電影《黑鏡》中的社會信用評價照進現(xiàn)實，這是一種怎樣的體驗呢?
《黑鏡》中人們通過AR人臉識別，可以看到對方的實時評分。你的形象、身份、社會信用都會通過AR識別的方式展現(xiàn)出來，你的打分將馬上對對方會產生影響，將決定他能不能乘坐某樣交通工具，會不會受到其他人歡迎等。
劇中的女主想要借助跟高分的人的打分迅速提升分數，為此她特意練習了一個演講，以討好自己并不喜歡的對象。結果長途跋涉的路上遇到了許多意外，被扣了分，因為扣分帶來的不便帶來一系列的連鎖反應，在一趟旅途之中分數掉到了谷底，而最終連購票的資格都被取消。
而目前，《黑鏡》中的個人信用體系將照進現(xiàn)實。中國計劃到2020年建立起社會信用體系，給14億人打分，同時利用面部識別等系統(tǒng)跟蹤所有人的行為。假如你分數下降，生活將會出現(xiàn)許多不便。最近已經有一批人因為某些問題被列入失信人名單，不能購買飛機票和高鐵票，不能買房子，孩子也無法就讀私立學校。
社會信用系統(tǒng)照進現(xiàn)實，會對我們的生活帶來什么改變呢?智能相對論分析師柯鳴認為，隨著AR人臉識別、機器深度學習技術的發(fā)展，傳統(tǒng)的信用模式已經難以適應新時代下的發(fā)展，新的信用模式必然呼之欲出。
BAT巨頭們如何布局社會信用系統(tǒng)？
社會信用體系是以相對完善的法律、法規(guī)體系為基礎，以建立和完善信用信息共享機制為核心，以信用服務市場的培育和形成為動力，以信用服務行業(yè)主體競爭力的不斷提高為支撐，以政府強有力的監(jiān)管體系作保障的國家社會治理機制。
對于BAT而言，對于社會信用系統(tǒng)的布局確實也成為了當下企業(yè)競爭的一大發(fā)力點。
阿里巴巴承認，他們會根據用戶購買產品的類型對用戶進行評估。一個一天花十小時打游戲的人會被認為是游手好閑，而經常網購尿不濕的人則可能已為父母，被認為更有責任感。
阿里巴巴的芝麻信用體系
而分數等級會演變成待遇等級，評分達到650分，就能免押金租車，還能更快捷地入住酒店;超過700分的人，可申請新加坡簽證而無需提供在職證明等。
騰訊最近也上線了“騰訊游戲信用分”功能，用于維護游戲環(huán)境。最重要的是它一定程度上限制了玩家消極游戲。
其實，這種類似的信用評分體系還有很多，比如高德地圖會為你的一次出行打分，某些餐廳或電影院也嘗試會員評分制度……
而如果將這些信用評分制度融合到一起，擴大到整個社會，其最大的優(yōu)勢就是能有效地劃分體系下的人群，不僅能督促人們培養(yǎng)好的行為習慣，還能有針對地為人們提供更好的服務。而新技術的發(fā)展似乎給個人信用體系帶來了“新的春天”。
生物識別呼喚新的個人信用使用方式
個人身份識別是個人信用體系建立的前提。隨著近年來生物識別的不斷進展，在大數據的機器學習以及人工神經網絡的深度學習上實現(xiàn)了突破。所謂深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數據的分布式特征表示。
在以往的系統(tǒng)個人信用模式中，征信機構主要通過采集消費者的證件號碼和姓名對消費者身份進行識別如美國征信機構采用社會保障號對消費者身份進行識別，我國人民銀行征信系統(tǒng)采用包括證件類型、證件號碼、姓名在內的三項標示，并在征信報告查詢時引入其他問題對消費者身份進行識別。
目前，隨著生物識別技術的發(fā)展，其識別過程的安全可靠性使得個人信用系統(tǒng)識別方式不斷改進。加上互聯(lián)網金融對風控的強制要求和反欺詐中對身份識別的 " 剛需 "，生物識別技術在一些新型金融機構的業(yè)務應用中已取得較好的進展。
其中，人臉識別配合傳統(tǒng)的密碼及短信驗證等方式，自帶活體檢測的效果可以有效地避免個人信息泄露所造成的金融詐騙事件，也為個人信用體系的安全性提供了保障。
AI加持后的信用體系，能全方位評價一個人嗎？
顯然，AI加持后的個人信用體系似乎變的更加讓人信賴了。但是，大數據所體現(xiàn)出來的“用戶畫像”真的能夠全方位的評價一個自然人嗎?
人工智能推動下的社會信用系統(tǒng)，它不僅僅是作為一個社會推動者，其最終可能會變得非常嚴格。芝麻信用技術總監(jiān)李應云也曾表示，在SCS系統(tǒng)下，可以通過購買來判斷一個人。
芝麻信用技術總監(jiān)李應云將這些看作是積極的事態(tài)發(fā)展，鼓勵一個人對自己的生活和消費習慣承擔更大的責任，以便獲得一個積極的公民評分，即成為“值得信賴的”。
然而，用大數據檢測用戶行為是有失偏頗的。如何定義人們的日常行為?人們做許多事情可能基于不同的原因，如果情況不理解，就會存在被誤解的可能。
即使是一個只有少數數據點的基本SCS系統(tǒng)，也可能描繪出一幅非常不準確，不完整的圖片。比如，你可能正在玩游戲10個小時，如果算法說你閑著，這可能會錯過你玩這些游戲的原因。也許你是一名工程師，你正在測試他們。但系統(tǒng)認定你為閑人，而這卻是你的工作。
因而，這就不得不談及大數據環(huán)境下的構建誠信體系中的問題。智能相對論分析師柯鳴總結了目前人工智能加持下的社會信用體系建設，發(fā)展了目前依然存在以下問題：
1.較高難度的大數據獲取
隨著社會的基礎信息搜索和信息共享機制的改變，大數據難以完全支撐有所信息的獲取。比如，以水電煤氣為代表的基礎信息、個人社保公積金以及教育、住房、司法系統(tǒng)尚未完全聯(lián)網，底層數據缺乏;另一方面，支付、社交等信息依然呈現(xiàn)出彼此封閉和割裂的狀態(tài)，互聯(lián)網巨頭擁有著大量的用戶數據，這使得一般數據獲取的成本大大提高。
2.大數據模型可行度存疑
個人信用的大數據獲取模型必須建立在數據有效、充分抓取的基礎上，這需要實際應用中的不斷修正和檢驗。而在實際落地過程中，由于應用時間較短，缺乏歷史數據的參考，目前的大數據模型依然存在著數據不足、缺乏檢驗等問題，在落地過程中依然需要時間。
3.網絡大數據應用范圍過窄
從目前來看，用戶數據大部分來自于互聯(lián)網，這在實際應用中把較少使用或不曾使用網絡服務的群體排除在外，比如老年群體以及偏遠地區(qū)群里等。而這在大數據評估的過程中會存在著忽略此類群體的情況，不利于刻畫社會群體的“用戶信用畫像”。
總之，AI加持下的大數據信用系統(tǒng)確實能夠完善社會信用體系，但是大數據能夠收集個人日常失信行為，但并不是說這些失信行為就要被公布于眾，哪些行為需要公布，哪些不能公布，這都要有一個準繩。
此外，在個人誠信檔案使用中也應該分領域，比如有些領域可以閱讀完整的信用檔案，有些領域則不能閱讀完整檔案，需要對閱讀權限進行分級，可以建設一套與之相應的信用評級系統(tǒng)。
社會信用體系的建設仍然有很長的路要走，當《黑鏡》中的AR評分照進現(xiàn)實，個人信用的評估一定會再步入一個新的臺階。
智能相對論：深挖人工智能這口井，評出咸淡，講出黑白，道出深淺。重點關注領域：AI+醫(yī)療、機器人、智能駕駛、AI+硬件、物聯(lián)網、AI+金融、AI+安全、AR/VR、開發(fā)者以及背后的芯片、算法、人機交互等。
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
