关于ai和a股

关于AI与A股的一点理解

最近看到有不少关于华鑫是否是AI打板的讨论，自己也就这个话题谈点自己的理解

  其实对于AI的理解，不同的人理解都不一样。我看不少人把一些自动化打板软件拿出来说成是AI打板，
  也有很多人把AI理解是规则（参数）的集合。其实我理解这些都不是AI，自动化打板软件只是个工具而已，我们
  人为设置的规则（参数）集合，其实是我们“人工”产生的东西，根本就不“智能”。和AI的人工智能 不是一个概念。

  那么啥是AI（人工智能）了？我研究生选修的一门课程名是《机器学与知识发现》，我觉得这个名字挺好，基本阐述了
  现在主流人工智能的核心思想。先来谈机器学，这里的机器实际上是软件的意思，机器学的是啥了？从样例中学！
  我理解这个是AI和我们理解的规则最核心和最本质的区别。我举个具体例子来说明这个问题。当我们很小的时候，对概念
  还没有理解的时候，其实我们应该能够分清男人和女人了。我们很小的时候，估计也没有大人教我们男人和女人的定义，
  即使你现在让我很准确的给男人和女人下一个很准确的概念，我也得百度 一下，否则我也答不出来，更何况小孩子。同样，
  估计也不是每个家长给孩子定一些规则来区分男人和女人，比如长胡子是男人，长头发的是女人等等。那么小孩子是如何
  学到男人和女人的概念了，其实是在我们一个一个的具体的例子中学并总结到的。今天，我们随口说XX这个女人，明天
  我们可能随口说XX是男人，小孩子就是从这些许许多多的概念中学到了男人和女人的概念，你问他XX是男人还是女人，他
  是可以给你准确的答案的，但是你让他告诉你男人和女人的规则甚至是男人和女人严谨的概念，估计没几个孩子等答上来。
  这个例子说明，知识的发现其实并不一定以规则和概念的形式展现。这个例子告诉我们通过大量的样例，比如第一个人是男人，
  第二个人是女人，第三个人是女人，------，第一千个人是男人这些样例中是能学到知识的，这个知识也许不是以规则和概念
  的形式存在，但是不妨碍当你问他第一千零一个人是男人还是女人的时候，他能给出你正确的答案。就好比一个股票AI系统，
  他学了历史上一万个封死的涨停板，第二日溢价的情况，虽然他不能给你有没有溢价的规则，只要你问他当日你打的板，明天
  是否有溢价，如果Ai系统能给出大概率准确的答案，实战中是不是足够了了？如果给出的答案是明天没有溢价，那么打的板撤单  
  就是了，或者压根不买入就可以了。

  所以这里第一个核心理念是AI系统是从大量的样例中学到知识，这些知识以机器（软件）能理解的方式存在，更多的时候不是以
  我们人类擅长的定义，规则，概念，判断等逻辑形式存在。我们人类擅长的是逻辑判断，更进一步，我们把逻辑形式化了（数学的方式）。
  曾经有数学家很乐观的以为，如果我们把一切数学化（形式逻辑），然后把形式逻辑研究透，那么所有的问题都解决了，不过被后来的
  哥德尔证明是不靠谱的，想了解更多的可以搜下哥德尔不完全性定理，这个定理很伟大，不仅仅对于数学，对于我们的认知，哲学都有  
  重大的颠覆。我们大学学的离散数学有一部分是形式逻辑，就是这个问题的入门，当然了，形式逻辑自己也是数学大厦的基石之一，
  曾经我看的一本形式逻辑看了几年都没完全弄明白。好的方面是，基于形式逻辑，的确也有一些成果，比如现在的初中几何证明题，
  都能用这个系统自己证明。这个就很智能了。最早期的AI，的确是沿着这个方向走的，当时是建立一套符号系统，甚至把我们的知
  识也已规则的形式给系统。当时好像叫做  专家决策系统。再比如当时做语言翻译，我们给出各种文法，语法规则试图去做自动翻译，
  但是很不幸，失败了。

  说到Ai，我们立刻就会想到阿法狗，AI战胜了人类最强大的一批棋手，在Ai面前，我们好像显得很无能。其实也不必太悲观，阿法狗毕竟是
  我们人类发明的，至少在目前，还是在我们人类的控制范围类，具体原因我后面会给出解释。我们人类发明的东西多了去了，我们发明了
  汽车，也没必要和汽车比速度；我们人来发明了挖土机，也没必要和挖土机比力气。其实从这个例子中，我们有没有发现，如果Ai是规则
  系统，这个规则系统是我们人为建立的，规则是我们人类给的，既然我们人类给出了规则，为啥不能找出规则的漏洞了，那么给出规则
  的人是不是才是绝顶高手，那么给出规则的人是不是水平要比最强大的一批棋手还要水平高？但是我们好像没听说阿法狗研发团队有围棋
  高手，好像有1个6段高手，不过比起9段高手差远了吧。所以，Ai系统根本不需要规则，如果AI系统接受的是规则，那么Ai系统的能力就永远
  限制在指定规则的人水平之下，就不会出现阿法狗战胜人类的情况出现发现。但是阿法狗需要啥了？需要样例！所以阿法狗第一个版本是
  历史上的围棋棋谱，不过后来估计棋谱样例太少，就开始大量自己和自己对弈，从而产生大量的样本来供自己学。所以这里也能看出，
  为啥我一开始说大家拿出的打板软件不是AI系统的原因了，因为那个系统需要我们人为给出规则（参数），真正的AI系统是不需要我们
  人来给出规则（参数），而是根据历史数据来自己学，可以说是最尊重盘面的选手。他不相信任何主观判断，只相信历史数据。

  计算机 的出现已经好几十年的历史了，AI的出现其实也有好几十年了，最开始是基于形式逻辑的符号系统。有一些成果，但是成果不大。为啥
  最近几年火了，我想有几个原因。首先应该是互联网 提供了海量的数据，前面反复提及过，Ai学的是样例，显然样例越多越好，所谓见多识广嘛，
  最近这些年，互联网，尤其是移动互联 提供了大量的数据，提供了足够的样本，这个是个很重要的原因。其次是硬件的发展，现在我们能经常
  看到硬件不断突破的新闻，可能从一次深度学几个月缩小到一周。现在的深度学很火，这类算法对于性能要求极高，当然了，这个问题和第一个
  原因也有关系，要想结果学的好，肯定数据量越大越好，但是数据量越大，肯定对硬件要求比较高。从早期的FPGA,GPU,TPU可能现在还有更加
  先进的硬件出现，使得一些AI算法的实现变得可能。我08年参加工作，当时参加一个项目，就是提取视频网站的数据流规则，然后把规则放到
  企业服务器的网关上，这样就能阻止员工上班时间看视频了，当时我刚毕业，总觉得这种人工提取规则的方法太LOW，而且听领导说，随着规则
  越来越多（我只是负责视频网站的提取，还有其团队提取规则，比如上班时间禁止访问淘宝啥的），好像服务器处理能力越来越慢，当时我就建议
  领导用AI的方法做，因为人工提取视频规则太麻烦，如果我用1个AI系统，直接播一些视频网站，然后告诉AI系统我看的是比如是优酷网站，
  这些自动播放一些视频，AI系统就能学些到，然后企业的员工访问的数据通过这个AI系统，AI系统判断是不是优酷网站的，如果是，阻断访问，
  如果不是，放行。更加关键的是，神经网络（我当时还不知道神经网络换了个马甲，叫做深度学了）可以用硬件FPGA（当时我还没想到GPU）
  实现，这样还能解决速度问题。我自己还写了BP反向传播算法，做了DEMO。不过领导觉得不靠谱，放弃了，毕竟真要按我一个刚毕业的小毛孩，
  整套系统好多事情从头来过，工作量太大，而且也没经过验证。被否也是很合理的。最后一个很重要的原因是以深度学的算法效果刚刚的，也是
  非常重要的一个原因，我记得一个图形识别类的比赛，深度学下过遥遥领先，后来各大参赛团队都基本围绕深度学优化，基本传统的AI算法（我记得我
  读书时候很火的是SVM），不过现在应该没人搞了，拜阿法狗所赐，现在普通的老百姓 都知道AI里面有一个东西叫做深度学了。甚至很多人
  基本把AI和深度学等价了，其实AI包括方面还是挺广的，估计机器学是AI最重要的一个分支，其中深度学是机器学的领头羊。