点击上图报名，扑克邀你与+铜产业链高层相约云南

潮汐社区领域运营团队马也

转载请联系扑克作者君（ID：puoker）授权

如果说金融领域最近最热的话题是什么，人工智能取代交易员绝对可以入围其中的前三，毕竟大家都很关心自己的饭碗以后会不会让机器人给挤掉。人工智能交易软件能通过吸取大量数据来了解这个世界，然后对股票、债券、商品和其他金融产品进行预测。人工智能机器可以获取书籍、Twitter消息、新闻报道、金融数据、企业财报、国际货币政策，甚至是综艺节目概况等一切有助于其软件理解全球趋势的信息。人工智能可以持续不间断地观察这些信息，从不知疲倦，一直学习，不断优化预测。

如今，像高盛这样的金融巨头，以及其他大型对冲基金，都正转向由人工智能驱动的系统，以预测市场趋势，从而做出更好的交易决定。年，高盛位于纽约的股票现金交易部门有个交易员。而如今，只剩下两个交易员，剩余的工作全部由机器包办。这还是在人工智能全面冲击高盛之前的情况。十年后，高盛员工肯定比今天还要少很多。高收入的华尔街交易员将被无情地抛弃，就像即将倒闭的工厂里的工人一样。高盛向我们展示了自动化是如何给交易员带来毁灭性打击的，而除了高盛，每家主要金融公司的交易大厅也将如此。

全球最大资产管理公司贝莱德集团(BlackRockInc)在3月29日的时候同样宣布，将对其主动型基金业务进行重组，计划裁去一批主动型基金经理，并用量化投资策略取而代之。

根据BlackRock重组计划，约有40名主动型基金部门员工将被裁员，其中包括7名投资组合经理。作为全球最大资产管理公司，BlackRock管理资产规模超过5万亿美元，但是去年一年，其主动型基金管理规模缩水了亿美元。

将来，人类交易员和对冲基金经理不再有机会，很大一部分原因在于我们是人。人类通常带有偏见，又相对敏感，无论是有意的，还是无意的。依赖于人类直觉和理性，比纯粹依靠数据和统计学更可怕。

而人工智能在交易领域的发展，已经不是单纯地透过数学去量化或者回测，像美国一家叫Sentient的公司，就一直在不断训练其AI系统，从而让机器能够消化巨量的数据，发现市场趋势，并在整个过程中不断进化。对这套系统的训练过程，就如同生物进化。Sentient在世界各地有上千台机器同时运行，并利用计算机算法打造出数以万亿计的虚拟交易员，Sentient将它们称为“基因”。Sentient认为它也有别于一般的AI技术，并将其称为“进化智能”（EvolutionaryIntelligence）。

Sentient利用历史数据，让这些“基因”各自进行虚拟交易。那些表现糟糕的“基因”将被剔除，而能够赚钱的“基因”则被留下，并进化到下一代，正如生物进化中的自然选择过程。这个过程的示意图如下：

在美国股市中，Sentient通常持有各类股票，每天的交易频次达上百次，持仓期限一般为几天到几周。

如果上文提到这些趋势已经让你感到焦虑和不安，那么，请跟扑克投资家一起去真正经历一次关于人工智能的深度旅程。

什么是人工神经网络人类大脑神经的信息活动与目前的计算机相比有三个不同的特性:第一，巨量并行和容错特性。人脑约有亿个神经元，神经元之间约有上万亿的突触连接，形成了迷宫般的网络连接，大量的神经元信息活动是同时进行的，而非目前计算机按照指令一条条执行。此外人脑的这种巨量并行特性也使得其具有极好的容错特性，坏掉一个晶体管就能毁掉一块微处理器，但是大脑的神经元每时每刻都在死亡。第二，信息处理和存储单元结合在一起。目前计算机普遍采用冯洛伊曼架构，存储器和处理器分离，通过总线传递数据。随着处理的数据量海量地增长，总线有限的数据传输速率被称为“冯·诺依曼瓶颈”，严重影响计算机的计算效率和功耗，人脑信息处理和存储单元结合在一起，拥有极低的功耗（约20W左右）。第三，自组织自学习功能。大脑在与外界互动的同时也会进行学习和改变，而不是像现在计算机遵循预设算法的固定路径和分支运行。基于以上几点不同，人们一直尝试模仿人类大脑神经元的信息活动机制来设计算法：信号通过突触进入神经元细胞，神经细胞利用一种方式把所有从树突上突触进来的信号进行相加，如果全部信号的总和超过某个阀值，就会激发神经元细胞进入兴奋状态，这时就会有一个电信号通过轴突发送出去给其他神经细胞。如果信号总和没有达到阀值，神经细胞就不会兴奋起来，不会传递信号。

生物神经元的结构

人工神经元数学模型

简单的人工神经元数学模型就是让每一个输入到神经元的信号加权求和，相加后如果超过设定的阈值，就输出“1”，没有就输出“0”。这样若干个最简单的神经元输入输出相连接，就构成了复杂的人工神经网络。

单层人工神经网络

多层（深度）人工神经网络

通过训练，人工神经网络能实现基本分类功能。比如输入一张狗的图片信号，假定输出1表明计算机判断这是一只狗。我们首先用标记过的狗的图片输入人工神经网络进行训练，如果输出的结果是0，就调节每个输入信号的权重等参数，使得输出为1，这样大量标记过的狗的图片训练后，人工神经网络就自己掌握了判断狗的特征，并且具备了泛化能力：我们输入一张它从未见过的狗的图片，它也能识别出来这是一只狗，输出1。

深度学习实际上是建立输入和输出数据之间的映射关系

通过人工神经网络的原理探究我们可以总结以下结论：1、人工神经网络算法能够从输入的大量数据中自发的总结出规律。人工神经网络算法与传统计算机软件不同，并不要人为的提取所需解决问题的特征或者总结规律。它能够从输入的大量数据中自发的总结出规律，自适应调整自身结构从而举一反三，泛化至从未见过的案例中；2、人工神经网络最基本的单元功能是分类，所以在分类识别是最直接的应用。以百度为例，其深度学习应用包括搜索、用户画像、语音、图像四大方向，本质上都是实现的分类识别的功能。

百度深度学习的四大直接应用本质上都是实现分类识别功能

3、人工神经网络从最基本的单元上模拟了人类大脑的结构和运行机制（虽然目前还是低级的模仿），理论上讲人脑能够实现的智能它应该也都能实现。数学上也证明了用3层以上人工神经网络模型，理论上可逼近任意函数。

深度学习迅猛发展的历史背景深度学习名称的由来。人工神经网络算法在60年代曾经遭遇低谷，著名人工智能专家明斯基当时提出了人工神经网络的两个局限性：1、单层的人工神经网络甚至连最简单的异或运算都无法实现；2、多层更复杂的人工神经网络当时的计算能力却无法支撑。20世纪90年代开始，随着处理器计算能力突飞猛进和云计算技术使得大量计算机并行计算成为可能后，限制大规模人工神经网络的计算能力瓶颈开始逐步消除。即便如此，主流机器学习界对于人工神经网络仍然兴趣寡然，一直坚持人工神经网络研究的加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton后来为了改变大众对于人工神经网络的长期的消极态度，干脆将其改名为深度学习（deeplearning），而其多层抽象的数据学习过程一定程度上借鉴了人类的视觉机制。

人类视觉从原始信号摄入开始（瞳孔摄入像素），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状），然后进一步抽象（大脑进一步判定该物体是人脸）

一篇论文引发新的浪潮

6年，GeoffreyHinton和他的学生RuslanSalakhutdinov在国际顶级期刊《科学》上发表了一篇文章，被认为是深度学习取得突破的重要节点。这篇文章实质上一是讲明了深度学习在描述数据本质上广泛的应用前景，二是给出了多层深度神经网络的很好的训练方法，让大众充分认识到深度学习大规模应用的时代开始来临，开启了深度学习在学术界和工业界的浪潮。而GeoffreyHinton连同他的实验室DNNresearch很快被谷歌收购。深度学习在谷歌各项业务中迅速应用效果惊人。在谷歌内部，深度学习从少数的产品组应用起步，一开始就取得了非常大的突破（首次应用到语音识别错误率就降低了30%），更多的团队开始采纳深度学习算法，目前谷歌内部使用深度学习的产品有：安卓、Apps、药品发现、Gmail、图片理解、地图、自然语言、图片、机器人、语音翻译等。全球著名的谷歌大脑其实质上就是一个大规模的人工神经网络，它实现了对谷歌各项业务的智力支撑。

深度学习已经应用到谷歌的各项业务中去

人工智能发展历程：在两次高潮和低谷之后迎来第三次浪潮人工智能作为一门学科诞生至今已有60年的历史，期间经历了2次高潮和低谷。而从年到现在又迎来人工智能发展的第三次浪潮。人工智能60年的发展，道路虽然起伏曲折，但进展也可谓硕果累累。无论是基础理论创新，关键技术突破，还是规模产业应用，都是精彩纷呈，使我们每一天无不享受着这门学科带来的便利。人工智能因其十分广阔的应用前景和对一个国家的重大战略意义，近年来日益得到政府部门、学术界的高度