人工智能（Artificial Intelligence， AI），是研究、开发用于模拟、延伸和扩展人类智能的理论、方法及应用系统的一门科学技术，其利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统，本质是对人类思维过程的模拟。从1956年约翰·麦卡锡在达特茅斯会议上第一次正式提出人工智能，经过半个多世纪的发展，人工智能技术不断完善并应用于越来越多的行业，其关键技术如图1所示[1]。在金融领域，涉及到的人工智能技术和应用包括生物特征识别（人脸识别、语音识别）、智能投顾、智能风控、智能反洗钱和智能客服等，本节为全文做技术铺垫，对人工智能相关的科学技术概念进行说明介绍。
图 1 人工智能关键技术
机器学习 （Machine Learning，ML）一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎么样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。
深度学习 （Deep Learning，DL）深度学习是建立深层结构模型的学习方法，其利用深度神经网络来解决特征表达的一种学习过程，将特征表示和学习合二为一。
知识图谱知识图谱是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关“属性-值”对。
计算机视觉（Computer Vision，CV）计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。主要包含图像分类、目标检测、目标跟踪等技术，成熟应用包括人脸识别、视频结构化、姿态识别技术等。
生物特征识别利用人类生物特征的唯一性进行身份识别。通过对生物特征进行取样，提取其唯一的特征并且转化成数字代码，将这些代码组成特征模板。
虚拟现实/增强现实虚拟现实/增强现实是以计算机为核心的新型视听技术，结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。
自然语言处理（Natural Language Processing，NLP）自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，其研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法，使计算机在理解语言上像人类一样智能。
数据挖掘（Data Mining）从大量的数据中通过算法搜索隐藏于其中信息的过程。
神经网络（Neural Networks，NN ）神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。
智能投顾智能投顾是运用云计算、机器学习和人工智能等现代计算机技术，将经典的资产组合理论模型应用到实践中，结合对投资者风险偏好、财务状况及理财规划等因素的充分了解，为用户自动化地生成智能化、个性化的资产配置建议，并对组合实现跟踪和自动调整。
智能风控智能风控是大数据、人工智能、云计算等智能化技术手段在金融领域的重要应用，通过构建智能风险管理体系，突破以人工方式进行经验控制的传统风控的局限性和空间性。
智能反洗钱智能反洗钱指利用人工智能技术建立客户风险视图，同时通过对比每笔交易，统筹考虑相关人物、事件、内容、地点、时间、原因等要素，理解交易行为的特点，有效识别可疑交易，完善反洗钱风险管理体系。
智能客服智能客服是融合自然语言处理、知识图谱、自动问答、推理等人工智能技术，在大规模知识处理基础上发展起来的一项面向行业应用的交流方式，其不仅为机构与用户间的沟通建立了一种基于自然语言的快捷有效的技术手段，还能为机构提供用户的统计分析数据。
人脸识别以人脸特征作为识别个体身份的一种个体生物特征识别方法。其通过分析提取用户人脸图像数字特征产生样本特征序列，并将该样本特征序列与已存储的模板特征序列进行比对，用以识别用户身份。从应用方式不同，人脸识别可分为人脸验证和人脸辨识。
声纹识别根据待识别语音的声纹特征识别该段语音所对应的说话人的过程。其包含声纹确认和声纹辨认。
[1] 《人工智能安全标准化白皮书（2019版）》