要实现人工智能，定义非常重要。因为所有的算法，所有的东西都是奔着这个定义去，找出到底什么是做对了，什么是做错了。这个定义如果没定义好的话，你会发现后面的东西很难做。
　　如果今天银行有个聊天机器人，你问它忘了密码了，怎么去拿钱。这样的情况，机器人能帮你处理得非常好，但是万一你要跟它讲的东西刚好是机器人没有办法去处理的。比如说有一次一个教授找我去，介绍他有一个机器人可以帮我订咖啡。我第一句话说：“我要一杯不平凡的咖啡。”然后机器人等了好多秒，都没有回答我。因为他不知道什么是不平凡的咖啡。所以“不平凡的咖啡”本身可能是少数的人工智能不可去解决的边界上。
　　一般来说，人工智能都是比较容易解决定制化的东西，但是一旦变成很广泛地去使用的时候，整个人工智能到底又怎么处理这个东西呢？
　　在人工智能循环里面，需要操作员和用户的人工参与，操作员可以填补电脑不能自动完成的部分，用户可以贡献更多的訓练数据。


　　最后一点非常关键的有可能是有效率，数据有质量，那到底商业模式是什么？到底这个东西是怎么赚钱的？到底是把人工智能的能力赋能给C端还是B端，B端在什么样的一个情况会付钱，C端在什么情况下会付钱，都会成为人工智能的关键问题。
　　金融服务里面，其实我们现在看见三类最具潜力的AI可以解决的问题。一是个性化的财富管理，二是反欺诈，三是智能服务。
　　智能投顾是重要的一块。智能投顾最难的问题是，到底怎么样帮用户赚钱，如何能在前端帮用户做好服务。
　　智能投顾，一个重要的部分是了解用户的风险追求。从了解用户的风险追求去给出他所需要的方案。我觉得通过大数据识别用户风险偏好，这是投顾其中比较容易能做到的一点。
　　现在很多人去银行，你问他是不是比较喜欢风险，一般人都跟你说我不喜欢风险；但是当他比较回报的时候，他可能会说我承受一点风险也是可以的。所以智能投顾也许可以在人的行为当中，采用不同的情况，不同的形式了解他对风险的看法是怎么样。
　　反欺诈应用很明显，不仅仅是生物的识别。当支付金额的量比较少的时候，其实真的不需要用户输入密码。
　　假如观察用户每天上班的路径，你拿着手机的时候我都知道你肯定就是你了，因为人一般来说每天上班的时间点，从一个点到一个点都有自己比较活跃的地方。当你在公司里面，你坐在自己的位置上，用常用的网络，用AA收款给了同事20块。这个时候我还让你加一个密码是非常不方便的，都知道这个人肯定是你。
　　所以识别上来讲移动的设备其实可以给予我们全新的控制风险的一种工具，或者我刚才说的识别的到底你是不是你。
　　当一个实验的数据的产品要落地，成为一个很稳固的工程的时候，所花的精力往往不小于创新的时候，我们要把东西落地的时候，实际上精力可能是二八分的，20%在创新，但是落地的时候要花另外80%落地。从粗放到精细化的时候往往付出的代价是不小的。