2020年中国ai 金融行业发展研究报告「中国金融市场发展报告」

核心摘要：

监管政策越发收紧，回归科技属性是行业浪潮：从政策上看《金融控股公司监督管理试行办法（征求意见稿）》的推出，表明了国家对金融业务和大型金控公司（含互联网巨头）整顿的决心，回归技术是行业浪潮也是政策驱动。

市场规模增长放缓，2022年基于技术的进一步成熟市场增速有望提升：AI 金融领域逐渐成熟，形成三大主流玩家阵营，整体市场增长放缓。期待技术发展为场景带来全新的动力，驱动AI 金融进一步增长。

金融机构认可人工智能技术价值，传统金融机构纷纷成立全资科技子公司：作为AI 金融的主要买方，分析银行等巨型金融机构逐步认可了AI的落地价值，同时在各类合作中，逐渐掌握了AI技术能力，开始寻求主导产业话语权。

人工智能技术仍旧处于“辅助智能”阶段，机器学习技术将促进更多场景的成熟：目前人工智能并不能完全做到自主决策，对于更为复杂的场景数据的预测和分析能力，仍旧有待于机器学习技术的发展。

智能监管将成为最具发展潜力的场景：政府拥有最大的数据资产，如何通过AI技术将数据进行利用达成金融监管是未来一个主要方向。

AI风控目前是最主要的落地场景：19年的AI 金融应用场景市场规模来看，AI风控占到了约45%，是目前市场价值最大的应用场景。

趋势洞见中小银行将成为未来AI 金融领域企业主要的角逐市场：六大国有行目前已经具备一定的AI技术能力，而各类中小银行开始纷纷尝试AI赋能下的数字化转型，AI市场将逐步下沉至该类银行。

联邦学习技术将成为AI 金融行业新的生产力：在开放银行概念的加持下，联邦学习技术为银行的生态构建和共享机制，找到了新的切入点，让开放银行的落地成为可能。

AI金融领域相关政策解读

金融科技促进政策日渐完善，未来将向微观层面下沉

2017年5月，中国人民银行成立金融科技(Fin Tech)委员会,旨在加强金融科技工作的研究规划和统筹协调，同年6月，发布的《中国金融业信息技术“十三五”发展规划》中，将人工智能、大数据、区块链、云计算等新一代信息技术设为金融科技的重点研究方向，从政策高度上确立了上述技术的发展基调。时隔两年，2019年8月，人民银行正式发布了《金融科技（FinTech） 发展规划（2019—2021年）》，这是我国金融科技第一份科学、全面的规划，明确提出未来三年金融科技工作的指导思想、基本原则、发展目标、重点任务和保障措施，尤其是建立健全我国金融科技发展的“四梁八柱”，确定未来三年六方面重点任务，为金融科技发展指明了方向和路径，对金融科技发展具有重要且深远的意义；

2020年，中证协和银保监会就银行、保险和证券行业发展金融科技方面也做出指导意见，促进技术落地于金融领域的全场景。从趋势来看，金融科技的促进政策在高度和全局性上已经相对充分，深度和微观层面也在陆续完善，未来在技术标准制定和更加具体的场景应用方面势必会产生新的引导意见，为技术合规、合理赋能行业划下行路线。

供应链金融对复产复工意义重大，或为AI技术下一片良田

促进中小微企业贷款服务是政策的又一大集中方向，全国范围内中小微企业承担了80%以上的就业率，是稳定国内经济，拉动内需的重要组成部分。疫情缓解以来，复产复工成为了主旋律，激活中小微企业活力则成为首当其冲的任务，合理放宽、把控风险、有效监管的贷款服务将成为有力的促进措施。2020年6月，人民银行等8家机构联合发布的《关于进一步强化中小微企业金融服务的指导意见》中指出，运用金融科技手段赋能小微企业金融服务，鼓励商业银行运用大数据、人工智能等技术建立风险定价和管控模型，改造信贷审批发放流程。《意见》肯定了上述技术在相关场景中的应用价值，也指明了落地方向，为AI 金融行业目标群体由C端向B端转型提供了政策意见。

发展供应链金融服务是解决中小微企业贷款难的主要手段，而供应链金融的实质仍是金融服务，所以风险控制是重中之重。供应链金融中主要涉及的风险领域包括，主体企业风险、交易风险和操作风险，AI可以通过机器学习和知识图谱等方式，对主体企业工商、税务、舆情等信息数据进行处理建模，搭建信用评价体系，增加行业自动化评价维度；通过知识图谱对产业链中的关联性交易进行组织和透视，防止虚假交易的存在；通过OCR识别、图像识别、NLP和智能语音等技术，对各类单据进行识别和审核，起到降本增效的同时，降低机械风险和人员道德风险。从趋势上看，整体金融服务的重心将持续向B端企业倾斜，金融科技也将随之向B2B领域拓展，AI 金融相关企业能否及时调整战略，将C端积累下的经验迁移向B端服务，会成为下一阶段竞争的重点。

2019年至今AI 金融相关代表政策汇总

AI 金融领域行业最新动态

金融机构成立全资科技子公司

进入2019年，金融 科技的形式已经不再局限于金融机构和科技公司间的合作。以银行业为代表，国有四大行中三家银行成立各自的全资金融科技子公司，而大型股份制银行则相对更快一步，截至2018年共有四家大型股份制银行成立全资金融子公司，二者揭示了银行机构进军金融科技的决心。银行和金融科技公司的合作是技术与场景不断磨合的过程，AI在风控、营销等领域产生的实际价值使银行机构意识到其战略意义。同时，在与科技公司的合作中，银行掌握了技术在场景落地的丰富经验，这为银行成立科技子公司打下了基础。

此外，从银行角度看，更需要的是专属于服务银行业务的技术能力，但这与科技公司依托技术向全领域发展的理念矛盾，并且双方的合作中仍旧存在一定沟通成本和项目对接问题。因此，银行更希望以成立科技子公司的形式获得服务自身和行业的技能，也以此掌握技术的主动权。

从发展路径看，头部银行成立的金融科技子公司除了为母公司提供技术服务外，同时也希望输出自身的技术产品辐射中小型银行。

而从市场现状来看，在2019年至2020年中，金融科技公司仍旧是中小银行的主要合作对象。

而在产品层面，银行系科技子公司尚未形成成熟的AI产品，竞争上暂未形成优势。未来在提托银行强大的资本背景和优质金融数据，在数据开源概念的加持下，银行系Fintech公司将成为科技市场的新势力，并挤压金融科技公司的市场。

技术出海是大趋势，虚拟银行挂牌为科技公司提供完美场景

金融科技出海和跨境金融业务是近些年来行业的热门话题，从支付宝、财付通以支付业务为切入点进军东南亚开始，移动支付、消费金融、小微信贷、投资理财和大数据风控成为了国内金融科技公司对外服务的重点方向。2019年3月，香港发布了8家虚拟银行牌照，包括蚂蚁金服、腾讯、小米、平安科技、京东数科在内的大陆金融科技公司以联合创办的形式参与其中，主要输出运营经验和科技能力，这对于金融科技公司补足银行场景，掌握技术赋能业务的闭环带来了难得的契机，借助“国际港”的优势，对于科技公司技术出海也将带来有力的助推作用。

虚拟银行是采用互联网或其他形式电子传送渠道提供服务的银行，没有实体网点，虚拟化的形式更加适合数据的产生和共享，消除了数据孤岛和大量非结构数据的隐患，这为AI技术应用提供了前所未有的环境支撑；同时，海量高并发的交易数据，以及随时可触达的用户端口，为AI风控、AI营销带来了实际的应用场景。在8家虚拟银行牌照公布后，仍有不少银行、金融机构、科技公司表达了申请新牌照的意向，从市场响应情况和香港金管局的态度可以看出，这一举措将分阶段继续开展，未来有望在大陆开设试运行项目，尽早参与其中的科技公司，将抢占先发席位。

2019年至今AI 金融相关代表事件汇总

金融领域AI相关融资情况解读

资本向优质标的汇聚，热门赛道突出，但竞争激烈

通过对2015-2020年7月AI 金融相关融资情况的汇总，可以看出，2015-2018年期间，AI 金融行业备受资本青睐，融资事件数相对稳定，融资总金额增速持续上涨，创业公司表现良好，资本持续投入；而这一情况在2019年发生变化，由于P2P暴雷事件监管愈严，资本市场也趋于谨慎，融资事件数量大幅减少，但真正具有技术实力的相关企业依旧是资本追逐的对象，资源逐渐向优质标的汇聚，预计这一趋势在2020年将依旧延续。从近几年AI 金融细分赛道融资情况看，包含整体解决方案的大数据服务和智能风控是获得融资的重点，市场想象空间和明确的使用价值是吸引投资的关键，但由于业务同质性问题，赛道中竞争也最为激烈。

实际应用价值和市场想象空间是资本关注的重点

通过对2015-2020年7月中国AI 金融细分赛道融资事件发展节奏的统计，可以看出，2016年，中国AI应用市场爆发的前夜，资本就将目光聚焦到了智能风控赛道，相对充分的标准化数据存量、明确清晰的使用价值，以及对新技术接受度良好的市场环境都催化着赛道的繁荣；同时，想象空间更大、理想增益效果更强的智能投顾赛道也是资本青睐的对象。但经过两年的落地发展，单纯的智能风控故事已经无法引起资本的兴趣，以大数据为基础，AI技术为手段，包含风控、营销、运维在内的综合大数据服务成为了新的宠儿；而智能投顾在落地期间表现平平，价值也难以评估，故事显得不再生动，反而是服务于一级市场的智能投研赛道让资本方有了尝试的兴趣。

2019年，AI 金融投资市场整体冷淡，大数据服务赛道急转直下，融资事件数少于智能风控和智能保险，边界更广的服务带来了价值模糊的隐患。预计资本寒冬的情况在2020年也难有较大起色，头部科技公司也纷纷开始拓展其他场景，行业应用较为成熟，竞争愈渐激烈，资本开始观望，都希望将橄榄枝抛向“最有价值球员”，行业整体对于初创企业而言不太友好。

金融领域AI相关市场规模

需求方持续加大购买力度，市场规模良性增长

通过对2018-2022年中国AI 金融相关市场规模的统计和预测，可以看出金融领域对整体信息化科技投入的总规模保持上升趋势，金融科技和人工智能投入遵循同样步调，其中人工智能投入在整体科技投入中的占比增速平稳上升，并未出现特异值，说明市场中的需求方肯定了AI技术的应用价值，并有计划的加大购买力度。通过互联网金融机构与传统金融机构AI投入规模对比和预测可以看出，互联网金融机构在追加购买力度，这也符合该群体由金融服务向技术服务转型的趋势，人工智能技术在转型中成为重要的能力抓手。

银行业仍然是主要需求方，2022年AI总投入将超220亿元

从2019年中国金融机构AI投入规模结构中可以看出，银行业、互金行业和保险行业是AI技术的主要购买方，其中银行业的业务最为复杂，数据海量，同时风控要求最高，成为了金融领域中AI技术最主要的需求方。在过去几年中银行业对于AI技术的投入持续增加，这一趋势也将延续，据预测，2022年总投入规模将超过220亿元。从技术获取途径看，银行业主要依靠与AI公司合作，采购相应的产品和服务，2019年采购规模占投入的85%，但随着银行自建科技子公司等增强自研能力的举措发展壮大，采购规模将有所下降，不过合作与技术采购仍然会是行业中主要的技术获取手段。

金融业务线中AI投入不容忽视，供应链金融有望成为新支柱

我们按照“存贷汇”的业务视角，将金融业务划分为银行理财业务、保险业务、证券业务、基金业务、消费金融业务、供应链金融业务和支付业务，2019年各业务线对于金融科技的投入以云计算和大数据为主，遵循新基建方向，以构建云基础为目标，而人工智能作为生产力升级的代表技术投入占比也在逐年攀升。本年中，智能风控需求最旺盛的消费金融业务仍是AI投入的主要领域，涵盖智能核保、定损、定价场景的保险业务、涵盖智能营销、投研、投顾的银行理财业务紧随其后。其中，供应链金融业务因中小微企业数据难以采集，交易行为复杂等问题，通过技术手段建立的信用体系普遍不成熟，市场仍未打开，但随着政策推动，更多AI公司将会聚焦于此，该业务有望成为AI 金融的又一需求支柱。

AI 金融产业图谱

AI 金融的落地场景介绍

人工智能 金融行业落地八大智能场景定义

AI 金融的落地场景与规模

市场偏爱AI风控，智能保险，智能客服三大场景

2019年在AI 金融的主要落地场景中，AI风控，智能保险和智能客服占据了整个智能金融领域70%以上的市场规模。风控 AI技术也被银行业和互联网金融公司看作最有价值的技术落地场景。其次，因为疫情对于“无接触”业务的需求大量提升，2020年智能客服的市场规模出现短期的大幅的增长占到了11.57%的总规模，但预计在2021年后开始逐步回落。另外保险行业逐步探索出AI技术的场景落地价值，AI在该行业的市场潜力也将逐渐被挖掘，智能保险的产业规模占据整个AI 金融领域的比例也将不断攀升。

从技术上，AI风控主要依托于传统机器学习技术和数据标签的训练。在技术发展上，未来在深度学习技术进一步的突破下，作为目前市场反响一般的“智能投研”，“智能投顾”未来的潜力也是巨大的。同时，政府机构拥有的庞大数据储备，20年“监管沙盒”的试点启动，也标志着政府机构在“金融监管”上迈出重大的一步，“AI监管”在未来5年内也将爆发出强大的市场动力。

银行是AI风控的主要投入者，2022年其投入将超过115亿

2017年央行正式成立金融科技委员会，AI 金融的落地场景正式拥有了各项的技术标准。信贷场景中的AI风控技术目前主要还是依托于机器学习和知识图谱等前沿科技。

从技术发展路径上，2018年是深度学习和知识图谱商业化应用飞速发展的一年。而从金融市场角度，17年的下旬央行对于现金贷的各项整治，让市场重新开始认识到风控体系的重要性。因而18年银行对于AI风控投入占到整个AI技术投入的占比出现明显的提升，AI风控也逐步成为AI 金融领域中最有价值的“C位”。从中期来看，未来银行对于AI风控的投入占AI总投入的比例将保持50%以上，至2022年银行业对于AI风控的投入总额将超过115亿。

智能保险场景的市场规模高速增长在21年将有40%的增长

中国银保监会统计数据显示，国内市场的第一大险种为“人寿保险”，其次为“财产保险”。智能保险在保险业的应用主要体现在两个环节，承保定价和核保理赔。

在承保定价方面，以人寿保险和信用保险（财产保险）中，通过智能保险系统协助对投保人进行风险定价。

在核保理赔方面，目前车险（财产保险）的极速理赔系统已经开始得到广泛的应用，因而人工智能技术的落地，为保险公司节省大量的“人力成本”并提升风险定价的能力。从市场阶段上看，智能保险业务仍旧处于起步阶段，保险公司经过前期的探索肯定了AI技术落地的价值，2020年7月“PICC”也成立了全资科技子公司，全力发展保险科技。因而我们预计在19年后智能保险场景的市场增速不断上升，预计21年同比增长率将达到40%以上。

AI 金融领域行业发展和竞争格局

AI金融领域行业逐渐成熟，新入局者减少

从17年-22年的AI 金融的市场趋势上看，其保持一个稳步增长的同时市场规模增速却出现下降。其主要原因在于作为供应者的上游技术厂商在行业话语权的减弱，主要的金融客户集中在银行和保险行业，而这类行业中的头部企业都在AI的自主研发能力上有较大的进步，因而作为供给侧的AI技术企业的利润空间不断缩小。在买方逐步掌握话语权后，科技公司在产品方案和技术发展上也需要更加贴近金融机构的实际应用场景。同时在拥有一定的技术自研能力后，金融机构也逐渐摸索出哪些AI技术的场景落地价值较大，不再盲目采购或投入研发AI技术进行场景适配试验。从供给侧来看，2016年以后AI金融领域的新入局者（不含银行和保险类科技子公司）出现大幅下降。因而行业已经形成一个稳步的市场格局，头部和腰部玩家已经逐渐清晰。

AI 金融市场中的三大玩家阵营

技术与场景融合体现技术落地成熟度

AI金融技术潜力仍然巨大，2022年技术将驱动市场增速上升

虽然AI 金融的市场规模增长有所放缓，但作为产业第一发展力的“技术”却从未停滞。根据阿里云研究院的数据统计，AI四大技术的应用程度来看，金融业在,六大行业排名第5，属于中游水平。

但2019年在AI应用层的专利申请数量来看，智能金融板块遥遥领先，由此来看大量人工智能企业对AI在金融领域的落地保持了强大的技术关注度。依据“摩尔定律”人工智能基础层通常会在18月左右发生一次技术上的革新，而基础层带来的技术红利也将为逐步传导致应用层，未来两年，现有的AI 金融落地应用场景将更加成熟，新的落地场景也将会被逐步探索，且相应的技术落地成本也将会下降。基于技术落地能力的成熟和成本的下降，预计2022年AI 金融整体市场也将出现增速的提高。

AI风控是最有价值的应用场景，AI监管场景潜力巨大

政策导向和行业事件交叉展示行业趋势

“去金融化，回归科技”的浪潮一定程度上是政策压力

从2016年国务院发布《互联网金融风险专项整治工作实施方案的通知》（国办发{2016}31号文）正式宣告互联网金融进入强监管时代。然而步入2019年7月，《金融控股公司监督管理试行办法（征求意见稿）》（下称办法）释放国家将大力整治仍存有大量金融业务的非传统金融机构的信号。从2018年7月央行发布的《中国金融稳定报告》中，明确划分了大型金控公司的类型：一类是金融机构在开展本行业主营业务的同时，投资或设立其他行业金融机构，形成综合化金融集团；另一类是非金融企业投资控股两种或两种以上类型金融机构，事实上形成了金融控股公司。目前“办法”尚未正式具备法律效力，但为了避免未来的合规风险，各大互联网金融巨头纷纷开始“更名”。更名的背后，也同时伴随着部分金融业务和金融牌照从母集团的剥离。因而，回归技术在一定程度上是来自监管信号的施压，另一个层面上也离不开市场对于金融科技和人工智能技术的追捧。

一线城市组织建立公共金融科技平台共同攻克AI技术

自2019年8月，央行发布《金融科技发展规划》（下称规划），一线城市将金融科技发展升级为区域重点扶持战略。为了将金融科技打造成区域内重点特色产业，政府机构除了给予各金融科技企业补贴外，集合区域内的重点企业，成立公共金融科技开发平台，共同攻克人工智能，区块链等技术为AI 金融行业拓展了良好的技术成长空间。从金融业分布来看，2018年北京市金融资产总规模已经达到99.5万亿，占全国金融资产的40%左右，此外在人工智能企业分布上，北京以1070家AI企业领先全国。在此基础上，北京市科委在2019年年度绩效任务中，明确规定“建立金融科技公共研发平台-重点开展人工智能、大数据和区块链等金融科技关键技术攻关和示范应用”为年度工作目标。同时，上海市市政协十三届二次会议中“对于0674号提案的批复”中也明确了“金融科技公共服务平台”的落地。此外，广东省率先提出“数字政府 金融科技平台”概念，对全省1100多万家企业进行信用数据采样和风险画像。在政策基础上，各大巨大牵头先后组建了“金融科技产业联盟”，通过金融场景数据的合规分享和技术交流为AI 金融的技术和产业发展开拓了一片良田。

企业发展与竞争格局交叉-显现商业变革

未来3-5年内中小银行的AI市场潜力巨大

根据2017年数据统计，银行业对于IT技术的投入金额比例中，大型国有银行以43.8%比例占据了最大的IT市场。其次为城商行与各类农商行，占据了30.4%的IT投入市场。但从17-19年的数据显示，大型国有银行对于IT的投入金额出现较小的下浮，而各类城商行与农商行从30.4%的投入比例，稳步上升至31.7%（2019年）。此外，从A股36家上市银行的营收统计中，六大行国有行以64.3%的营收总占比远远超过上市城商行与农商行的7.7%的营收占比。从而可以推断，各类城商行和农商行对于IT基础的提升和数字化转型的需求是强烈。

但银行在数字化，智能化进程中的挑战也是众多的，针对中小银行而言提升信息化水平和数据治理能力是重中之重。大部分城商行和农商行的项目经理表达了“银行数据资产化”的需求，通过激活内部的数据的治理能力，提升获客和风险控制的智能化水平。其次，城商行与农商行缺乏大量的科技人才，据IDC统计54%的区域性银行的科技部门人员在150人以下。2019年大部分的城商行已经开始布局数字中台战略，中小银行在未来3年内会逐渐爆发出对于AI技术的大量需求。而在供给侧除了传统的AI科技公司，各类大型银行的全资科技子公司也将“辐射各类中小银行”设立为自身的战略目标。因而在市场潜力巨大的同时也伴随着三大玩家阵营激烈的竞争。

开放银行概念兴起，联邦学习技术将成为行业新的生产力

“开放银行”概念起源于英国，2013年由英国“竞争和市场管理局”（CMA）推出，并在2016年3月正式发布了《开放银行标准》。开放银行的本质是为各类小型金融机构提供共享信息的安全通道，来帮助各类金融机构提供多元化的金融服务，并创新银行产品。那么如何建立安全的信息共享通道就成了开放银行发展的关键。此外，鉴于国内对于用户金融信息的“防泄密”要求逐步严格，对于直接开放金融数据进行交互的模式是不合规的。由此，如何合规的进行金融机构间的数据交互成了中国银行业探索“开放银行”业务的关键。

联邦学习的诞生就是为了解决这个难题，其技术本质是分布式加密机器学习，在保护原始数据隐私安全的情况下进行联合建模，共同分享计算结果。而在银行数字化的进程中，商业银行机构逐步将对数据的需求发展至“捕捉基于场景下的动态数据“从而实现高效获客和低成本风控。基于银行需求和合规要求，联邦学习技术的发展也将对开放银行模式起到决定性作用。该项技术的积累与突破，也将成为AI金融各赛道企业探索新AI 金融落地场景和商业模式的战略蓝海。