近年来，人工智能取得重大进展，当前的突破更多地体现在基于概率计算的神经网络方向，而基于规则的专家系统方向的进展则相对较慢。对于投资管理，随着人工智能在投资领域的应用，[智能投顾]产品率先进入实际应用。与人工智能的突破路径相呼应，智能投顾的发展也遵循了技术发展路径。虽然从更长期限看人工智能的发展完全有可能为资产配置提供全新的分析框架，但当前在新框架尚未明确之前，仍然可以沿用MV两分法的分析框架来考察人工智能技术在投资管理中的应用。以智能投顾系统为例，其在投资前沿构造以及偏好识别两个方向均可以实现重大突破
首先，在投资者偏好识别方面，人工智能在大数据分析领域的应用，使投资者偏好识别、投资者画像得以实现。正如前文所述，由于存在种种困难，投资者偏好识别不仅在理论上经常被[忽略]，在实践过程中也难以推广应用。目前，在购买理财、私募基金等金融产品之前，投资者需要完成若干道题目的风险偏好测试。通过做测试题识别投资者的风险偏好效果并不好，暂且不论是否存在主观故意逆向选择问题，依靠若干简单的题目不足以充分识别投资人复杂的心理偏好。实际上，这种测试更倾向于用来评判投资者购买某种金融产品的适当性，在产品出现风险时，金融机构以此作为免责手段，而非准确了解客户偏好。大数据与人工智能的出现有望彻底改变这种局面。一方面，随着投资者各种生活场景、金融交易等大数据的积累和丰富，投资者不需要主动声明自己的风险偏好，信息技术可以通过投资者的客观行为识别其风险偏好。例如，车险理赔较多的行为，很可能预示着这是一个风险偏好程度较高的投资者。智能投顾了解到这一情况之后会提高风险资产配置比例以赢取高收益，这种配置与投资者的偏好较为相符。
智能投顾在用户画像方面的应用前景较为广阔，发展空间也较大。信息技术中用户画像同样是当下发展的热点，百度将语音、图像、自然语言理解和用户画像，作为其人工智能的四大前沿能力。针对我国的现实情况，用户画像有更好的发展基础。我国互联网用户多，特别是智能手机普及率高，支付、网购等方面的成熟应用，积累了大量基础数据。
目前，大多数国内智能投顾产品与对风险偏好的识别仍然停留在传统问卷调查水平，大部分没有上升到用户画像高度。从理论与实践来看，风险偏好识别是资产配置中较为薄弱的领域，也是容易使用信息技术做出突破的地方。智能投顾要想发挥低成本服务大众的优势，则更应该以用户画像为突破口。一方面，这个方向来自传统金融机构的竞争较少，另一方面，技术进步、数据积累确实可以更好地解决这些问题。
其次，在投资前沿构造方面，人工智能技术拓展了投资决策的参考数据空间，为资产的选择与分配提供了更多的指引。以往资产配置与投资组合模型所需的数据般是结构化数据，如交易形成的价格数据等，非结构化数据在投资组合模型中很难有用武之地。很多有价值的证券分析师报告、新闻媒体报道、舆情等数据由于信息分布分散、时效变化快以及数据结构不统一等问题，无法在资产配置过程中得到有效利用。使用人工智能方法，则较容易生成概率意义上稳定的结构化数据。百度的语音、图像、自然语言理解等方向的人工智能应用均涉及非结构化数据向结构化数据转化问题。一旦这些技术成熟，在投资管理中大量有价值的非结构化信息将变得可用、易用。未来随着信息空间的扩大，投资端资产组合构造很可能出现较大的突破。
