最近進(jìn)行的阿爾法狗和世界圍棋冠軍李世石的對(duì)戰(zhàn)引起了全世界對(duì)人工智能的關(guān)注，結(jié)果更是超乎了許多人的預(yù)期。包括我本人和著名風(fēng)險(xiǎn)投資人、人工智能領(lǐng)域的專家李開復(fù)先生等事先都預(yù)測(cè)機(jī)器不會(huì)戰(zhàn)勝人類。

然而結(jié)果卻是相反。事后分析AlphaGo的技術(shù)原理，其運(yùn)用的是“神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)）”技術(shù)，這個(gè)技術(shù)在這場(chǎng)比賽中發(fā)揮了核心作用，這也是目前人工智能領(lǐng)域一個(gè)核心的技術(shù)。

至于什么叫“深度神經(jīng)網(wǎng)絡(luò)算法（DNN算法）”，簡(jiǎn)單描述就是把變量作為輸入的參數(shù)，輸入的參數(shù)會(huì)往中間層做一個(gè)函數(shù)映射，一層一層地傳導(dǎo)下去。

目前比較復(fù)雜的神經(jīng)網(wǎng)絡(luò)都可以達(dá)到十幾層的深度。從圖形上看它很像一個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，它的原理就是模仿人腦的神經(jīng)元相互作用的過程。

這就好比細(xì)胞，單個(gè)的細(xì)胞結(jié)構(gòu)、功能都比較簡(jiǎn)單，但是很多細(xì)胞組織在一起就能實(shí)現(xiàn)比較復(fù)雜的功能。同樣的，單個(gè)的神經(jīng)元處理信息的能力是比較有限的，但是很多神經(jīng)元相互作用、互相傳導(dǎo)就能實(shí)現(xiàn)一個(gè)復(fù)雜的人類思維過程。

當(dāng)然，這其中具體的原理目前還未完全探索出來(lái)，這是一個(gè)非常有難度的學(xué)科。計(jì)算機(jī)網(wǎng)絡(luò)其實(shí)也是在模仿這一點(diǎn)。我們可以把深度學(xué)習(xí)網(wǎng)絡(luò)理解成一個(gè)“黑盒子”，里面上千萬(wàn)的參數(shù)都是經(jīng)過大量的數(shù)據(jù)模型的培訓(xùn)，可以進(jìn)行自我調(diào)整和學(xué)習(xí)的。

單個(gè)的參數(shù)，無(wú)論是從數(shù)學(xué)還是物理的角度都很難給它一個(gè)合理的解釋，但是大量的參數(shù)整合在一起后，無(wú)論輸入的參數(shù)還是輸出的結(jié)果都能達(dá)到一個(gè)非常好的匹配效果。

那么一個(gè)訓(xùn)練得當(dāng)?shù)摹吧疃壬窠?jīng)網(wǎng)絡(luò)”或者說“黑盒子”能達(dá)到什么樣的效果呢？比方說，針對(duì)語(yǔ)音培訓(xùn)的網(wǎng)絡(luò)，它能通過大量的語(yǔ)音輸入或者輸出的匹配之后很好地識(shí)別語(yǔ)音。相對(duì)于傳統(tǒng)的語(yǔ)音識(shí)別模型來(lái)說，它能夠大幅提高識(shí)別的準(zhǔn)確率。類似的應(yīng)用還有人臉識(shí)別等等。

而谷歌的AlphaGo也是這樣一個(gè)經(jīng)過培訓(xùn)的深度網(wǎng)絡(luò)學(xué)習(xí)的應(yīng)用，它相對(duì)于原有模型的優(yōu)點(diǎn)就在于它對(duì)于參數(shù)模型的定義，它可以處理大量的數(shù)據(jù)，而且可以自動(dòng)找出一些數(shù)據(jù)的相關(guān)性。

那么就金融領(lǐng)域而言，人工智能以及DNN算法能否實(shí)現(xiàn)一些相關(guān)的功能呢？就我看來(lái)，之前的金融工程往往是根據(jù)我們對(duì)金融目標(biāo)的描述（經(jīng)過對(duì)大量歷史數(shù)據(jù)的統(tǒng)計(jì)和回歸分析所得出的模型，這時(shí)我們一般假設(shè)歷史可以重演）去預(yù)測(cè)市場(chǎng)未來(lái)的變化。

而DNN算法則可以自動(dòng)提取一些相關(guān)性，我們可以把大量的數(shù)據(jù)（例如宏觀經(jīng)濟(jì)指標(biāo)、相關(guān)行業(yè)數(shù)據(jù)等）放入其中，同時(shí)匹配結(jié)果（例如當(dāng)天股價(jià)漲跌情況）去培訓(xùn)這個(gè)網(wǎng)絡(luò)。在數(shù)據(jù)量非常大的情況下，理論上可以培訓(xùn)出一個(gè)比較理想的模型。

它的優(yōu)點(diǎn)在于，之前的金融從業(yè)者建立模型時(shí)往往是基于經(jīng)驗(yàn)，由于影響市場(chǎng)的變量非常多且一些變量容易被忽略，這樣的金融模型是很容易失效的。而機(jī)器學(xué)習(xí)相對(duì)來(lái)說就可以彌補(bǔ)這個(gè)缺點(diǎn)，因?yàn)樗軌蛱幚泶罅康臄?shù)據(jù)。

很多時(shí)候，我們僅依靠經(jīng)驗(yàn)分析或者肉眼觀察很難發(fā)現(xiàn)這些數(shù)據(jù)的關(guān)聯(lián)性或者對(duì)結(jié)果影響的重要程度，這個(gè)時(shí)候可以通過相關(guān)的神經(jīng)網(wǎng)絡(luò)去解決。

未來(lái)，AlphaGo的算法可能會(huì)被完全公開，其技術(shù)也可能被應(yīng)用于醫(yī)療、機(jī)器人、智能手機(jī)助手以及無(wú)人駕駛等領(lǐng)域，但是還沒有人提到這種技術(shù)在金融領(lǐng)域的應(yīng)用。對(duì)此我認(rèn)為，出于利益的考量，一般的量化投資公司不會(huì)輕易公開自己開發(fā)的適用性較強(qiáng)的模型。

而且，在實(shí)際金融市場(chǎng)的操作下有這樣一個(gè)簡(jiǎn)單的規(guī)律——如果大量的人都在使用同一個(gè)交易策略，就算這個(gè)策略再有效也將失效，這也是這些公司不公開自己開發(fā)的模型的原因。

目前國(guó)際上幾個(gè)大的投行和量化公司已經(jīng)開始嘗試在自己的交易算法和市場(chǎng)策略模型里加入DNN算法，原因就在于DNN算法可以處理大量看似不相關(guān)的數(shù)據(jù)并從中找出規(guī)律。

量化的策略都具有一定的時(shí)效性，一旦市場(chǎng)發(fā)生變化或者使用同一個(gè)交易策略的人越來(lái)越多，交易的策略也會(huì)失效，所以量化投資公司需要經(jīng)常更新自己的模型。通過DNN算法，機(jī)器根據(jù)市場(chǎng)的反饋不斷自我學(xué)習(xí)并且調(diào)整最優(yōu)策略，可以實(shí)現(xiàn)動(dòng)態(tài)的變化，保持時(shí)效性。

當(dāng)然話又說回來(lái)，我也始終認(rèn)為人工智能在金融領(lǐng)域的應(yīng)用也有一定的局限性。金融市場(chǎng)本身存在著大量變量、大量信息和大量影響因素的共同作用，而且市場(chǎng)參與方由大量的機(jī)構(gòu)和個(gè)人組成，是十分復(fù)雜且開放的。

相對(duì)來(lái)說，圍棋是一種單一目標(biāo)、固定規(guī)則的“完美策略”游戲，理論上來(lái)說是存在最優(yōu)解的，因此DNN算法可以發(fā)揮比較理想的作用。但是對(duì)于稍微開放的游戲（例如多人對(duì)戰(zhàn)的棋牌），機(jī)器暫時(shí)是無(wú)能為力的。

所以對(duì)于金融市場(chǎng)這個(gè)大量的人參與博弈、受到大量變量影響的對(duì)象來(lái)說，人工智能幾乎是不可能“打遍天下無(wú)敵手”的。它只能作為一個(gè)金融從業(yè)者的輔助工具，在必要的時(shí)候給人做參考和提示。

總的來(lái)說，從現(xiàn)在人工智能的進(jìn)展來(lái)看，所謂的“智能學(xué)習(xí)”或者說“深度學(xué)習(xí)”程序可以在一個(gè)單一目標(biāo)、固定策略的環(huán)境下不斷優(yōu)化自己的策略，通過不斷地跟自己博弈尋找最優(yōu)解，這在一定程度上體現(xiàn)了“學(xué)習(xí)”。

但現(xiàn)在的機(jī)器還遠(yuǎn)遠(yuǎn)沒有達(dá)到真正人類學(xué)習(xí)的狀態(tài)，而且目前也沒有特別理想的路徑去實(shí)現(xiàn)這件事。所以說，真正的人工智能或者說“強(qiáng)人工智能”的發(fā)展還有非常漫長(zhǎng)的路要走。

其實(shí)人工智能已經(jīng)在一些領(lǐng)域得到了比較好的應(yīng)用，例如剛才提到的語(yǔ)音就是一個(gè)非常經(jīng)典的DNN算法的應(yīng)用，上市公司“科大訊飛”一直在做這方面的研究。

在醫(yī)療領(lǐng)域，IBM公司的Watson處于領(lǐng)先地位。（需要說明的是，Watson的技術(shù)路徑和AlphaGo是不同的，它更像是一個(gè)經(jīng)過精心梳理的龐大的專家知識(shí)庫(kù)，把你出現(xiàn)的癥狀和它已有的病例進(jìn)行匹配從而找到解決方案。）

當(dāng)然Watson在醫(yī)療上也只是起到輔助作用，它沒有完全替代醫(yī)生去進(jìn)行診療，它只提供一些可能的結(jié)果，最后還是由醫(yī)生進(jìn)行判斷。

教育領(lǐng)域，人工智能已經(jīng)在智能閱卷上得到了比較好的應(yīng)用。（此處的“智能閱卷”并非我們常見的識(shí)別答題卡，而是更高級(jí)別的應(yīng)用，例如用人工智能批改作文。）

另外一個(gè)比較重要的應(yīng)用領(lǐng)域就是安防，通過DNN算法實(shí)現(xiàn)人臉的識(shí)別。由于人臉存在一定的規(guī)律性，人臉識(shí)別通常運(yùn)用“卷積智能網(wǎng)絡(luò)”。具體的應(yīng)用場(chǎng)景有人臉打卡、鎖定通緝犯、識(shí)別危險(xiǎn)動(dòng)作。

A股上市公司“東方網(wǎng)力”就是與國(guó)內(nèi)人工智能團(tuán)隊(duì)合作進(jìn)行公安視頻安防平臺(tái)的開發(fā)，目前來(lái)看在人工智能領(lǐng)域還是前景看好的。

還要特別提到的是，在搜索領(lǐng)域，像研發(fā)AlphaGo的Google和國(guó)內(nèi)的百度都有比較好的技術(shù)布局。一方面，利用人工智能能夠大幅提高搜索的準(zhǔn)確率，另一方面，也可以提高廣告投放的精準(zhǔn)度。

在無(wú)人駕駛汽車領(lǐng)域，Google和百度也在進(jìn)行相關(guān)的嘗試。與金融行業(yè)類似的，無(wú)人駕駛是一個(gè)開放式的場(chǎng)景，實(shí)現(xiàn)起來(lái)的難度比較大。

總之，隨著時(shí)間的推移和技術(shù)的進(jìn)步，經(jīng)過大量數(shù)據(jù)的學(xué)習(xí)訓(xùn)練加之機(jī)器處理數(shù)據(jù)的能力越來(lái)越強(qiáng)，再過三到五年，人工智能在上述領(lǐng)域都能得到比較好的應(yīng)用。

當(dāng)然，上述領(lǐng)域的應(yīng)用還停留在一個(gè)“弱人工智能”的前提下，未來(lái)，隨著理論和算法上的突破，“強(qiáng)人工智能”也許也能有所突破。

這里引入一個(gè)“奇點(diǎn)”的概念，一些人工智能領(lǐng)域的專家認(rèn)為，在達(dá)到“奇點(diǎn)”以前，人工智能的發(fā)展是一個(gè)平緩向上的線性過程，一旦突破“奇點(diǎn)”，人工智能可能就能夠?qū)崿F(xiàn)爆發(fā)式的上升，甚至有可能超出人類的想象范圍。

因此，人工智能在未來(lái)會(huì)不會(huì)對(duì)人類的生存造成威脅，這也是一個(gè)非常值得探討的問題。許多人工智能領(lǐng)域的專家都發(fā)出過倡議，認(rèn)為對(duì)人工智能的研究還是要保持謹(jǐn)慎，防范未來(lái)可能產(chǎn)生的風(fēng)險(xiǎn)。

未來(lái)的三到五年都將是一個(gè)“弱人工智能”的時(shí)期，相應(yīng)的研究都是為了提升人類生產(chǎn)和生活的效率和質(zhì)量，把人類從繁重的體力勞動(dòng)和一定程度上的腦力勞動(dòng)中解放出來(lái)，這也是人工智能發(fā)展的初衷。

當(dāng)然，在發(fā)展人工智能的同時(shí)我們也要做好相關(guān)的防范工作。根據(jù)Elon Musk的觀點(diǎn)，最好的辦法就是“開源”。也就是說，當(dāng)人工智能可能產(chǎn)生威脅的時(shí)候，如果所有人都掌握人工智能，就可以達(dá)到一個(gè)制衡的效果，這可能是預(yù)防未來(lái)可能存在的風(fēng)險(xiǎn)的最佳策略。