记者：最后一个问题我们来聊聊AI的应用前景吧。您觉得现在AI技术是否已经成熟到可以大规模落地应用了？以金融行业举例的话，您认为要真正实现AI技术在金融服务中的全面落地，现在还缺少什么？比如技术方面、数据资源方面等。
王东：最近对AI应用讨论得挺多，有以下几种观点：
“速胜论”：理由是基于深度学习技术的爆发式进步，由AlphaGo完胜人类职业围棋顶尖水平为导火索，在图像领域（图像识别、人脸识别、视频识别等）、语音领域（语言识别、语言合成、智能翻译等）取得了巨大的成功，火热的人工智能带来了很多机会，资本的大量涌入，市场上涌现了一大批 AI 初创公司，同时媒体的大肆宣扬，比如说「人类要被机器人取代」「机器开始威胁人类」等等，导致一部分人对AI技术已经能够大规模普及和落地充满信心。
“投降主义论”：随着进一步研究发现，许多问题并没有解决。例如开放领域的聊天机器人不够聪明，整体有待加强。主要原因在于自然语言理解的发展进程并没有我们想象中快，深度学习也似乎没有解决这个问题，可以与人类对话交流的机器人好像从未出现过。有外媒甚至评论道：“我不确定能不能说聊天机器人死了，因为我不知道它是否活过。”除了上述的一些成功领域，深度学习也并没有解决其他所有领域的问题。
了解到人工智能历史的同行都知道，其实人工智能至今经历了三次大的热潮。每次都经历了开始是“人类要毁灭了”，后来是“骗子”的过程。
实际上，在一个特定领域的优秀表现，并不能代表 AI 技术无所不能。同样的，在通用领域不能解决的问题，不代表特定领域不能解决。
我更加相信“持久战论”，罗马从来都不是一天能够建成的，技术的突破也必然会经历一定时间的积累。AI技术在金融服务中的落地，我比较赞同宜信CTO向江旭先生提的观点“大胆拥抱，小心实践”。
首先需要选择金融领域的业务痛点，并通过AI技术来解决这些痛点，把非常炫酷的AI技术落实到实际业务需求中，而不是为炫酷而炫酷。就目前而言，我们的AI中台会选择在智能机器人和知识图谱构建上发力。智能聊天机器人能为公司内外提供专业领域的知识解答，知识图谱能为各业务方提供智能问答、智能搜索、精准营销等。最重要的是，我们希望按照平台化的方式去建设它们，希望建设知识图谱的方法论、工具和平台可复用。
目前在落地过程中，除了搭建AI中台相关平台以外，花费时间最多的是与数据相关的过程，无论是模型训练，还是知识图谱构建，很多时间用在获取数据和探索数据。
对于普通的模型训练，需要多个维度的数据，AI科学家需要对这些数据进行观察和探索，一般这些数据都是结构化数据，这个问题会随着数据中台的成长，数据汇集越来越多后，得到逐步的解决。数据中台提供自助化探索数据的能力，能够大幅减少获取数据和探索数据的时间和成本。
对于图谱构建和自然语言处理，我们很多的金融数据保存为非结构化的数据和语料，例如pdf文档、表格数据、扫描图片等，一方面要求数据中台或数据平台能够提供非结构化数据的获取能力，另一方面也要求AI中台提供对这种非结构化数据进行在线标注、在线提取的平台级能力。
嘉宾介绍
王东：宜信科技中心AI中台团队负责人
北京大学软件工程专业硕士，宜信科技中心AI中台团队负责人，目前负责宜信AI中台平台的建设工作。研究领域方向包括开放AI平台建设、智能聊天机器人、实时数据归集和处理、大数据平台研发和推广等。拥有10年以上金融和互联网企业基础系统和数据类研发经验。宜信敏捷大数据栈DBus开源项目负责人，CUBRID-cluster开源项目发起人。曾任韩国最大搜索引擎公司——Naver资深工程师，多年负责CUBRID-cluster分布式数据库引擎和CUBRID数据库引擎研发工作。