战胜围棋算什么，人工智能正逐渐入侵未来的金融世界！- 大数跨境

导读

围棋从未像现在这样得到来自棋界内外、横跨体育界、科技界的全球瞩目。

在今日（3月10号）北京时间中午12点，

围棋“人机大战”第二番准时开棋，

昨日初战失利后，

原本看好李世石5-0的人甚至开始“倒戈”

人工智能的强大为人所赞叹！

就在下午，比赛结果出来了

↓

没错，

李世石又！输！了！

人机大战第2局

Alpha Go（阿尔法狗） 2：0 李世石

Alpha Go再胜！

小盈女只能感叹一句：

Alpha Go太厉害了！

做到了：无风格！无战法！无情绪！无破绽！

很多人都认为李世石故意放水，李世石则表示：“比赛中有两件事让我吃惊。”

第一：Alpha Go开局下得非常好。

第二：在比赛过程中不断有一些令我想不到的下法。

李世石补充说道，“我没想到过我会输，我觉得我一开始犯的那个失误一直伴随到了最后，成了我失利最主要的原因”。

而AlphaGo有全局思考，终极目标是要赢，不会局限于细节的问题，同时机器不会形成自己的棋风。机器只会寻找能赢的最大概率方式，会专注于自己的棋步，还会举一反三，具有泛化能力，当它反应时，会利用自己的深度数据选出最优解决方式。

而人会纠结于细节上是否会赢，人要赢时，就希望赢得优雅。

网络上都炸开了

@李开复：Google高级软件测试工程师——李世石。

@碧海川田：李世石连输两局气急败环地砸开电脑，才发现柯洁藏在里面。

@南小：李世石：启动第二计划——关电闸！

@陈明明：人类这边能换人吗？

@xiaotao：阿尔法狗赢了并不可怕，可怕的是，如果阿尔法狗故意输给李世石的话...

@大发大：世石胜于雄辩，但胜不了Alpha Go

这两天，

已经见证了人类两局失守

不少人笃信

未来同样会遭人工智能搏杀的声音越来越多

但那又怎样？

人工智能赢了棋，人类却赢得了未来

抛开深度学习、博弈树、神经网络等令门外汉眩晕的词汇，在人类与机器的较量转战围棋领域之初，我们就应该清楚，即使是天才棋手也会敌不过人工智能。

但这并不可怕，没有人类上千年来在棋谱上沉淀的智慧，何来AlphaGo今天的胜利？真正可怕的并非人工智能的成长上限，而是人类对人工智能深深的误解，以及惶恐。

从这一点上而言，人类输了首局反倒是好事。它让我们重新审视人性、竞技美学，以及人类智慧。

人工智能对人类生活的种种颠覆，帮助我们直抵生活的核心。AlphaGo并非依靠自然进化而来，即便其会筑势、会手筋、会试应手、会逆转棋局，本质上映射的还是人类智慧的结晶。

那么，小盈女给一个更合适的建议就是：“不用那么担心”。

人工智能的起源与发展

人工智能，即人类使用计算机对人类智能的模仿，让机器“学会”人类在某一领域的专业技能。莱布尼茨(Leibnitz)提出了通用符号和推理计算的概念，这些都是人工智能研究的萌芽。进入19世纪以来，数理逻辑等学科的进展，为人工智能的诞生奠定了基石。

1943年，McClloch和Pitts提出了MP神经网络模型，开创了人工智能中的重要领域——神经网络的研究，1945年随着ENIAC电子数字计算机的诞生，人工智能得到了不断的发展和应用。

如今，人工智能已经渗入了普通人生活的方方面面。比如在人们网购的过程中，网站可以通过用户浏览网页的习惯来“猜测”其可能感兴趣的商品，并推荐给该用户，这项技术就使用到了人工智能中重要领域“机器学习”中的重要方法。而机器学习中的重要算法——神经网络。

如何看待人工智能在多方面比大脑更聪明？

人类制造机器就是为了让机器在某些方面强于人类，但是机器在某些方面超越人类不意味着机器有能力学习其他方面的能力，或者将不同的信息联系起来而做超越人类的事情，而这一点非常重要。

到底人工智能安全不安全？

现在担忧人工智能的安全性，就如同两百年前担心要是以后有飞机了飞机坠毁怎么办一样。如果总是过度担心安全性，就不可能造出飞机。不管怎么样，要先造出飞机，再担心飞机的安全性。

过度担忧人工智能，将阻碍人工智能实际的进步。

要认识到无人驾驶汽车是可以帮助到减少车祸的发生，而且人工智能系统甚至能够帮助我们诊断疾病，所以因为担心安全性而阻碍人工智能的进步可能是最糟糕的选择，因为我们本来可以利用人工智能让世界更美好。

所以小盈女觉得，世界正在发生一桩重要的事情，智能化正渗透进各个领域，可是为什么要因其足够富有想象空间，而忧心忡忡？

人工智能与金融领域的结合必将日益紧密

一些私募基金已经开始将其三个领域：机器学习、自然语言处理、知识图谱融入到自己的策略中，尝试获取收益。若是你学会使用人工智能，就不用再担心因为它而失去工作。

1

机器学习

在传统的投研中，分析员们对财务、交易数据进行建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。

这种方式有两个主要弊端，其一是数据不够丰富，仅限于交易数据，更重要的是它受限于特征的选取与组合（Feature Engineering），模型的好坏取决于分析员对数据的敏感程度。

此外一种做法是，模仿专家的行为，选择某一领域的特定专家，复制他们的决策过程，并导入可重复的计算框架。

代表公司有：总部位于纽约的Rebellion Research在2007年推出了第一个纯人工智能（AI）投资基金。（该公司的交易系统是基于贝叶斯机器学习，结合预测算法，响应新的信息和历史经验从而不断演化，有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。）

2

自然语言处理

久而久之，人们发现仅仅从数字推测模型是不够的，开始考虑引入新闻，政策，社交网络中的丰富文本并运用自然语言处理技术分析，将非结构化数据结构化处理，并从中探寻影响市场变动的线索。

这方面直接用于投资交易的并不多，更多是用于风控与征信。通过爬取个人及企业在其主页、社交媒体等地方的数据，一来可以判断企业或其产品在社会中的影响力，比如观测App下载量，微博中提及产品的次数，在zhihu上对其产品的评价；此外将数据结构化后，也可推测投资的风险点。

代表公司：Kensho是美国一家基于云计算的智能计算机系统先锋公司。（Kensho 结合自然语言搜索，图形化用户界面和云计算，为金融市场的投资人们提供一套全新的数据分析工具——Warren。Warren 能够回答复杂的金融市场问题，如各种数据、股票走向等，可回答约 100 万种关于全球事件对股价影响的英文问题。）

3

知识图谱

知识图谱本质上是语义网络，是一种基于图的数据结构，根据专家设计的规则与不同种类的实体连接所组成的关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

就金融领域来说，规则可以是专家对行业的理解，投资的逻辑，风控的把握，关系可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，可以是高管与企业间的任职等关系，也可以是行业间的逻辑关系，实体则是投资机构、投资人、企业等等，把他们知识图谱表示出来，从而进行更深入的知识推理。

以投资关系为例，知识图谱可以将整个股权沿革串起来，方便地展示出哪些PE机构在哪一年进入，进入的价格是多少，是否有对赌条款，这些信息不仅可以判断该机构进入当时的估值，公司未来的发展情况，还可以看清PE机构的投资偏好，投资逻辑是如何变更发展的。

代表公司：Palantir，估值仅次于Uber的科技创业公司，曾用大数据帮助CIA干掉本·拉登。（他们有一个基于知识图谱的金融数据分析平台—Palantir Metropolis，可以整合多源的量化资料，并提供一套方便易用的分析工具来满足复杂的研究需求，其中的组件能够进行复杂搜索，可视化编辑与分析，有非常丰富的人机交互能力。）

资料收集于：文因新三板

老实说

所以说人比起人工智能来说，弱点还是太多了，而我们更是需要利用人工智能创造更大的商业和科技价值，同理，当金融遇到人工智能后，这种能力从过去的粗放式，逐步可以通过大数据、精准计算以及人工智能的手段，变得稳定而精准。