開心貸的副總經(jīng)理周治翰做了題為《互聯(lián)網(wǎng)金融的創(chuàng)新與自律》的演講。
周治翰的主要觀點是互聯(lián)網(wǎng)進入金融行業(yè)可以帶來更公平更高效地對接。并且他表示,未來大數(shù)據(jù)是互聯(lián)網(wǎng)金融的發(fā)展方向。
互聯(lián)網(wǎng)金融的從業(yè)者從事的是“一份很有前途的職業(yè)”。周治翰認為,互聯(lián)網(wǎng)金融可以在投資端和借款端之間實現(xiàn)很大的利潤空間。
他給出了一組數(shù)據(jù):美國十年期存款利率是2%,但是在信用卡透支需要付出 18%的成本。從2%到18%的空間如何彌補,這是金融從業(yè)者需要多思考的問題。
從百姓的角度看,人們儲蓄的目的就是未來能有更多的消費機會,但是儲蓄的基本前提就是財產(chǎn)的保值和增值。“對于老百姓來說,如果僅僅能夠通過有限的渠道去吃死的利息,可能帶來的結(jié)果就是跑不贏CPI。” 周治翰說。
網(wǎng)絡(luò)借貸不只是P2P,不只是要提高效率還要降低成本
周治翰認為,網(wǎng)絡(luò)借貸是P2P,但是P2P遠遠不止是網(wǎng)絡(luò)借貸那么簡單。因為“在金融領(lǐng)域,通過直接對接可以提高效率”,但問題是“是否可以把成本降下來。”
以開心貸為例,當給投資者的利率收益率達到8%到9%,那么小企業(yè)成本就會在原來的渠道上降低2%。這樣做有兩個好處:一是減少高額利差,二是進行大數(shù)據(jù)的輔助決策。問題在于,目前在互聯(lián)網(wǎng)金融領(lǐng)域,風險控制上如果是中小企業(yè)的借貸,可能在很大程度上可以參照真實的經(jīng)營狀況,但是“不能僅僅靠大數(shù)據(jù)來做這件事。”
為什么?周治翰表示,大數(shù)據(jù)是不是一個方向,我們很堅定大數(shù)據(jù)是一個方向,未來可以通過簡單的數(shù)據(jù)計算,把弱相關(guān)的變成強相關(guān),這將會對互聯(lián)網(wǎng)金融行業(yè)是一個巨大的顛覆。但是目前沒有做到這點。
周治翰開玩笑說“做互聯(lián)網(wǎng)金融這件事,需要下很大的決心。”他稱之為“一半是海水,一半是火焰”。也就是說互聯(lián)網(wǎng)金融的一邊是民間借貸的高利貸,一邊是試圖利用互聯(lián)網(wǎng)降低成本。
周治翰解釋“我們經(jīng)常說互聯(lián)網(wǎng)金融是高需求行業(yè),因為金融業(yè)一旦發(fā)生問題就需要方方面面的資源。”由于金融文化高危險行業(yè),金融有穩(wěn)健和謹慎的特點,互聯(lián)網(wǎng)卻是極致和快速的風格,所以這兩種風格要在一個企業(yè)中融合起來,并且形成合力,這是對金融從業(yè)者的大挑戰(zhàn)。
互聯(lián)網(wǎng)金融需建立生態(tài)圈、保持自律并有效防控金融風險
所以互聯(lián)網(wǎng)很講究生態(tài)圈,周治翰認為所謂的互聯(lián)網(wǎng)生態(tài)其實一種合作模式,因為“如果生態(tài)圈不夠強勁的話就會帶來兩個問題,一是合作者在平臺上銷售不良資產(chǎn),二是一旦發(fā)生問題,互聯(lián)網(wǎng)的擴散速度要遠遠大于傳統(tǒng)的線下擴散。
合作模式的關(guān)鍵在于生態(tài)圈的營造,我們互聯(lián)網(wǎng)就講生態(tài)圈,如果生態(tài)圈不夠強勁的話就帶來兩個問題,合作者可能會把不良的資產(chǎn)放在你平臺上銷售,讓你做資金接續(xù)端渠道,如果說發(fā)生問題的時候,因為他對于風險的要求沒有像你要求這么高,你的平臺一旦發(fā)生一些問題,通過互聯(lián)網(wǎng)迅速擴散,但是作為線上機構(gòu)擴散沒有那么高。
那么在互聯(lián)網(wǎng)金融領(lǐng)域,如何做行業(yè)自律呢?周治翰提出了三點意見:第一,解決法律風險問題,分清楚網(wǎng)絡(luò)借貸和非法集資的區(qū)別;第二,核查借款人的真實身份;第三,選擇具有豐富經(jīng)驗的大融資平臺進行融資。此外,法律風險上的解決方案主要是通過避免信用風險和操作風險。最終的目的都是為了在互聯(lián)網(wǎng)平臺上做金融交易保證信息安全。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務(wù)上驗證有效性。