是AI 选择了我,还是我选择了AI?一切都从1998 年的秋天开始。http://www.hibor.com.cn【慧博投研资讯】跟大家一样,对于6.034 这串数字感到既好奇又陌生,这就是我在MIT 念本科时候的第一个人工智能科目。http://www.hibor.com.cn(慧博投研资讯)课程涵盖了从搜索树到专家系统、机器视觉、机器学习、神经网络等,各种AI 的基础。无心插柳的在99 年的暑假我有幸能到日本东京实习,开发生物识别网络安全系统。回校之后,我亦顺理成章的进去了MIT AI Lab 做脸孔识别研究,一直到硕士毕业。当年的“意大利籍爱因斯坦”,我的指导教授,就是当今人称“AlphaGo 之父”和Mobileye 的董事之一的Tomaso Poggio 教授。而认识Andrew Lo(罗闻全)教授,却是我在几年后从回母校念MBA 的时候。罗教授的研究主要将机器学习融合到投资方面。AlphaSimplex 就是由他创办的第一代智能投顾对冲基金公司。这篇文章不但是向罗教授致敬,也是为将在3.14 当天收到取录通知的准学弟学妹送上我的祝福。愿你们踏上Infinite Corridor 的奇妙征途,坚定执行MIT 的使命,让梦想一一实现,以科学贡献社会。
重申人工智能的终极目标为模仿人类大脑的操作,算法基础早在20 年前扎根成型,硬件的发展促使AI 的普及,但3 大难题仍需解决人工智能的最终目标是模仿人类大脑的思考和操作,现在的主流还是监督学习,而无监督学习才是人类大脑最自然的学习方式。本质上现在的深度学习与20 年前我们在学校的研究区别不大,不过现在的神经网络能够部署更多层数、使用更大量的数据去训练模型和在原来的算法基础上引进更多的附加算法和改良。当年我们做研究,一台电脑里面最多只有几个CPU,我们并没有云计算、并没有GPU。而在过去5-10 年里,人工智能开始得以商业化和普及,我们认为主要鉴于计算能力的快速增加:1)摩尔定律的突破,让硬件价格加速下降;2)云计算并行计算的普及,以及3)GPU 的使用让多维计算能力提升,都大大促进了AI 的商业化。
但机器学习目前仍存在三大难题:1) 数据表达方式的差异和garbage in,garbage out 的问题。有说数据为王,但也有Less is more 的说法。没错,训练和学习是需要依靠大量数据与样本,但大数据里面其实有好多都是对于训练模型完全没用的垃圾。比如说,在语音识别里一句10 秒的话以每25 毫秒作为单位剪开会产生400 个小段落,然后每个小段落需要做特征提取以向量去表达,而向量的长短会直接影响维度的操作。用一个13 维度的还是39 维度的特征向量才能把说话的重要特征保存?重要的是,维度越多不代表训练和辨认的结果就会越好,必须要经过细致和不断的实验去验证。
这也是为什么硬件的计算能力成了关键,因为我们说的不是线性,而是指数性的增长。另外,2)大部分的AI 算法目前还是处于1 对1 的特定状态,比如说,下围棋的算法就不能应用到其他游戏。但谷歌的深度学习(DeepMind)基本已经突破了这个难题。还有,3)需要手动选择学习算法以达到最优化学习,比如说神经网络在20 年前已经在学术界广泛使用,但针对不同种类的数据,算法也必须要优化和改良,这个是需要手动去测试。
智能投顾远远复杂于无人驾驶,AI 防御非理性投资,引领投顾未来毕竟人非草木,投资者在面对复杂和变幻莫测的环境时,往往会出现恐慌和贪婪的情绪,因此情绪控制是金融科技必须要突破的难关。无人驾驶的原意是去克服人类的疲惫和理性判断,但驾驶是一种手工技能,而投资是一种软技术。智能投顾的先决是要在风险管理的基础上,用算法准确地捕捉人类情感和行为,从而做出不受情绪干扰的投资决策。目前智能投顾的科技还处于原始阶段,就像转盘电话相对于iPhone 一样。智能投顾包括数据搜索分析、智能报告生成、以及AI 辅助的量化交易等。未来,投资者可利用机器学习结合各种金融模型,并依据历史经验和市场信息的不断演化,驾驭情绪,预测股票、债券等金融资产价格及波动间的相互关系,以此来创建符合预期风险收益的投资组合。
风险提示:人工智能发展受资金短缺等阻碍,智能芯片研发不畅等。