人工智能区块链与金融技术融合发展聚焦AI创新下一代金融服务模式.docx
- 文档编号:4029337
- 上传时间:2023-05-06
- 格式:DOCX
- 页数:15
- 大小:42.71KB
人工智能区块链与金融技术融合发展聚焦AI创新下一代金融服务模式.docx
《人工智能区块链与金融技术融合发展聚焦AI创新下一代金融服务模式.docx》由会员分享,可在线阅读,更多相关《人工智能区块链与金融技术融合发展聚焦AI创新下一代金融服务模式.docx(15页珍藏版)》请在冰点文库上搜索。
人工智能区块链与金融技术融合发展聚焦AI创新下一代金融服务模式
如何更好、更全面地理解人工智能
人工智能的发展趋势
人工智能的发展现状
2017年是人工智能的应用元年,科技类的大事件基本都跟人工智能有关。
我们可以简要回顾一下:
5月,中国围棋选手柯洁连续对阵AlphaGo三场,皆以失败告终;7月,XX在AI开发者大会上公布用于搭建自动驾驶系统的开源平台——阿波罗;7月,以计算机视觉和深度学习为核心的人工智能独角兽企业商汤科技宣布完成4.1亿美元的B轮融资;9月,华为在柏林宣布推出新一代麒麟970芯片,该芯片是全球首款配备专用人工智能元件的手机芯片;10月,索菲亚正式获得沙特国籍,成为世界上第一个拥有公民身份的机器人……这些事件引发了公众极大的关注。
高德纳公司(Gartner)的一份关于信息技术研究和分析的报告认为,人工智能将在未来10年内变得随处可见。
人工智能发展的趋势
人工智能的迅速发展引发了热议。
那么在接下来的几年里,人工智能可能会呈现出怎样的发展趋势呢?
趋势1:
人工智能技术进入商业化阶段。
华为将自主开发的人工智能芯片应用于智能手机产品中,苹果公
司的iPhoneX植入了基于人工智能技术的人脸识别等功能,三星
(SAMSUNG)利用人工智能技术对语音助手Bixby进行升级……借此,
人工智能越来越贴近人们的生活。
日本软银公司(SoftBank)开发的
仿人机器人Pepper畅销;零售巨头沃尔玛(WalMart)与机器人公司FiveElements合作,开发了可以导购以及自动跟随的人工智能购物车。
从层出不穷的人工智能应用场景中,我们可以得出结论:
人工智能技术已经进入商业化阶段。
趋势2:
人工智能的认知能力可能会媲美人类专家顾问。
高德纳公司曾指出,新兴技术“认知专家顾问”将在2~5年内成为
主流。
过去几年,人工智能技术的快速发展主要得益于更强大的人工神经网络、更便宜的芯片和大数据这三个要素的融合,其中作为机器学习基础的神经元网络是对人脑的仿真,其学习能力的不断提升将使人工智能更接近人类专家顾问的水平。
今后,它可能会取代人类专家顾问的地位。
当然,这个过程需要不断地获取和积累大数据。
在美国,不仅那些新兴的科技公司,就连传统金融机构也开始关注人工智能给各行各业带来的巨大变化,并做出了相应布局。
比如,高盛(GoldmanSachs)收购在线退休储蓄平台HonestDollar,苏格兰皇家银行上百名传统理财师的工作被智能投顾替代等。
趋势3:
人工智能更倾向实用主义。
人工智能与不同行业的结合有着深远的影响,由此可以看出,其
实用化趋势越来越明显,这使人工智能逐渐成为同生活用品一样可以
购买的商品。
比如,在物流领域,京东开始使用机器人进行配送;在汽车领域,人们开始研发无人驾驶汽车;在环境领域,人们利用人工智能监测天气变化等。
所有的这一切都意味着未来人工智能将倾向实用主义,这将给我们的生活带来诸多积极变化。
趋势4:
人工智能将给劳动密集型行业带来变革。
在科学技术领域中,包括比尔·盖茨(BillGates)、埃隆·马
斯克(ElonMusk)、史蒂芬·霍金(StephenHawking)在内的许多
知名人士都曾对人工智能的发展提出警告。
虽然距离人工智能对人类
产生真正的威胁可能还有很长一段时间,但可以肯定的是,人工智能正冲击着各行各业,尤其是劳动密集型行业,这些行业也许会迎来由人工智能发展带来的新一轮洗牌,大批从业者也许会因此失业。
事实上,全球已有机器人取代普通劳动者的案例发生。
Knightscope是一家位于硅谷的机器人保安公司。
无论是高楼大厦,还是停车场等公共场所,都需要保安进行维护,而可以自动巡逻、能够识别人脸和车牌、每小时租金约为7美元的机器人保安正好可以大显身手。
Knightscope已与包括中国在内的16个国家签署了合同,这意味着机器人保安抢走了原本属于人类保安的工作和薪资。
未来几年,人工智能造成的大规模失业将成为劳动密集型行业变革的主导因素。
例如,在机械制造业,价值创造主要依靠劳动力,而当技术成本低于劳动力成本时,劳动力被淘汰是一种必然趋势,机械制造企业的商业模式也将发生改变。
一看到人工智能这个字眼,我们总会情不自禁地把它和《变形金刚》(Transformers)、《我,机器人》(I,Robot)等电影联系在一起,然而,虚构的电影情节中有很多当前技术根本无法实现的应用,因此,我们对人工智能总是缺少一种真切的认知。
如今,人工智能正逐渐深入我们的生活。
展望未来,人工智能的发展会为我们人类带来一场真正意义上的变革。
人工智能的应用——打击金融犯罪
金融犯罪现状
长期以来,银行等机构一直都在不遗余力地打击洗钱等金融犯罪,然而金融犯罪案件数量仍日益增加。
金融系统中沉积了大量的数据和信息,银行和保险公司收集的数据量大约每两年增加一倍。
随着
数据量的不断增加,数据类型和来源也越来越复杂。
由于传统工具无
法大规模访问这些数据,仅靠人力来处理这些不断增加的数据变得越来越困难。
据联合国统计,全球每年洗钱金额约为全球国内生产总值的2%~5%。
此外,仅在2016年,就有近1540万消费者的身份信息被非法挪用或盗窃,造成约160亿美元的损失。
人工智能的兴起为打击金融犯罪提供了一种新的思路。
目前对抗欺诈行为的方法
由于自身所具备的特性,规则引擎和信誉列表现在常被用来打击欺诈行为。
与专家系统相似,规则引擎和信誉列表自20世纪70年代首次进入人工智能领域后,一直发展至今。
专家系统中的程序易于启动和运行,且具备类人的理解能力,但自身也存在灵活性比较低、人力成本高昂等限制。
规则引擎是指用来检测存在欺诈的账户和行为的逻辑语句。
举例来说,可以对一项交易制定这样一个规则:
如果一个账户一次性转账或消费的金额超过两万元,地点位于新加坡,登录时间小于12小时,就阻止该项交易。
同样,信誉列表也是基于已知的不良行为来检测的。
在信誉列表中有诸如IP地址、设备类型等的特征以及这些特征值对应的信誉评分,如果黑名单中记录的IP地址出现在账户中,系统就会自动拦截它。
在检测及防止欺诈行为方面,规则引擎和信誉列表都是比较好的方法。
但现在网上注册账户过程的简化给一些不法分子提供了“钻空子”的机会。
这些不法分子可以在短时间内创建成百上千个账户,然后使用这些账户来学习规则引擎和信誉列表,从而逃避信誉列表的检测。
机器学习是人工智能领域的一个分支。
研究人员希望机器能够主
动从数据中获取信息,而无须手动编程(与专家系统不同)。
机器学习从20世纪90年代开始取得重大进展,并在21世纪有效地被用于打击欺诈行为。
有监督机器学习不再仅仅通过简单的规则来查看所有账户特征,而是参考所有其他的数据特征和欺诈行为的发生情况,不断修正规则,进而打击欺诈行为。
这种方法也存在不足之处:
有监督机器学习模型必须使用历史数据检测欺诈行为,然而历史数据有其自身的局限性——对新兴的特征无法预测。
但无可否认的是,该模型可以扫描鉴别所有与账户相关的特征,进而做出决策。
不同于有监督机器学习,无监督机器学习仅适用于个别领域。
针对欺诈行为的无监督方法需要同时处理数亿个事件,目前来说这仍是一项挑战,有待未来继续深入探索。
不过让人高兴的是,已有公司在这方面取得了重大进展。
无监督机器学习可以解析欺诈性攻击模式,因此可以被用于反欺诈检测。
普通用户不会遵循一定的规律行动,但是欺诈者恰恰相反,他们通常会采用固定的攻击行为模式(无论他们是否意识到这点)。
他们以一定的组织规模快速工作:
从成千上万个账户中分别骗取少量金额,而不是从一个账户中骗取数十万美元。
他们以为这种欺骗行为不会引人注目,但是他们采取大规模活动时难免会遵循常规的模式,而无监督机器学习可以监测到这些有规律且具备规模的攻击,进而打击这些欺诈行为。
无监督机器学习有天然的优势,不同于有监督机器学习,无监督机器学习不需要大量历史数据进行训练,并且可以在损失发生前发现
新模式的攻击。
这不仅避免了账户的损失,也提高了打击欺诈行为的
效率和准确性。
2017年10月,英特尔(Intel)推出SaffronAML(Anti-MoneyLaundering)Advisor,通过使用高透明度的关联记忆人工智能解决方案来检测金融犯罪,从而提高调查与分析人员的判断和决策能力。
SaffronAMLAdvisor最大的特点就是它可以模仿人类大脑的学习方式。
它可以通过连接各种数据来源的信息,发现异常值和相似性,而这对于人类调查员来说是非常困难的。
通过无监督的学习方法,SaffronAMLAdvisor利用关联内存,处理来自电子邮件、互联网等多个来源的结构化和非结构化数据,以发现洗钱迹象。
在这个过程中,它是完全透明的,并能提供关于连接和建议的合理解释,确保使用该软件的金融服务机构符合监管标准。
那么它是怎样对付金融犯罪的呢?
知识索引——将结构化和非结构化数据统一到单个实体级别的360度视图中,以便了解数据存储的边界模式;持续学习——与传统机器学习方法不同,它无须特定于某个领域的模型,也无须培训和再培训,从而节省了洞察时间;合规验证
——银行须遵守各种规定来收集所需的数据,但由于人为错误或错过期限,往往不得不支付数十亿元的违规罚款,该产品可帮助银行实现合规,减少罚款并减少修改报告的时间。
科技巨头“军备竞赛”
如今我们可以看到,人工智能频繁出现在各大媒体或杂志的头条新闻中。
人们开始思考人工智能与人类之间是否会存在竞争这样的问题。
从目前来看,人类与人工智能之间并未达到竞争的程度,但是竞争已经出现在世界科技巨头之间。
全球的科技公司正狂热地投资人工
智能,为了在未来的商业竞争中占据更大的竞争优势、掌握更多的话
语权,展开了一场火热的人工智能“军备竞赛”。
微软、谷歌、IBM等国外科技巨头已经在人工智能领域拥有绝对优势,国内BAT(XX、阿里巴巴、腾讯)也逐渐把重心转移到了人工智能领域。
随着人工智能技术的发展,全球人工智能市场的规模将显著增长。
据万德数据(Wind)粗略统计,目前国内已有30余家上市公司布局了包括软件算法核心系统、图像语音识别技术、计算机视觉及传感器等领域在内的人工智能产业链。
微软
微软在2016年开始重组拥有近5000名计算机科学家和工程师的研究团队。
据统计,微软每年在研发领域上投入的资金有近百亿美元,其中很大的比例都集中在人工智能领域。
近期,微软又计划将人工智能技术融入Windows、Office和Azure云这三大主力产品中。
谷歌
早在2011年,谷歌就成立了人工智能部门,目前包括谷歌搜索、GoogleNow、Gmail等在内的近百个团队在使用人工智能技术,其开源安卓手机系统也开始大量注入人工智能功能。
可模仿人类大脑工作方式的TensorFlow已在许多领域开始使用,如语音识别、照片识别等,而谷歌智能助手更是语音识别、自然语音理解等方面的高手。
最近,谷歌与NASA(美国国家航空航天局)联手开发量子硬件并发布了张量处理单元(TensorProcessingUnit,简写为TPU),正式进军芯片市场。
IBM
IBM将未来十年的战略核心称为“智慧地球”计划。
IBM2014年就
开始关注人工智能并展开了相应部署,每年研发投入资金均超过30亿美元。
IBM曾一度在人工智能领域表现出色,如1997年深蓝计算机击败国际象棋冠军卡斯帕罗夫、2011年沃森系统在美国智力竞赛节目中战胜其人类对手。
目前,IBM一改之前的运营策略,将沃森功能分解成不同部分,每个部分都可被租借以解决特定业务问题。
沃森系统在替客户提供创新解决方案的同时,也在不断吸收企业客户的数据,以实现自我训练和升级。
XX
XX最先提出“AllinAI”,可见其布局人工智能的决心。
近年来,研发实力雄厚的XX在全球设立了3个实验室,雇用了超过2000名人工智能研发工程师,汇集了世界顶尖的人工智能精英。
凭借先发优势,XX目前已经有多款人工智能产品落地,覆盖范围广泛且全面。
近期主要有两大产品独领风骚:
一个是主要被用于语音、自然语言和图像识别领域的DuerOS;另一个则是自动驾驶开源平台阿波罗,该平台的推出主要是为了降低自动驾驶的研发门槛,推动技术普及。
此外,XX研发的深度语音识别系统也已经开始部署。
阿里巴巴
阿里巴巴庞大的电子商务业务量决定了它是世界上使用人工智能技术的最大公司之一,从旗下全球市场份额第四(3.2%)、中国市场份额第一(40.7%)的阿里云就可以看出它在人工智能上的“能量”。
截至2017年6月,阿里云的付费用户量已经达到百万以上,并且其用户保留率非常高。
2017年12月,阿里云正式推出集城市管理、工业优化、辅助医
疗、环境治理等综合能力为一体的“ET大脑”。
而在同年10月的云栖大会上,阿里巴巴宣布成立承载“NASA计划”的实体组织“达摩院”,计划在3年之内对新技术投资超过1000亿元。
此外,蚂蚁金服覆盖面非常广,付款数据超过7亿,如此庞大的数据量无疑是阿里巴巴布局人工智能领域的一大优势。
腾讯
相较于XX和阿里巴巴,腾讯虽然起步较晚,但也不甘落后。
在布局人工智能的过程中,腾讯可以获得人工智能实验室和微信智能语音团队等的技术支持,同时,腾讯更关注人工智能领域中的应用场景、计算能力等,从自身业务出发,布局了游戏、社交网络和内容人工智能。
腾讯的人工智能已经广泛应用在诸多领域。
目前,优图的人脸识别技术在性别识别上已达到95%的高准确率,而且年龄识别的误差不超过5年。
在医学影像领域,腾讯推出的用于筛查早期食道癌的医学影像产品——腾讯觅影,食道癌检出率达到90%。
在游戏领域,腾讯开发的人工智能围棋——“绝艺”在“第10届UEC杯世界计算机围棋大会”上一展风采,拿到第一名的成绩。
腾讯不仅注重自身研发水平的提升,也通过投资其他领域拓展其在人工智能领域的版图,为今后的发展奠定基础。
人工智能的未来——风险与机遇并存
人工智能技术与物联网、大数据等技术结合,构建出一个整合的信息物理世界。
但与此同时,一些消极情绪也开始蔓延:
人工智能将应用于越来越多的行业,很多人类的工作将被机器取代。
麦肯锡全球
研究院的一份报告指出:
通过分析全球800多种职业所涵盖的2000多
个工作岗位,发现世界上近一半的工作可以通过改进现有技术实现自动化。
这对整个人类来说是一个巨大的挑战,如何应对即将到来的困境值得人们深思。
新生事物的诞生总是伴随着机遇与挑战,抓住机遇、迎接挑战是当下的主要突破口。
我们在很多领域都可以看见人工智能带来的变革,如在环保领域,人工智能通过分析气候特征以及其他因素,可以帮助人们更好地监测和应对气候变化,并降低这个过程中的能源消耗。
未来人工智能会发展到什么程度,我们不得而知。
但是可以肯定的是,人工智能时代可能会迟到,但不会缺席,我们当下要做的就是做好充分准备,迎接人工智能时代的来临。
人工智能时代,数据是灵魂
大数据时代的来临
为什么人们常说大数据时代已经来临?
从PC互联网发展到移动互联网,这个过程的一个显著特征就是数据量的激增。
如今,许多人都拥有两到三个移动设备,这些移动设备每时每刻都贡献着大量的数据。
总而言之,我们已经进入一个万物互联的时代。
人与设备的联系、人与人的联系、设备与设备的联系都在产生数据,万物互联将促成大量数据无处不在的生态。
大数据——人工智能进步的催化剂
毫无疑问,大数据时代的来临将极大地推动人工智能的发展。
无论是互联网巨头还是小公司,其数据量都还远远不够,人工智能需要用大量的数据进行学习。
具体而言,机器不同于人类,人有主观思维,可以从主观上进行判断。
但是机器需要根据输入的数据来进行判断,因此数据量在一定程度上决定了判断的准确度。
目前人工智能还处在学习的初级阶段,仍需要不断增加知识(数据),不断依托积累的数据提高准确度。
从这个角度来说,数据对于人工智能的重要性可想而知。
数据共享优化现有模型
人工智能模型的优化依赖大量数据,但数据的垄断阻碍了人工智
能对数据的获取。
去中心化或者数据共享将促使可用数据量倍增。
数据越多,模型自然也会越完善,这一点可以通过以下例子来说明。
在一个学校中,将来自不同学院和专业的数据通过区块链技术进行合并,可以降低学校管理成本,学校的各个职能部门若有了这些新数据,就能构建出比只能在某个学院层面构建的模型更好的人工智能模型,这些人工智能模型能够更准确地预测诸如学院资源等的使用情况。
数据共享催生新的模型
合并孤岛数据后,增加的数据量不仅可以优化之前的模型,还可以催生新的模型,为我们提供新的思路。
这里我们通过鉴别宝石真假的例子来进一步说明。
提供宝石保险的银行想构建一个能够识别宝石是否造假的分类器。
世界上一共有四家著名的宝石认证实验室,它们都有各自的数据库。
如果该银行只能获得其中一家实验室的数据库,其构建的分类器就很可能将已经通过另外三家实验室鉴定的宝石判定为冒牌货,这种误报会造成损失,使该系统失效。
此时,如果区块链促成四家实验室共享数据库,打破数据孤立的僵局,拥有所有合法的数据,分类器就可以鉴别所有的宝石,检测出真正的假冒伪劣产品,从而使保险提供商和认证实验室共同受益。
人工智能DAO实现自主决策
人工智能分类
按照智能程度的高低,我们可以将人工智能分成弱人工智能、强人工智能以及超人工智能三大类。
弱人工智能(ArtificialNarrowIntelligence),是指只专注
于某一个特定领域的人工智能。
比如专注于打乒乓球的人工智能,它只会打乒乓球,如果你让它去打台球,可能就会失败。
强人工智能(ArtificialGeneralIntelligence),是指在各方面都能和人类比肩的人工智能,无论是思考问题、抽象思维、快速学习、从经验中学习,还是其他方面。
超人工智能(ArtificialSuperIntelligence),牛津哲学家和著名人工智能思想家尼克·博斯特罗姆(NickBostrom)把超人工智能定义为“在几乎所有领域都比最聪明的人类大脑更智能”的人工智能。
正如其名,超人工智能将在各个领域超越人类,这也正是为什么人工智能这个话题总能引发人们对人工智能取代人类的担忧。
人工智能DAO
DAO是可以自动运行在去中心化基础架构上的计算进程,它具有资源管理能力,我们熟悉的比特币和以太坊网络就是一种DAO。
人工智能DAO具有可以访问资源、征用更多其他资源、拒绝人为干涉等特性。
病毒就是一种去中心化程序,没人可以拥有或者控制它们,也没人能关闭它们,它们试图干扰甚至破坏你的计算机。
如今,借助更好的智能合约语言以及集中式的存储系统(区块链),去中心化的程序变得更加强大,可以实现更多的功能。
强人工智能是可以自发行动且建模成反馈控制系统的代理决策者。
控制系统具备很多优越的特性,比如有强大的运算基础,能够通过传感器和执行机与这个世界交互,能够适应这个世界(通过内部模型与外部传感器来更新自己的状态)等。
控制系统应用广泛,如恒温空调、降噪耳机、下围棋的AlphaGo等。
人工智能DAO是一种类似强人工智能的控制系统,它在去中心化的处理和存储底层上运行。
其反馈回路是独立的,获得输入信息后,自
我更新状态并获取资源以维持反馈循环。
既然人工智能DAO的性能如此优越,那么怎样获得人工智能DAO呢?
有两个思路:
第一,从人工智能(强人工智能代理)入手,只要通过一定途径让其实现去中心化即可;第二,从DAO入手,为它赋予人工智能决策功能。
尽管这两种实现路径的难易程度不尽相同,但可以确定的是,无论哪一种实现方式都能在真正意义上实现人工智能DAO。
人工智能获取其缺失的一环——资源,DAO获取其缺失的一环——自主决策。
两者融合可能比单独的人工智能或者单独的DAO功能更强大。
实例应用——人工智能商务秘书ViVi
在2017年的世界移动大会上海站,微位科技人工智能DAO项目——人工智能商务秘书ViVi进入人们的视野,这是国内第一个人工智能DAO的实例。
该产品可以帮助用户记录遇到的人员、与他们相关的业务以及应该关注的一些问题或事项,也可以搜集和整理相关业务数据等。
目前它可以通过AR-OCR(增强现实-光学字符识别)技术来读取和解构名片信息,随后使用谷歌TensorFlow人工智能神经网络来分析和学习名片信息。
与此同时,它的人工智能引擎还可以积极地在整个网络爬取相关的业务数据,从而提升自己在不同场景中的能力。
人工智能的进步取决于“养料”的补给,去中心化区块链架构让该产品获得更多数据源“喂养”,从而逐步提升对不同商业场景和维度的理解。
去中心化的分布式部署机制,可以鼓励更多企业和商务人士加入数据共享网络,从而获得越来越多公司的业务数据,对于各自业务的提升意义较大。
下一个科技浪潮
作为目前最热门的两项技术,人工智能和区块链越来越受到各大机构尤其是科技公司的重视。
它们一个是在封闭的数据平台上培育中心化的智能,另一个则是在开放的数据环境下促进去中心化的应用。
实际上,人工智能的优化需要大量数据的支持,因此大数据时代的到来给人工智能带来了前所未有的进步。
但是,目前的数据孤岛问题限制了两者结合的巨大潜力。
可以想象,使用同时具备超级数据库和分布式账本的技术将给科技领域带来怎样的颠覆性变革。
人工智能如何影响区块链
区块链存在局限性。
无论是技术方面还是行业文化方面,区块链在某种程度上都会受到人工智能的影响。
能源消耗:
挖矿需要耗费大量的能源和金钱。
而人工智能已经被证明是优化能源消耗的有效手段,把类似的技术应用在区块链上,将减少挖矿硬件方面的投资。
可扩展性:
区块链以每10分钟1兆(MB)的速度稳步增长。
人工智能可以采用新的分布式学习系统(如联合学习)来提高系统效率。
安全性:
虽然区块链遭受攻击的可能性很低,但其更深层次的应用就没那么安全了(比如DAO)。
近年来,机器学习取得了很大进展,人工智能成为区块链技术安全方面的有力保障。
隐私性:
个人数据的隐私问题受到密切关注。
同态加密技术(直接处理加密数据)、Enigma系统和大零币等都是可能的解决方案,但
这些解决方案涉及可扩展性和安全性问题。
效率:
据德勤估计,每年在区块链上验证和共享交易数据的总运营成本近6亿美元。
人工智能通过计算特定节点优先执行任务的概率,提醒矿工找寻其他路径,从而降低整体运算成本。
此外,更高的效率和更低的能量消耗也可以减少网络延迟并加快处理速度。
区块链如何影响人工智能
区块链与人工智能互相影响。
讨论完人工智能对区块链产生的影响,下面我们再看看区块链对人工智能的发展会产生什么样的影响。
助力人工智能追溯历史:
人工智能的“黑盒问题”一直困扰着我们,区块链清晰的审计跟踪不仅可以提高数据和模型的可信度,还可以提供一条清晰的路径来追溯机器决策过程。
提高人工智能的有效性:
数据共享可以使参与各方获得更多的数据,从而建立更好的模型、更好的方案。
降低市场进入壁垒:
一方面,区块链将促进建立更加真实可信的个人数据;另一方面,区块链也会促进新市场的出现——从数据市场到模型市场,再到人工智能市场。
安全的数据共享、新市场的产生以及区块链数据审查技术,可以减少小企业的参与障碍,降低科技巨头们的竞争优势。
减少灾难性风险:
编码在DAO中的人工智能系统规则清晰明了,操作范围非常有限,只要是所需的操作就会被准确地执行。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 区块 金融 技术 融合 发展 聚焦 AI 创新 下一代 服务 模式