智慧金融一直被认为是AI目前最被看好的落地领域，特别是智能投顾。虽然在欧美国家，智能投顾正在如火如荼的进行，可是我国，情况似乎并不明朗。
作为银行系首家上线的智能投顾，摩羯智投无论是体量还是影响力上都榜上有名，虽其规模已超80亿，但其未设置风险评测机制，基本处于以销售为导向的阶段。而宜信旗下的投米RA，最初上市时主打海外投资，去年6月推出人民币版本，其风险等级共9等，无论最高还是最低，反反复复就是8只基金，对大额用户而言，显然风险不能分散。除了摩羯智投外，其他多家智能投顾们少有向公众袒露其资产管理规模的，个中原因就值得玩味了。
为什么智能投顾这把火似乎还没有燎原之势？
（瑞士银行设在美国的交易场2011年和2016年的对比）
智能投顾之困局： 雾里看花还是蓄势待发？
我国的智能投顾从万众期待到门可罗雀，智能相对论认为主要有几点原因：
1、缺乏生长的土壤，智能投顾概念重于形式。
Wealthfront是美国最知名的智能投顾公司之一，主要目标客户是有充足的现金流，却没有时间精力和投资知识来打理自己资产的年轻人。投资的准入门槛很低，设定为5000美元，10000美元以内不收取管理费（超过部分费用约为0.25%），交易程序也被大大简化，增长速率非常快，在2018年初就已经管理了100亿美元的资产。
而我国当前市场上正常的智能投顾均以公募基金为资产标的，通常其认购、赎回、托管成本和管理费用综合达1%－2%，是国外智能投顾的2－8倍。
智能投顾的实现基于对细分产品的量化，国外的智能投顾投资组合主要以ETF为主。目前美国大概有1600只ETF，共2万多亿美元的市场，而中国仅有100多只ETF，大多数为股票，没有债券、大宗商品和针对不同的产业的ETF，不能做到分散投资，有效配置资产更无从谈起。因此，现在很多所谓的智能投顾，只是投资经理根据自己掌握客户的投资偏好做统计并推介投资方案，本质上还是披着人工智能‘马甲’的传统投顾业务。
同时，智能投顾涉及到投资咨询、产品销售和资产管理三块业务，而国内这三块牌照是分别发放和监管的。由于是纯线上的平台，监管难度非常大，监管层也处于观察阶段。
因此现阶段，智能投顾依然处于概念重于实质阶段。未来将如何走，还有待进一发展。
2、大数据大而不“精”，深度学习黑箱迟迟难揭。
人工智能发展起来的关键是有了大量的数据，甚至可以说人工智能发展80%归于数据的丰富，20%归于算法的提升。
在金融行业，数据极易标签化，这给人工智能在金融领域发展极大的利好。然而，从数据大上来说，智能投顾所获得的数据还不够多，这个不够多不是指数量上不够，而是指维度上的单一。
智能投顾主要是基于用户画像和资产刻画提供精准服务。用户画像需要投资者交易行为数据的搜集和分析，而我国客户的投资行为习惯非常脆弱，客户是基于长期被动投资、指数投资还是主动投资，带来的结构对智能投顾的挑战是截然不同的，因此客户的风险画像有时候很难精准表述它的特征。而资产画像需要对金融产品，以及结合市场的数据的搜集和分析，国内目前在这块上略显薄弱。国内拥有成体量的有价值的数据信息的公司很少（BATJ等寥寥几家）， 而拥有优质数据资源的公司组建了牢不可破的数据封闭体系，并不能很好的互通，再有就是数据整合模式不成熟，缺乏大的平台型数据公司，造成有价值的数据过于分散，接入成本高。
如果算法在智能投顾赋能中占比20%，那深度学习起了至少一半的作用。据说深度学习领域所认可的人才分两种。第一种是开宗立派的人物，比如发明CNN（卷积神经网络）、DNN（深度神经网络）、RNN（循环神经网络）的宗师级人物。还有一种，是真正能够把参数调好的人，这极其稀缺。比如对于多层神经网络，是设置10层、5层还是7层效果最好？每层都有很多参数，应该输入多大的数据量才会产生理想结果，这是一个经验值，甚至没有规律。比如当你输入大量数据后，得出一个结论后，你没办法回溯怎么得出这个结论的，甚至你无法证明这是最优解。所以深度学习最大的问题是黑箱。