編者按：Ewan kirk 是Cantab Capital Partners的CEO和總裁，本文他發(fā)表了自己對AI在金融行業(yè)未來應(yīng)用的觀點，同時也預(yù)示了AI對人類未來生活的影響。

我們聽到了煎牛排時的“滋滋”聲，但是，請問牛排在哪里？

在過去兩年里，人工智能，機器學(xué)習(xí)，深度學(xué)習(xí)和大數(shù)據(jù)在金融領(lǐng)域的應(yīng)用一時間備受各大媒體和頂級會議的青睞。但是，這預(yù)示著下一個科技前沿，還是說只是一時引起轟動的“萬靈藥”？我們不妨引用一條廣告語：“我們聽到了煎牛排時的“滋滋”聲，但是，請問牛排在哪里？”

人工智能的研究由來已久，但是，大多數(shù)投資者對待AI的觀點多是受到媒體報道的影響。迷失太空中的機器人，2001年HAL 9000: 太空漫游，終結(jié)者中的天網(wǎng)——這些媒體的比喻潛移默化地影響著我們對AI的認(rèn)知，以及AI將對人類的生活產(chǎn)生何種影響。我們夢想（或者擔(dān)憂）著，在商業(yè)交易中，一臺HAL 9000計算機將坐在我們身旁。

當(dāng)我們點擊鼠標(biāo)購買股份時，HAL9000會大聲告誡我們：“戴夫，我認(rèn)為你不應(yīng)當(dāng)這樣做”，或者當(dāng)我們即將犯錯時，它會將我們鎖在交易室外面。Robert Harris 2011年圍繞這一主題創(chuàng)作的小說《恐懼指數(shù)》，最終以戲劇化的結(jié)局告終，意味深長。也許，一些聰明的計算機科學(xué)家能夠插上電源創(chuàng)造出這樣的天網(wǎng)金融界（Skynet Finance），在不毀滅人類的前提下，在科學(xué)家為掐掉電源之前，這種天網(wǎng)金融將實時理解每一份金融信息，獲得更多的盈利——當(dāng)然，這些構(gòu)想都將建立在科學(xué)家積極的意圖之上。

不過，遺憾的是，AI在金融領(lǐng)域的應(yīng)用尚未帶給大家如此多的欣喜。盡管AI技術(shù)和深度學(xué)習(xí)已經(jīng)取得了重大的成果（其中最為顯著的成果是今年早些時候在圍棋游戲Go中的應(yīng)用），當(dāng)AI遇到專業(yè)性問題時，總會出現(xiàn)令人不甚滿意的結(jié)果。首先，AI目前在各個領(lǐng)域的應(yīng)用是基于一個特定的目標(biāo)實現(xiàn)的——例如，“在游戲中獲勝”或“根據(jù)Netflix用戶的喜好，為其推薦電影”。當(dāng)然，這兩個例子不屬于AI在金融領(lǐng)域的應(yīng)用，而且金融目標(biāo)經(jīng)常是微妙而復(fù)雜的。在擲一次硬幣就能夠確定百分百盈利和以你全部的資產(chǎn)做賭注這兩個極端中尚存在很多沖突，約束條件，目標(biāo)多樣化。

金融行業(yè)充滿隨機性

其次，金融行業(yè)充滿隨機性。在圍棋游戲中，只有一個對手，而且這個對手一次只能落一個棋子（具有高度約束性）。盡管Google的DeepMind項目不僅僅能夠從當(dāng)前盤面預(yù)測出各種可能發(fā)生的結(jié)果，每次合法落子的機率依然很小——存在很多信號與噪音。然而，在金融行業(yè)，由于買者與賣者的意愿具有隨機性，30中貨幣的幣值、50中商品、10,000只股票，2,000中債券的價格都會隨之波動（甚至有時波動時間可以以亞秒計算），而背后引發(fā)這些金融產(chǎn)品發(fā)生變化的可能是機器本身。這僅僅涉及到價格的波動——AI技術(shù)帶來的人工智能機器將給金融界的新聞，金融設(shè)施與大事件等等帶來的影響是我們所不能預(yù)見的。金融行業(yè)到處充斥著噪音，但是，沒有太多精確的行業(yè)信號。

AI研究領(lǐng)域?qū)χ悄艿慕?jīng)典測試手段當(dāng)屬圖靈測試：當(dāng)通過郵件與一個潛在的AI機器進(jìn)行交流時，倘若你不能夠辨別出對方非人類，根據(jù)定義，可以判定這臺機器是智能的。盡管在過去20里AI研究已經(jīng)取得了突破性的進(jìn)展，要使AI產(chǎn)品通過圖靈測試仍然需要做出很多努力。的確，即便是最為樂觀的研究者也不會認(rèn)為AI能夠逼真地模擬一條正常的狗狗，更不要說是人類了。難道會有人想要在交易過程中自己的狗狗逃脫繩子，到處亂跑嗎？

在金融界，當(dāng)人們談及AI，他們通常指代的是機器學(xué)習(xí)。在某種程度上，一個簡單的移動平均交叉系統(tǒng)就是一個機器學(xué)習(xí)系統(tǒng)——當(dāng)短期移動平均線位于長期移動平均線下方時，該模型會學(xué)習(xí)到市場價格走勢趨低，交叉線將變短。

貝葉斯是核心方法

通常情況下，機器學(xué)習(xí)要比上述所舉的例子更為復(fù)雜。我們有大量的技術(shù)能夠從大型數(shù)據(jù)集中提取結(jié)構(gòu)和規(guī)則，最為重要的是，能夠隨著數(shù)據(jù)更新，更新規(guī)則。這種貝葉斯方法是多種機器學(xué)習(xí)的核心方法，我們通常也會采用這種方法。但是，這不是一顆神奇的子彈。我們不可能隨意使用一種神經(jīng)網(wǎng)絡(luò)或貝葉斯網(wǎng)絡(luò)分類器，并在某一隨機時間序列數(shù)據(jù)中訓(xùn)練這種網(wǎng)絡(luò)或分類器，以此獲得盈利。從金融數(shù)據(jù)中提取動態(tài)規(guī)則是復(fù)雜而艱難的——當(dāng)然，這也將保證統(tǒng)計員在短期內(nèi)不會丟了飯碗。

有一個強健地基礎(chǔ)理論做支撐，我們將在大數(shù)據(jù)，機器學(xué)習(xí)甚至人工智能領(lǐng)域取得更多的進(jìn)步。從早期AI在金融行業(yè)的應(yīng)用實例，我們可以得出以下結(jié)論：一直以來，金融業(yè)為數(shù)據(jù)所主導(dǎo)，AI想要在金融行業(yè)大顯身手還得靠機器學(xué)習(xí)與大數(shù)據(jù)做支撐。（編者按：由于AI在金融行業(yè)未來應(yīng)用的分析，我們可以推知：AI在人類生活中的應(yīng)用應(yīng)當(dāng)具有目標(biāo)多樣化和可控制性，要實現(xiàn)這一目標(biāo)，研究者還要做出很多努力。）

本文由雷鋒網(wǎng)獨家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。