在上篇文章《如何看待AI和保險的“水土不服”》中，好人生科技首席健康經(jīng)濟學家湯子歐博士向雷鋒網(wǎng)講述了“AI風控和傳統(tǒng)風控的矛盾”、“保險公司對AI的訴求”等業(yè)內的深坑與難點。

他向雷鋒網(wǎng)表示，AI保險風控熱度看似很高，但是里程碑根本沒有到來，應用都還停留在淺層。

究其原因，并非是保險行業(yè)對AI沒有深層次的需求，而是一批學術型的創(chuàng)業(yè)者，唯技術論，堅持“數(shù)據(jù)為王”，不愿意接受行業(yè)過去積累的知識，產(chǎn)品效果不好之后就開始抱怨，找各種數(shù)據(jù)不足、算力欠缺、預算太低的借口。

在本篇文章中，湯子歐博士將繼續(xù)探討“AI遲遲未能在保險業(yè)真正落地”的原因。

以下是專訪的完整內容，雷鋒網(wǎng)做了不改變愿意的編輯。

雷鋒網(wǎng)：搭建一個很貴的機器學習團隊，做出又大又復雜的機器學習模型，但在有些情況下，往往只能解決一些小問題，是否存在大炮打蒼蠅、殺雞用宰牛刀的問題？這個問題您認為該怎么解決？

湯子歐：從方法論角度，保險風險點比銀行要多，而健康險又是保險行業(yè)風險點最多的，因為這種邏輯是和人打交道，一旦掌握好，就有可能成為全球最大的單一金融分類，規(guī)模上超過銀行、超過互聯(lián)網(wǎng)，這在美國已經(jīng)是事實。

所以這些風險點注定不可能用一個模型解決，否則必然會存在方法的誤區(qū)，無法兼顧有效性，單一風險覆蓋率也會下降。

利用大數(shù)據(jù)建模，必然是勤快人不能懶。我們好人生的策略其實也是這樣，針對一個風險點，至少存在一個模型，也肯定越多越好。

因為單一建模，可能會遇到多元共線性、風險交叉的情況。面對這些問題，用一個模型處理，究竟是作為噪音、還是因變量很難確定。

這個世界上許多事物都存在廣泛相互的內在聯(lián)系，也就是統(tǒng)計學上的多元共線性。

雷鋒網(wǎng)：復雜的機器學習模型，在非強關聯(lián)數(shù)據(jù)的分析上，有著一定的優(yōu)勢。但因為保險是個難以預測的領域，一旦數(shù)據(jù)過于多元，會出現(xiàn)過擬合的現(xiàn)象，噪聲數(shù)據(jù)過多直接影響結果。這個問題通常有哪些解決方法？

湯子歐：過擬合本身就是一個偽命題，是象牙塔里面的人，把書本的概念賣到了社會，并引起一系列的誤解。

過擬合是一個暫時性現(xiàn)象，原因來自于過多采用了自變量β而造成的結果，過擬合和不過擬合的區(qū)別就是預測結果和真實事件的吻合程度，所謂的擬合優(yōu)度。

那些過擬合的模型，表面上使用過多自變量β顯得非常精妙，但預測的結果和事實偏離甚遠，這也是當年發(fā)生金融危機之后，華爾街被詬病的主要原因。

因為變量的增多，一定會導致模型過于脆弱，其中任何一個變量出現(xiàn)異常，比如不再適用，模型預測結果就會偏離事實，更多的變量出現(xiàn)異常，就會造成嚴重的過擬合。

對于自變量β的控制，在統(tǒng)計學和數(shù)學上早已有了定論，每個β入組之后，都要和模型里面其他因子進行協(xié)調，控制多元共線性在一定范圍之內，如果是用于金融預測，最要控制在5%以下。

出現(xiàn)過擬合現(xiàn)象的原因，就是那些做學問的人，最初沒有把事做好。

具體的解決辦法首先就是控制好多元共線性，多元共線性的現(xiàn)象有點像量子力學中那一對共振的量子，會發(fā)現(xiàn)兩個自變量β背后的表現(xiàn)可能會同進同出、同高同低。

這時候要么在兩個自變量β中選擇其中之一，把另外一個丟掉。要么選擇把自變量β進一步細分，找出其中共線性的部分，歸類到一個自變量β當中，剩下的影響因子用細化因子代表。還要考慮自變量在大尺度時間等不同觀察期間的韌性或脆弱程度。

這些都應該在統(tǒng)計建模實驗室就已經(jīng)完成，當初沒解決，后來效果不好就開始埋怨噪聲數(shù)據(jù)過多。

雷鋒網(wǎng)：那行業(yè)內抱怨的噪音數(shù)據(jù)過多，又是怎樣的原因？

湯子歐：從精算的角度，世界上任何一件東西都可以被看做為數(shù)據(jù)，進入模型成為β，也可以被看做噪音，關鍵在于解決問題的角度。

噪聲在統(tǒng)計學模型的影響因子不能太高，那些效果不好的模型，最后發(fā)現(xiàn)噪音的delta^2和因變量的delta^2關聯(lián)性能超過50%，在統(tǒng)計學上，完全是不合格的產(chǎn)品。

背后其實是數(shù)據(jù)清洗環(huán)節(jié)出現(xiàn)問題，我們叫做垃圾數(shù)據(jù)進、垃圾結果出。

比如醫(yī)療人工智能方向，早年好人生科技做了許多國際二次診療的事，從中我們發(fā)現(xiàn)國內疾病診斷的差錯率大概在50%左右。

類似著名的沃森，直接將國內誤診率很多的數(shù)據(jù)，直接拿來做一個診斷算法。最后訓練出，比貼在電線桿的老軍醫(yī)還不準的人工智能出來。

而且，噪音數(shù)據(jù)過多的問題，統(tǒng)計學上早就已經(jīng)有個解決辦法。那就是選擇有監(jiān)督學習。

如果沒有現(xiàn)成的優(yōu)質知識圖譜，可以直接做抽樣，之后把數(shù)據(jù)拿給專家評審，就可以直接得到差錯率比例、錯誤種類的方向，相當于已經(jīng)有了金標準。

把出錯的方式方法、判斷邏輯輸回算法，這個時候再進行刷新，之后再抽樣。三遍之后就會產(chǎn)生明顯的優(yōu)化，比如把50%的差錯率降到20%，當然后面的效率會逐漸降低，前三次效率最高，最后只要比例滿足要求就可以了。

這種抽樣理論早就有明證，道理也很簡單。但是那些學術型的人工智能創(chuàng)業(yè)者，僅僅看重新算法，新的神經(jīng)網(wǎng)絡的方法優(yōu)化，對產(chǎn)業(yè)過去的知識積累，置若罔聞，甚至還不了解數(shù)據(jù)情況，就開始在行業(yè)內埋怨噪聲數(shù)據(jù)過多。

其實主要原因是他們過去該干的事沒干，也就是數(shù)據(jù)清洗，沒有把人類的錯誤數(shù)據(jù)撇開，所以這個問題我覺得應該借助劉慈欣老師的一句話“弱小和無知不是生存的障礙 傲慢才是”。

雷鋒網(wǎng)：您覺得當前計算機視覺、語音&NLP、機器學習，這些分類的技術線，哪個對實際業(yè)務改善最顯著？

湯子歐：相信許多人都有這個疑問，但這個問題恰恰是讓大家都掉進了一個陷阱，這個陷阱不是我們現(xiàn)在挖的，是別人早已經(jīng)挖好的。

目前做人工智能的人，習慣性把AI分為計算機視覺、語音識別的應用，并看做人工智能應用的所有分類。

但是我們認為人工智能的概念應該分為三層：基礎層、中間層、應用層。

基礎層是人工智能產(chǎn)業(yè)的基礎，主要是對于人類感知和行為能力的替代的硬件及軟件，如傳感器、AI芯片、數(shù)據(jù)資源、云計算平臺等，這一套從工業(yè)時代以來，一直有著技術的傳承。

應用層是整合了基礎層和中間層以后，解決人類實際問題的最終產(chǎn)品化，是一種整合，過去20年很多企業(yè)都在做這件事，例如機器人等。

兩者中間是中間層，也是最難的，代表者知識圖譜。在底層上加入不同的知識圖譜就產(chǎn)生不同的應用層。

加上駕駛圖譜，就叫智能駕駛應用；加上物種識別圖譜，這就是智能安保；加上銀行風控測算圖譜，就是銀行風控專家。

去年一個調研發(fā)現(xiàn)，目前國內人工智能企業(yè)95%以上，都集中在基礎層和應用層，中間層的企業(yè)特別少。也就是整個行業(yè)到現(xiàn)在還都在做，過去已經(jīng)有繼承、容易的事。

雖然早就可以通過深度學習獲得知識圖譜，但中間層發(fā)展不起來的原因一方面是數(shù)據(jù)質量不行，一方面是學者跟產(chǎn)業(yè)界結合不緊密，導致學不致用。

舉個例子，有一個人工智能項目，花了很多錢，三年研發(fā)出一個單病種的決策樹，并傳稱為重大突破。作為對比，好人生現(xiàn)在已經(jīng)積累10800種診斷決策樹，按照學者的思路，我們可能需要3萬年，而且保險行業(yè)沒有保單一病種的產(chǎn)品，只有單一病種的產(chǎn)品，完全是貨不對板，有也賣不好。這就是兩者的認知出現(xiàn)了嚴重的差距，

雷鋒網(wǎng)：這種中間層的缺失，最終會導致什么問題？

湯子歐：就是現(xiàn)在這個人工智能行業(yè)的知識圖譜嚴重依賴于境外，我們在調查中發(fā)現(xiàn)很多智能音箱、智能安防的應用層廠商核心算法的識別知識庫，經(jīng)常是需要繞到國外，最后再繞回來輸出結果。

所以說知識的邏輯圖譜是在國外，這對于整個行業(yè)都非常危險，像智能燈泡，依靠國外知識庫的產(chǎn)品市占率要是高了，人家突然斷一下電，大概整個中華大地瞬間全黑了，就像芯片一樣。

雖然我們跟著西方進入到工業(yè)文明時代，但不意味著未來信息文明時代，還要一味跟隨。所有的技能我們已經(jīng)掌握，為什么不積極生成中國自己的知識圖譜。

原因可能還是認知上存在差距，現(xiàn)在的觀念還停留在有型的東西最值錢。

前幾年，保險行業(yè)為了賣保單還要送手機。這種高質量的服務，無形的產(chǎn)品需要嫁接到有形的商品，才能賣掉，含義就是服務沒有價值。

如果一直持續(xù)這種現(xiàn)象，趨勢必然是大家都去做硬件、做手機、做基礎層和應用層。

好在國內現(xiàn)在已經(jīng)認識到這個問題，像隨著手機快速迭代更新，大家已經(jīng)逐漸認識到硬件是不值錢的。但是對于硬件的一種渴望，這種報復性消費可能還因為慣性會持續(xù)一段時間。

雷鋒網(wǎng)：AI未來會在保險行業(yè)產(chǎn)生怎樣的作用，有哪些點需要注意？

湯子歐：保險也好，社保也好，都是社會的安全穩(wěn)定器，隨著人工智能的深度應用，保險行業(yè)對于風險的選擇和風險的控制會更加精準。

未來的應用如果停留在過程風控，提升人的健康也就罷了，但像對核保核賠兩端的深度發(fā)掘，就會造成對于風險體也就是被保險人的過度選擇，侵害老百姓的一些保障利益，因為更精準了，但是這不是違法的。

另一方面人工智能并非是萬能的，我也同意可以重復和放大人的能力，提高效率，但人工智能思考的維度是需要人來設置，那種質變的邏輯，把原來不相干的事情進行廣泛聯(lián)想的能力肯定是不具備的

例如在保險行業(yè)的新產(chǎn)品開發(fā)，我們一名保險同事在坐過山車的時候，出于職業(yè)角度查找過山車的風險概率，發(fā)現(xiàn)所有事故里面，只有1~2%是因為掉下來而發(fā)生的意外，剩余99%的死亡是因為心腦血管疾病、心臟驟停等顧客自身健康原因。他就想到拿這個數(shù)據(jù)在過山車下面，可以賣掉很多心腦血管的重疾險。

但是像過山車的人工智能應用，考慮的角度大概是怎么保證安全，就不會發(fā)生像保險這樣的聯(lián)想。

我建議人工智能應用在像醫(yī)療和保險，這樣需要深厚知識的行業(yè)，盡量不要用無監(jiān)督的機器學習，即使是深度學習。

因為過去那些應用效果不好的情況，就是大量使用了無監(jiān)督的深度學習，短時間確實是效率是提高了，但是后來的試錯成本會非常高，造成用力過猛。

雷鋒網(wǎng)：現(xiàn)在我們看到許多AI保險風控公司，一方面靠融資存活，無法盈利，另一方面產(chǎn)品的核心競爭力還不強，未來應該采取怎樣的策略？

湯子歐：手上存了很多彈藥的公司，理性的經(jīng)營者會用這些彈藥，很快進入到他所感興趣的產(chǎn)業(yè)領域深耕，要么參股，要么收購，要么自建，總之跟產(chǎn)業(yè)深度結合，不要局限于自己的能力。

一個教授會神經(jīng)網(wǎng)絡算法，資本就給幾億美金的時代已經(jīng)過去，不可能再有，所以必須抓住自己手上有的東西，這個忠告當面我也會這么說。

那些上輪融資余量不多，客戶也不付費，產(chǎn)品做成半吊子，錢糧又都沒了，而且還沒有未來方向，可能就來不及了。

因為即使看到新的需求，也需要花大資金去砸，需要研發(fā)周期，我覺得會倒一批，但行業(yè)又不會折損太慘，因為還是會有一些接盤。

具體的解決辦法，我以自己的親身經(jīng)歷舉例。

早年我從社保系統(tǒng)出來，開始進入商業(yè)保險領域，那時候自己還沒有能力去籌建昆侖健康險。

我去了保險公司生命人壽，當時自己就認為，做健康險一定是要和醫(yī)院打交道，因為付費的場景就高度集中在醫(yī)院。而且商保作為第二支付人，還需要和社保要打交道，要了解賠了多少。

結果我用了半年時間才明白，那些已經(jīng)在商保行業(yè)摸爬滾打多年的老兵，事實已經(jīng)各立山頭，根本不愿意跨領域溝通。

但是溝通是可以帶來價值的，和社保溝通才知道，社保風控早就已經(jīng)做了；和醫(yī)院溝通才知道，許多數(shù)據(jù)醫(yī)院本身就有，但如果不溝通，就會閉門造車。

我后來總結，不溝通的原因就是之前賣保單摟錢太容易了，2002年的時候，只給那些代理人生活費，就能圈上萬人幫你賣，所以根本不愿意往深考慮問題。

現(xiàn)在人工智能行業(yè)也存在“夜郎自大”的問題，由學者炒起來的熱度，讓大家過去獲得的融資太容易，這個容易是雙刃劍，所以過去會很浮躁，現(xiàn)在就需要沉下心來思考，或許能夠獲得轉機。

雷鋒網(wǎng)：AI在保險智能營銷上的作用可能比較有限，是否因為AI主要做理性的事，而營銷本身就是感性的行為，那么未來AI在保險智能營銷中還有怎樣的前景?

湯子歐：營銷最在意的就是獲客，所謂的業(yè)績提升。

但獲客問題，在這個時代背景下有一個基本限制條件“大的流量入口已經(jīng)被壟斷”。

現(xiàn)在所有AI營銷保險公司，所做的事或者方向都是和這些流量入口合作，做二道販子，幫他們流量入口做轉化，所以他們的原生粘性已經(jīng)不在保險行業(yè)。

我們都知道當一個公司的銷售力量強大之后，就會和公司的訴求逐漸不一致了，僅剩的一致點就是以特定的價格賣最多的量。

除了這個之外，公司角度會因為資本估值等一系列因素，訴求會趨向于續(xù)高質量的收入。所以粘性已經(jīng)不在保險公司或者產(chǎn)品本身，而是感性的因素影響更多。

綜合來看，引流獲客的AI創(chuàng)業(yè)公司不太成功的第一個因素就是，高度依賴于大的流量入口，再有通過正常的做法來獲得成功已經(jīng)很難了，所以就會有一些龐氏騙局的案例。

但也不是完全沒有機會、線下的生活體驗依然存在，雖然互聯(lián)網(wǎng)已成為巨大的流量入口，但人還沒有完全活在互聯(lián)網(wǎng)之上，另外國家體制，決定政府在保險行業(yè)是有主導作用的。

所以AI保險營銷公司未來的發(fā)展方向，首先應該更好的結合線上、其次更關注線下，另外要做出真正滿足本源需求的產(chǎn)品，獨立思考，而不是盲目跟風。

跟風就是保住飯碗的做法，而不是真正的創(chuàng)新。無論在投資界，一窩蜂跟投某個領域，還是保險行業(yè)，一窩蜂推出百萬醫(yī)療產(chǎn)品，沒有一個不是為了保住自己的飯碗，是主觀的懶惰認知。

像過山車旁邊的重疾險營銷，這樣經(jīng)過思考的想法，最后的效果還是值得一試的。

但是思考也應該跟上時代，不是想到過山車可以賣重疾險，就直接派人在過山車下面發(fā)傳單，新東方那樣的創(chuàng)業(yè)時代已經(jīng)過去了。

現(xiàn)在這個時代，像過山車這種，娛樂設施的網(wǎng)上流量入口還沒有被阿里或騰訊完全注意和壟斷，甚至還沒有上網(wǎng)，所以更深思考，機會還是蠻多的。

此外，打破流量壟斷這件事，國家已經(jīng)注意到，互聯(lián)網(wǎng)數(shù)據(jù)和流量的壟斷已經(jīng)嚴重影響良好的生態(tài)和持續(xù)創(chuàng)新的產(chǎn)業(yè)氛圍，看到監(jiān)管正在一步步推進。

雷鋒網(wǎng)：好人生面對遇到不太懂AI的客戶，一般怎么教育對方，或者怎么提供咨詢服務？

湯子歐：萬事開頭難，產(chǎn)品有了好的應用案例，后面的接受度就會高很多。

這個時代已經(jīng)不像過去，人群對于產(chǎn)品需求和消費習慣基本保持10年不變，所以過去的用戶可以很明確知道自己想要什么。

現(xiàn)在的to B行業(yè)的一大弊端，就是客戶也不知道自己想要什么，到底是要風控、還是多賣產(chǎn)品、還是需要對產(chǎn)品進行創(chuàng)新。更深入來說，比如風控，是覺得核保有問題、還是過程控制有問題、還是回顧性調查出現(xiàn)問題。

另外確定問題之后，還要明白需要怎樣的解決方案，是想要一次性、還是先解決最痛的痛點。

這些往往都是他自己的需求，但如果這個需求不清晰，我們會首先選擇進行培訓，形象講各個風險點的解決方案究竟是什么，需要怎么做？

雷鋒網(wǎng)：如果客戶方使用供應商的產(chǎn)品體驗不太理想，客戶方通常情況下會怎么做？

湯子歐：這個問題恰恰體現(xiàn)to B銷售越來越難，原來都是to C才試用，現(xiàn)在to B也需要試用。

得益于現(xiàn)在信息化手段的進步，模塊化的產(chǎn)品拆解部署都非常快，接口也都非常一致，兩三天就能部署完，一旦試用過程體驗不好，更換和二次開發(fā)都沒有問題。

從好人生的使用案例來看，很少有用戶能夠提出二次開發(fā)需求，要么是滿足需求了，要么是試用之后，明白自己的真實需求了，可能根本就不需要核保，因為核保是打算放水的，直接批量放上百萬人進來，之后的在兩年抗辯期，進行回顧性調查。

另外也會存在，試用之后就走了，表示要自己開發(fā)，但寫出需求之后，往往發(fā)現(xiàn)底層的知識圖譜并不存在，又回來購買了，做生意就是這樣，存在來回反復的過程。

當然最壞的情況就是訂單取消了，這種情況一般都是保險公司內部的原因，原有預算被取消等等。

雷鋒網(wǎng)：您在AI保險領域從業(yè)這么多年，是否有讓你恍然大悟的一件事，甚至顛覆了你過往的認知，讓你發(fā)現(xiàn)“哦，這件事的本質原來是這樣的?！保鞘裁?？

湯子歐：還真有。自己這么多年，從統(tǒng)計到風控，在社保就做風控，后來做健康險的風控。

剛剛進入商業(yè)保險的時候，我骨子里認為風控很重要，認為保費的風控、風險選擇都非常重要，是一個必需品。當然現(xiàn)在這些確實是必需品，但是2000年那個時候是充滿龐氏騙局的時代。所以在那個時代下，想法就錯了。

這一課花一年時間才想明白。2002年，大家聽到風控都會點頭，但實際上卻完全不當回事。因為野蠻生長的大環(huán)境，收到的保費永遠比過去多得多，所以對于節(jié)省過去保費的需求并不感冒。

當時他們聽到風控要先花錢，然后再省錢，而且最終只能省百分之幾。保險銷售直接表示，我這帶來的都是兩倍、三倍的變化，你那才能省幾個百分點，資產(chǎn)端也非常好。所以，風控一下子就比沒了。

這是我從體制內到體制外，被上的最大一課，因為最開始就想錯了。

雷鋒網(wǎng)：您對每年不斷涌入AI保險行業(yè)的新創(chuàng)業(yè)者和優(yōu)秀技術人才有什么想說的？

湯子歐：第一，一定要給自己找好一個點，這個點越小越好，越具象越好；

第二，應該確定找到的這個點，一定是當前的剛需，千萬不是偽需求；

第三、致力于解決這個具體的剛需，一定要愿意干臟活累活，直到這個想法成功。

背后原因就是新人很難去解決大問題，首先應該是解決小問題，因為資源和社會信任都不夠。

如果找到了這個點，干臟活累活可以比別人更迅速、深入的了解這個行業(yè)。這比永遠的泛泛而談、浮在表面要好太多了。

雷鋒網(wǎng)：對于新人，隨著變革的加速行業(yè)已經(jīng)完全不一樣，他們應該怎樣的去調整自己，適應市場。

湯子歐：世界的變化永遠站在當下，然后去解決一兩年就可以實現(xiàn)的問題，對于新創(chuàng)業(yè)者或者優(yōu)秀技術人才是非常重要的。

因為我已經(jīng)不在實驗室，進入社會就應該以商業(yè)的方式來實現(xiàn)價值。這個價值要在短期內能凸顯出來，否則活不到變現(xiàn)的那一天，因為這個時代和2000年已經(jīng)完全不一樣了。

所以他們應該迅速去了解自己專業(yè)領域的進展和作用，結合市場的剛需，找準一個細的點，解決一個具體的社會問題，迅速在行業(yè)內創(chuàng)造價值，并對這個價值進行變現(xiàn)，活下去。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。