目前智能顾问已掌握大量资产，第一个以人工智能驱动的基金Rebellion曾成功预测了2008年股市崩盘，并在2009年给希腊债券F评级，而当时惠誉的评级仍然为A，通过人工智能，Rebellion比官方降级提前一个月；掌管900亿美元的对冲基金Cerebellum，使用了人工智能技术，从2009年以来一直处地盈利状态。
在国内，蚂蚁金服已成功将人工智能运用于互联网小贷、保险、征信、资产配置、客户服务等领域；智融金服利用人工智能风控系统已经实现月均20万笔以上的放款，常规机器审核速度用时仅8秒；招商银行的可视化柜台、交通银行推出的人工智能机喊叫“娇娇”等则在智能客服领域做出了早期的尝试和探索。
在创新工场所投资的公司里，以机器学习见长的第四范式在银行业的精准营销、资产预测、风险防控等方面做得非常出色；以机器视觉见长的旷世科技（主打产品是人脸识别系统Face++）,则为传统金融及互联网金融提供了身份验证、智能门禁、员工考勤等先进的解决方案；以互联网小额信贷平台为主营业务的用钱宝公司，则利用人工智能技术建立了高质量的风控模型，大幅提高信贷业务的通过率，降低坏账率，实现了惊人的业绩增长。
以用钱宝公司为例，这家公司主打的移动端app于2015年7月才上线，短短一年半的时间，到2016年12月，用钱宝app的单月交易笔数就突破了1000万。这个增长速度在金融类移动应用中是非常惊人的。用钱宝之所以能在保证风险可控的情况下高速增长，最关键的秘密只有一个——用机器学习技术自动分析包含大量强特征和弱特征的数据，自动判断和交易风险。
传统信贷风控经常使用一种叫作“风险评分卡”的数学模型，这个模型依赖于大量以非0即1的形式存在的强特征，综合计算一个客户的风险等级。这样的传统数学模型考虑的因素少，对现实风险的拟合非常简单，难以直接迁移到强特征不明显的互联网金融客户上。
如果把一个人的数据比作一座冰山，那么强特征数据仅是冰山的一角，之下还存在海量的弱特征数据，例如电商数据、设备数据、位置数据、行为数据等。同时，作为百业之母的金融行业与整个社会存在巨大的交织网络，本身沉淀了大量有用或无用数据，其中包括各类金融交易、客户信息、市场分析、风险控制、投资顾问等。这些数据单位都是海量级，且大量数据又以非结构化的方式存在，无法转换成传统模型可有效分析的数据。
以深度学习为代表的人工智能算法所要做的，就是充分挖掘并有效地利用这些海量弱特征数据，建立起更加符合真实世界规律的数学模型。虽然无法凭借其中少数几条数据就做出借贷决定，但如果把几百个甚至几千个维度的数据综合起来，就可以训练出有效的风控模型，并以此为风控依据为用户做出借贷决定。
在人工智能技术的驱动下，用钱宝等新型金融应用可以在大大减少人工劳动的同时，大幅提高效率，降低成本。未来的金融科技必将是互联网与AI的有机结合，由此产生的智慧金融服务将成为每个人生活的重要组成部分。
