上周末集智上海分舵迎来了第二次讲座，活动之后的自由聊天中，有朋友提出了自己的忧虑：随着人工智能的快速发展，我们这个行业是否正在被逐渐取代。在座的学者们和来自各行各业的AI爱好者都发表了自己的看法，我不禁回想起了集智上海的第一次活动。所以全面回顾一下第一次讲座中两位重量级嘉宾的看法，能够对朋友们之前提出的问题有更好的理解。

上海第一次活动回顾

Part One 在路上

适逢其会，集智总部的大佬们在9月23日一起来到了魔都上海，人工智能的风暴从首都一路席卷而来。上海的粉丝们群情激动，连阴雨的天气都阻挡不了粉丝齐聚交通大学徐汇校区，参与集智活动的火热之心。

回忆到这里忍不住和大家分享一个小插曲，那一天，集智团队的行程可以说异常的满。开讲前一个多小时，一行人还在财大参与学术活动。在交流的微信群中，就看到一群人在商量怎么一个个溜出来，然后斜穿大半个上海，准时赶到交大，以保证集智自己的活动顺利举行。可能正是因为有这样一群做起学术时规矩严谨，但是平时又机智可爱的人们，集智才能克服种种困难，一路走到今天。

扯远了，让我们将视线聚焦回活动现场。

Part two 开场

交通大学安泰经济与管理学院史东波老师是本次活动的主持。史老师本科的时候读的物理，后来做公共政策，或基于论文发表、专利数据来找科学发现的一些规律，科学家成长的轨迹。

在活动开始，史老师笑称，自己特意穿了一件囚徒的衣服。因为在前一天哈佛中心的会议上，票友们的发言和一些数据都显示，在不久的未来，我们的职业都将被人工智能取代，因此我们都在面临囚徒困境。很幸运的是，来自深圳大学的王雄教授希望用AI来做一些投顾方面的事业，他今天的讲座也许会给在座的朋友一些信心。

史老师接着介绍：作为第一次活动，集智几乎所有的核心人物都来到了上海，参与这次活动。不仅是分舵的很好开端，也是人工智能热情由北向南传递的第一波。这次出席集智活动，大部分都是集智的老粉丝，几位新面孔大多来自交大以及集智粉丝所在的高校。作为小粉丝，我有点见证了一个大事件的小激动。

接着，集智的创始人、北京师范大学教授张江老师代表集智总舵说了些感想，这里我忍不住再分享一个笑点：就在当天上午，集智一群人浩浩荡荡的来到上海张江高科技园区，张老师感慨地表示原来我家落户上海这么久了。所以呢，集智上海的活动又可以称作张江老师的回家行动，我们所有的粉丝都期待他常回家看看。

张江继续说道：集智俱乐部已经有些年头了，03年开始有网站，07年开始线下见面的活动。开始是圈内感兴趣的少数人讨论的平台，随着人工智能话题突然的火爆（15年左右），它也逐渐扩大规模，走向更多人。至今，集智孕育了诸如彩云天气，集智学园等独立的人工智能公司，不仅使用AI创业，更是致力于推动跨学科的交流。集智的目标是共同打造一个中国的没有围墙的研究所。以后上海的活动会持续的进行，欢迎大家的关注和参与。

Part Three 人工智能与金融投顾

讲座的第一部分由回母校转转的王雄老师主讲：

王雄，博士，深圳大学研究员教授，混沌量化投资实验室中心主任；09年本科毕业于上海交通大学数学系；14年博士毕业于香港城市大学；14年获得海外高层次人才孔雀计划引进，加入深圳大学高等研究院任研究员，并主持创立混沌量化投资实验室,研究基于复杂系统理论、机器学习、人工智能、大数据挖掘分析等工具量化市场行为、理解市场本质、捕捉市场机会；同时致力于量化投资跨学科复合型人才培养。

王老师在开始正式的讲座前，谈了些自己对于物理、哲学和我们应该做什么的感想，这点令人非常深刻。有的时候，在一个专业继续钻研下去的人可能多少带有这样那样常人看来天马行空不务正业的畅想，最终鼓励他们在一个学科一个领域坚持了很久，并且走出了独属自己的科研之路。那么言归正传，王雄老师对于人工智能和自己的研究领域有什么看法呢？

一、从阿尔法Go能做什么看人工智能的发展

1、阿尔法Go是什么

王雄老师认为，Go的骨架基础是蒙特卡洛树，本身没有人工智能的概念，在加入了强度学习和深度学习之后就变成了一个非常厉害的人工智能算法。

卷积模型的各个阶段：

第一阶段用人类棋谱来训练两个网络，预测专业选手的下棋方式，可以快速走棋，但是棋艺并不高超。

第二阶段用策略网络生成自我对弈的模型，用强化学习网络生成加强落子的策略。这个策略本身不厉害，只是建立起一个估值模型／网络，目的是减少搜索深度，提高搜索效率，通过嵌入式网络减少空间，最后表现更好。

第一版并不神秘，现在的Master不需要棋谱，是根据规则来学习的，走棋飘忽，以至于赢过了人类。

王老师对于AI的能力有这样一个非常鲜明的观点：过去人类引以为豪的盘感，美感，都可以被取代，计算不止是机械的，大局观之类也可以由机器来实现。深度学习网络可以复现，所谓的神来之笔，珍珑棋局。从计算机本质来看，这种复现不过是找到了一个更切合的参数，不是那么神奇的事情。人文中谈的感觉，觉得不能被替代和超越，从算法来看，都已经超越了，go的棋谱之精妙，有时会令专家都叹为观止。

这个观点伴随了他的整个表述内容，我个人对此的理解是，王老师现在做的研究就是一边致力于探索AI在金融方面能更进到哪一步，一边致力于发现AI的能力极限，并将人类特有的思维优势扩大。

2、Go所体现的也是智能

Go有时被认为是算力的体现，很多人认为Go的智力不过是暴力搜索的结果。相对机器需要学习大量信息得出结论，我们会认为人有智能是因为人可以不经由知识检索的漫长过程而突发一些奇思妙想。这其中其实有一个误解，因为机器的检索能力相对于围棋每一步需要计算的信息量只是沧海一粟，所以应该承认Go的计算能力确实达到了实现某种直觉的美感。

二、美感与理性

1、美感或可被取代

既然提到了Go下棋的方式，给人以美感，不妨继续说说常识认为机器不懂美，所以无法取代人类设计出美的东西这种观点。王老师认为，可以质疑机器设计出好的产品，但并不懂什么是美，也可以认为只有人类的大脑才懂得什么是美。但是你不能否认机器已经可以设计出被人类认同为美的产物了。也许未来有一天某个美妙的旋律，某幅精美不已的画恰恰是机器创作的。

2、人类智慧的优势

如果说人类在创作设计这种感性的领域并不具备优势，那么究竟人类的优势又在何处呢？王老师认为，也许人类的优势正在于大家认为容易被替代的理性思维上。

比如在研究人工智能时所使用的知识的概念，就衍生知识工程，从而使得我们研究知识的表达，并建立了知识图谱。知识图谱，顾名思义就是把人类零碎的概念建立起相互之间的联系。表达本身就很难，而这种关系的抽象能力，进而达到理性推理的过程更难。

所以，总而言之就是：人类智慧的优势在于抽象思维和逻辑推演。尤其是把不同领域的对象联系在同一框架下思考，迁移的概念，没有经验和数据的领域一样可以使用一个理论。

这种类型的人类智慧中有一个案例十分著名，那就是爱因斯坦的相对论。要知道，爱因斯坦在建立广义相对论的时候，没有任何的数据支持，人类是在近100年后才成功得出其中一些数据。而当时，仅凭理性推理，爱因斯坦就想出了这样的旷世理论，是人类智慧的辉煌篇章。

三、人类追求的两个极端：

人类的智慧在追寻各种问题上，走向了两条极端的道路，一方面追求本源，追问到底是什么，寻找一种统一的理论；另一方面追求复杂，希望理解越来越复杂的大体系，并形成群体智能。

1、追求本源——统一性问题

虽然刚开始，我们不知道引力是什么，但是我们有太阳东升西落的经验，有数据。于是有人将这些经验记录成数据，又有人从这些数据中找到规则，然后产生范式。从数据到模型，这也是人工智能的学习方式，就是我们所说的机器学习。人类在建立模型以后，会进一步开始预测，所以模型不是事件的终结。就比如金融里面经常说所有的模型都是错的，但其中一些是有用的。（All the models are wrong，but some of them are useful。）

只对数据归纳的模型是没有意义的，更重要的是理解背后的机制。模型之间是割裂的，需要很多模型解释很多东西，如何从这些无关的模型之间找到规律，就是物理学。并不是所有学科都会上升到物理学的层次，比如生命科学就只需要模型。

上升到原理就更本源，牛顿的引力不能够理解引力和时空的关系，而相对论则到了原理的层次可以进一步理解时空观，这就是更本源的问题。

2、理解复杂现象——群体智能

在社会的意义下，知识不断积累，人类整体形成了集体的智能，这是人类共同体的智慧。可以说宇宙能产生生命是一种飞跃，而生命形成社会，产生群体智能是另一个层次的飞跃。

现在AI做的事情是让机器越来越像一个生命体，而不是更像人，因为人是复杂程度更高的社会生物。所以说现在讨论AI统治人类，为时尚早。除非像机器公敌（电影I，robot）里演的那样，AI先自己形成社群。

这里不妨用机械公敌的故事来进一步解释这个观点。在机械公敌中提到两种类型的觉醒，第一是所有机器人中枢的觉醒，他是个体AI的集合，是AI形成社群之后的另一种存在。所以他拥有了自己的智能，能够不按部就班地遵循机器人三大定律，而是在理解了三大定理之后，自己得出结论：为了更好的保护人类应该先牺牲一部分人。第二类是单个个体的觉醒，科学家自己研制AI的自我觉醒，他可以主动对抗中枢的命令，自己选择保护人类，因为他本身是个完全自由的个体。后者和真正的人之间已经没有区别了。

四、结语

由阿尔法Go带给我们的思索是：人类伟大之处是人哲学的批判理性思维，如果机器掌握了这种抽象归纳总结的能力，那就可以视为硅基生命了。

最后，王老师回到电影的内容，并且认为虽然人类有很多自相残杀的不好行为，但正因为人类有这种自我反思的能力，可以自我反省批判，所以人性还是伟大的。

五、提问交流环节

Q1：请王老师简单讲一下金融方面AI的应用

A1：首先，从实用的角度，未来三十年，AI都是不可阻挡的趋势，比如在量化投资当中。今年的市场很极端，很难做，以前的小因子都过期了，要跟上市场节奏越来越难。AI所参与的量化投资就是在帮人制定新的策略并及时把握市场的节奏。因为机器学习本身具有自我适应的能力，总在随新的参数而改变。

过去分析市场，首先需要知道每个因子的内在含义，现在机器来做这些事情，对于机器来说这些是纯数据，他不用明白因子背后的含义，只要对过去重要的表现做一个标签，然后发掘未来的。标签和因子之间是有逻辑的，机器会随着市场变化学习新的规则，但不一定理解规则和联系背后的含义。

Q2：如果每个行业都有自己的算法，是不是意味着所有的行业都会一步一步的被取代掉。

A2：要达到这种阶段首先积累的时间是非常长的，就比如机械公敌中第一个意识的觉醒一样，非常的不容易。我们不抗拒机器帮助我们生产，要达到后面的程度还很难。

Q3：机器学习有一个很大的问题，就是不可解释性，尤其是深度学习这种神经网络。你们在做数据模型时，有没有尝试去理解这个模型为什么能预测？

A3：我们现在做的量化中还没有用到深度学习，更多使用的还是传统的机器学习模型，相对容易解释。深度学习就更黑箱一些，可能后面张江老师的内容中会解释到。

补充A：现在的深度学习都是在一个复杂系统当中，最好用整体观来解释，而不是拆解成一个一个部分去理解。构成这个复杂系统的基本单元是可以解释的，但是进入大数据之后，我们就不去解读单元，而是直接观测和解读整体的效果。

补充Q：如果可解释性不能解决，虽然整体论的效果更好，可是人们更喜欢可解释的东西，不能解释就会没有人用。还比如一个复杂系统中，如果有一个bug，因为每一步不能解释，于是很难debug。

再A：一个例子是彩云天气，他是一个程序员的团队，用AI去看云图，其中任何一个工作都不会去评价复杂的天气系统的交互影响，而是直接用看云图的数据预测。另一个非常实用的解释是，科学中很多概念都没有定论，可是我们一直在使用这些概念，并且最终证实其解释力很强，所以可解释性不是必须的。

最后一A：王老师最后用一个很有趣的无法解释的例子结束了这个问题，万科的股票前阵子因为特殊的原因有一个上涨，然而在那之前，他所使用的方式做了一张差不多上涨的股票走势图。AI并不知道万科最近会发生什么，但是它的预测为什么和现实吻合的这么好呢。这也是他以后会继续学习和思考的问题。

Q4：机器学习已经开始进入金融市场分析了，中国这么多人才都往金融方向走的话，会产生什么问题？

A4：这是在问，大家都用这个策略，策略是否还有效呢还是在问，所有人都去学金融了，AI是在减少这个趋势。就像之前讨论过的，真正现在容易被代替掉的行业并不是低端劳动力市场，而是中高档的工作，如金融中的财务或者交易员之类的。AI恰恰是在减少人才向这些领域涌入的现象，而使得真正有兴趣的人继续留在自己的行业。

王老师的讲座内容就回顾到这里，希望这个大部分实录，一部分简述，一小部分感想的文章能解答你的很多困惑。

本文作者：