以下是現場演講實錄：

各位嘉賓、各位老師、各位同學：大家下午好!

非常高興回到母校，我就是清華的學生，我是98屆計算機系的學生。所以，我還是一個蠻理工科、技術的背景，我不知道在座有多少是學技術或者學理工出身的，能舉下手嗎?我看還是不少的。所以，今天我的分享更多來自于從技術角度我們怎么看待這一次新消費金融，包括金融科技大的機會。

在看到這個標題的時候，其實新金融模式背后的技術變革，我不知道從大家的角度看，哪個詞是最重要的，因為每個人的視角不同。有人說，金融一定是最重要的，有人說技術變革一定是最重要的。

其實坦率來講，從我們實踐來看，最重要的一件事情是在背后，技術是什么?技術是一個錘子，如果沒有金融這個釘子的話實際上技術是沒有太多用武之地的。對于我們這個業務來講，必須做到一件事情，事先深入的了解金融、了解實際的產業是怎樣的運作方式。

我們先看一下中國整個消費信貸的市場：

這頁PPT，左邊講的是中國消費金融、消費信貸市場的增速，這個增速坦率的講實際從我們的感受來講比這個還要更快，因為我畢業的時候大家還經常會講要儲蓄、存錢買房，但現在好像存錢也買不起房了，所以現在的年輕人很多都變成了月光族，但是很多年輕人消費沒有計劃性，所以變成了“月光也不夠族”。所以，這個趨勢在我們看來是非?？焖俚脑谠鲩L。

右邊這張圖體現了什么呢?右邊這張圖體現了我們整個金融信貸里面跟美國結構性的差異。在美國我們可以看到，他的家庭負債率是非常高的，是國內的家庭負債率一倍以上。但是，可以看到中國的企業負債率是非常高的。這意味著什么呢?意味著其實中國的家庭、中國的個人信貸里面有非常大的加杠桿的空間。這頁PPT告訴我們什么呢?告訴我們在整個消費金融市場里面，有一種非常健康而且增速非?？斓男枨蟆?/span>

但是，我們再看下一張圖，這是供給，歐美這樣的發達金融國家，他的整個金融覆蓋度，特別是信貸覆蓋度，可以達到非常高的水平，可以達到70-80%以上，而且剩下的20-30%里面也有些其它的金融服務為他們服務。但是國內的情況顯然要比他們差很多，我們看到中國的銀行、小貸公司能夠服務到的整個的個人信貸需求，只占所有的信貸需求和所有人口里面的15-20%，這意味著什么?

1、意味著有很多人應該被服務沒有被服務到，其實我們可以想像，傳統金融領域更多的是什么樣的金融呢?更多的是挑肥揀瘦的金融、是個錦上添花的金融，但是真正的應該金融做的事情，我們想達到普惠的話，應該做到什么?雪中送炭。所以，中國有很多人是處在雪中的。

2、我們也跟很多歐美的金融科技公司交流，真正交流起來你們會發現他們非常羨慕我們，因為中國有個巨大的市場可以讓我們去挖掘、訓練我們的模型，這是在歐美、在世界任何一個角度里面，除了東南亞，其它角落里面我們看不到的一些機會。

這頁講的是需求旺盛、供給不足，背后的原因是什么?為什么傳統金融不符合?這里面我們畫了一座冰山，如果大家有人去過信用卡或者做過傳統信貸的話，大家可以了解這個手續，一般情況下都會讓你提交幾個或者十幾個材料，比如說工資流水、工作證明、社保、人民銀行的征信報告，等等。但是我們知道，中國有多人是沒有這些材料的，比如私企他們發現金，他們可能沒有社保，比如年輕人在銀行的征信報告是白戶，是沒有記錄的，這些人基本就不符合傳統金融機構的審美。

但是我們相信什么?我們相信每個人就像一座冰山一樣，有的人水面上的部分多一些，這樣我們看的很清楚。但是一定有些人水面下還是有很大的一些數據。面對我們的課題就是，我能否去挖掘這些水面之下的價值?然后我從而為他們提供服務，這就是擺在我們面前實際的釘子。

我們接下來要講，在我們的公司、在我們的業務里面，是怎么解決這個問題的。我可以先做個倒敘，先劇透一下我們現在的情況?，F在，我們每個月會審核通過超過200萬筆的消費信貸，也就意味著我們每個月會服務200萬人的信貸需求。大家可以想像，傳統的金融是什么概念?傳統的一個銀行網點，可能一個月下來服務幾百個人，幾百筆需求，但是通過我們一個月可以達到200萬的量級，但更美妙的一點是我們在整個200萬過程當中是沒有任何人的，不需要人工接入。

而比這個更美妙的一件事情是，我們所有的這些東西不依賴傳統金融的經驗，不依賴老司機告訴我們什么是好用戶、什么是壞用戶，我們整個的這個模型全是由一幫來自BAT或者一些其它互聯網公司的高級工程師研發出來的模型。

講到這個問題，可能大家有點兒暈，講到人工智能，我估計有一半以上還不是技術背景的。我先講一個最簡單的問題，如果大家能理解這個問題的話就能理解我們是怎么做的。傳統的圖像學里面有一個很大的問題，就是說怎么樣在一堆動物的圖片里面找到貓的圖片。傳統的，如果我在大學時期解決這個問題的話，我一定會寫一個規則引擎，就是這個紋理的東西是貓，尖耳朵、長尾巴，它頭上沒有一個字說就是貓。但是我們知道，這樣寫下來的話整個引擎的效果會非常差。就像我們傳統的金融風控是一樣的，我們在寫一個規則引擎，但實際上Google在解決這個問題的時候不是這樣做的，它實際上使用的是我不再告訴模型庫什么特征決定了這是貓或者不是貓，而是說我把幾百萬張貓的圖片和幾百萬張不是貓的圖片繞扔到我的模型里面去訓練，讓機器自己去學習。

這些問題跟我們實際在風控里面所碰到的問題是一樣的，我們也把我們這個月產生的200萬筆的放款，在下個月的表現帶回到我們的模型里，這時候有人還了、有人沒有還，這是貓和非貓，我們解決的問題是同樣的方法。

我們自己打造了一個風控引擎，就是我們的I.C.E.風控引擎，這個引擎就是由人工智能的三個最主要的部分組成的。它可以做到什么?傳統銀行我們用十幾個特征來判斷一個人的信用，而我們用1200個基礎特征，加入組合特征最后超過10萬的量級。我們傳統的模型可能一年或者半年才迭代一次，而我們每個月模型的迭代次數會超過100次，而且我們同時會有100多個模型在線上跑。

我們常規去審核一個申請的速度只需要8秒鐘，同時我們在做一個全量的特征樣本優化的時候，現在只需要15分鐘，這是一個完全不同于傳統金融風控的邏輯。

我們實際發現，在機器跟人比起來，機器更適合做大規模數據定量的計算。同時發現，計算比人更加穩定、更加受主觀因素的影響，機器學習的速度遠快于人，而且機器更容易抵御反欺詐，因為人會有道德風險，它會猜你的模型，會知道你是怎么做的，會買通你的人，或者他會試你。而當你用1200份的時候，你比如一張桌子，它有四條腿，切掉一條會倒掉，當你有1200條腿的時候，切掉一條腿對它沒有任何影響。而且，機器毋庸置疑它的審核速度會更快，所以我們的業務是春節、十一都可以放假回家，但是機器在正常的運作。

所以，實際上我們可以看到在這個業務里面，機器的效果比人的效果，我們做過一個橫向的對比，我們的審核通過率大概是人工(有人介入)模型的一倍，但是我們的逾期率僅僅是行業平均水平的60%。也就是說，機器跑的又快、又好，這是很難得的一個事情。

最后一頁我想講的是，我在這里有個心得，互聯網進走了很長時間，但是其實我們感覺之前的事情更多的是我們在解決渠道的問題、效率的問題，就像任何一個行業一樣，最開始進入的時候，往往都是通過渠道、效率解決，但我們認為真正的金融下半場才剛剛開始，金融下半場真正重要的一定是技術，要通過技術去賦能，通過技術解決傳統金融所無法解決的問題，這樣新的金融才有機會，這樣我覺得技術流才能找到和釘子碰到那一刻產生的火花。