目前，国内外已有不少人工智能在金融领域应用的成功案例。 美国的Wealthfront和Betterment、英国的MoneyonToast、德国的FinanceScout24、法国的MarieQuantier等都成功地将人工智能引入投资和理财。 目前，智能顾问已掌握大量资产； 第一只人工智能驱动的基金Rebellion成功预测了2008年2009年股市崩盘，并在2009年给予希腊债券F评级，当时惠誉评级仍为A。通过人工智能，Rebellion比官方提前一个月被下调评级降级； Cerebellum是一家管理900亿美元资产的对冲基金，利用人工智能技术，自2009年以来一直盈利。

　　在国内，蚂蚁金服已成功将人工智能应用于互联网小额贷款、保险、征信、资产配置、客户服务等领域； 智龙金融利用人工智能风控系统，实现平均每月超过120万笔贷款。 ，常规机器审核速度仅需8秒； 招商银行的可视化柜台、交通银行推出的人工智能机器人“娇娇”，在智能客服领域做出了早期的尝试和探索。

　　创新工场投资的公司中，擅长机器学习的第四范式在银行业精准营销、资产预测、风险防控等方面表现出色； 擅长机器视觉的旷视科技，为传统金融和互联网金融提供身份验证、智能门禁、员工考勤等先进解决方案； 主营业务为互联网小额信贷平台的用钱宝公司利用人工智能技术建立了高质量的风控模型。 信贷业务审批率大幅提升，坏账率下降，取得了惊人的业绩增长。

　　以用钱宝公司为例。 该公司的主要移动应用程序于2015年7月才上线。短短一年半的时间，到2016年12月，用钱宝应用程序的单月交易笔数突破100万笔。 这个增长速度在金融移动应用中是非常惊人的。 用钱宝能在风险可控的情况下快速增长，关键秘诀只有一个——利用机器学习技术，自动分析包含大量强弱特征的数据，自动判断交易风险。

　　传统的信用风险控制常常使用一种称为“风险评分卡”的数学模型。 该模型依靠大量以0或1的形式存在的强特征来综合计算客户的风险等级。 此类传统数学模型考虑因素较少，且对于现实风险的拟合非常简单，难以直接传递给强特征不明显的互联网金融客户。

　　如果把一个人的数据比作一座冰山，那么强特征数据只是冰山一角。 底层还存在大量的弱特征数据，比如电商数据、设备数据、位置数据、行为数据等。同时，金融行业作为一切产业之母，有着一张巨大的交织网络。与整个社会一起，积累了大量有用或无用的数据，包括各种金融交易、客户信息、市场分析、风险控制、投资顾问等。这些数据单元海量，大量数据存在以非结构化的方式，无法转换为传统模型可以有效分析的数据。

　　以深度学习为代表的人工智能算法要做的就是充分挖掘并有效利用这些海量的弱特征数据，建立更符合现实世界规律的数学模型。 虽然不可能根据几条数据做出贷款决策，但如果结合数百甚至数千维度的数据，可以训练出有效的风控模型，并作为风控的依据，为用户做出决策。 做出贷款决定。

　　在人工智能技术驱动下，用钱宝等新型金融应用可以大幅提升效率、降低成本，同时大幅减少体力劳动。 未来的金融科技将是互联网与人工智能的有机结合，由此产生的智慧金融服务将成为每个人生活的重要组成部分。