【协会转载】协会金融科技专业委员会主席肖风首谈智能投资：AI如何改变资产管理 转载自通联数据 8月30日，由中国证券投资基金业协会（以下简称协会）金融科技专业委员会主办，通联数据、易方达基金、华夏基金、阿里云、新智元协办的“2018全球智能投资峰会”在北京举行。协会金融科技专业委员会主席、中国万向控股副董事长、通联数据董事长肖风在会上发表了主题演讲。 这是肖风首次在公开演讲中谈及智能投资，肖风认为，AI正在辅助研究员和基金经理，增强投资人的能力。当AI等一系列的技术组合同时进化到某个程度时，资产管理行业将被颠覆。 以下为演讲干货分享： 今天来跟大家探讨一下智能投资，看看在未来五年到十年的时间段里，人工智能技术有可能给我们投资管理行业带来哪些影响。人工智能技术可能不仅仅是对分析员和基金经理产生一些影响，也会对资本市场，甚至对上市公司的商业模式产生影响，最终都反过来影响我们做投资的人，大家要去重新看待那些上市公司，用不同的方式、不同的角度去看。 还原论与涌现论 大致来讲，我们可以把研究方法或者我们的认识论归为两类，一类叫做还原论，一类叫做涌现论。还原论相对历史更古老一点，还原论的方法认为过去是能够证明现在的，而且也是能够预示未来的。并且任何事物都是有序地、结构化地在运行，所以你总是能够还原它。用还原论来看待事物，你往往会条分缕析，不断把它的结构细分下去，从里面找到一些因果关系，或者摸索出一些我们认为是正确的一些宏观上的规律。 但是随着互联网、大数据、人工智能技术越来越成熟，另外一种研究方法或者认识论--所谓的“涌现论”开始越来越多被人提及到。涌现论就是认为在互联网上所带来的复杂系统、复杂网络，在一个开放系统的环境里面，参与者的互动或者说很多随机性的因素，会决定事物的突变。人们事先并不知道它会产生什么结果，所以大家认为这个系统是非均衡的、不可测的，不管是经济系统还是我们的投资系统。这是在认识论上非常大的改变。我们要去追溯涌现论，我们可以从凯文·凯利的《失控》开始，他就是用涌现论的方法看待这个世界。还有很多这样的科学家、经济学家、或者复杂理论的研究学者。 其实这种还原论或者涌现论两种科学研究的方法，在经济学领域也有所体现。在二十多年以前，有一位斯坦福大学的专家创造了复杂经济学这样一个理论，复杂经济学理论其实就是对新古典经济学理论的补充、优化、修正。古典经济学理论是基于牛顿物理学，大家强调的是结构分析，是一个次序，是可预测的。但是复杂经济学说，反对所谓的理性预测、理性预期，它更多地强调经济运行的非结构性、非均衡性、所谓的不可测的、有机的和非线性增长、指数性增长这样一些经济现象，分析它背后的道理是什么，这种科学研究方法在经济学领域也产生了一些分支，所谓的复杂经济学。 其实我们所谈到的量化投资基本上大部分都是基于还原论的，不管是统计套利、因子策略、还是技术分析。索罗斯的反身性是基于涌现论的，所谓的反身性就是任何一个事件所有的参与者最后决定了这个事件会形成一个什么样的结果，这是一个非均衡的观点，它注重的是这个过程当中的互动，最后可能产生大家意想不到的结果出来。这是我们先从认识论、哲学或者经济学的角度，去思考所谓的AI可能给我们带来的影响。 AI颠覆资产管理行业有多远？ AI可能给我们资产管理行业带来什么样的影响呢？我想引用复杂经济学的创立者阿瑟说过的一句话，他在《技术的本质》这本书里面说“经济是技术的表达”，他的意思是说迄今为止所有的商业变革最后都是技术因素驱动的，不是单一技术驱动的，而是一个技术的组合在驱动着所有的商业变革。所以我也在想，AI驱动我们这个行业、颠覆我们这个行业会的拐点在哪里？这给我启发，单单的人工智能技术可能还不足以真正颠覆我们这个资产管理行业，但是如果一系列的技术组合同时进化到某个程度，我们这个行业一定会发生我们现在不可能清楚认识的改革，一个颠覆性的变化。人工智能技术的成熟，经济足够数字化，商业也足够数字化，或者其他很多一些技术变化变成一个组合，到达某一个拐点。 也许资产管理行业没法说得很清楚，举另外一个例子就是新能源汽车可能给人类的交通方式带来的变化，它也是需要一组的技术组合在一块，比如需要有电池技术的进步，需要有新能源电动汽车技术的进步，但是光这两个是不够的，还需要自动驾驶、无人驾驶技术的成熟，最后需要共享汽车这种系统的成熟。共享汽车，汽车是无人驾驶的，加上电动汽车技术可能它的续航里程达到700、800或者1000，电池技术进步，这些东西加在一起最终可能进入一个拐点，技术组合进入一个拐点，导致人类的交通方式发生根本性变化。 如果按照我前面所讲的来看，我们现在熟悉的投资管理的理论，大部分都还是基于还原论建立起来的。AI可能会带给我们去探索在涌现论的方法之下，来重构我们的投资管理一整套的理论。所以AI必将在某一年，真正给我们资产管理行业带来很大的颠覆。 我自己认为AI影响投资管理行业可以分成两个阶段，在这里我借用了所谓的人机围棋大赛，从AlphaGo到AlphaGo Zero，人工智能能够帮助我们的一个是海量数据的处理和另类数据的获取、另类数据的分析，我们从里面得到更多的启示。另外一个就是知识图谱、自然语言理解、智能搜索等等工具，可以帮助提升我们的能力。这方面已经有很多案例，包括像贝莱德--全球最大的资产管理公司，6万多亿美元的管理规模。贝莱德进入中国市场的时候，第一他们非常注重另类数据的搜集，所以他们采用了卫星图像的数据，来看某些机械加工行业的繁忙程度。同时它也追踪官方媒体上一些政策性的新闻，去解读，去看中间语言的变换。第三它通过社交网络来获取市场情绪的数据，所以它的中国A股市场的投资很大程度上运用了另类数据，也利用知识图谱等等技术。kensho利用了AlphaGo这样的东西，来辅助人们进行工作，这只是AI对投资管理行业影响的第一个阶段，是AlphaGo的阶段。 未来三年或者五年之后，AI对我们的影响会进入到第二个阶段，AlphaGo Zero，在人机围棋大赛的时候，第二个阶段机器已经不是由人来教它，不是在监督学习，而是它进入一个无监督学习的阶段，机器自己去重新理解围棋的规则，先把围棋规则解构，然后重构了自己对围棋的看法，最后战胜人类。 我们投资管理业也会进入这样一个阶段，就是会依据机器学习等等技术的发展，从不同的侧面，宏观基本面、市场情绪、市场指标和市场数量指标这些方面去重新认识整个资本市场的运行规律，然后重构自己的认知体系，这个认知体系是机器人的认知体系，不是我们这些人的认知体系。在预测性和决策性方面，机器有自己的观点，这个时候重构就开始发生了，这是一个我认为未来五年或者十年会出现的一个新的阶段。 AI影响资产管理行业的三个层次 除了发展阶段以外，我想分享的是AI可能影响我们投资管理行业的三个层次。 第一个层次，对行业带来的变革。在讲到行业变革的时候，我想举一个投行的例子。我们知道摩根大通在两个月前宣布要改革两百年来从来没有改变过的投行商业模式，他们自己宣布的口号是all in科技，他们把自己的名称叫做科技投行家。最终我认为不仅投行会面临这场革命，投行人的嗅觉更灵敏一些，所以他们率先进行了这样一场革命，资产管理行业也面临行业的大变局。 人机大战促使着我们分析员和基金经理都要重构自己的知识体系和能力体系，如果你抱着你过去的经验和知识，肯定是不够的。 另外一个我们观察到在美国资本市场，在过去几年时间的一个新状况，就是被动投资大行其道，主动投资的份额在压缩。现在大概被动投资的份额可能占到百分之四十几，这个现象的出现的一个原因是主动投资无法提供很好的阿尔法，最后因为你不能提供主动投资带来的超过被动投资的阿尔法，因此你被取代了。如果将来智能投资技术成熟，我想有一天我们会看到一个新的状况就是智能投资可能会取代被动投资，一个新的循环出来了，一个新的主动投资的模式会取代现在的被动投资，因为可能在AI等技术的帮助之下，你可以重归主动投资。 我们肯定不能等待一个周期结束，原来我们所熟悉的主动投资会重新回来。过去的主动投资模式不可能再回到市场上来了。回来的主动投资，一定是一个新的模式，一定是一个新技术、新知识体系、新能力支持之下的新模式。我们相信主动投资，将来会继续获得对被动投资的竞争优势，但是我们不能相信它还是二十年前的那个方法，这是不现实的。所以在这里面，也许我们像摩根大通那样，它叫投行家是科技投行家。我们说我们的分析员是AI分析员、AI基金经理。 AI给我们带来的变革，第二方面是商业变革。随着投资对象越来越数字化、越来越社群化、越来越生态化，评估我们投资对象的方法也会发生很大的改变。在摩根大通投行革命的宣言书里面，它把估值方法分成了三大类型，一个是相对估值，一个是绝对估值，一个是创新估值。所谓的相对估值大家知道PE、PB这些指标，所谓的绝对估值无非就是自由现金流等等，我们都很熟悉，它把面对那些新的行业、新的技术带来改变的行业估值方法叫做创新估值体系。所谓的创新估值体系就是滚动的PE，客户生命周期，单客价格、计分卡估值、市盈的增长比率等等，这叫创新估值体系。确确实实新技术、新商业革命带来了估值体系的新的发展，那么AI会帮助我们更好地去建立面对新的市场的新的估值体系。 我们举一个案例，比如众安保险，传统的是从保险公司的角度去估值，如果把它看成一个互联网公司，现在拥有5.5亿多的客户，它获取客户的成本是多少呢？几分钱的一个运费险而已。还有哪个互联网公司能以几分钱的价格或者几块钱的价格获取到一个客户过来？接下来它把保险公司变成了一个流量入口，先以很低的保险价格获取了5亿多客户，接下来要做的事情是如何把5亿多的客户以别的方式变现，不一定以保险方式变现，如果从这个角度看用的是创新估值体系。 因为商业变革所带来我们的变革，我们必须跟着一块变，否则就脱节了，你无法看清楚这些公司，比如说小米、拼多多、美团，怎么去估它的价值？运用传统的方法是肯定不行的。 第三就是AI对整个资本市场带来了很大的变化，我们还是回到刚才说到的被动投资，被动投资取得了比主动投资很大的优势，被动投资从2007年开始到现在整个资产规模翻了三倍多，里面很重要的原因是相互影响的。因为主动投资的阿尔法能力不足，大家就选择被动投资。被动投资最后导致了目前的美国市场的状况，大股票一直在涨，因为指数基金的设置是依据权重来设计的，所以如果大量的钱流入到指数基金进去，头部的公司、市值大的公司一定会持续的获得资金的流入。这导致另外一个现象，就是过去十年时间美国从七千多家上市公司变成三千多家上市公司，数量减少一半。这样因为投资方法、投资策略的改变，最终会影响到市场规则的变化。如果我们不能把握这样一个改变的话，你可能永远都无法理解为什么出现这样的状况。 最后我想总结一下，在过去的两年时间里面，大量的人工智能科学家都加入到了我们这个行列里面来了。NASA首席数据科学家加盟贝莱德，微软首席人工智能学家加盟citadel，华盛顿大学计算机教授加盟DE shaw，卡耐基梅隆大学计算机系主任加盟摩根大通。有很多的资产管理公司都已经成立自己机器学习的小组。 所以未来已经到来，只是还未普及。 谢谢大家！[详情]
来源：中国基金业协会 随着人工智能（AI）技术日渐成熟，全球资管行业开始将AI技术与资管业务相结合，探索行业发展和升级新道路。中国证券投资基金业协会（以下简称协会）金融科技专业委员会长期以来致力于加强资管行业与前沿科技的交流协作，探索未来金融生态的构建。在协会金融科技专业委员会主导下，全球智能投资峰会自2016年至今已成功举办三届，吸引了各级政府部门、三百多家金融机构和科技公司、百家行业权威媒体、数千位业内精英的广泛参与，在金融及科技领域引起了高度关注。 8月30日，协会金融科技专业委员会主办，华夏基金、易方达基金、通联数据、阿里云和新智元共同承办的2018全球智能投资峰会在北京召开，共同研究人工智能在资管行业的最新应用及未来金融科技的发展方向。本届峰会以“聚·变”为主题，旨在聚集全世界的金融与科技精英，围绕金融科技、智能投资等热点话题，探讨人工智能带来的行业变革。同时本届峰会现场揭晓了协会金融科技专业委员会主办的全球金融数据探索与发现大赛（FinancialData Discovery Competition，以下简称FDDC大赛）获奖者，并邀请全球人工智能专家、FDDC大赛导师和获奖者进行互动交流。 协会钟蓉萨副会长在致辞时指出，人工智能对资产管理业的影响是广泛而深刻的，行业应当深入学习、思考，探索人工智能在资产管理行业的应用。目前世界各国都在积极探索智能金融，包括智能投顾、智能投资、智能客服等多个方面。智能投资领域未来有两个重要的应用场景：一是自动生成报告，二是辅助量化交易。今年协会金融科技专业委员会举办的FDDC大赛赛题就是围绕这两个方向，吸引了全世界4000多名顶尖人才参赛，有助于为行业发现人才、开阔思路，得到各界的高度肯定。金融科技的发展不能停留在谈论阶段，更应当在行业实战中应用，解决行业痛点，使金融科技真正推动行业发展。 协会金融科技专业委员会主席肖风以“涌现论与智能投资”为题，阐释了还原论与涌现论两种认知方式，还原论是把事物拆分为更细微的结构，然后导出因果关系和宏观规律，涌现论则是在一个开放复杂的系统内，因为随机性和互动，事物的发展是非均衡的、不可测的，注重相关关系。这两种认知方式的差别也见于新古典经济学和复杂经济学中。他指出，量化投资基于还原论，而索罗斯的“反身性”是基于涌现论的，强调各种市场力量的互动会影响市场的趋势。肖风引用布莱恩·阿瑟的名言“经济是技术的表达”，指出人工智能的发展使我们在涌现论的角度下认识资管行业，AI对资管行业的影响分为两个阶段：第一是Alphago阶段，AI进行自然语言学习，辅助分析员和基金经理，是人的能力的加强；第二是AlphaZero阶段，AI进行深度学习，解构并重构市场，以“预测性”和“决策性”表达机器观点。未来AI的发展将会引起行业变革、商业变革、市场变革，在三个层次上影响整个资产管理行业。 在嘉宾对话环节，易方达基金常务副总裁张优造与肖风就AI技术在资产管理行业的实战运用、公募基金如何迎接AI技术浪潮以及AI技术在被动投资方面的作用等问题进行了讨论与交流。 在FDDC大赛赛题展示环节，赛题一题目是“上市公司营收预测”，要求选手同步预测1400多家上市公司第二季度营业收入，并将选手提交的结果与真实财报数据相对比，三支优胜队伍智能金融战队、Quant_duet战队、Alassea Lome战队分别进行了展示。大赛评委代表香港科技大学副教授、惠理投资中心副主任尤海峰逐一点评了各个参赛队伍的亮点，建议选手们可以把金融科技、机器学习、算法和相关的经济与会计的原理进行更深层次的融合，可能会产生更有意思的结果。AI技术的应用目前仍处于早期阶段，随着行业知识图谱的建立，AI与行业的融合会越来越好并取得更大进展。 微软亚洲研究院副院长张益肇认为未来发展的方向是AI+HI。人工智能带来的数字化转型有四大方向：第一是与客户互动的方式，第二是激励员工，第三是运作优化，第四是转型产品。在智能投顾方面，AI+HI的结合点在于，人具有创造力，可以看到新产业的酝酿和发生，而机器比较理性，用大量数据来分析，把人的智慧与机器的能力组合起来做好投资管理。未来人工智能不会替代客户经理，但是会用人工智能的客户经理将会替代不会使用人工智能的经理。 在嘉宾对话环节，华夏基金管理有限公司总经理李一梅与张益肇就人工智能浪潮背后的推动因素，AI在金融领域的应用与其他领域的区别等问题进行了讨论。 美国世纪投资首席投资官Vinod Chandrashekaran做了主题为“迈向勇敢新世界——科技与人工智能如何改变资产管理的未来”的演讲，他表示大数据越来越多地用于寻找Alpha，技术现在是一个Alpha引擎。传统的管理人将寻求利用技术提高效率的路径，量化投资的基金经理将越来越需要获取非传统的数据来源，以保持投资优势，未来投资管理将会继续看到风格趋同的情况。 百度北京大数据实验室主任浣军分析了当前AI发展浪潮与以前AI的不同：一是本次AI浪潮是由大数据驱动的，不光是数据量爆炸式增长，还伴随着数据清理、整合和标记；二是算力急剧增长，算法快速迭代，错误率越来越低，机器在某些方面的能力超越了人类。浣军同时表达了对AI安全性的思考，当AI走出信息社会，走入物理社会以后，它的安全性会非常重要。同时，让AI助力中小企业发展、消除AI技术门槛需要让深度学习的网络设计自动化、定制化、低成本化，借助深度增强学习的技术，实现开放、普惠AI的目标。 通联数据智能投研总监盛元君表示核心投研能力的提升，不仅仅来自于人，也会来自于科技，机器能够解决的问题在于三个方面：第一是大数据处理，尤其粗糙数据的处理；第二是传统模式的升级，重复性的金融工作被机器所取代；第三是基于客户需求的个性化服务，运用用户画像等技术提升提供不同金融产品的效率。AI技术的发展和应用，将人的决策逻辑进行因子化提炼，固化之后可以帮助人们决策时有效避免知行不一的问题。AI技术还能对信息进行高效收集和处理，自动进行个性化的多资产组合管理，拓宽人力管理的边界。 嘉宾对话环节，华安证券股份有限公司副总经理徐峰与盛元君就AI在投资领域应用的难点进行了讨论，盛元君认为，机器在深度的语意理解方面还有欠缺，尤其在语气、背景不同时表达的的效果相去甚远，难以跟人一样理解到相同的信息；在一些偶发性事件的处理上面机器也难以达到人类水平。 FDDC赛题二题目是“上市公司公告信息抽取”，要求选手在近三万篇主题公告中利用算法将主办方指定的重要字段抽取出来，三只优胜队伍Miyabi战队、Heisenberg战队和GOGOGO战队进行了赛题展示。通联数据创始人兼首席执行官王政对选手们的展示做了点评，他总结了每支战队的亮点所在，并表示未来FDDC大赛还有更多更丰富的赛题，希望有更多的算法工程师或专家能够加入金融行业，共同推动金融科技的发展。 随后会议公布了FDDC大赛两个赛题的获奖队伍并举行了颁奖仪式，KingofWind战队和ASD123战队获得最具潜力极客奖，东风又绿江南岸战队和智能ABC战队获得最具创意极客奖，Alassea Lome战队、Quant_duet战队、智能金融战队分别获得赛题一组的第一、二、三名，GOGOGO战队、Heisenberg战队、Miyabi战队分别获得赛题二组的第一、二、三名。 在会议GeekTalk环节，芝加哥大学布斯商学院教授丛林、上海龙之量投资管理公司执行董事总经理王继忠、通联数据算法总监薛伟及FDDC大赛选手代表们进行了主题探讨，王继忠表示目前关于数据的谈论大多停留在一维和二维层面，多集中于时间序列的图和架构，很多情况下没有触及三维、四维、五维的数据，真正市场比想象中更复杂，可能是三维、四维、五维的场景。薛伟表示传统人工获取数据的方式具有很高的人力成本，这部分工作可以由机器代替，并且持续稳定地解决数据获取问题。 新智元创始人杨静表示AI摩尔定律比以往的摩尔定律快很多倍，三四个月算力翻一倍，自2012年以来增长30万倍，量子计算也处在一个爆发的时代，世界知名互联网科技公司如谷歌、百度等都在做量子计算的项目，未来十年量子计算将成为主流。AI云生态系统也在世界范围内逐渐兴起，谷歌云通过软硬件+开源框架定制体系，塑造庞大的社区开发者生态圈。 国际人工智能联合会理事会主席杨强与参会代表一起讨论了人工智能的低谷和希望。深度学习技术建立在三个重要基础上，第一是大数据让我们在极高维的空间有准确的表达，可以进行两个事物的准确比较；第二是闭环的算法减少人的参与；第三是高效的AI架构如智能学习的平台、云计算平台等，但目前人类还没有能力真正做到安全和隐私方面的AI架构，也没有能力将不同的分布式数据与数据的拥有者进行无缝连接。人工智能学者不能一味追求新的算法，而是要研究一种新的架构，加上算法以及高维的表达，如此方能使得人工智能真正往前发展。 本届全球智能投资论坛受到了广泛欢迎，来自政府部门、市场机构、研究机构、媒体等在内的500多人参加了会议。 [详情]
新浪财经讯 由中国证券投资基金业协会金融科技专业委员会主办，易方达基金、华夏基金、通联数据、阿里云、新智元等协办，新浪财经独家媒体支持的“2018全球智能投资峰会”于8月30日（周四）08：30-18：00在北京金融街威斯汀大酒举办。本次峰会的主题为“聚·变”。 本届峰会以大数据、人工智能等前沿技术在金融行业的应用为主线，涵盖金融科技、智能投资等热点话题。峰会召开的同时现场揭晓委员会主办的全球金融数据探索与发现大赛（FinancialData Discovery Competition，以下简称FDDC大赛）获奖者，并邀请全球人工智能专家、FDDC大赛导师和获奖者进行互动交流。 中国证券投资基金业协会党委委员、副会长钟蓉萨在会上介绍了人工智能对资产管理行业的深刻影响，并表达了对技术领域人才加入基金行业以推动行业发展的愿景。钟蓉萨表示，希望行业里做技术的人能抬起头，探讨技术如何帮助行业解决业务痛点，提升业务能力。也希望通过本次比赛让技术领域的“最强大脑”能够加入基金行业，推动金融科技在行业的应用。 以下是文字实录： 尊敬的各位朋友： 欢迎大家来参加中国证券投资基金业协会金融科技委员会（简称委员会）的年度盛会——全球智能投资峰会。 自2016年起，金融科技委员会在委员会肖风主席的带领下，每年举办“全球智能投资峰会”，已吸引各相关政府部门、数百家金融机构和科技公司、行业权威媒体、逾千位业内精英的广泛参与，在金融及科技领域引起了高度关注，场场爆满。委员会之所以每年举办全球智能投资峰会，是因为我们认为人工智能对资产管理行业的影响是广泛、深刻的，行业应当深入学习、思考、探索人工智能的影响和应用。世界各国都将人工智能作为重要的战略发展机遇，积极探索智能金融。智能金融的应用包括智能投顾、智能投资、智能客服等多个方面。 在智能投资领域，未来在应用中的两个主流方向，一个是自动生成报告，一个是辅助量化交易。今年委员会举办的金融数据探索与发现大赛（FDDC）的试题就是围绕这两个方向出题。这个比赛面向全球征集金融数据的解决方案，一推出就受到广泛关注，一共有来自22个国家和地区的4804名选手参加比赛，包括MIT、耶鲁、牛津和北大、清华、中科大等很多海内外顶尖高校的学生都参加了比赛，还有不少在职人员也参加了。昨天我们刚刚结束了决赛答辩，大家都觉得收获满满！我也很受启发，希望通过这个大赛，能够提升行业整体的水平和能力。今天的峰会上，决赛战队将向大家展示他们的成果，导师和评委会做现场点评。今天峰会的另一个亮点，是增加了嘉宾对话环节，希望通过对话交流碰撞出更多的火花，引发更深入的思考。 国际上很多金融巨头经常说他们有两张牌照，一张是金融牌照，一张是IT牌照。今年是基金行业20年，站在20年的拐点上，协会今年有3场论坛和20年相关：我们在上海总结20年来的收获和经验，在深圳我们进行20年的反思，10月份在北京我们将展望基金行业20年的未来。有专家说，未来的5-8年，交易等很多环节都将由机器决定，所以我们要讨论，如何用科技给基金行业插上翅膀。希望行业面对金融科技的发展，不能当热点，更不能采取无视、回避的态度，委员会举办论坛和比赛，就是希望为行业提供学习、交流的平台：希望行业里做技术的人能抬起头，探讨技术如何帮助行业解决业务痛点，提升业务能力。也希望通过比赛，让技术领域的“最强大脑”们能够关注并愿意加入基金行业，有更多的基金公司能够支持并参与，推动金融科技在行业的应用，发现金融科技人才。希望比赛越办越好，也希望今年的全球智能投资峰会继续让大家收获满满。 谢谢大家！[详情]
新浪财经讯 由中国证券投资基金业协会金融科技专业委员会主办，易方达基金、华夏基金、通联数据、阿里云、新智元等协办，新浪财经作为媒体支持的“2018全球智能投资峰会”于8月30日（周四）08：30-18：00在北京金融街威斯汀大酒举办。本次峰会的主题为“聚·变”。 本届峰会以大数据、人工智能等前沿技术在金融行业的应用为主线，涵盖金融科技、智能投资等热点话题。峰会召开的同时将现场揭晓委员会主办的全球金融数据探索与发现大赛（FinancialData Discovery Competition，以下简称FDDC大赛）获奖者，并邀请全球人工智能专家、FDDC大赛导师和获奖者进行互动交流。 新智元创始人杨静发表了题为《AI摩尔定律主导，产业生态投资时代已来》的主题演讲。 杨静认为，当前处于量子计算爆发前夜，实现量子霸权、量子计算十年内将成主流。未来会进入从移动互联网走向超级计算的阶段。 杨静表示，在国内资本环境糟糕的情况下，今后，AI的投资有望进入从散户投机到产业生态投资时代，即从散户投资到被动投资到智能投资时代。拥有软件、硬件、核心技术、生态系统的公司可成为“富可敌国”的投资巨头。 以下是文字实录： 杨静：大家好！我们跟通联数据一起来承办中国基金业协会金融科技专委会主办的中国智能投资峰会，今年已经是第二届了，我们新智元也把金融科技作为我们重点关注的一个领域。 今天肖风老师和杨强老师都在，我抛砖引玉或者叫班门弄斧，跟大家来讨论一下AI的投资到底跟金融科技的发展，特别是AI的技术它现在的发展逻辑和它的节奏，是不是要对我们投资的逻辑进行改变。 我们的主题先从摩尔定律和AI摩尔定律开始。 我先介绍一下新智元，新智元是一家专注于人工智能的AI平台，它首先是一个公众号，另外我们有中国最大的人工智能智库，我们还有一个大会就是AI World世界人工智能峰会。 AI的摩尔定律，为什么我们现在处于一个新的时代？英特尔到今年已经是五十年了，在这五十年过程中，他们的摩尔定律18个月到24个月，芯片的体积是缩小的，它的性能是翻一倍的。大家知道这是一年半到两年的时间翻一倍。但是今年OQN（音）做了调研，过去六年来深度学习算法的速度的改变做了统计，这个统计让我们有了吃惊的发现，其实AI的算力是3.4个月翻一倍，六年来它翻了30万倍，这个速度比原来的摩尔定律快了很多。新智元当时还做了头条。 这个摩尔定律50年增长了3500万倍，这个是AMG的创始人，他是黄仁勋（音）的亲戚，是台湾人。AMG做轻纳米的技术，有一家公司已经确定了1.5纳米的制程，也就是说摩尔定律继续持续到2030年，这个是没有问题的。AI的摩尔定律要比摩尔定律快很多倍。 除了刚才提过的深度学习有这么高的速度，比原来的摩尔定律快这么多倍之外，大家还知道今天咱们已经处于一个量子计算爆发的前叶了。刚才百度的浣军博士跟我讲，百度也在做量子计算。据我所知无论是阿里还是腾讯，就连华为，现在都在做量子计算方面的布局，甚至这两年也会有比较重大的发布。 今年阿里已经发布了自己在量子计算方面跟谷歌在PK，在国际上面其实有很多媒体，比如路透社都在报道阿里跟谷歌在量子计算方面的竞争。大家知道在量子计算方面，谷歌已经发布了72位的处理器。他们发了一篇论文，现在已经是200多位了。但实际上英特尔的专家跟我讲，如果量子计算要真正商用的话，还需要十几万。所以的确还处于一个爆发的前叶。但是我们要知道这些技术的叠加和加速，是以我们人类无法想象的速度在不断地去酝酿和颠覆。 英特尔的员工数十万人，英伟达的员工数不到一万人，但是现在的市值都已经超过百度，它现在是1500亿的市值。前段时间英伟达的CEO因为绯闻被离职了，其实是跟市值的压力有关系的。真正控制人的命运和企业的命运的是背后的规律，AI的摩尔定律造就了一批在这个周边的核心的企业的崛起。这里面的代表就是英伟达。 刚才提到硬件这方面，过去这几年是不是英伟达就是深度学习硬件的王者？ 谷歌在建它自己的AI云的生态系统，这里面硬件的核心就是TPU。TPU它是想要取代GPU，因为GPU现在形成了一个生态吗？就是以酷但（音）为中心的英伟达的生态。但是谷歌说我的芯片也要自己做，去年他们在乌镇带来了一整套的AI云的架构，这里面的架构的核心就是TPU。那么TPU的风潮由谷歌开始席卷了全球，我们知道今年百度发了自己的芯片，叫昆仑。阿里也在做自己的芯片．还有华为，他们是在10月份的大会上要公布自己的AI云的芯片。我们知道它在终端的芯片，去年有970，今年有980。那么在未来，我想腾讯他们也会在芯片方面有布局。也就是说现在是个AI云的企业巨头，你就必须要有自己的AI芯片。 关于芯片，它成为了今年中国人心头永远的痛。4月份的时候我们遭遇了中兴的事件，中兴的议题就成为我们要再度高唱中华民族已经到了最危险的时候，连习大大都觉得这事不能再这样了。我们被别人砍脖子，我们害怕别人不卖给我们芯片。这就是我们焦虑的理由，其实也是我们投资的理由。我们的钱应该往哪里去？我们未来的根基在哪里？这个其实就是我们应该去问的。摩尔定律的时代我们没有跟上，没有产品、没有企业、没有主流。在AI摩尔定律的时代，我们能不能跟得上呢？这就是我们的课题了。 像华为这样的企业它就来勇敢地说，好，我现在来挑战一下吧！刘强东6月份在北京有一个华为的全连接大会。这里面他提出了一个口号，他说华为未来五年要成为全球研发费用第一的。他现在是第六还是第七的，大家可以看到这里面讲的是我们中国的企业在全球研发支出，第一是纯费用是多少，然后是它的构成、它的比例是多少。这里面华为是在第六，它要从第六成为第一。 阿里也强调了去年马云在云栖大会上强调投3亿在达摩院，中国人的企业为什么没有钱不想投入研发呢？不仅仅是要在研发上面投入，而且中国的企业也意识到了，华为说我未来的愿景要构建万物互联的智能世界。大家知道小米在港股上市的时候，它苦恼了一个问题，就是证监会质疑它，你是一个智能硬件的企业，为什么估值那么高？你必须要是一个互联网的企业，或者是一个AI的企业，才会给你很高的估值。那么它在上市的时候，就因为这个定位，就因为它是处于价值链低端的这样一个企业吃了亏。所以华为自己也清楚未来的路就要往人工智能这方面走，所以它给自己的定位是我未来无论从云端还是终端或者今年的主题叫AI全连接，这样的一个主题的话，它就是要构建一个以AI为核心的生态系统。那么这个生态系统，也是要投资10亿元，每年可能要投资很多钱，在这个生态系统的建构里面。 这是跟我们一起来做的HiAI务公开课，你要让所有的安卓的开发者都来帮你设计软件，这是因为英伟达和谷歌他们用康索folo（音）做的生态系统，你光做了芯片中国芯，周边没有人给你设计应用，没有人用你的算法，你也不是活的生态。未来我们面对很多的课题，怎么去研发、怎么去建立生态。 杨建老师是新一代人工智能规划主要的智库专家。 我这个图是很旧的，但是现在有一个新的图，在全球公有云的市场份额里面，主打的三朵云，阿马泽（音）、微软、谷歌这三大云。在中国阿里独占矛头，它自己占了50%的份额，其他人分了50%的份额。但是不得不提的是，云的市场是相当庞大的，后面还会提到为什么一朵云就会成为一个帝国。 这是我去年讲过的图，今年仍然是这样。大家可以看到底下红色的就是帝国的基础，我们都是缺失的，这里面你无论是GPU还是CPU，我们现在仍然是没有的。但是大家也都知道，在中国出现了几家创业公司比如寒武纪等等几家芯片公司，他们在艾斯普（音）加速方面做了一些工作。但是我们从一个角上面有突破，并不是说这个支柱就取得了。大家可以看到开源的框架的软件层面，我们仍然是没有一个主流的深度学习的算法系统在的。那么百度推了一个派德派德（音），这个份额是非常小的。我们中国的优势，记者总是喜欢问这个问题，中国的优势在哪？就在这上面，语音、视觉这些应用。 那么这里投资也是一样的，这还是去年的旧图，就是投资这方面，中国是注重应用，见效快、见钱快、见用户快，这样的一些领域。但是美国很注重建造罗马大道。 这里面我们对新的方向和新的趋势做了一个探索，那么这里面就讲今年阿里它不惜代价，来进驻云的领域。大家知道它在中国已经占了50%的份额，未来它也很清晰地知道AI云未来你必须要有自己的生态系统。所以它不惜重金，去投了右边一系列的围绕着芯片、硬件、智能汽车等一整套的生态体系，包括寒武纪等公司，这是阿里进行生态投资。而且它把计算机视觉一整条赛道买掉了，大家知道商汤还在进行D轮融资，一直在矿视、商汤、云从、依图，阿里全都投掉了，芯片也是一整套全部投掉了。华为到现在还没有上市，所以在资本杠杆这个层面，跟阿里在这个领域进行竞争，就不在一个维度上。腾讯是一家以2C为主的企业，在云的领域还没有这样的布局，大家可能知道最近有几篇文章都在质疑腾讯有没有梦想？它的战略是怎么样的？其实就是根据阿里的它是猛虎下山的状态，要对AI云的未来进行垄断性的布局。但是腾讯好像毫无回手之力。 到底以后会进入什么样的阶段呢？我们认为未来会从移动互联网的阶段走向一个超级计算的阶段。大家知道2020年，就是再过三年，我们国家要有一级超算，因为今年的原心机（音）已经出来了，天河三号、神威太湖之光（音）这些都要升级，升级成100亿次的这样一级超算。那么美国也是同样的时间，这时候你害怕什么？你害怕它如果禁用GPU，你就有问题了。这个阶段是我们必须要经历的，一级计算的时代就要到来，而且它是一个以深度学习、长化（音）学习加上一级计算这样的一个时代还有包括量子计算。但是未来会有一个天智的阶段，就是华为所说的万物互联的智能世界。浣军教授说了，深度学习已经从信息世界走向了物理世界。那未来万物都是智联的，所有的车也是可以互相交换信息的。智联网是今年阿里也好、马化腾也好，他们在所有演讲里面提出来的新的概念，未来不是互联网也不是移动互联网，而是智联网，就是人工智能控制的人和机器，共同连接成为的这样的一个天网。 那么我们就是应对新的产业生态建立了新智元的AI产业生态平台。 这里面讲到AI产业生态平台包括几个部分，大家知道谷歌也好，或者是百度也好，阿里也好，他们现在是有一个大会，是每年最重要的会议之一，举个例子，比如说百度世界大会，以前规模是最盛大的。但是今年，百度它的最大的会是开发者大会，今年是在国家会议中心，大概六七千人。阿里云栖大会是它每年最大的会，也是两三万人。华为HC大会，三万人。所以围绕着每一个深度学习AI云的软硬件系统，未来会形成一个开发者的体系。举个例子来讲，华为它的安卓绿色联盟就有50万的开发者。举个例子，这个月去到华为，我问他们，他们经常跟谷歌谈判的，因为他们的手机是用谷歌的安卓系统，他说谷歌不收他们钱，就是我们买一台华为手机，不月给谷歌交费，但是我们每一个使用华为手机的人，是不是你变成了它智联网的其中的一个终端？你所有的数据，每改一个代码其实都需要跟谷歌去商量。他们告诉我你买一代华为手机，其实你要做的代码、写的代码可能是几千万行。 在未来的时代，大家可以看到全球市值最大的五大公司，这里面未来都是云的公司。苹果是一万亿美金已经冲过了，亚马逊其实也已经冲过了，有一篇文章分析未来五年亚马逊会冲到两万亿美金的市值，这是什么意义呢？可能它到时候跟日本的GDP差不多。这样的一个巨型的生态系统主要是2B的。所以我们未来可以看到，智联网的生态它是一个内生的循环，你所有的产业链上下游都要围绕着它进行。所以这里面我们看到谷歌它用39亿美元投资AI，建立庞大的生态圈。AWS也有非常巨额的投资，包括它去年的挨里克斯某拉（音）在新智元的AI World世界人工智能大会上面的演讲，这里面微软的张院长也在这里，他们也是为企业提供各种AI服务。 大家知道AI让微软成为了一个跨时代的企业，他们的CEO那德拉（音）写了一本书《刷新》，这真的是很奇迹的，原来觉得微软已经掉到第二梯队了，但是他们现在突然跟谷歌交错了这样的位置，仍然在AI的时代引领全球的行业的发展，这就是因为他们在AI的新的生态里面这样的活力包括2B的服务，也包括他们在AI整个领域里面的贡献。 回到今天的主题，就是2018年做AI投资有三个逻辑，你需要在头脑里面去改变的。第一就是最核心的，要从散户投机到产业生态投资。今天国家税务局给了一个重磅的炸弹，说要让VC补交税。今年国内资本的环境、国际资本的环境是很糟糕的，有很多公司上市就破发（音）了，这里面统计了破发（音）的情况，VC可能要破产，大家可能预期他们要破产。但是这里面右边的图，就是三十年以来，这些巨型的企业，他们市值的变化的情况。这里面我们看到微软它是一个长青树，屹立不倒，三十年河东、三十年河西，人家仍然站在那里。但是这里面我们所要知道的规律就是AI这些巨头2B服务的，能够形成软硬件生态的这样一些企业，一定会成为未来富可敌国的企业的巨头，你把钱投到它的身上，做这种被动的投资或者是AI的投资也好，肯定是没有错的，一定要看它有没有软件、硬件、核心技术和生态系统。 AI帝国怎么来建，就是它要跟秦始皇一样，要干车同轨、书同文、条条大道通罗马。这里面就有康索folo（音）等等算法，芯片就是这个国家的核心，罗马帝国的核心就是罗马，你要有那个都城。你要有算法，你要有一个帝国的算法系统，通往罗马的核心。我们中国在这里面，可以说我们既没有罗马，也没有大道。所以这里面我们为什么说现在虽然说深度学习2018年大家争论什么？争论现在是不是有瓶颈？深度学习算来算去ImageNet都已经结束了。但是我们要知道强化学习还有其他这样的一些算法，它又引领了新的潮流。新鲜的浪潮又涌现了，又带来了颠覆。 商业模式也碰到瓶颈了，如果阿里不投的话，很多AI公司都要关门了，因为人才太贵，收入太少。 所以在这样的一个时代里面，产业生态投资会成为王道。你在投资的时候，无论是你作为散户去投资，还是作为证券基金去投资，你都不能只凭博彩，你不能说我抽彩票，你一定要看它在产业生态里面的逻辑。 其中有一个VC我非常赞赏他的做法，他其实跟肖风总说的一样，比如说一个智能汽车里面它需要三千个零件，它就围绕这三千个零件，一个一个零件去看，到底谁能够围绕着这个生态做出最优的技术创新和整个产业链的颠覆。所以我觉得它这个逻辑非常清晰，你必须要了解那个帝国它的核心在哪里，它的大道应该怎么建，你建哪条道、投资哪条道路。所以我们新智元有AI的创新大奖，我们提出了一套模型，就是我们会对AI的学术，也会跟清华的科技中心，还有AI麦耐（音）的指数，我们会对华人学者进行排名。那么我们也会对AI的企业和AI的项目进行创新指数的评估，这样我们会建立一个比较科学的评估体系，让产业、让投资更有理性。我们真正能从一个散户投资的时代，走向一个被动投资，最后再走向一个智能投资的时代。 这是今天我的分享，非常感谢，特别感谢肖风老师和王政博士给新智元的支持，谢谢大家！[详情]
新浪财经讯 由中国证券投资基金业协会金融科技专业委员会主办，易方达基金、华夏基金、通联数据、阿里云、新智元等协办，新浪财经作为媒体支持的“2018全球智能投资峰会”于8月30日（周四）08：30-18：00在北京金融街威斯汀大酒举办。本次峰会的主题为“聚·变”。 本届峰会以大数据、人工智能等前沿技术在金融行业的应用为主线，涵盖金融科技、智能投资等热点话题。峰会召开的同时将现场揭晓委员会主办的全球金融数据探索与发现大赛（FinancialData Discovery Competition，以下简称FDDC大赛）获奖者，并邀请全球人工智能专家、FDDC大赛导师和获奖者进行互动交流。 通联数据智能投研总监盛元君发表了《人机结合打造智能资管》主题演讲。 盛元君认为，未来智能资管的建设框架可分为四个层次。第一层协同应用层面，包含大类资产管理平台，跨业务研究、智能应用等；第二为业务应用层，包括权益类量本投研、固收类智能投研等；第三，模型算法层面，包括智能搜索引擎，盈利预测，投研框架模型，量化因子，风险模型优化器，AI宏观预测等；第四，技术处理层面，包含自然语言处理、信息工程、信息抽取等。 而在华安证券股份有限公司副总经理徐峰与盛元君的对话中，盛元君认为，当前AI的应用存在两个难点。一是，中文博大精深，人工智能在深度语义的理解方面还是有难度的，二是一些偶发事件发生后的应对，这是机器还无法超越人类的。 以下为通联数据智能投研总监盛元君演讲实录： 主持人：接下来让我们有请出通联数据智能投研总监盛元君，盛总曾在一线金融机构任职，擅长大类资产配置，曾管理超200亿元的投资组合，如今也被通联数据吸纳麾下了，为通联数据智能投研产品-萝卜投研的完善和升级贡献智慧。盛总将为我们带来《人机结合打造智能资管》的主题演讲，有请！ 盛元君：各位领导、各位嘉宾以及各位同业的朋友们，大家下午好！今天很荣幸来到这边给大家做一个主题的分享。其实今天我想给大家讲一个故事，什么样的故事？是一个关于传统资管行业的一名投资经理，为何要转型到人机结合这样的一种投资新模式下，并且希望将这种新模式推广到整个资管行业的故事。 在加入通联数据以前，我是一家大型券商资管的投资经理，管理着很大规模的组合。我在组合管理的过程中发现了很多的问题，什么样的问题？我觉得这些问题一会都会讲到。但这些问题用人脑其实很难去解决，或者说用人脑解决的效率非常的低下。在人工智能飞速发展的今天，我就产生了一种担忧。什么担忧？我这样一名传统行业的资管投资经理是否未来相当一部分的工作都会被机器所取代？也是基于这样一种担忧，我做了一个决定，我选择积极去拥抱这种趋势。就像早晨张院长说的，我选择去做一个会用人工智能的投资经理，这样就避免以后会被机器所取代或者说会被会用人工智能的投资经理所取代，并且我也希望能够教会其他的传统行业投资经理怎么样去更好地应用人工智能。 大家可能要问了，为什么是在这个时候？这个时候为什么这么重要？其实这和我们现在所处的经济周期有关系。我们现在所处的是什么经济周期？是全球的康波周期的箫条期。康波周期的箫条期意味着什么？上一轮技术的迭代已经很难在推动人类继续快速的往前进步。这就意味着我们需要一个新的技术来承担起推动人类继续发展的大的周期，那这个技术是什么？我相信就是人工智能、是机器人。 对于我们在座各位金融机构的领导以及各位的投资者而言，这个时候也非常非常的重要。为什么？因为我们整个资管行业正在面临转型，资产管理新规刚刚公布，那么我们所有的金融产品都在往净值化的方向去做转型。净值化意味着什么？意味着整体的金融机构对核心投研能力提升的要求放在一个非常重要的位置。核心投研能力的提升，我相信不仅仅来自于人，也会来自于科技。所以我今天的这个主题就叫做“人机结合打造智能资管”。 首先，我们来看一下，全球非常非常多的主流的金融机构其实都在采用金融科技，在帮助人高效的完成他们原来可以做的工作。有哪几方面的痛点或者问题，机器可以帮助人来解决呢？第一个就是今天说的非常多的——大数据的处理，尤其是在一些粗糙数据的处理上。我们知道国家有很多经济数据，比如说统计局公布的GPD数据，CPI数据，这些都是经过统计之后得出的。但是我们每天却面临很多的粗糙数据，比如说微博数据、微信数据、股吧的数据，我们怎么样利用好这些数据来做投资的决策？这一点人脑是远远不够的，机器做得比我们好很多。 第二，传统模式的升级。我不知道大家有没有看过建设银行已经推出了完全无人的零售网点，我去过以后也感觉非常的震撼。一些重复性的金融工作已经完全被机器所取代，这是一种业务模式的升级，是一种业务模式的高效化，我相信这种业务模式的升级会逐渐的从一些简单重复的劳动到更加高端的一些劳动，这些都可以让机器来帮我们完成。 第三，基于客户需求的个性化服务。我们知道过去提供金融产品说，我们这个金融产品很好，这个金融产品可以适用所有的人。但是现在我们知道了千人千面，所以我们怎么样根据每个人不同的需求去设计适合他们的金融产品？我觉得这一点人脑处理得也没有机器那么高效，机器至少可以帮到我们大幅的提升这样一种提供不同金融产品的效率，这就是利用到了像用户画像等等这样的一些技术。 回到投资主题上，在投资研究领域机器怎么样可以帮到我们？可以解决怎么样具体的痛点？我提出了三大痛点。 第一痛点叫“知行不合一”，知行为什么不合一？因为我们每个人都有人性的弱点。具体有两种表现的形式： 第一，叫看对做错。作为投资人无论是散户、大V、还是专业的投资者，都可能存在说原来是这么看，但最后却没有这么做，这存在于当你和其他很多人看法不一致的时候，而往往你可能是对的，但是你最后没有坚持下来。这是为什么？是因为你决策的逻辑不清晰没有固化或者没有因子化，用白话说，你的投资决策是拍出来的。 第二，叫“路径依赖”。当你在某一个投资决策上有仓位的时候，你往往倾向于继续相信支持这种投资决策的因素，而往往忽视了可能使你改变投资决策的其他因素。用更白话来讲就叫“屁股决定脑袋”，所以机器其实可以帮到我们非常好的来解决这两个现象，也就是所说的“知行不合一”的问题，这一块待会儿会具体展开讲。 第二个痛点叫“信息和收集处理的效率低下”。在目前大数据信息爆炸的时代，每一天都面临着信息过载的问题，人脑不可能每一天接触到所有发送给我们的信息，即使是我们邮箱当中的信息都可能看不完。怎么样让机器帮助我们找到对我们有用的信息？基于我们关注的一些标的，给我们及时的推送我们应该要知道的信息，这个其实也是机器可以帮我们解决的一个非常重要的痛点。 第三个痛点叫“资产管理行业的管理边界受限”。作为传统的资产管理投资经理，我曾经管理过15个投资组合。15个投资组合，每一个投资组合的风险要求、收益要求、流动性要求、投资期限的要求都不一样。想想看每天要分析这么多组合，要根据不同组合的属性提出不同的投资策略，这是多么困难的一件事情？你即使在用每天更新15个组合的Excel的表来做大数据的分析，我觉得都是一件非常累、非常花时间的事情，但是这个事情机器却可以做得很好，它可以帮助人大幅地去拓宽一个传统投资经理的管理边界。 接下来一个一个来看，首先解决第一个问题“知行不合一”。怎么样情况下可以做到知行合一？我刚才提到要将决策逻辑进行固化，最好是清晰化写下来，甚至将它进行因子化。这些因子机器可以帮助我们用大数据的形式，告诉我们说，这些因子每一天或者每一周都发生了什么样的一些变化。大家看到右边这张图是叫“雷达图”，雷达图是我们通联数据的投资决策“五因子模型”，这五个因子分别是什么？第一个叫经济增长、第二个叫通货膨胀、第三个叫流动性、第四个叫风险偏好、最后一个叫估值。 假设，把投资逻辑进行这样的固化，当经济增加上行，通货膨胀温和，流动性改善，风险偏好提升，估值水平较低的时候，我们应该买入股票。如果经济增长下行，通货膨胀下行，流动性改善，风险偏好下降，以及利率的估值、债权的估值较低的时候，我们就应该买入债权，我们将这样的投资逻辑进行固化之后，接下来的事情就很简单了，要让机器告诉我们说这一些因子到底发生了什么样的变化。 但是要实现这一点也很难，并不是说怎么知道经济增长是上行还是下行？我们怎么知道通货膨胀是上行还是下行？我们现在所看到的任何经济数据其实都具有滞后性，每个月公布的工业增加值，每个月公布的CPI，每个季度公布的GDP都是非常的滞后，当我们看到这些数据的时候看到的是过去的数据。我们能不能通过更加及时的了解经济增长、通货膨胀的情况？其实是可以的。在国际上，包括现在的国内都有很多高频的数据可以及时的反映经济增长的上行和下行，通货膨胀的情况和变化。增长和通胀大家都觉得非常的直观，接下来来讲一下估值。 大家都知道股票的估值，炒股的同事可能比较熟悉，我们用折现现金流的方法来反映股票和整个市场的估值。如果我们要去测度一下利率的估值，有没有办法？什么叫做利率的估值？利率的估值就是指说现在实际的利率，我们每天看到的国债的利率，其他债券的利率和经济所隐含的利率中枢之间是什么样的关系。现在的利率到底相比于经济能承受的是高了还是低了？如果高了就认为说应该有下行的动力，如果低了就认为它应该往上收，所以这个利差就是我们叫做利率的估值。现在利率的估值是在什么样的状态？可以看到这个利差现在仍然是正的。也就是说，目前国债的利率水平仍然在经济所隐含的利率中枢的上方，我们认为利率是便宜的。 刚才讲的这些因子，我们讲一个逻辑是当机器会告诉我们这一些因子的变化，而我们决策逻辑又进行固化之后，我们做决策就可以很有效地避免“知行不合一”的问题。可能有人会问了，在这个流程当中机器起到的是辅助作用，未来有没有可能机器占主导作用，而我们人作为辅助？其实我们现在已经有了这样的方法。什么样的方法？这个方法叫做热力图，其实如果我们在座有做研究的同事，大家可能会比较熟悉，宏观研究有三种方式。 第一种方式叫做逻辑推演，就是我们刚才谈到的决策逻辑因子化，当增长怎么变，通胀怎么变的时候我们应该怎么做决策。第二种宏观研究的方法叫做数据规律，我可能会去找一些领先的指标或者说找指标之间两两的关系，当一个指标发生怎么样变化的时候，我就知道另外一个指标应该怎么变了。顺便讲一下宏观研究的第三种方法叫做草根调研，这个可能大家都非常熟悉了，像今年如果去过湖南调研的同事回来以后对经济非常的悲观，这是一个草根调研的一种方式。 这边讲到的是数据规律，数据规律在这边的应用是怎么应用的？这张热力图当中它的纵轴是一些非常重要的经济指标，而它的横轴是一个时间，我们要做一件什么事情？我们就要找到历史上跟现在最相似的宏观环境是在什么时候。同时，我们做了一个假设，历史是会重复的，在相似的宏观环境下，资产价格表现也是非常接近。基于这样的一个假设就有了这样的案例，在今年的5月份做了统计，我们发现2018年5月份的宏观经济环境和什么时候非常接近？和2015年的5月份非常的接近。 我们看一下2015年的资产价格表现是什么样的？我们这边用一个利率的上行和下行来反映。在2015年5月份的时候到2015年的年底，利率有一个小浮上行之后，没有改变它下行的趋势。我们知道2015年的债券是一个牛市。因此在今年的5月份也做了相似的判断，我们认为在降准之后，利率也会出现相似的走势，小浮上行之后并不改变大的下行的趋势，所以这是数据规律的验证，也是我们用机器来直接做决策。机器去学习到历史上宏观环境最相似的那个点，然后找出当时的资产价格的表现，从而来推断当下资产价格的表现以及未来一段时间的资产价格的表现。 除了利率，大家可能也非常的关心股票，我也来讲一下股票的市场。这边有一个沪深300，也就是非常重要的指数，这个模型也是基于大数据规律的方式去找到历史上影响股票市场表现的因素，然后来看一下当下这些因素到底是怎么变化的。上面这个黄线就是上涨的概率，看50%以上表明上涨概率很高，50%以下表明上涨概率比较低，也就是下跌概率比较高。而下面的这条线是沪深300的实际走势，将这个PPT上的两张图进行对齐，上面的预测概率是往上推了一个月，所以把这张图往上推了一个月，从而看到时间走向看到是一致的。在今年以来发出三次明显的下跌信号的时候，沪深300指数的确也发生了明显的下跌。实际上，在5月份之后，指数的信号一直在50%以下，甚至非常非常的低，所以看到到目前为止整个指数都还在筑底的状态。 除了股票市场的择时，专业的投资者可能也会比较关心风格。在当下的市场环境下，到底是我应该买价值股还是买成长股？我应该买大盘的票还是买中小盘的票？我们这边也有一个择时的模型，它是基于对于过去的资金面、估值波动，对于一些风格的影响，从而来判断当下这些因素是怎么样的变化，从而去推动现在到底要买什么样的股票。简单介绍，我们现在的结论是仍然应该超配成长风格的中小盘股票，也就是说以中证500为代表的股票，我们认为在今年接下来的时间仍然会跑赢市场。 到这里为止，我想已经把第一个问题，怎么样解决“知行合一”的这个问题讲清楚了。接下来解决第二个问题，大数据时代下的信息收集和处理，怎么样做到更加的高效。我们平时都会经常用百度，当我们知道谷歌要回来的时候可能还兴奋了一把，谷歌相比于百度会更好用，或者有一些人也会觉得百度更好用。无论你觉得哪个更好用，一定每一天都离不开搜索引擎。 我们在金融行业设计了这样一个垂直的搜索引擎，你可以把什么东西搜索出来？比如说最近比较关注拼多多，我搜了一下拼多多之后可以搜到哪些数据？第一类的数据叫做行业特性。电商可能关注的活跃用户数，它就会告诉你说拼多多现在到底有多少活跃用户。如果我搜一家地产公司，它可能会告诉我说，这公司最近拿了多少地，我如果搜一家影视公司，它可能会告诉我说这家公司最近上映的电影票房怎么样，这些数据都是行业的数据，而且对于研究员来说非常的重要。 第二类会搜到哪些研究报告的内容？大家阅读研究报告可能是专业人士的某些习惯，但是我如果找一些相关的数据、信息、图表的时候，能不能直接通过搜索的方式把这些东西全都找出来？现在的技术已经完全可以实现，通过自然语言处理，通过知识图谱把研报进行解释。同样的技术也可以用在公告上，股票的公告、债券的公告都可以把它解析好，解析好之后就可以搜到直接的内容，而不用去按照标题的内容进行查找找到PDF，再在PDF上去搜，这是比较低效的工作行为。现在我们其实已经可以做到非常的高效，这就是我们刚才讲的金融行业的智能搜索。怎么样用我们过去的习惯采用搜索引擎的方式，我们虽然还是要出去找我们关心的信息，但是找信息的渠道和方法非常的高效，非常的快捷。 大家想，我能不能不出去找数据？每一天直接让机器告诉我说，我应该知道什么？其实也是可以的。我们来第二种研究的方式叫做智能监控。智能监控是什么意思？它创造了一种全新的研究模式，我每一天告诉机器说，我关注一些什么东西，我关注的标的是什么，我有一个核心池。我告诉机器说，我关注这些标的，机器会使用底层好多好多这样的技术，包括我刚才提到的像知识图谱这样的一种处理等等会来反馈给我们说，基于这些标的每一天有一些什么样的信息，其中哪一些是重要的，哪一些是不重要的，哪一些是我应该知道，哪一些是影响我投资决策的。 这里举了两个例子。一个是大家今年都非常关心的，对于无论是做股票投资者，做债券的投资者，他都非常的关心叫做信用风险。信用风险是说发了一个债券或者是借了贷款的公司还不上钱，这种情况上可能要先人一步的知道，比别人更快的知道，哪些公司有可能会产生信用风险，从而去改变我的一些持仓，改变我投资的操作，使得我避免触发风险。在大数据时代，机器可以帮助我们非常好的去实现，它首先把很多关联方找出来，然后去找到关联方相关的负面信息、新闻等等。最后告诉我们说，你买的这个投资标的有可能会产生风险，因为它那家关联公司的老板的老婆被抓了。这是一个典型的应用场景。 还有一个典型的应用场景叫做新闻情感监控或者叫舆情的监控。舆情的监控什么意思？比如说，我们买了一支股票，我们可能会想知道说，我看好这支股票，但是市场上别人怎么看？别人怎么看，当然可以直接从股价当中体现出来，大多数人看空就跌，大多数人看好就涨。但是在股价反映之前，我们想更早的知道这个市场怎么看，那我们就可以去监测市场上新闻的热度。 这家公司出现在新闻上到底有多频繁，相比于一个月之前是更加频繁了还是更不频繁？我们还可以去监测说，大家最近在讨论股票到底是往好的方向讨论，还是在往不好的方向讨论，这一些信息对于我们做出投资决策都是有非常重要的帮助。这一种全新的模式，我刚才说了我告诉机器我关注这些东西，然后你每天给我推送一些我应该知道的信息，我应该看到这个市场上股票的搜索热度是上升还是下降，最近大家股票往利好的方向讨论还是往利空的方向讨论。采用两种方式结合能够很好的解决信息和大数据的高效收集和处理的问题。 我们来解决第三个问题叫做拓宽每一个投资人或者说专业基金经理人的管理边界。像张总所在的易方达基金是国内最领先的基金公司，有非常非常多的基金经理，每一位基金经理每一天做的工作是不是都是非常非常有价值的？我相信其中相当一部分肯定是，但是有没有更高效的办法把这些事情做得更好？我相信肯定是有的。比如说，我们现在整个资管行业在往净值化方向转型，未来大多数的基金经理可能会成为多资产的基金经理，我可能既要接触股票类的资产，我也要接触债券类的资产，我也要接触基金类的资产。 能否有一个系统帮我把这些资产的属性、风险收益都分析清楚？让我每天只要去思考对未来的观点是什么，我应该怎么样改变投资的操作就好，而不是每天总结说今天的操作到底对我的账户产生了什么样的影响，我管十来个账户每一个账户的风险收益特征到底是什么样的？当然现在很多的基金经理都在通过Excel表的方式来建组合分析，但是我认为未来机器可以非常好自动化的来帮我们实现这些。比如说，我这边展现的是组合分析的框架和工具，它不仅可以帮我们的投资经理从每日更新一些手工的Excel表格繁琐的劳动中解放出来，还能够个性化的帮助他们管理不同属性的投资组合。 还有一点是，它可以做未来的情景模拟。当一些关键的市场因素或者宏观环境发生什么样变化的时候，我们这个组合到底净值会怎么变？比如说一个债券类的组合可能暴露的是利率风险和信用风险，当未来宏观环境经济发展通货膨胀发生什么样变化的时候，就回到了一开始讲决策逻辑的因子化。当这些因素发生什么样变化的时候，我们这个组合未来的净值到底是会加速上涨还是持平，甚至是下跌？这一些都是机器可以帮我们去模拟出来的。 机器除了可以帮我们做组合分析还可以帮我们做归因，归因是评价投资经理管理能力如何。而我们通常去买一个基金或者去申购一家基金公司新发的基金，我们可能会看一下这个基金经理历史上管理能力怎么样，他是强管理的基金经理还是弱管理的基金经理，评价基金经理会有很多的模型。当我们人工管理这些模型的时候效率是非常低下的，机器可以非常好、非常快速的、直观的给我们呈现出来，说这个基金经理到底选择买卖时机的能力比较强，还是说他在选股上面有很强的能力，还是说在行业分布的配置上有很强的管理能力，等等这一些都可以被我们的归因系统所识别出来。 对于股票，大家可能知道最近几年量化投资非常流行之后，有很多的风险因子或者说风险模型的介入。风险因子和风险模型不仅对于我们主动投资的投资者和做量化投资的投资者，或者把我们这两种投资模式结合起来，就是我们所说的量本投资。它可以做到一件什么事情？它告诉我们说，我们每天看到的不只是持仓当中有10个股票，而是把这10个股票好像完全打散成原子，然后又重新结合成一些风险因子。它会告诉我们说，我们现在暴露的到底是一些市值风险，还是说是一些流动性风险，还是说是一些价值或者成长的风险等等，这一些风险的维度，可以更好的帮助我们去理解和匹配现在市场的环境和风格。 说到这里，我认为我们现在对于传统的投资人面临刚才提到的三大痛点，机器已经有了一定的解决方案能够帮助我们提升一定的效率，但是我们还有非常长的路要走。对于未来我们到底可以做一个什么样的展望？未来怎么样去建设一个智能资管？智能资管的建设逻辑是非常清晰的，首先我们要从数据出发，我们做智能资管就像BLACKROCK一样，他们现在能够做到的投资方式和思路完全是数据出发，而不搀杂人的主观情感因素和干预的因素在。 从数据出发，数据有很多的类，刚才也提到过像一些基础数据，股票债券市场的数据，公司的数据。第二个是行业的数据或者说行业特色的数据，每一个行业都有它不同的特点。第三类数据是叫做大数据，刚才我们也提到是一些比较粗糙的数据，比如说微博的数据，微信的数据，股吧的数据等等。但是好好的把这些数据利用起来，它也是非常有用的。 当基于底层数据之后，我们可以采用一些什么样的技术把这些数据利用起来？这些数据就很多了，很多的技术在当下阶段已经发生的很成熟。比如说，像自然语言处理，像一些信息数据的抽取，像知识图谱，像情感分析等等这样的一些技术都可以很好的帮助我们把底层的数据，包括大数据给利用起来。从而形成了一些智能分析平台的功能点。功能包括哪些？像智能搜索引擎，像业绩预测，像刚才讲到的因子，甚至可以去预测未来宏观环境的变化，还可以根据宏观环境的变化采取优化配置资产的模型。 当我们把功能点进行不同组合的时候，我们就适用到了业务的场景当中，我们的业务场景作为一家典型的资产管理企业。首先你肯定是多资产、多投资经理的管理环境，我们可以才能用智能投资或者是采用基金的形式去管理资金。再往上一层，当我们每一类资产研究和投资都能做到非常顺畅的时候，可以把这一些资产类别再进行结合，我们可以生成大类资产的管理平台或者说一种跨业务领域的研究。我们还可以把资产端高效的投资研究模式和负债端结合起来，可以学习每一类客户是什么样的，每一类客户适用什么样的资产，来把负债和资产进行有效的匹配。这样的框架应该说对未来智能资管建设的展望。 为了能够实现这样的智能资管，我觉得我们通联数据也做了很多的事情。首先我们通联数据的目标就是为了让投资更容易，这是我们的宗旨。为了实现让投资更容易也投入了很多的资源，比如说像我们的肖总，我们的王总都是国际顶尖的金融专家，我们有很多的技术高管和一些精英，我们有全球布局的信息和资源，我们也投入了很多的技术和研发。为的是什么？为了让我们通联数据更好的服务于全国，甚至是全球的金融机构，让各位的投资都能变得更加的有益。 谢谢！[详情]
新浪财经讯 由中国证券投资基金业协会金融科技专业委员会主办，易方达基金、华夏基金、通联数据、阿里云、新智元等协办，新浪财经作为媒体支持的“2018全球智能投资峰会”于8月30日（周四）08：30-18：00在北京金融街威斯汀大酒举办。本次峰会的主题为“聚·变”。 本届峰会以大数据、人工智能等前沿技术在金融行业的应用为主线，涵盖金融科技、智能投资等热点话题。峰会召开的同时将现场揭晓委员会主办的全球金融数据探索与发现大赛（FinancialData Discovery Competition，以下简称FDDC大赛）获奖者，并邀请全球人工智能专家、FDDC大赛导师和获奖者进行互动交流。 百度北京大数据实验室主任浣军发表了题为《AutoDL：开放普惠AI，助力中小企业》的演讲。 浣军表示，AI的安全性非常重要，深度学习之所以被广泛应用，是因为其高效。但是，随着技术的发展，AI逐步走出数据世界，走入了物理世界，其安全性涉及到人身、财产安全问题，所以要加大AI的安全性研究。 当前，机器深度学习主要集中在大型企业，也只有大型企业才能承担起相关的巨额研发费用，那么如何让数量更多的中小企业也发力机器深度学习呢？浣军提出了AutoDL，即开放、普惠的AI理念，通过自动建模、模型迁移等多种方法，让更多的企业能运用人工智能的力量。 以下为百度北京大数据实验室主任浣军主题演讲实录： 主持人：接下来让我们有请百度北京大数据实验室主任浣军教授为我们带来主题演讲，浣军教授回国前担任美国堪萨斯大学电子工程和计算机系Spahr讲席终身职正教授，长期从事大数据、AI、数据挖掘和机器学习的理论、算法和应用的研究。有请！ 浣军：各位嘉宾、各位老师、各位专家教授下午好，非常高兴也非常荣幸有这么一个机会能跟大家介绍一下我们最近的工作，是关于开放普惠AI这么一个概念和它对应的这些技术的发展。我叫浣军，在百度大数据实验室工作。 今天上午大家嘉宾演讲中间都提到了AI的冬天这么一个概念，这是在下面几分钟之内很难把AI的整个发展历史比较详细地介绍，所以就简要地介绍一下。那么看得出来，从历史上AI的发展至少经历过两次冬天，所谓冬天就是大家对它的兴趣急遽下降。大家现在也在讨论AI的下一步发展会不会有新的冬天到来，我想从历史上看会有。那么也有另外一种可能，我今天在这里提出来，有没有可能AI这样成功，它非常成功融入到了我们的日常生活中间，包括出行、医疗、金融，所以大家对AI的热度不会那么高，同时也不会经历现在所有的热情上面。我们在将来拭目以待。 这个PPT是说我们这次的AI跟以前AI的不同，我想第一个它有几个特性，第一它是由大数据驱动的。这里面显示的就是在2013年人类总共收集到4.4个zitebaite（音）数字化数据。我们十年前2003年，从有史以来到2003年止，人类文明一共搜集到到的是五个aikesibaite（音）就是千分之，2013年几个小时之内人类搜集到的数据，等于有史以来到2003年总共收集的数据的总和。这上面写的是2020年这个数字会翻十倍，到2020年，人类大概几十分钟搜集到的数据就等于有史以来一直到2003年搜集的数据的总和，那么这个我想给大家比较直观的关于大数据的发展的速度。 同时是这些数据的清理、整合和标记，不光是原始数据，包括衍生数据，这应该说是一个很重要的特性。 第二个特性，这次的AI是算力急剧增长。横轴是时间，纵轴是处理器上集成的chuaizisite（音）的数目，这明显是指数上涨。AI的算力是比每18个月涨十倍要更快。用一个比较直观的例子，就是iPhoneX的处理器相当于1996年的世界上最大的最强的超算的算力，也就是说二十年后在手机上面大家拥有的，就跟当年一个占据了一个日本的大房子的算力是一样的。 这是AI算法的快速迭代，横轴时间，纵轴是ImageNet，ImageNet上面的错误率，这上面有三种颜色，特别标好了三种颜色，绿色用传统的计算机视觉办法来做识别的时候，错误率一般是20%。这个浅绿色是从2012年开始，用的是深度学习的算法。黑色的这个是人类的事业的准确率，2015年、2016年，何凯明（音）设计的ruisinaite（音），错误率已经比人类的更要低了，从机器在识别图像比人类更强。 这里是一幅图，它信息非常丰富，它显示计算机各个领域对经济的影响。那么横轴上每一个是特定的技术，比如说数据库技术，比如说微处理器，比如说AI，每个技术对应四条棒、四条线。红色的线是学术界什么时候开始研究，第二条线是蓝色的线，是工业界什么时候开始对这个概念有影响。细的绿色的线这个市值什么时候达到十亿美元，整个maketesaisi（音）怎么达到十亿美元。粗线是怎么让这个市值达到一百亿美元。那么AI应该说是下一个点。 我们现在也有说AI是新的电力，当我们说到新电力的时候，实际上说的就是工业革命，大数据AI成为新的技术和商业的创新的动力。那么我们可以看到，尤其在我们国家，工业化、信息化、自动化到智能化，这四化是在叠加，这是一场波澜壮阔的第四次工业革命，整个在世界范围内，对基础建设、商业发展、技术推进包括人的精神面貌都会有巨大的改变。 这个显示的是发达国家在前十年和前二十年的劳动生产率提高。所以首先它里面横轴是每一个国家，美国在最左边，意大利在最右边，那个蓝色的线是前二十年的劳动生产率提高的值，平均大概是2.5%左右。橘色的线是前十年的劳动生产率的提高的值，大概1%。那么这个图就是有几个，第一个，劳动生产率仍然在提高，在西方发达国家，所以一阶倒数仍然为正（音）。但是劳动生产率提高的速度在下降，前二十年平均是2%以上，近十年是1%左右。那就是二阶倒为负（音）。什么意思呢？西方发达国家的增长的速度在放慢，都在寻找下一个增长点。AI、大数据、深度学习会不会成为一个增长点，我想现在看起来非常有可能。 那么这里是美国劳动局的一些统计，就是一些预测，那么什么样的工作最有可能被取代？这里面左边是说比如说时薪20美元以下的工作，比如说餐馆的服务员，一些办公室文员时薪20美元以下被取代的概率80%以上。右边是说不同的受教育程度，如果这个职业只需要高中文凭，他被取代的概率44%。那么这些就是AI有可能对我们的社会的影响。 下面稍微介绍AI的一些具体应用，比如谷歌在去年跟多伦多一个小镇签了一个协议，建设simakesaite（音），在这个小镇上面，把自动驾驶、5G、健康等等所有这些概念，通过那个小镇在物理上面集成起来落地。咱们国家就是雄安，这是Chatbot，这个程序能够跟人聊天，缓解抑郁症。 这是大概一两年前的一个工作，有一门计算机课，那门课是AI的课，选的人很多。那几年有一个TA从来没有出现过，大家发邮件他都会回。学期结束，发现TA的名字叫沃森小姐，沃森是谁呢？他实际上是IBM的一个产品。 这跟咱们金融关系比较大，就是有一些统计，在保险业、在银行业、在资金管理上面，现在有多少是有算法来进行自动的做决策。 前面讲的是一些AI的广泛的应用，如果是第四次工业革命，我们想想前几次工业革命对整个社会的形态的影响。那么这里想说的就是再晴朗的天空，它也总有几朵乌云。这个人叫ailigelumisi（音），他犯了罪，犯罪以后被抓被审，这个事情就这样了，社会总有这种现象。威斯康辛州很有意思，这个州购买了一个私人公司的公共服务，那个私人公司做的是对这些犯罪的人打分，来判断他重新犯罪的概率，从1到10分。这个法官参考分数，量刑的时候是参考这个分数的。后来法官接受采访，这个事情被披露出来，ailigelumisi（音）的律师就告这个事情，他说第一这是个AI算法，这是个私人公司，它的数据没有公开，是两个教授一起开的公司。第一数据没有公开，第二如何训练这个数据的算法没有公开，最后只有一个模型，这个模型都没有公开，最后得到的就是一个分，从1分到10分，10分就是这个人很有可能再犯罪，1分就是这个人不太可能再犯罪。法官利用这个分数来判刑。这个律师说第一我不知道你如何做的决定，我没法重复你的决定，我都没法质证。所以这个官司一直打到美国的最高法院，最高法院有权决定是听还是不听，它最后决定没有听，这是纽约时报去年夏天报的。我相信以后这种案子会越来越多，我下面会讲到有欧洲通过GDPR。 我想给大家介绍一下，一个是我们做的工作关于AI的安全性，一个就是开放、普惠AI这么一个概念。AI的安全性我就稍微介绍一下，这是美国AI的研发战略方向，其中把安全性列为很重要的一点。为什么AI的安全性很重要？因为如果我们在建模的时候，我们可以看到我们做AI是从数据驱动的，先搜集数据。搜集数据以后建模型，建完模型以后做模型的yiwailieweishen（音）。现在深度学习为什么在现在这些领域能够广泛应用呢？因为深度学习的准确率确实非常高。但是我们在享受这个高准确率的同时，也忽略了很多因素，这些因素比如说为什么会做这个决定，这个决定什么时候会错，错了我们又能学到什么东西？那么这个为什么重要的就是因为我们现在看得到的是AI总出信息世界走向物理世界。我们在做搜索的时候或者做推荐的时候，我们错误地推荐了一个小视频给大家，大家一看这个东西跟你兴趣爱好没有关系，我觉得肯定是骂一句某公司，也不会有更进一步的行为。但是如果我们在自动驾驶的时候，因为自动驾驶的时候需要不停对路况进行判断，比如判断图片的准确率是99.9%，错了千分之一，那么有可能出现的结果是人身安全、财产损失。所以当AI走出信息社会，走入物理社会以后，它的安全性会非常重要。刚才张院长提到了透明科技的事情，其中还包括其他的，还包括它的不容易被干扰。 在欧美发达国家，因为它是多种族的国家，它还包括公平、公正这么一个概念。我们国家虽然是单一种族，但实际上公平、公正这个概念也越来越被大家所接受。 所以下一阶段的AI必须考虑它的安全性。 做金融的应该对欧洲通过的法律比较关注，两年前通过了一个法案，给了两年的通窗期，今年已经落地了已经成为法律。我想以前在北京说说布鲁塞尔通过了什么法律，可能大家感受不是很深。那么现在通过中兴这件事情以后，对长壁（音）这个概念都有一定的了解。那么这个里面它有很多新的概念，比如说可解释的权利它定义了一项可解释的权利，还定义了一项谁拥有数据，还有定义了一项被遗忘的权利，细节我们就不说了。 那么整个AI要能够做到安全，那么可解释，做到不容易被攻击，这里面有很多工作要做。大体上就是要么是你对终端模型有进行解释，要么你归因，你看到在原始数据上面，对哪些因素对你的模型影响最大，或者你对整个中间建模的过程都要有所了解，这个东西细节我们就不介绍了。而且这个概念就是从技术上要想把这个概念做，面临很多挑战，它需要对社会、对政策、对立法有一些了解。那么大家感兴趣的话，我们有一些综述，也有文章。 下面重点介绍一下我们最近的工作叫做开放、普惠AI，这个主要的目的是什么呢？如果我们还是上面的ImageNet，ImageNet随着时间来讲错误率越来越低。背后的成功是什么呢？我们看网络的复杂度，从最早的aimisilaite（音）大概是八层，到现在ImageNet是几百层，最近有一篇文章是如何训练一万层的深度学习网络。那么这个里面有几个点，一个点是所有这些成功的背后，深度学习算法成功的背后，是一个新的网络结构，这个需要人来设计，这些网络结构越来越复杂，而且它的设计过程也越来越复杂，它对设计师的要求非常高，能够设计全新网络的，这应该是被各大公司所争相礼聘的。 如果从一个初创企业来说，大家也知道一个初创企业，比如说你要想养一个十个人的算法工程师，第一你很难找到世界顶级的算法工程师来帮你设计网络；第二就算一般的算法工程师现在都非常贵；你需要一个非常大的集群，现在GPU集群也是越来越贵，包括最近艾瑞德（音）新出的具有强大算力的GPU大概几千美元一块，我们常用的一个八卡的机器人民币一百万美元。那么你需要强大的算法团队，你需要一个强大的工程团队，你需要有硬件、软件支持。 那么整个这个过程，我们使得这些先进的算法，都是掌握在大企业的手里面，大企业的研发中心里面。那么如何才能让我们的中小企业，如何才能让我们的初创企业，都能够拥有自主设计神经学习网络的能力呢？这个就是我们提出这个概念叫做开放、普惠AI，就是让所有人都能够跨过AI的鸿沟，都不需要特定的硬件、软件支持，不需要养一个非常强大的工程师团队，也能拿到自动化的、定制化的模型。 百度阿头DM（音）就是我们为这个设计的一项。那么这个思想就是用深度学习来设计深度学习，使得能够让深度学习的网络设计自动化、定制化、低成本化。 那么具体来说，用的技术叫做深度增强学习，大概的意思有两个组成成分，一个叫做教师模型，一个叫做学生模型。教师模型是来设计一个深度学习网络，把这个网络拿过去进行学习，得到它的准确度，然后把这个值反馈给teacher耐特沃（音），通过增强学习的办法来改进设计。teacher耐特沃（音）如何做这个过程呢？是通过RNN（音）的办法来编码一个深度学习，然后通过这个拿到反馈，进一步改进。 效果怎么样呢？现在阿头DM（音）在西发（音）做出来的效果超过96%，比人类专家手工设计的包括但斯耐特（音）、谷歌尹赛普深（音）这些都是在ImageNet上得奖的，效果更好。也就是说现在用深度学习的算法来深入到深度学习的网络，能够媲美人工专家。 从另外一个角度上还有非常重要的角度是适配，这些网络现在都是在云上面进行训练或者是提供服务。那么现在我们很多的网络需要到端上，手机是一个具体的端，自动驾驶是另外一个端，还有很多包括新零售在内的它有特定的硬件，这都是端。通过这个可以把现有的网络适配到端上面，通过多目标的优化的问题。 还有一个很重要的就是我们比如已经为A公司建立的一个模式，那么当A公司里面有不同的应用的时候，从一个应用换到另一个应用的时候，你是不是还需要从头建立模型呢？其实在深度学习这个领域，很多时候你不需要，你可以通过模型迁移的办法，把移动模型迁移到另一个模型。那么迁移的过程中间，你也可以特殊设计你的网络，或者你修改现有网络，达到迁移的目的。 那么这里是我们自己做的一个百度有一个公益项目，是完全免费的，大家都可以试。你有数据你可以上传，上传以后自动建模型，再把这个模型提供给大家。AutoDL会下达这个能力。 这是九个实际案例，这九个案例有跟健康有关的，有跟家具装修风格有关的，有跟公益项目鸟类有关。这是东北虎、东北豹的设计。咱们做人脸识别是识别单独的个人，东北虎、东北豹是识别单独的虎的个体。这里AutoDL对比，应该说在每一个时间上面都有提高，绝对值5%到10%。 整个这个领域叫做自动建模，如何利用现在的集群计算，如何利用深度学习来做自动建模。自动建模整个过程包括数据的清洗、整合、特征的抽取、选取、模型的建立，大家如果感兴趣的话，我们也有对应的产品，现在帮助大家自动建模，自动做超参数的选取。有一个是把所有可能的参数都搜一遍，这实际上有更强大的工具来帮助你做这件事情。 我们应该是处在一个巨大的变革的早期的范围之内，第四次工业革命，从工业化、信息化、自动化到智能化，四化叠加。那么在这个阶段，大数据、深度学习结合起来新的AI，应该说正在蓬勃地发展。我们设计的AutoDL这个理念就是开放、普惠AI，如何让这些大公司的研发中心所拥有的这些能力都能开放出来，让我们的中小企业、让我们的初创企业、让我们的个人、让我们的研究机构，都能够用这些能力，更好地发展AI。[详情]
新浪财经讯 由中国证券投资基金业协会金融科技专业委员会主办，易方达基金、华夏基金、通联数据、阿里云、新智元等协办，新浪财经作为媒体支持的“2018全球智能投资峰会”于8月30日（周四）08：30-18：00在北京金融街威斯汀大酒举办。本次峰会的主题为“聚·变”。 本届峰会以大数据、人工智能等前沿技术在金融行业的应用为主线，涵盖金融科技、智能投资等热点话题。峰会召开的同时将现场揭晓委员会主办的全球金融数据探索与发现大赛（FinancialData Discovery Competition，以下简称FDDC大赛）获奖者，并邀请全球人工智能专家、FDDC大赛导师和获奖者进行互动交流。 华夏基金总经理李一梅与微软亚洲研究院副院长张益肇进行了对话。 李一梅表示，实际上，人工智能已经逐步进入生活中的多个领域。人工智能在金融领域的应用，也不是近年才兴起，而是已经有很多年了。无论人工智能在投资领域发展情况如何，华夏基金作为国内公募领域头部公司，必定要参与智能投资、金融科技的发展。 人工智能的发展，是否会完全替代人力劳动，造成大面积失业呢？李一梅认为，AI的发展，会辅助人们的工作，让人力减少简单重复的劳动，而不会完全替代。 李一梅指出，人工智能和金融科技相结合，让有效的服务触达每一个普通的投资人，实现真正的普惠金融。 以下是微软亚洲研究院副院长张益肇对话李一梅华夏基金总经理实录： 李一梅：各位领导、各位嘉宾，大家上午好！今天非常荣幸能够跟张院长这样的科学家对话。我很欣慰，因为刚才张院长的结束语，对我们整个金融行业是一针强心剂。张院长说人工智能不是为了取代金融行业的从业人员，但是一个会用人工智能的从业人员很有可能会取代不会用人工智能的从业人员。华夏基金去年开始跟微软展开了合作，我们不管人工智能在金融领域的探索是怎么样的，我们都希望真正能够运用人工智能的技术，来真正实现为客户提供更好的金融服务，这一直是我们的愿景。 刚刚我们看选手们的影片是非常激情澎湃的，因为我比较热爱音乐，大家有没有听到音乐其实是变形金刚的主题曲。所以说到人工智能，很多影视作品里面其实一直在探讨这个领域的问题，而且人工智能这个话题也不是从最近才开始有的。其实我们看到电影作品，六十年代、八十年代、2000年左右，人工智能都是社会上非常热门的话题。我想请问张院长，我们这次人工智能的重新崛起和之前有什么区别？您觉得这一次驱动人工智能的浪潮它背后的驱动因素是什么？ 张益肇：我觉得这一次的浪潮有个新闻点，人工智能下围棋之类的；另外一点是在于你很多在切身使用的服务，人工智能确实能够提供非常好的服务，不管是智能音响还有自动驾驶，自动驾驶现在越来越成熟了，甚至有一些公司今年要推出针对市场的自动驾驶的车。让大家切身感受到，过去这种热点是在学术界也好或者在媒体有热度，但是对个人的亲身体验层面来讲的话，体会得比较少一点。但是这一次真的让大家体会到，很多人喜欢用智能语言等等，让大家很即时看到效果，相对来说感受更深一点。 李一梅：以前我们觉得它离我们的生活很遥远，这一次浪潮的出现，也是因为人工智能开始融入到我们生活的各个领域。比如说有围棋，比如说有自动驾驶，比如说您刚才讲到医疗是人工智能部分专长的领域。我又有一个问题了，人工智能能够在这么多领域进行应用，今天我们探讨人工智能在金融领域的应用，您觉得在金融领域的应用跟其他领域的应用会有什么样的差异吗？或者有什么样的特性吗？ 张益肇：我觉得人工智能在金融前景非常广阔，因为金融行业有优点是有很详细的数据，相对来讲要清理金融行业的数据比起清理医疗金融行业的数据相对简单多了，这是一点。另外就是在人工智能之前，这种量化投资这种领域，文艺复兴大概从九十年代开始做，怎么样用量化投资等等。不管是分析师也好，或者投资经理来管理，人工智能在投资领域前景非常好。 李一梅：人工智能其实在金融领域的应用也不是从这几年才开始的，不管是在量化的算法还是在科技辅助投资人的应用当中，都是很长时间以前就有的。同时，金融行业是一个非常重视经验的行业，我们每次提到巴菲特，都说他是一位非常伟大的思想家。那么您认为人工智能相比于他们经验来说，是否具备优势呢？可否请您分析一下。 张益肇：人工智能现在大部分还是根据数据来反应这个数据的工具，所以人的能力可以无中生有或者举一反三，这是人的特性。最近有新闻巴菲特第一次在印度做投资，怎么样做好投资这样子。像这种文化，印度过去有什么不好的财务报表都可以看，他只能看一看，比如在中国什么做得非常好，就会比较，在中国做得这么好，印度的机会应该也会很大。但这是靠经验，甚至靠他对事件的理解来做的判断，我觉得现在是人工智能的强项。人工智能的强项，刚才很多老师和同学介绍到了，比较历史性的这种，比如说营收的搞预测这些的话，我刚才就在讲，在未来的话，投资银行就是在做这种营收的预测的话，可能竞争对手都来了，这种预测的话，人工智能相对来讲优势比较大一点。 李一梅：因为每一个硬币都有两面，说到任何技术在某一个领域的应用，我觉得都不会是一帆风顺的，不一定会突然释放巨大的生产力，也不一定都是正面的。有一些人担心人工智能的应用，担心智能机器人有一天一下子取代人类，或者以后变成世界的主宰。同时我们也看到在市场下跌的时候，算法的集成可能会加速市场的下跌，因为大家采用的都是类似的算法。最后大家在下跌的过程中，大家的反应也是一样的。在应用当中，特别是在金融领域，肯定也存在很多不确定性或者风险，您作为一个科学家，能不能跟我们分享一下您的想法？ 张益肇：我觉得这是为什么我们刚才强调AI+HI。现在很多飞机，飞行员其实不需要做什么，全自动化，但是他就需要在那，比如有突然的情况，机器没有办法做什么反应，但是人可以做应变，长远来讲是AI+HI。人工智能自己有智能，有自我认知，还有很长的路要走，在我有生之年应该是不会发生的。 李一梅：前一段时间AlphaGo第一次战胜人类的时候，感觉大家还是非常担忧的。 其实我认为从所有科学家的想法来看，似乎大家是希望通过人工智能或者科技的进步，让我们的生活更加美好，让每个人能够多享受生活，少做简单重复的工作，让人类的智慧发挥到更重要的领域。 对人类和人工智能结合的未来，特别是人工智能也是在发展的相对初期的阶段，并不是特别精深的一个发展阶段，您能不能跟我们分享一下，人工智能下一步发展的重要领域，以及它对生活的改变是不是可以更多？是不是可以在有更前瞻性的一些领域进行探寻？ 张益肇：我觉得现在人工智能在我们研究的领域有很多的性能，我们现在赋予它的。比如长期来讲有可解释的人工智能，做一个判断，还可以给一个解释，为什么要做这个判断。大家如果对人工智能比较熟悉，这些系统很容易被骗，稍微改一些输入的参数，它一下狗变猫这样子，相对来讲一些人工智能的系统跟人之间还有很大的差异。我们的下一个目标是让人工智能越来越多对这个社会也好，对这个世界的认知做解释，让它有更多的判断。 李一梅：感谢张院长今天的分享，通过张院长的分享，我们其实也对未来人工智能在科技领域的应用，充满了美好的期待。那么我相信刚才张院长提出的其实是希望人工智能和金融科技相结合，最终使每一个普通的投资人都可以享受到像家族工作室一样的服务，和拥有上亿或者上十亿美金的这样的家族享受同样的定制化的、精准化的金融服务。希望我们能够降低成本，提高效率，让这种真正有效的服务触达到我们每一个普通的投资人，实现真正的普惠金融。让我们共同期待那一天的到来，谢谢大家！[详情]
Copyright © 1996-2018 SINA Corporation, All Rights Reserved
新浪公司 版权所有
