP-3这样一个超级的大模型，全世界都在搞这种大模型的“军备竞赛”。在商业领域应用还不多，但是各个大公司都在做这方面的工作。它可以利用小的样本自己学习，通过学习模拟更多的场景，不需要实实在在的很多物理的场景来收集数据。因为它具有举一反三的能力，不像传统的AI应用是多个模型，它是整体化的一个模型。

　　当然它的门槛比较高，它对技术的要求也很高。我个人觉得应该先解决数据，然后解决模型，然后再结合新的算力技术。但是从思维上，我们的认知上要先考虑用什么样先进的工具，什么样先进的理念，然后用新的维度、高的维度来看待数据。

　　用预训练的大模型，我们现在也在尝试怎么样把原始的大模型通过一些行业的资料，让它能够做一些训练，读很多金融的文本数据。包括互联网的数据，很多互联网的资讯，产业模型变成预训练的模型，那这个训练到了客户那里就变成了定制化的模型。

　　把预训练的模型加上知识图谱，构成了一个未来的让知识能够更加智能的一个多维度的、分层次的、多模态的一个新的数据架构。

　　大数据联合实验室在技术方面可以靠科技公司，但数据必须要依赖我们的创新联合体，必须要依赖政府和产业界的高度重视和支持。

　　如果在上海要构筑资产管理领域的这样数据产业链，这个是所有未来图计算、大模型和构筑金融风控解决方案的应用基础。

　　华为云在资产管理方面也是利用云计算低延时优势，包括本区域的数据中心，通过云金融专区，做到用户无边界、智能无边界、资产无边界的能力。华为云和金融大数据联合创新实验室的各位伙伴一起，共同构建的一个有底层硬科技的智能平台+生态合作伙伴+为金融行业赋能的能力，谢谢大家！