桥水对人工智能的态度可以说十分积极。早在 20世纪80 年代初，桥水基金的老板瑞·达利欧就开始把大数据运用到交易决策中去。和现在的人们一样，达利欧当时面临的主要问题不是没有足够的数据，而是为何和如何运用这些数据。如今，桥水的高层们也认为智能交易只是时间问题，早在多年前已预见到这一时代的到来，它们雇用了世界顶级的研究者将人工智能活用于投资行业。
现在开发在交易中发挥威力的机器人究竟是处于试错阶段还是实用阶段？DeepMind公司的深度强化学习和阿尔法狗的探索研究对它们产生了很大影响，它们正准备扩大在交易中应用机器人。
一如现在的很多交易员，达利欧一度认为大数据是用来预测市场走势的。在 1981 年 12 月发表的一篇文章中，达利欧说如果有一台电脑能存储世界上所有的事实，同时拥有完美的程序，能以数学方式表达世界所有不同部分之间的所有关系，人们就能完美地预见未来。
后来他发现能预知未来，对于建立强有力的交易策略，并没有太大帮助。比如说预测到某种大宗商品的价格在未来可能是 75 美分左右，而如果它现在的价格是 60 美分，买入自然是有利的，但如果无法预测它的价格会不会先跌到 50 美分，最后才回升到 75 美分，还是无法预知何时买入、何时卖出才是最合理的。
换言之，最重要的事情并不是预知未来，而是知道在每一个时间点上如何针对可获得的信息做出合理的回应。由此，达利欧意识到，大数据是用来建立、验证和修正决策标准和决策系统的。
达利欧开始尝试把每一笔交易的决策标准写下来，然后把这些标准转化成公式，也就是现在人们所说的“算法”；再用这些公式计算历史数据，以检测历史交易的效果，进而根据具体结果合理地改进这些决策规则。
除了桥水的历史数据外，达利欧团队还输入了超过一个世纪的、所有有数据记录国家的历史数据，以透视经济/市场机器在历史上是如何运行的，如何对其押注，并通过检测结果改进决策标准，使之成为普适的标准。在决策标准确立之后，接下来的工作就是把现实中不断得到的数据输入这些决策系统，然后电脑就会处理这些数据，做出决策。桥水最初的利率、股票、外汇和贵金属系统就是这么产生的，然后团队又把这些系统合并为一个系统，以管理桥水的投资组合。
简言之，桥水所做的就是用算法来表述投资决策标准，然后用历史数据来检验，或者用算法表述工作原则，然后用其来帮助管理决策。与人脑决策相比，用电脑辅助的决策系统能让人们更快地做出考虑更全面、更少情绪化的决策，而且还有利于维系团队的团结，因为彼此间的争论将不再围绕结论进行，而是就不同的决策标准进行争论，而决策标准是可以被客观检验的，人们还可以在解决分歧之余优化标准。
在过去的 30 年里，桥水又不断为决策系统纳入了许多其他类型的规则，用来引导交易的各个方面。现在，当实时数据发布时，桥水的电脑能够分析来自 1 亿多个数据组的信息，然后以合乎逻辑的方式，向其他电脑发出详细的指令。达利欧说，假如没有这些系统，他很可能已经破产，或者因要从事如此繁重的工作而被压力逼死了。
2.人工智能的风险
当然，这不意味着盲从电脑的建议。在电脑工作的同时，人们自己也进行分析，然后对二者的结果进行对比，并搞清楚为何有分歧。大多数时候是因为人们忽略了某些东西，有时候则可能是因为系统“忽略”了一些标准，或者需要添加新的变量。
达利欧承认，在很多方面，人脑无法与电脑竞争，比如 24 小时工作的“毅力”，和快速、客观处理海量信息的能力。最重要的是，电脑对群体偏见和从众思维免疫，不会顾虑自己的结论会不会受人欢迎，而且从来不惊慌失措。
但与此同时，从电脑辅助决策中受益良多的达利欧，却给当下亢奋的人工智能热潮泼了盆冷水。达利欧不像一些守旧分子那样简单地认为电脑永远赶不上人脑，而是认为不能过于轻信乃至盲目运用电脑通过数据开采得出的规律：一方面这些规律可能因为与现实脱节，不足以应对未知的世界；另一方面在没有深刻理解这些规律背后的逻辑和因果关系的情况下，就将其应用于决策，是很危险的。
所谓数据开采，是近年来机器学习发展最快的领域，是指功能强大的电脑消化大量数据，从中发现规律。达利欧对数据开采系统本身评价甚高，他认为有了足够强大的计算能力后，所有可能变量就都可以纳入考虑，由此得出的规律对人们的决策很有帮助。但人们不能盲目信任这些规律。
在未来的事物发展范围和格局与过去相同的情况下，也即当同样的情况以可靠的方式反复不变地发生时，例如在一场规则极其严格的游戏比如棋类比赛中，将算法得出的规律加以应用是有效的，这已被国际象棋和围棋的人机对弈结果所证实。但现实中事物不断变化，所以这样的系统很容易与现实脱节，因此无法应对未来的挑战。
另外一种风险是，电脑只负责“发现”规律并将其应用于电脑决策，而不需要“理解”这些规律背后的逻辑。达利欧指出，很多人因为发现机器学习比形成深刻理解容易得多，就盲目信任机器学习。但对达利欧而言，深刻理解必不可少，任何决定背后的逻辑如果无法说明，对他而言都是不可容忍的。他认为当人工智能使用者在没有深刻理解它的情况下，就接受机器学习创造的算法所假定的因果关系，甚至根据这些认识来行动时，可能会产生意想不到的风险。比如在没有深刻理解其逻辑的情况下，以机器学习为基础构建的投资系统就会很危险，因为人们弄不清楚过去发生的情况是否真有价值，即使有价值，也弄不清楚其价值是否已经消失，甚至走向负面。常见的情况是，一些决策规则变得非常流行，以至对价格产生很大影响，从而使反向操作成为更合理的做法。
对达利欧来说，相对于依赖人们并不真正理解的算法，对因果关系形成深刻理解所产生的兴奋、安全性和教育价值要有吸引力得多。不过他略带悲观地预测说，人们会越来越信任电脑发现的、超出我们理解范围的因果关系。这种信任有时会带来成效，有时会适得其反。人工智能可能会带来极快、极了不起的进步，但也可能会导致人类的毁灭。
除此之外，对于广大金融从业者而言，最为担心的是机器人交易员这种后台技术不为人知地变得更加强大，只为一小部分人带来利益。如果以巨额资金挖走顶级研究者的对冲基金公司像DeepMind公司那样开发新的超强方法，他人甚至不知这种方法的存在，由它们独占技术，其他人的资金则会被它们吸走。
但是，如果对冲基金公司的后台机器人交易员过于强大，其产生的巨大利益很快就会引发世人关注。那时，社会舆论将会强烈谴责该对冲基金公司，也许会要求政府制定相关法规，或者想办法跟风开发强大的机器人交易员。这些动作多少能降低技术独占所产生的风险，对金融业产生天翻地覆的变化。
3.金融业的巨变
人工智能的巨大变化，不仅对幕后的对冲基金行业，对金融的正面舞台说不定也会发生技术独占。例如，在未来提供金融服务的关键行业，有可能出现像网络搜索行业的谷歌、网络书籍销售行业的亚马逊那样拥有独占性份额的企业。
金融业的技术独占已有案例出现，典型的是评价大企业或主权信用风险的评级业务几乎由标普等3家公司独占。今后，令人担忧的是与现在的评级机构相比，更广泛、更多样化的商务信息分析服务或工具被独占。
因此，在破坏性技术出现的可能性不断提高的今天，重要的是不让这种破坏性技术被独占，幸好走在人工智能研究最前沿的DeepMind公司会随时公开目前的研究成果，并没有让谷歌独占技术的意思。虽然我们不知道被挖走的顶级研究者幕后进行着怎样的研究，但因为DeepMind公司，人类认识到了最先进的人工智能的威力。
DeepMind公司发表的报告也被用作幕后研究，使正面舞台的很多研究者受到鞭策。希望今后最前沿的技术研究者们能一如既往地保持这种开放式姿态。在《被人工智能操纵的金融业》一书中提到国际清算银行的报告，也表示利用大数据可以及时洞察最新的经济指标，“也许会诞生新的经济理论”。情况确实如此。
在经济与金融领域，基本上是多种因子相互影响同时进行复杂的变动。在宏观或微观经济模型，以及市场价格或信用风险等模型中，考虑的因子数量越多，就越能正确反映模型对象的实际复杂性。
但是，这并不能简单理解成因子数量越多，模型精度就越高。20世纪前，人类设定前提条件或规则建立的模型并没有发挥多大的作用。这是因为，人类决定的前提条件如果不能简化控制因子数量，那么数字性应用就变得很难。但是，近年来基于大数据分析的研究与此完全不同，机器自身寻找必要因子成为可能。
经济与金融的基本思路或原理受统计分析水平的左右。统计分析的水平如果大大提高，经济或金融理论也有被改写的可能。举例说明，可能有的读者听说过股价随机游走理论。随机游走模型最初是精确预测液体或气体中游走的微粒子反复无规则行走的模型，后作为股价变动率模型，在布莱克—斯科尔斯的期权定价模型中使用。
金融界很早就将随机游走理论作为基本模型使用。随机游走理论的历史其实并不久远，直至20世纪中期，还有很多经济学者与现在相反认为市场行情中存在某些规则（模型）。于是，他们在20世纪50年代采用当时最先进的统计分析方法进行分析，结果没有发现规则，市场的价格是随机游走的这一说法得到有力证实。
但是，近年来与市场价格随机游走相反方向的研究一直在推进。对冲基金公司对过去的大数据进行分析，找到规律从而赚钱。
当前很多经济或金融理论都是采用有限能力的方法对过去有限的数据进行分析而确立起来的。正因为如此，近年来随着大数据分析技术的提高，经济或金融理论教科书被大幅改写成为可能。
4.未来的金融业有两个剧本
未来的金融业大致有两个剧本，其中一个糟糕的剧本是破坏性技术被独占，为一小部分人带来庞大的利益。而技术进步本身谁都无法阻挡，另一个比较理想的剧本是优秀技术被共享，为大多数人所利用，也就是说资产管理的投资方法、借款方的信用风险信息与分析方法等被共享，无论任何人都可以同等程度地利用。当糟糕的剧本成为现实时，拥有最强大的机器人交易员的公司不断从市场吸走利润，个人或企业的信用风险信息与分析方法被极少数公司独占，全世界的金融机构不得不向技术独占企业支付一定的费用。
而当理想的剧本成为现实时，技术被广泛共享，那时又是怎样的状况呢？到那时，银行或证券公司等各金融机构之间的竞争意识会逐渐淡薄，公共服务色彩变得更浓，金融这一行业终究只有金钱价值这一单独尺度，各金融机构能创出特色的余地很少，这点与汽车行业等相比较就非常鲜明。汽车购买者对汽车的要求不仅仅是其乘坐和行驶功能，还有外观、舒适性等多种多样的要求，汽车厂家可以根据多种价值标准体现自己的个性。与此相反，对金融行业的要求从资产管理角度来讲，是稳定获得回报的能力；从贷款角度来讲，是准确评估信用风险的能力。对金融机构的价值判断标准相对来说比较单一，金融机构没有发挥个性的余地。
虽然在原来凭借经验和直觉的时代，各金融机构发挥了一定的个性，但随着由机器学习进行大数据分析时代的到来，原来各金融机构的个性价值将会失去。金融机构向具有一定程度信用的企业或个人提供金融服务时，由于技术共享，无论谁提供服务都没有太大的差异。
假如那样的话，金融机构应发挥怎样的作用？在个人业务方面，金融机构不再像以前那样竞争优质客户，而是希望能发挥更具公共性的作用。并且，金融机构应该加大力度为一直未享受到金融服务或支持的低收入者或财务基础薄弱的中小企业等提供服务。这是我想象的金融理想蓝图。
5.金融业终将迎来被颠覆的一天
不管好与坏，无论哪一个剧本在将来得以实现，金融工作都会发生巨大的变化。资产管理、金融产品的营销与咨询、信用风险评价及大量的事务性工作会被机器人替代这一点几乎可以肯定。不仅如此，无论技术被独占还是共享，该技术都将在世界范围内得到应用。
金融业只存在经济价值这一单一衡量标准对基于人工智能的分析来说，是非常理想的。近年来，人工智能在计算机游戏等胜负分明的游戏中发挥了强大的威力，而金融行业中的市场交易、信用风险等可以与胜负分明的游戏进行内容置换。
在金融机构工作的年轻人及将来会进入这些机构工作的人今后也许会经历非常大的环境与价值观的变化。产生较大的环境变化这一点，在银行、证券、保险、资产运用等各个行业都是相同的。
实际上，包括我在内，在20世纪80年代到90年代前半期进入大型银行的人正在经历巨大的环境变化。都市银行、日本长期信用银行、外汇专业银行等原有的17家银行通过整合现在只剩下6家左右，一些银行甚至到了濒临破产的地步。但是，21世纪初期的收购面临的是各家合并银行的势力争斗，也就是人文环境的变化，与此相对，今后的环境变化面对的更多是与机器人共存这一完全不同的局面。
6.结语
机器人化会不会导致大量工作也许会被机器人替代。那么，人类应该怎么做呢？《被人工智能操纵的金融业》作者认为一些工作即使能够由机器人完成，但是由人负责也许更好。例如，向无法仅计算财务指标的富有社会意义的项目融资提供金融服务与咨询，以及需要细心关怀的面向个人的服务等工作，这些工作无法仅用胜或负、有利或不利等标准进行判断。
而达利欧则希望的未来是人类智能和人工智能同舟共济，因为这能带来最好的结果。我们拥有的想象力、理解力和逻辑能力是人工智能所不具备的，我们对人工智能的运用，最好就像司机利用 GPS 一样，是用来辅助我们的导航能力，而不是替代它。
相关阅读
【日】樱井丰 著
林 华 沈美华 译
-End-
