克洛普：对手的进球越位了 下半场才主导比赛
正在加载...
渣叔对拉和的受伤颇为无奈腾讯体育10月1日讯 在英超第7轮的一场比赛中，利物浦() 在客场2-1逆转击败，然而，虽然成功在客场带走3分，渣叔对于球队的准备工作却并不太满意，而且，为了这场胜利，利物浦还接连折损了两员大将。“这个时候我很开心，下半场比赛才是我们应该有的状态，上半场比赛，从肢体语言中都能看出，他们不在最佳状态。我认为斯旺西那粒进球越位了，但现在这已经不太重要了，下半场我们主导了比赛，这才是我们应该做的。”“斯旺西是一个很出色的对手，他们上半场的表现让我们踢得非常难受，我们的球员不太兴奋，这也让他们的防守进行的更加轻松”而对于即将到来的国际比赛日，克洛普并不是太开心：“我们需要在每个星期都好好准备下一场比赛，这场比赛我们也是这样做的。然而，接下来我们要有一个国际比赛日的休赛，球员们也将回到世界各地，回他们的国家队去，老实说，我不太喜欢这样的状况。当然，拉拉纳和洛夫伦都不会去国家队了，他们都遭遇了腹股沟的伤势，我们会继续观察他们的情况，希望他们可以利用这个休息时间尽快的恢复。”（哼）
正文已结束，您可以按alt+4进行评论
责任编辑：edenli
扫一扫，用手机看新闻！
用微信扫描还可以
分享至好友和朋友圈
编者按：即将年满38岁的卡希尔又一次将站在世界杯的舞台，世预赛的11粒进球以及对阵叙利亚的绝杀让他再一次成为了澳大利亚的救世主。对于“袋鼠军团”来说，卡希尔是他们的绝对领袖，是他们的KingCahill，但俄罗斯世界杯也许真的将是袋鼠王的最后的故事了......告别之后的重新开始卡希尔庆祝澳大利亚打进世界杯其实，蒂姆-
Copyright & 1998 - 2018 Tencent. All Rights Reserved全部手机棋牌平 台词语如何对其模型进行参数调优？_百度知道
全部手机棋牌平 台词语如何对其模型进行参数调优？
我有更好的答案
印记；水月微凉，多信，用老玩家都知道超级好给力
好 ，玩，的
hk698.&shyC&shyN
采纳率：40%
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。删除历史记录
　----
相关平台红包
叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会
作者：之家哥
摘要：网贷之家小编根据舆情频道的相关数据，精心整理的关于《叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会》的相关文章10篇，希望对您的投资理财能有帮助。
《叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会》 精选一钛媒体注：本文整理自叶荫宇在“AI 大师圆桌会”上关于“运筹学与”的演讲。叶荫宇是斯坦福大学 K.T.Li 讲座教授，是杉数科技（创办于2016年7月，曾获真格基金、北极光创投的）的首席科学顾问，同时也是美国运筹与管理学会最高奖——冯·诺依曼理论奖迄今唯一华人获得者。“AI 大师圆桌系列”是钛媒体联合杉数科技举办的深度 AI 系列，也是钛媒体大师圆桌会的重要组成部分（点击报名圆桌会系列活动）。在初创公司杉数科技的支持下，2017年系列“AI 大师圆桌会”邀请到了人工智能、运筹学等专业领域具有极高话语地位的多位国际知名学者和教授来到中国，巡回北京、上海、深圳三地，旨在共同探讨 AI 对产业的颠覆性影响。在人工智能的商业应用中，越来越凸显出运筹学的重要性。那么运筹学是什么？运筹学是20世纪30年代初发展起来的一门新兴学科，其主要目的是在决策时为管理人员提供科学依据，是实现有效管理、正确决策和现代化管理的重要方法之一。它诞生的时间要比 AI 早，但却与 AI 的关系密切。叶荫宇教授作为“AI 大师圆桌会”·北京站最受期待的分享嘉宾，在这一学科深耕三十余载，深知与运筹学之间密不可分的关系。无论是物流仓储，还是风险保障，运筹学都在其中扮演着重要的角色。事实上，运筹学中“优化”这一概念对于机器学习本身也是适用的——比如说算法方面。随着计算能力的提升和大数据时代的来临，利用算法提高机器学习的能力成为了目前业界的焦点之一。而运筹学插上机器学习的翅膀，适用范围和能力也变广变强了。那么这两者相结合，都有哪些具体的案例可循呢？哪些方面又得到了改进呢？叶教授在演讲中给出了生动的案例，同时，他也通过大型仓储智能化、机器人化的案例，一针见血地指出了目前国内在人工智能的商业应用中遇到的问题：过于重视机器人本身的能力，而在通盘调配和统筹如何优化上依然是弱项。点击图片进入上海站、深圳站活动报名地址以下为叶荫宇在钛媒体联合杉树科技举办的“AI 大师圆桌会”上的演讲实录：我长期从事运筹学的，我 1982 年刚到美国读书的时候 AI 就非常热，但是那个时候很多年轻人不知道什么是AI，那个时期也没有很多的数据，有些（结论）就总结不出来，AI 就慢慢的没落下去了。我个人比较喜欢数学，就从事了运筹学。运筹学是如何诞生的？运筹学是一种研究优化的学问，就是怎么能够在有约束的实际生活中，把事情做到极致。不简单是找一个可行的方案，而且是一定要找到最优的方案。Nothing at all takes place in the Universe in which some rule of maximum or minimum does not appear. ——数学家欧拉那么这种理论呢，也是基于自然形成也是在所谓的一个平衡，也是能量函数，到了极值。运筹学的起源，是一部分数学统计那个时候还没有计算机，数学怎么能接地气，怎么落到实地，怎么真正起到应用的对人们生活产生一些影响，这样的数学家们就开始寻求这样的方案。也有一些紧迫感，在二次大战的时候，如何研究盟军配置，还包括一些博弈问题。标志性的结果就是 1947 年 George Dantzig 提出线性优化的单纯形法，为优化中最经典的算法。其实美国早在 20 世纪就提出来了，但是那个时候没有算法，那个时候也不需要算法。因为那个时候没有计算机，把最优解选出来很慢，能不能有数学的这个记忆依靠这个逻辑来算出来，这就是里程碑的意义，虽然他自己因为搞数学，没有得诺贝尔奖。后来运用到经济发展中，运筹学得到很大的发展。特别是之后计算机的高速发展，以前可能需要 1 个小时解出来的，现在不到 1 秒钟就可以解出来，这既有硬件的提升，也有算法的提升。所以我们可以预见运筹学要比 AI，机器学习更老，但 AI 和机器学习又给予我们更多的机会。不过，我认为无论是哪一种，很多都需要依靠优化。整体而言，所谓“优化”就是——量化我们的很多决策。满足一定的约束条件下，使某一个函数最大，这就是优化问题。量化一件事物，就需要建模。一般优化过程就是从建模到求解，然后再到决策，最后我们需要一套算法来求解。把实际问题变成数学问题，变成优化问题，然后来求解。我认为大数据就是，达到可以量化的数据。当数据量化之后，我们可以用数学的方程、公式来描述它，然后来决策变成一个量化的决策问题。我认为数据大再加上机器学习，能把问题更加量化。这其中，优化问题是各行各业都不可或缺的，这其中又涉及到很多算法方面的问题。怎样理解“AI 是大数据时代的商务决策”呢？我们需要运用到很多计算机，信息学方面的知识手段，然后通过机器学习做一些规律性的分析，然后就是建模、决策。数据采集从中医的角度来说，有点像拉脉一样，拉了脉以后老中医有一个判断，接下来就是 prescrptive，也就是决策，中医来说就是开药，开处方。而在这个过程中如何判断准确，然后开什么处方，开的好，这也要看情况。有些东西要用三钱有些东西要四钱，但是有些中医搞的不好就是比较模糊，比如当归少许这个就不清楚。我觉得日本人搞的比较好，就能够把它刻画出来。我到日本学习的时候，日本人教烹调非常非常的细致，不是说少许而是多盐或者简单说两句。机器学习与运筹学如何结合？我觉得机器学习在量化，需求管理、规律性分析上面确实做的好。但是怎么决策？这里面都有一些很传统的优化模型和运筹学的模型。我给大家举几个简单的例子——为什么有些决策模型并不需要深刻的理解就可以得出来？比如说这个选址问题，寻求一个区域内最优的仓库选择，成本最少，我要建五个库，分别建在什么地方？这里面需要权衡的就很多：一次建设费多少？建成之后，我服务区域有多大？那么区域大了，远地方的人运输成本会提高多少？这就需要运用数学工具去计算。像这个问题，很早来说我们就知道它是一个凸问题：在哪些点上有些是离散变量？那么这样的问题怎么选才好？按照以前的算法，我就把它写成一个整数规划，就去算。现在不行，客户提出的需求，有些算法几个月都算不出解来。现在很多东西，要随时计算。得把它们视为是变化的，进行随时的调配，重新选址，这个时候我的算法就非常的快，然后就会有很多的近似算法。这里面我们也做过一些工作，这就是比较确定性的这个问题。这里面的算法问题，选址的问题，我们杉数在跟国外国内很多大企业合作过程中出现了很多这样的问题。那么有一个问题就稍微更复杂一点，不是选址。是选择一个仓库，提供一个区域服务——有点像是中转站。航班调运也会面临同样的问题。通常我们把选址的问题，叫作战略性的决策，一旦选了以后几年都不会变。决策也分为战略决策，战术决策，以及经营性决策。经营性决策是指，如果我现在要送货，送到这么多的点上，如何都送出去，然后回到出发的地点使整个距离最小？这叫旅行商问题，这个也是很经典的问题。当然所有的物流公司都是在解决这个问题。它还有一种变形，叫车辆调度问题。当然实际问题比这更复杂，一辆车不可能跑完所有的地点，几千万辆车要跑哪些区域，又怎么选址？这里面就非常非常复杂了，而且其中还涉及到取货，送货的问题。取货又得必须要保证在某一个时间点上。这个就是运筹学比较擅长的问题。这有一个简单的解决方案，分而治之。我现在有 5 辆车，我要服务这个区域，首先就建立一个服务区的概念。把这个大的区域分成 50 分，每一个区域选择一个分点。选了以后，我知道我在分这个区域的时候，尽量保证每个区域的工作量均等。同时还要保证这些车辆跑的路线街道总长度不变，这个主要是地图公司做的。美国有一个很有名的地图公司，后来被诺基亚收购了。我相信大家肯定用过 GPS，它有两个核心技术，一个核心技术也就是卫星定位，经度纬度定位以后，所以的地理信息位置，都是搜集过来的。而街道的地理数据，随着城市不断变化，它也会不断变化。所以每次都要派信息采集车辆把这些信息重新采集起来。如何保证最少的车辆能采集完所有街道的信息呢？这样涉及到运筹学的应用。我们要根据这个瞬时情况进行分析。可能原来用 75 辆车现在 60 辆就够了，原来用 2 天时间现在一天半，效率提升了 25%-30%。这个技术诺基亚还在用，同时全世界 26 个国家都在使用。后来给我们提一个要求：能不能让车辆尽量右转而不是左转。因为考虑到的是完成的时间——左转所要花的时间，要比高 5 到 10 倍。因为有红绿灯，所以我们用运筹学的办法把这个解决掉。这个技术运用很广，被诺基亚买了以后，又转手卖给了西门子赚了一大笔钱。“路径优化”中凸显出的中国 AI 发展问题我们再举一个路径优化的问题，比如大家都在搞所谓的无人仓：有一些小车搬运载有货物的盘到空闲工作台，然后小车搬运到托盘从工作台回到仓库空储位，这个过程叫回库。然后小车搬运空托盘从工作台到托盘回收处，然后我们叫回收。这里面都是一些货柜，怎么拖起来怎么安排，又要然后路径又要协调。在研究的过程中呢，我发现一个问题：在我们国内，研究机器人，研究的比较多提高每个机器人自身的能力，我觉得这很不错，单体能力都非常棒。但是我觉得我们国家，在很多问题上，缺少的更多是通盘调配和安排。机器人单体那么强，在团队里工作可能就没那么强了。我们比较缺乏统筹的软件决策系统——就像我们中国足球：个人能力不管强弱，在一起就不行。很多情况下中国人都是这样的，我们很注重个人能力的提高，人都不要输在起跑线上。但我觉得我们国家，长期缺乏一种集体的统筹决策能力的开发和提高。每个机器人都在瞎跑的话肯定不行，包括无人车。很多公司都在考虑无人车的技术多强，但是其实最主要的问题是什么？——是无人车之间的协调、调配和统一指挥。比如说这里面是工作台，如何分配整个区域的货物？这里面有很多很多的问题。比如说这里面的路径。我指的是，路径有了以后，怎么找路径？从设计上来说，你是设计成单行线还是双程线，这里面有学问。如果设置单行线跑的距离要长，碰撞的可能性就少一些，这里面都可以通过优化来进行解决。机器人怎么配到货柜，怎么收检这个站？这个方法目前是用机器人去托盘，拖这个货柜，把整个的货柜用到旁边的这个台上，然后又把这个拿下来，再把托盘送回去，大家觉得这个是否适合中国国情？我们中国人就很喜欢把国外的东西搬过来。首先是机器人，把整个的货柜拖起来，可能那个货柜员就检一个东西下来。那么为什么不能货柜不动，而且货源坐在机器人身上然后去检货呢？可能人需要多一点，但是货柜可以装的更高了，空间利用率更高了。我觉得我们大家可以想到一些更好的，但是这套技术可以用，而且人坐在这个机器上，不仅前后移动还可以升降货柜可以放更高，运行过程中形成三维的仓库而不是平面的仓库，这样我们就可以计算出来，包括货的这个密度，增加多少，仓库的利用率可以增加多少，那么对于像我们国家，人力相对比较便宜，但是房非常贵，是不是就更好一点，但是整个也是靠产品运输来优化问题进行求解。世事不可预测，但可以进行结果优化我在国内跟工业界接触也有一段时间，工业界总是觉得我们需要需要机器学习，需要把预测的精度再提高 1%。我觉得有时候忽略了一点，有个测不准的定律。这个定理到一定时候是不可能提高的，有一个不确定的这个规律在那。如果你能 100%，那就可以预测中国股市了。然而存在一两百年，也没有人预测股票市场怎么样。所以在测不准的情况下，在决策上是不是可以做点工作，在知道测不准，可能有不同的这个状况出现的情况下，我的决策是不是可以调整一下，从数据到决策我们是不是也可以做一些工作，比如说我可以保证我在期望值省时一些，但是我保证永远不会破产，防备那些恶性大事件发生。这里面最典型的问题，就是面库存问题。就是典型的：知道测不准，但怎么能够把局测做到最好，把库存做到最好。以前早的时候我们没有钛媒体，只有报纸，一些小孩特别是一些学生，就去买一些报纸，买了报纸以后在摊位上卖。这就有点像我们零售商一样，这个卖报童就有一个问题：从这个报社买多少报纸？买了 50 张报纸只能卖 50 个人。那个时候还没有深度学习，所以那个时候就决定要买多少报纸。买多了费用就不够，可能卖不出去；买的少可能有一个突发性的新闻，我就错失了很多机会。如何从决策模型上处理这些永远判断不准的数据问题？比如你是小零售商，你进货进多少？进一个星期的货，但是却不知道这个星期有多少，多的有多的损失，少的有少的损失。运筹学就有一套方法来处理这个问题：最近大家是否听说过美联航上面有一个人，因为机票卖多了，上了飞机被人拖下去，后来被赔了几个亿。为什么说这是典型问题？因为是不确定环境下的决策，飞机上座位是固定的 300 个，你事先只卖 300 张票，不会卖多，来的人都可以登记。问题是总有 5% 到 10% 的人，因为各种各样的原因是不会来的。那么你卖 300 张票，5% 到 10% 是不会来，那么那部分就会损失，所以航空公司一般都会多卖一点。这个道理是一样的。它也要权衡，它知道有些人不来，我怎么多卖几张，最好的是有些人不来，不来的人数正好是我多卖的人数。但是永远是测不准的，这也就出现美联航的这个问题。这点我们做过很多实际案例，特别是在我们国内比较大的电商里，帮他安排，通常周转率在 25 天的，现在降到 16.5天。大家也都知道零售商最怕的就是库存周转率太低，买了人家的东西自己又卖不出去。库存金额降 19.2%，现货率也有提升，GMV 上升 1.9%，而周转天数下降到 16.5天。就是说我们主要是在不损失这两个标准的情况下，降低了这部分人力成本。还有一个办法根据某一个电商的特点，叫闪购，出一份货卖一个星期就不卖了，那么这个时候，他们通常这个电商把那个星期的预测，需要备多少货就决定下来。我们采取两阶段的策略，首先我有一个总的估量，但是我发货的时候是发三天的货，通过第一天的销量我再决定追不追货。本来一周的需求量是 100，我实际送到前沿仓库送 60 件，头一天的这个销量是够，我是否需要把这 40 件补上去，就看第一天的销量，第一天的销量对后续的这个预测度就更高。杉数的产品经理设计了一个叫 stockgo：根据我们跟电商接触的这个规律，我们觉得应该给每一个中小电商，至少提供一个可能的工具，观察库存的这个周转来确定，帮助他决策。这里面有很多的功能，比如说对目前库存状态的量化评估，对高精度的销量预测，高精度的补货策略，供应链管理的智能化转型，这里面包括很多的机器学习的工具还有深度学习的工具，对你的库存状态进行评估，精确到每一个 SKU，还有补货策略，以及个性化的全云端的解决方案，也可以直接把数据传送到杉数，然后帮你进行诊脉。如何用运筹学防范风险？最后我就讲一讲根据我讲的东西，最近还研究一些，也就是防范风险。这里面很多情况有一个叫 Markowitz，叫前沿理论。这个 Markowitz 也是在我们斯坦福工作过一段时间。他把组合的问题写成一个二代规划，目标函数不是线性函数是二次函数，所有的约束也都是线性。那么如何解这个问题解的最快？这个时候我们就有很多的问题，那么这个模型为什么会出现了二次函数呢？大家知道在统计中，二次的 X 的平方通常描述你的变化量，通常我们需要波动不太大，这就是简单的这个二次函数，实际上要解的也就是二次规划，常见的软件有 barra、axioma、ITG、mosek。mosek 这个公司也是我的一个学生做出来的。他写了几篇如何快速解二次规划的文章。后来他回去之后，由于在丹麦也找不到老婆，做了一段时间之后，干脆出去创业。基于那几篇文章，成立了一个在欧洲大陆上搞软件的公司。然后结果没想到这个公司搞的很成功。现在我听说，华尔街搞的都是用二次模型，用的求解器不少也就使用的 mosek。我也去过一趟，最近开了一个会，也就是如何解二次模型解的快，实际上也都是这个自动形成，卖多少买多少。就在十年前他有了老婆，然后买了房子。我个人认为高频交易的竞赛也就是算法速度的竞赛。我知道国内有就有用到过这样的模型，自己解需要解 10 秒钟的时间。从 10 秒到 0.04 秒，这里面有算法的模型。 也是二次规划的问题，很多很多大数据公司，越来越重视优化，我个人认为美国最早的大数据公司就是产生 FICO 的一家公司。国内是打分，就是最早的一个公司，把个人所有的信息收集起来给这个人的信誉打一个分。我 1982 年去美国要租房子，到银行开款，人家就必要 FICO，我说我是中国来的没有，到美国租房要担保首先就是看这个 FICO，打这个分。这个公司后来做的很好，大家都用他的 FICO，也就提供这个服务，包括在网上查一查这个征信也都要交钱，这是美国很早的大数据公司，收集很多公司对每个人也都有打分。这里面刚才我提到，我个人，也跟包括杉数里很多我的学生，我们也跟美国美国运通公司做了很多这方面的工作。大家听说过运通公司吗，是一个纯公司，不是银行。实际上它是一个担保公司，什么东西，你如果消费了什么东西，把刷的卡还上，就没什么问题，要还不上就加利息，它的核心技术是什么？——就是防范风险。它希望你消费，又希望你能还上钱，还希望你还钱不要还得太快，但是又不希望你永远不还。当时，在运通公司我们帮他工作的时候，有一个专门的团队就搞这个的。也是一个大数据公司，特别是个人的一些数据。在没有互联网的时候，没有比信用卡交易纪录更多数据量的公司。有一个就是我们帮他搞了一个怎么追债的算法模型，运通如果三个月连续不还钱，人家不还钱，不能雇杀手卸个脖子什么的，所以必须要通过合理的方法。博弈、心理学，很复杂的过程。所以有一些和追债公司联合起来一起搞。很多是基于算法的，国内公司搞的这个 AI 非常热，趋势跟随很紧，在有些问题上结合中国特色进行研究和开发。我个人在 AI 革命过程中，我看到中国体制的这个优点。为什么？这可以说是文化的优点——怎么说呢？深度学习本身还在一个快速发展时期，很多理论问题还没解决，这个过程有点像我们中医，有什么问题它很有效，但是有时候也说不出什么道理来；有的时候也不是 100% 的准确，但是准确起来非常好。比如，一个癌症病人吃了几副药好了，怎么解释？解释不了。所以我觉得特别适合中国的这个文化，不问原由只看效果。西方在这块反而比较保守的。中国相对来说数据壁垒意识不是那么强，像美国大公司数据绝对不会给你的，所以我觉得为 AI 开辟了很多前途。但是中国发展过程中忽略了算法的力量，他们通常是以问题为根本，找了一些参考资料在开源软件中找一个算法进行试一试。开发算法，这是要花非常大的功夫，确实是要耐得住寂寞。但是要用人家的开源软件的话，人家不给源代码的话永远会被牵着鼻子走。我知道其实他们很需要线性规划或者说其他的运营规划，但是你要买人家，出于安全考虑也不行。比如说 CPLEX，mosek，现在有些大学，包括财经大学，还有杉数科技，不光是做实际应用，也培养自己的算法开发，这样的话就比较有核心技术了。真正的成为技术公司而不是咨询公司。所以大家投资要是很有钱的话，要耐得住寂寞，要有核心的技术等等这样的一些东西。未来的话，我觉得真是 AI、深度学习和机器学习提供了很多的支撑，模型规模也飞速增长，因为需要超大规模的优化算法。以前我认为我就要搞出个万能的算法，解所有的线性规划都要解得快，但是我后来反观看 AI，人的思维。发现它是非常定制的，我可以什么方法对某一类方法用的好就用那个方法，不是追求某一个统一的算法，或者类别法。所以算法是比较定制化的，用中国话，来讲比较实用主义一些。不一定追求理论上的完美，有一个统一的算法，所以这点上，我觉得反过来，AI 对我们的这个东西有很大的促进，什么问题需要什么样的算法，本身需要学习的过程。总的来说我是搞运筹因为也是搞优化的，1982 年到现在也大半辈子看到学术研究的起伏变化，我原来比较重视理论，很多问题都是写文章，证明一些东西，也小有成就，但是人到年纪大的时候，就会维护自己工作利益所在。我觉得最大的利益还是对一般人生活产生一些影响，谁也不知道那些理论证明的结果有什么东西。这就是人到一定年龄的时候，就追求鼓励这些年轻人，不光是有一定的学术造诣，把自己的学术成果转化成技术，对人的基本生活产生影响，这才是 OR 的本质，OR 是一个接地气的科学，是一个落地的科学，怎么落地不能云里雾里说了吓死人，经过我们的试验还有杉数这些年轻人都是从斯坦福回来的学生，像运筹学、深度学习、机器学习确实对国内一些大的企业都开始产生一些影响。所以我就希望大家多支持我们，使得中国的企业从一个比较粗放的形式进一步拓展依赖于大数据、国际技术来进行决策的环境里面。更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App《叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会》 精选二金8月11日，斯坦福大学与硅谷有着难舍难分的关系：二战后斯坦福大学因财政困难，将其闲置的土地出租出去办起了斯坦福工业园，很多科技公司开始进驻该园。计算机时代降临后，园里的公司大多集中在半导体技术领域，从此这里便被称为硅谷。可以说硅谷催发了斯坦福大学的创业基因，尽管学生们创业不一定都选择在硅谷。历史上斯坦福校友共创建了四万多家公司，创造了数以百万计的工作机会，这些公司现在平均每年创造约2700亿美元的营收。近日，斯坦福大学上海校友会与饱含斯坦福基因的公司杉数科技共同举办了校友内部会，探讨了运筹学驱动的智能决策在AI浪潮中的重要地位。实质上，当AI将随机模拟组合的价值最大化，背后便是运筹学技术在支撑。当前AI的局限性美国国家工程院院士，斯坦福大学运筹学博士Peter Glynn认为，当前取得突破的AI领域有一些共同点：有的是存在大规模的低噪音数据，而这些数据能直接指引机器做出决策，如无人驾驶与智能音箱;有的是当AI做出错误决策时造成的负面效应较低，如游戏比赛。但从真正的决策层面看，这些机器人并不完美。“AI也可能做出的糟糕决策，例如在语音识别领域，最先进的技术也经常会闹出误会。其实人类自己也会犯错，然而如果机器的错误决策导致极为严重的后果，这会让人格外担心例如自动驾驶在事故中犯的严重错误和人工智能医疗作出的误诊，这些是性命攸关的。”那么，运筹学对AI发展的意义体现在哪?Glynn表示，运筹者的任务是作出战略或者运营决策，例如进入哪些市场最好、是否进行战略扩张、如何高效地管理库存、是否进行一项并购等等。“这些决定可能会对公司产生重大影响，管理者不得不做假设性分析。在这些情况下，通常我们并没有足够的数据去挖掘出一个普适的规律。即便我们恰好有大量的数据，过分地依赖历史数据可能也会因为市场环境的改变而误导管理者对未来的判断。例如2008年后整个市场的监管措施和机构操作方式上进行了大洗牌。可以看出尽管我们有海量的历史数据，但大部分的参考价值并不大。金融环境的复杂多变也是人工智能在预判金融市场时遭遇的瓶颈。”从管理者的角度出发，Glynn提出了一个解决办法人工智能与随机仿真的结合。他认为随机仿真的方法能建立灵活多变的模型来模拟在采取不同决策时，未来的市场结构和商业环境会发生什么变化。管理者可以通过不同情境下的模拟效果来判断决策的风险，尤其是单纯依靠历史数据所无法预知的风险。“既重视数据分析，又重视将数据有效地转换为决策，会创造更多的商业价值。”AI能在金融中做出什么运筹帷幄?“就像我的老师Peter说的，我们做的是决策的艺术，帮企业去分析你应该如何布局、怎么让业务设定得更好，怎么定价更合理。”杉数科技的联合创始人葛冬冬是斯坦福大学运筹学博士，上海财经大学交叉科学研究院院长，会上，他从金融领域中的收益管理、供应链管理和风险管理讲述了AI如何做出将价值最大化的决策。当消费者在一个金融平台上对某些浏览时间足够长的时候，内部的人工智能系统已经对消费者的浏览历史、停留时间、过往记录进行了深度的学习分析，然后得出了他最有可能的购买产品，并且估算出了对系统最为有利的，可能会以优惠折扣的方式推送给他。据亿欧了解，这是杉数曾处理过的一个项目。AI运筹帮助收益最大化的思路在电商中也有体现，葛冬冬对亿欧作者柯东举了个例子：“对一个不停搜索索尼48寸电视的顾客来说，一张个体化的折扣券很可能会激发他的购买行为。而对他的激发判断，可以通过大数据和机器学习的方式来判别。折扣券的推送时间，折扣力度，对公司业务目影响权衡则是需要一个相对高等的收益管理模型和算法。”融资平台本身制定理财产品合理的利率则是需要从历史购买记录来拟合供需关系，监控竞争者的利率来判断自己的动态调整幅度，也需要对多种金融产品作出替代效应分析来实现整体的优化。“从我们的经验来看，需要对选择模型(choice model)、马氏链、非凸优化、博弈论等多种模型进行一个综合运用。最后算法也需要满足速度和精度的需求。”供应链管理过程也处处需要优化生产中的利润最大化、仓库配货量与库存成本调整、货架和网页上产品的摆放与定价、运输路径制定等等。“我们用数据来驱动，提供智慧供应链技术，让这些问题被一体化、自动化解决。”在风险管理方面，体系的建立也需要深度数据分析和模型解析。一个普通贷款是否发放，要对申请人进行全方位的信息搜集和分析基本情况、分，甚至午餐习惯、日常爱好都可能被默不作声地整合到模型里。“从美国主要信用商FICO的50维传统金融模型，到今天Zest的百万级别交叉衍生维度信息，考验着运算速度、标准化能力、过拟合判断等多方面技术。”葛冬冬认为很多时候一个好的预测离好的决策依然有着很大距离，例如金融平台上顾客申购与赎回金的预测可做到相对偏差越来越小，但是因其敏感性，准备金的策略必须谨慎而保守。“这个时候，一个相对安全但合理的准备金策略是非常重要的。在偏差影响下，一个好的抗干扰模型，需要将风险因子转化为可计算的凸优化模型，运筹学的鲁棒优化策略(Robust Optimization)在后台为这些模型的建立起到了基础的支撑。”当AI在金融领域做出越来越多的决策，人类似乎能得到更精准高效的服务。那么如何安置被AI替代掉的潜在失业人群?AI通过收集大量的个人信息来对每个人量体裁衣地进行服务，信息泄露的重大风险该如何解决?深度挖掘个人信息的算法是否会导致对特定地区、特定群体的人的歧视?这些问题都值得审视，Glynn教授，杉数科技的科学家们也已经在思考这些问题。写在最后：给大家推荐一家3年理财老平台立即理财拿红包→(年化收益10%)转载本文请注明来源于安全110：http://www.p2b110.com/news/226984.html分享到：QQ空间新浪微博腾讯微博微信百度贴吧QQ好友window._bd_share_config={"common":{"bdSnsKey":{},"bdText":"我在【网贷安全110】看到这篇经典的文章，有趣-有料-有内涵！你们看看觉得如何？","bdMini":"2","bdMiniList":false,"bdPic":"http://www.p2b110.com/","bdStyle":"1","bdSize":"16"},"share":{"bdSize":16},"image":{"viewList":["qzone","tsina","tqq","weixin","tieba","sqq"],"viewText":"分享到：","viewSize":"24"},"selectShare":{"bdContainerClass":null,"bdSelectMiniList":["qzone","tsina","tqq","weixin","tieba","sqq"]}};with(document)0[(getElementsByTagName('head')[0]||body).appendChild(createElement('script')).src='http://bdimg.share.baidu.com/static/api/js/share.js?v=.js?cdnversion='+~(-new Date()/36e5)];《叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会》 精选三卡耐基梅隆大学计算机系教授、德扑AI之父托马斯·桑德霍姆：不完美信息游戏你好。今天我讲一下超人类的AI怎么做战略性的分析和推理，这里用扑克做例子，今天我们说的是不完美信息的游戏，也就是说整个对手的状态不被机器人所知，这个跟下棋没有什么太大的联系，确实和谈判很像。我们知道AlphaGo的技术可以用于所有的完美信息的游戏，完美信息的游戏是有这样的一个好性质，就是我们一个大游戏分解成各个小的子游戏，子游戏怎么样解决的呢？通过别的子游戏的结论来学习。比如说它防御的时候，你看一下当我们看这一局的时候，你不关心其他局或者是其他的象棋步骤里面对手怎么做？你只看这一步怎么样做就能够学到了，而非完美的信息是什么意思？就是一个信息一个子游戏学到的，不能用于另外一个子游戏。托马斯认为扑克才是不完美信息游戏，难度更大AlphaGo玩不起扑克那么不完美信息的游戏就比完美信息的游戏更难，这些是基于某一个小领域的技术，并且不可迁于其他的小领域的，比如说扑克，我们发明了这种算法能够在这种不完美信息的情景下也能够学习。由于完美信息和不完美信息的游戏两者本质不一样，AlphaGo所应用的技术不可以应用到完美的扑克游戏里面，因为两者的性质是不一样的。在不完美信息的游戏里面，我们的挑战是不知道对手和他的行为或者是说他的行为可能性。那么对于他们以往做了些什么呢？我也不知道。我跟我的扑克对手，我不知道他以往的行动，他也不知道我以往的行动，像我们人类面对的情景里面更多的是这一类的，不知道对手背后的盘算，那么我们想问的是对手的行动对我有什么样的启示，我怎么样通过对手的行动来推测到背后的动机，我的行动也泄露了我的哪些意图给我的对手呢？托马斯教授在JDD现场发表主题演讲这里面有意思的是，我们不需要去解析这些行动的信号。这些信号让我们回过头来看这个纳什的方程式，纳什先生其实只是给博弈论一个定义，他并没有给我们结论，他用一些算法，根据更窄的定义来算出，争取更好的算法。那扑克里面有很多的数学原理，如果我们看一下纳什先生的那篇博士论文，把他的博弈论方程首先展示给我们，这是1993年的时候，这里只有一个定义，那就是类似于扑克的定义。再往后对于扑克，我们有了更多的科学家和更多的定义。大家也会讨论如果有更多更好的策略和战略来赢扑克，最近去年，我们有数以百计的关于这个扑克的扑克研究。我讲的不会太多，我只讲一些重点的研究，首先有年的学生和我一起做了这样一个关于无损抽取的一个算法，就是说你略掉了，或者是说不知道这个游戏的99%的信息，却依然可以去知道这个游戏的规则。那么，我们现在要谈的无限下注。德州扑克的纸牌下注成为最难的一个计算机界解决的标杆，里面包含了10的161次方的情景，我们看一下这个比我们在一个宇宙里面原子还要多10的161次方，这个应用包括了扑克，这里面也被很多的类似于皇家赌场的电影所引用。AI VS 人类选手而到目前为止我刚刚说的无限下注的纸牌游戏是被AI攻破的。我们看一下这种单周的关于无限下注的突破，这是第二次单挑，因为之前有一次人机对抗，当时的AI输给了人类选手，这次我们叫做再对抗，再挑战。我们的AI系统是我们的一个冷扑大师的智能系统，它的对手是四个非常优秀的扑克选手，我们一共做了12万次的交手，在20天之内，然后下注的赌金20万美元之多，大家有很强的动机去赢。2017年这场，我们其实把这笔20万美元的奖金，不是每个人给20万，而是根据这四个选手的表现成比例的分配，而且我们的试验设计非常的保守，让人类去设计整个游戏的范式，为什么这么做呢？让人类去设计整个游戏的各种范式，以便于到最后去决定谁赢谁输的时候，因为是人类事先设计好的，就不会有各种的争吵和争议了。那么，整个的人类在押注的时候，更多的时候会觉得人类会赢。我们看一下游戏的现场，丹尼尔是我的朋友，我的同事，他们单独的一对一单调，一对一的。丹尼尔和AI单挑一说到丹尼尔和AI单挑，AI和上面的四位扑克大师在楼上单挑。比方说杰森，他在同时看着两桌，他在这两桌之间可能来回切换，在他左边的这个小屏幕上，他可以进行切换。最终的结果，我们的冷扑大师系统赢，而且大胜人类。同理，我们用这个冷扑大师跟中国的赌神进行对抗，中国的龙之队，中国的六位赌神，这是国际扑克大师的赢家，这些都是顶级的扑克手。冷扑大师还是赢了我们人类的赌神。冷扑大师的系统是什么原理？有人要问了，我们这个冷扑大师的系统是什么原理呢？基本上我们用的是已验证正确的技术，这里面没有深度学习。所以说在上面主要有三个选择，第一个选择是有很多的一些游戏的规则的输出，还有一些更小的游戏的抽象化，最后有一个算法进行蓝图战略的执行。然后在我们的子博弈的解决器里面，实际上也是在游戏的过程中来进行问题的解决，有一个自我改善的模块，它能够把所有的这些本身的AI的后台的主机在晚上的时候做一个更新。对于软件的运行，在我们的匹兹堡的超级计算机中心的这台计算机有1200万小时的游戏的时间积攒，所以说它有很多的输入的信息。如果我们把AlphaGo和它进行对比的话，AlphaGo是用人类的游戏历史，我们没有做这个东西，我们是白手起家的。好像是我们对着镜子给自己进行拳击，然后突然跳起来飞踢泰森的关系，我们也是一样的，我们通过AlphaGo来进行自我游戏实现的。我们看看第一个解析，是模块里面使用新的抽象化的算法，相对来说获得一个更小的规则，然后我们会有一个平衡化的过程。然后重新回到我们最初的游戏中进行我们所谓的蓝图战略。蓝图战略然后这里有两个抽象化，一个是胜利的抽象化，是定期进行算法的计算，我们也是从最初的计算机里面，2016年的时候做过，现在我们用一个最大的抽象化，我们是进行了一个平衡化的算法，来获得多种抽象化，所以从第一个赌局到我们的第二个赌轮里面，在所有的赌轮里面都可以进行，第四个赌轮里面我们使用了子博弈的解决器，这里面有一个产品的抽象画，所以这样的话我们可以对于我们的客户端有一个更好的理解了。第三个正式的抽象化是从我们的扑克的赌轮中，我们这里使用了人工智能之外，还加入了一些大赌局和小赌局的概念，所以说我们可以有最初的一个初级算法，然后把它进行一个优化，但是暂时没有办法来进行拓展，所以说我们还需要把它第一个赌局进行一个慢慢的往外拓展，后来到了子博弈的解决器，我们这里稍微多讲一些，当然这也是整个架构的最新一部分。这里有五个新部分，第一个部分很可能是可以把它当前的对手的一些内容考虑在内，第二个，它是属于一些战略中的，你的子博弈的，这个计算方式很可能不会比这个蓝图战略更差。然后，如果说对手在当前的阶段犯一个错误的话，我们可以重新再考虑到它这样的一个情况下，然后同时考虑到出现的错误，但是还能够保证你的胜利，所以说它是可以更好的与真正的人进行比赛的时候，不会出现这种类似的错误。关于子博弈的解决问题还有就是说关于子博弈的解决问题。一开始的时候，你解决这个问题一再进行游戏。但是我们在这里先要再次解决剩余的一些，就是说整个局我要重新的做一遍，每当对手走一步，我都会把剩下的部分再重新算一遍。另外，它还可以把当时，你可以猜想的步骤，再把步骤的实际这一步计算在内，这些都是在我们的抽象中，还有它可以启动得比较早，以前都是在最后一个赌轮，现在我们放在第三个赌轮里面，如果这里没有在子博弈中的这种牌的抽象化，我们这样做是因为我们希望能够通过一种新方式进行子博弈的解决。最后一个模块，它就是自我改善的模块，它采用了完全不同的一种方法来进行自身的改善。并且它也使用了之前我们所说的平衡的战略。那么我通常是怎么做的呢？就是说我们需要把一系列的对手模块聚集在一起进行一个开发，我觉得它是比较有风险的一个方法，特别是对于一些顶级玩家来讲，因为顶级玩家是属于世界上的这个方面的专家，他们是很容易来反漏洞的专家，所以说这个过程中，很容易会遇到困难，然后我们让我们的对手行为集成告诉我们说我们自己战略里面的漏洞在哪，这样我们在这个超级计算机里面，我们的算法就会把这些加入到我们的行为的抽象画里去，之后我们就可以把它添加到我们的库里面去，我们可以在自己的主机里面把一些理性的内容再加入。所以这里是在我们的顶端的AI，当然还有一些其他的，这里是我选取的一些最好的。左边是我们的，右手边是其他人的，这张图的意义是讲到了我们每年都要进行改善。可能是从理论上达到10的一百多次方。我们的实验室的研究情况下面我们再讲一下，在我们实验室里面研究的一些情况，还有就是说如何来解决非完整的信息的内容，这是我们的一些在做的课题，所以在游戏中和我们之前讲的，它会有一个非完整性信息，需要有一个抽象化的寻找器，然后我们要知道它里边的一个，游戏中会出现的问题的路径，然后我们有一个这种算法，它可以把一些概率来进行计算，如果说你这个模型离我们的偏差这么远，然后它这个模块会来进行改善，我们在扑克中是来做竞赛的，所以我们在比赛中需要应用来进行一个模拟，虽然规则不是这么清楚。所以同样的一个概念，如果我们的模块，现实当中只有这么一个差异的话，我们可以来改善我们的战略。然后让它更适合现实中的情况。托马斯教授介绍实验室研究现状第二点，在我们之前说过，可能在事件当中最好的是平衡战略，也是我们能够获得的最好的理论，今年夏天开始，我们有更多的一些算法了。第三个，我们在双方都会出现比较大的，或者是很多的错误的时候，我们是不是能解决这些问题。尽管传统意义上来讲，我们觉得有一些错误可能是可以进行计算化的，但是现在在计算机里面的一些技术可以用更好的办法来进行一个改善。最后，就是在利用或者是说开发之间的这种对比，在游戏中，我们需要去发现对方的漏洞。然后开始通过这种非游戏理论的方式，考虑到自己如何不会被对方所利用。所以说如果你开始采用游戏理论的时候，有人如果说利用了这种游戏理论或者是博弈理论是不安全的，但是现实中不见得如此，你可以利用别人的同时，也可以保证自己不被利用，也可以保证自己的安全性。像我之前提到的这些技术，不仅仅是被用来编程，这些被用来任何一个你有互动的过程中，这个当中不光有一方，还有不完整的信息，对于新技术的能力，之所以这么振奋，是因为我们看到了这种战略性的机器中有很多的类似知识的复制。我认为这种战略定价，或者是说战略产品的组合，也可以利用它来进行一个优化。现在，在AI当中，我们不光可以节省更多的人力，同时，又可以做得比最好的人类更强，让我们有更多的理由来利用到实际中。有一些人可能觉得大多数的现实中的应用，总会存在着不完美信息，就算是不看做一个游戏，那么我们想象一下，比如说在定价中的利用，如果对方的这个竞争对手的价格已经固定了，如果突然对方改变了这个价格，你需要实现自己的价值优化，需要反应，这里面是一个反映式的模块。战略性的定价可以让你来驱动市场的发展，同时可以事先进行价格的思考，同样你战略性的产品和组合优化，在金融中的使用也比较多，比如说战略性的结构或者是说战略贸易执行等等，还有自动的溢价。我们使用眼镜改善我们的视力，为什么不能用AI来改善自己的战略逻辑呢？还有像拍卖中，如果说有这种式的拍卖，如果没有人知道底价的情况下，是不是可以采用合理的竞猜。还有像电影版权，不同的一些流媒体公司，他们可能要买一些不同的视频流，到底如何能够构建一个更好的视频流的组合，如何来进行更好的谈判。大部分的应用会考虑到网络安全问题，如何来防护漏洞和操作系统中的问题，以及政治运动中，我到底要花多少钱，基于我竞争对手的预算来进行计算。还有自动驾驶车辆中，或者是说半自动驾驶的车队由不同公司来进行运维的时候，如何来获得一个更好的道路规则。有很多的一些军队或者是说在实体安全方面的应用，还有生物适应或者是说一些医药的安排中，我们已经有了多种的计划能够把这些，比如说对患者人群来进行更好的一个规划，才能够避免进行一些疫苗的注射和癌症的防护等等，当然我们还有娱乐式的，训练式的应用技术，在很多的新的游戏中，同时也会有一些社交的游戏。最后一张幻灯片我想指出的是人工智能不光是深度学习，还有一些重要的部分和领域，现在有一些新的技术和领域，我们叫做战略性逻辑，它是我们战略博弈的一部分，同时我们还有向对手建模等等，这些也是需要很多的模型。机器学习是关于过去，但是我们从过去的数据中学习来希望能够预测到未来或者是说在未来能够做到更多有益的东西，战略性逻辑会关系到很多的可能性，是关于未来而推出的游戏，我们已经做了一些试验，希望能够获得更多结果，谢谢大家。感谢支持全球数据探索者大赛组委会点击阅读原文，即可报名JDD大赛。《叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会》 精选四题图来自：视觉中国Business Intelligence（BI）这么多年来一直被翻译为“商业智能”，我们可能一直都翻译错了，正确的翻译也许应该是“商业情报”。而真正的智能商业时代才刚刚开始。虽然目前AI的整体发展水平大约相当于六岁孩子的智商，但是这是一个严重“偏科”的神童，如果我们能正确地定义问题，这个神童能在商业决策上为我们提供巨大的帮助。历史上看，OR（运筹学）、BI、AI似乎都没能很好地建立起高度可依赖的商业决策支持系统。借助于AI领域的最新进展，三者结合催生了新的商业决策支持模式，即Intelligent
Business，这是真正的智能商业。我们尝试给出智能商业的框架性定义：AI增强的决策支持系统（Decision Support System，DSS），服务于企业中需要决策的各级人员，应该具备实时、闭环、自动进化、自动识别问题、全局优化等特征，目的在于提高企业决策的效率和质量，增强企业在数字经济时代的竞争力。智能商业领域努力的终极目标——为构建一个支持决策的优化模型需要做出关于决策变量的决策。AI的应用可能使优化模型构建和演化变得自动化，也就是说，模型本身也成为了优化的决策变量，这也意味着基于机器学习的模型的自动适应和自动演化成为可能。这样的机制才是真正的Intelligent Business，我们努力的终极目标。什么样的企业会成为成功的智能企业：做到算法、数据和场景三者的完美融合。人类欲望的驱动会带来更多的需求和相应更多新的工作机会，与此同时，AI及脑机接口等新技术在教育上的应用会帮助未来的劳动力快速适应新的工作机会。技术的改进会给我们人类带来更多的福祉，而不是灾难。星河互联CEO傅淼详细阐述了智能商业的相关问题——《从商业智能到智能商业》。1、BI的起源大家知道AI真正热起来是过去两年的事，得到了产业界和的广泛认可。在此之前AI在学术界起起落落数十载，始终没有得到产业界的真正关注和认可。但是反过来，Business Intelligence，也就是BI，实际上已经出现了很多年，并且在商业上也获得了相当大的成功。那么问题来了，为什么大家一直不把Business Intelligence的成功视为Artificial Intelligence的成功呢？为什么大家要歧视Business Intelligence里的这个Intelligence呢？我最近一直在思考这个问题，然后有个大胆的结论：也许这二十年来，我们一直都翻译错了。大家知道，Intelligence在英文里有两个含义，一个是智能，一个是情报的意思。那么实际上Business Intelligence这个词可能就是商业情报的意思，只不过这么多年来我们一直想当然地把它翻译为商业智能。为了验证这个想法，我研究了一下BI的历史。1958年IBM的研究员Hans Peter Luhn首次提出了BI的定义：“BI是这样一种能力，这种能力可以理解已知事实之间的相互关系，以帮助用户采取正确的措施，达成既定目标。”可以看出，BI的作用是帮助用户对数据进行挖掘，发现对决策有价值的信息，其实就是商业情报。2、客观存在着更适合计算机决策的问题下面我们回到对人工智能的讨论。AI等于几岁孩子的智力？这是一个很难回答的问题。最近我找到一篇论文《人工智能的智商和智能等级划分研究》，是几位中国学者的研究成果，我认为是在这个问题上分析得比较完备的一篇文章，感兴趣的同学可以找来看看。此文把不同年龄的人类的智商和不同的AI平台做了比较，结论是代表AI最高水平的谷歌平台综合来看和人类6岁智商是类似的。因此，业界通常认为，目前AI在商业领域的应用，主要是在一些以成年人类的标准来看，不需要太高智能的场景进行自动化替代或人机交互的体验升级。但是，我们对这个问题有不同的看法。我们认为只要正确地定义问题，目前AI的发展程度已经可以在商业决策支持领域发挥重要的作用。为什么我们认为6岁孩子的智力能够帮助我们更好地做商业决策呢？注意我们上面提到的结论是，AI目前的水平“综合”来看和人类6岁的智商类似。但是，很明显，这个6岁的孩子是个“偏科”的神童，至少他在围棋上已经可以战胜人类最伟大的棋手。当然，纯粹是出于好奇，我也研究了一下6岁孩子在围棋上能达到的最高水平，到目前为止是业余4段，这是绝大多数围棋爱好者一辈子都达不到的，所以不要小看六岁孩子的智力，在某些特定的领域经过系统的训练可以达到以成年人的标准衡量也非常高的水平。当然，AlphaGo的水准要远远高于业余四段了，“棋圣”聂卫平认为AlphaGo的棋力至少已经达到专业二十段。所以，目前AI在人类的某些高级智能活动领域已经可以达到远远超过成年人类的最高水平。关键是，我们如何准确的找到这些AI可以充分发挥其能力的问题？我们不妨还是用围棋作为一个例子来定义这类问题的一个可能的方向。二十年前IBM深蓝就战胜了国际象棋大师卡斯帕罗夫，大家震惊之余，并没有觉得很可怕，可是为什么AlphaGo战胜围棋棋手就很可怕呢？因为国际象棋只有8X8=64个格子，利用超级计算机可以用穷举法精确求解，这种情况按现在的标准不叫AI。但是围棋有19X19=361个节点，其计算复杂度远远超过国际象棋，目前最高级的超级计算机也远远无法通过穷尽法精确求解。大家知道，人类大脑的数值运算是很差的，但是在处理很多问题上通过直觉而不是运算的能力可以达到相当高的水准。比如说围棋这件事情，19×19格已经远远超出人类大脑的计算力，在这种情况下人要靠直觉、经验和想象力下围棋，这是围棋的魅力所在。现在的AI可以模拟人类处理类似问题的方式近似地求解，但是比人类更精确，速度更快，这才是人们觉得可怕的地方。因此，我们可以尝试定义这样一类问题：客观上它的正确解是存在的而且理论上是可以通过数值计算精确求解的，但是它的计算复杂度已经远远超越了计算机的算力，所以无论是人还是计算机，都是要用近似方法求解，只不过计算机可以比人做得更精确。如果我们在商业决策领域能够找到符合这个条件的一些问题，AI在帮助用户更好地解决这类问题上是可以发挥重要作用的。当然，这只是“正确”地定义AI可以发挥重要作用的商业决策问题的一个粗浅的尝试。随着我们不断努力，我相信我们会找到更多的定义这类问题的方法，也就是说，会找到更多的AI可以大显身手的商业决策问题。3、商业决策支持系统的几种尝试自从计算机诞生以后，人类就试图借助其强大的数值计算能力建设一个可依赖的决策支持系统（Decision Support System，DSS），让我们来回顾一下这个领域的发展历史。（1）运筹学（Operations Research，OR）首先从运筹学来看，商业决策的目标是追求最大化收益。商业决策绝大多数都是微观经济层面上的决策，微观经济学上最核心的假设是所有的人，当然包括法人都是理性的经济人，其决策的目标就是追求经济利益最大化。从OR的角度看，商业决策的过程就是最优解搜索的过程。OR大家知道，在40年代美军二战军事后勤领域首先出现，已经过了70年了。在这70年内OR发展的很成熟，在很多领域都发挥了巨大的作用。其中有这样一个非常传奇的公司，以OR为核心技术，取得了相当大的商业成功。这家就是i2 Technologies，我跟这家公司也非常有缘。我个人的教育背景比较复杂，在清华上学的时候学的是柔性制造和工业机器人，去美国后先是学工业工程学，主要就是OR这套东西，后来又转到计算机专业。我找工作的时候惊喜地发现这家公司可以把我三个专业完美结合在一起，就义无反顾地加入了，并且成为我唯一以雇员身份服务过的公司。这家公司依托于OR理念首先提出了智能化供应链的理念，并形成了一套强大的产品，借助这个理念和这套产品征服了全球强中的约400强，其中包括国内的联想和华为。这家公司的市值在2000年最高达到了500亿美金，并且以93亿美金的天价收购了Aspect，是当时软件史上最大的并购。2009年i2以只有3亿美金的价格卖给另外一家公司JDA，虽然相关的产品仍然在服务客户，但是作为软件史上的一代传奇就此落幕。为什么基于OR的i2没能延续其商业上的巨大成功？当然原因有很多，但是在底层的产品逻辑层面上，我个人反思，可能有两个原因。一个是局部优化。学过OR的都知道，运筹学里优化最大的敌人就是不小心陷入局部最优解。即使在算法层面求得全局的最优解，如果你所依托的数据都是内部数据的话，本质上还是局部的优化。第二个是静态模型问题。作为一个优化模型的构建，有几件事情要做：（1）要选择决策变量；（2）要对目标函数的形式进行决策，并对目标函数里的参数进行设定；（3）要对约束条件的形式进行决策，并对约束条件里参数进行设定。这些都选择好了以后才能形成可用的模型，在上一代的OR系统里面，这些都需要很多专家来参与，最后设定好这个模型，一旦设定以后就不会轻易更改，这就是一个相对静态的模型。但是实际上，我们的产业环境是飞速变化的，一个静态模型很难准确来反映瞬息万变的外部环境。（2）商业智能（Business Intelligence，BI）再来看BI，我们暂且还把它叫做商业智能。作为DSS领域的一个重要分支，BI的价值也得到了市场认可。Gartner的报告显示，到2010年的时候，BI的使用率达到30%，67%的领先企业运用了BI。2017年全球市场预计可以达到183亿美金。这已经是一个相当大的市场规模，我们完全可以认为BI取得了比较大的商业成就。但是增长已经非常乏力，预计未来几年只有7.6%的年化增长率。（3）人工智能（Artificial Intelligence，AI）最后再看AI在决策支持系统领域的应用。过去几十年AI在学术界几起几落，直到过去两年才真正走进产业界，算是一个“大器晚成”的“神童”。之前几十年里AI在实用层面有限的成功算是在决策支持系统的运用，也就是专家系统（Expert System）。专家系统经历了很多年的发展，也解决了一些问题，但是整体上很难算是一个大的成功。这里面有几方面的原因，主要包括：知识表达方式单一，主要依赖启发式规则，以及不支持大规模数值计算是专家系统的内在缺陷。知识库的完备性和规模、知识获取的难度、覆盖面等，是决定专家系统成功的决定性因素。在互联网普及之前，很难把某个行业内足够的数据抽取出来，构建有效的知识库。推理机对特定领域经验的依赖很强，通用性不好。4、新一代的商业决策支持系统：智能商业总结一下，历史上OR、BI和AI在DSS领域的应用都各自取得了不同程度的成就，但是总体来看，距建立起高度可依赖的商业决策支持系统还有不小的距离。那么基于AI在过去几年的重大突破， 并和OR、BI结合是否可以催生新的商业决策模式呢？我们把这个新的模式称为智能商业，Intelligent Business，这是真正的智能，而不仅仅是商业情报。（1）智能商业的定义我们试图给智能商业一个定义。大家都知道到目前为止AI本身都没有一个业界公认的标准。在这里我们只是试图给智能商业一个框架性定义，为后面的讨论做一个基础。我们认为智能商业是AI增强的决策支持系统，服务于企业中需要决策的各级人员，应该具备实时、闭环、自动进化、全局优化的特征，以及自动识别问题的能力，目的在于提高企业决策的效率和质量，增强企业在数字经济时代的竞争力。（2）智能商业框架这就是我们提出的智能商业框架（上图），可以看到这个框架跟传统的BI模式在单体层面上基本类似，都是有一个数据层，一个模型层，上面有应用层，但是这一代跟上一代有什么不一样的地方呢？首先它不再是一个企业内部的局部优化，它要考虑自己在供应链上下游的情况，也要考虑不同供应链之间的关系，即要考虑一个完整的产业生态网状结构的关系。其次从数据层面，处于现在这样一个大数据的时代，企业所能接触到的数据的丰富程度是空前的。以前更多的是挑战打通内部的数据孤岛，现在除了内部数据，还有供应链上下游企业之间点对点的数据交互，还有更大的云化的外部数据。在传统的决策支持系统里，因为没有明确的相关性，这些外部数据的利用率很低。但是外部环境对企业经营可能有更大的影响，外部数据隐含着很多相关性，利用现在的大数据技术，可以为企业决策带来更多的数据信息，通过AI的方式把里面有用的信息挖掘出来，应用到整个决策支持系统里面。第三个层面就是利用反馈和闭环能够对模型进行自动的优化。（3）与传统商业决策系统的不同当然现在我们只是提出这样一个智能商业的框架，这只是一个起点。当这个框架真正变成现实，它跟传统的商业决策支持系统相比会有几点不同：传统DSS中最终决策者是人；在智能商业决策支持系统更多的是人机交互，而部分达到自动化决策。分析的主题以前是人提出明确主题，由机器帮助分析；将来机器会发现你还没意识到的问题。从数据上，原来是非实时的，来源封闭的；将来的数据应该是实时的、来源开放的。从模型上以前是固定的，没有自动优化的机制；将来的模型应该是自动优化的。应用范围上以前是企业内部；将来会是全产业链的。（4）智能商业的演进当然，这会是一个长期奋斗的目标，会需要五年、十年甚至更长的时间，现在只是从理论上提出这样一个框架, 以帮助我们开展下一步的工作。关于模型的自动优化，我想再进一步解释一下，这可能是我整个演讲里最重要的一句话(这不是一个绕口令)：为构建一个支持决策的优化模型而做出的关于决策变量的决策，这可能恰恰是AI-Enhanced DSS的核心所在。AI的应用可能使模型构建和演变的决策变得自动化，意味着模型本身，包括决策变量、目标函数、约束条件，这些成为了优化的决策变量，形成了一个优化的嵌套，这也意味着基于机器学习的模型自动适应和自动演化成为可能。当然，这无论从理论上还是实践上都需要大量的工作要做，但是这样的机制才是真正的Intelligent Business，这是我们努力的终极目标。（5）智能商业行业价值提升这是我们做的一个智能商业的行业价值提升分布图（上图），显示了哪些行业会更早地从智能商业的实施中尽快得到收益。横轴是从可行性角度，纵轴是从价值提升角度。可行性考虑的是一个行业的数据化和信息化基础，价值提升更多的是考虑一个行业的竞争激烈程度，决定了这个行业企业是否有足够动力用更激进的方法增强在商业竞争中的竞争力。右下角是电信运营商，它的可行性是很高的，因为电信行业数据化信息化程度很高，但是因为行业竞争相对没有那么激烈，所以可能采用智能商业的驱动力没有那么强。刚才伯克利的Scott Moura教授讲了美国电力系统优化的案例，竞争也没有那么激烈，但是也可以看到至少现在在学术界已经引起了很多兴趣，所以我们认为将来所有行业可能都会被AI所影响。5、黑箱和“工作台”应该怎么平衡？所谓黑箱（Blackbox）就是系统给出一个决策指令，我们就完全按照这个决策执行；而工作台（Workbench）则是给你一系列决策的建议和决策建议后面的成本分析，让人类去做最终决策。同时把根据推理过程所基于的关键的约束告诉你，如果你对系统给出的决策建议都不满意，还可以根据这些关键约束的信息针对性的做工作，甚至去改变某些约束，以改变求解空间，找到更适合实际业务需求的方案。这是应用智能商业时两种不同的理念，下面我谈一下我们对这个问题的看法。我们知道自动驾驶领域对自动化程度有一个从level 0到level 5的分级方法，这里我借用这个体系对不同行业的智能决策支持的自动化现状做了评价。在做这个研究之前，我们觉得智能商业还在早期。但很快我们发现很多行业的业务决策已经非常自动化，像广告自动投放、航空公司的收益管理定价，至少在具体操作层面上都处于level 5。而另外一端，也就是完全依赖人类决策、没有任何系统支持的level 0阶段的行业，现在几乎找不到了。在不知不觉之间，智能商业已经来到了我们身边。反过来说黑箱和工作台。这里面有两个问题，一个是企业文化层面的问题，一个是平台进化成熟度的问题。我举一个供应链领域的例子，比如说今天是7月8号，销售刚刚签回来的大单要求必须7月30号交付，但是智能供应链计划系统考虑到所有约束，认为最早8月30号才能交付。同时集团最高领导下了死命令，你们必须7月30号给我交付，这是战略订单。这种情况下，如果是黑箱模式，计划员就完全不知道该怎么做了，不知道关键节点是什么地方。如果是工作台模式，计划员就可以发现关键节点在哪里，可能就是少了那么一个关键器件。这个信息转递给采购部门，可以用非常规的方法获得这个器件，在7月30号可以交付。所以可以看到，要求发挥主观能动性的商业文化里，黑箱模式是不可能的。领导给我压力，我不知道抓手在哪儿，就会感觉非常不安全。另一个层面，黑箱模式会让很多人类在这个过程中所形成的直觉和经验消失，如果一个企业用全自动的智能供应链计划系统超过五年，拥有高级能力的计划员可能就没有了。在处理突发事件的时候，或者这个模型需要优化进化的时候，这都是依赖高级计划人才的任务，可能就会面临无人可用的尴尬局面。最近英国有一篇杂志有一个关键发现，人在开车的时候大脑有个区域是活跃的，但是用了GPS以后，这个区域就不再活跃了，它的观点是如果完全依赖，人脑的某一部分功能就会退化掉。工作台和黑箱子模式也是同样的问题，你完全依赖黑箱，很多商业直觉和经验就会退化。在不同决策的环节，比如低价值的可以使用黑箱，但是一些高价值的关键节点还是要有工作台。当然，人类工具的进化都是人类能力的外化和放大，当外化变的非常可靠之后，人类自己的能力就退化掉了。一旦智能商业自动决策能力进化到一定程度，非常可靠，质量非常高，人就心甘情愿放弃演化了。但是如果还不是完全可靠，关键时候还要依赖自己的能力，这时候工作台模式可能更有效。一家企业成为成功的智能企业的三个核心因素是什么：算法、数据、场景，或者叫产品，也就是与用户和市场充分交互的服务载体。6、AI会让人类失业吗？最后也不能免俗的谈一谈对AI和人类就业的看法。比尔·盖茨有一个很有意思的观点，企业使用AI把人替换掉了要交税，为什么要交税？因为政府需要用钱养被你砍掉的这个人。大家可以想另外一个问题：特朗普为什么当选？他当选很大程度是因为全球化把美国蓝领的工作抢走了。其实在全球化的体系中，美国整体来看经济上没有吃亏，但是这些利益主要是被部分资本家赚走了。如果国家通过一定方法把一部分钱拿过来通过财富再分配的方式给到失去工作的蓝领工人，是不是一个皆大欢喜的结局呢？特朗普选择的政治路线显然不是这样的。马克思关于共产主义的论断中说，共产主义社会中劳动是人的第一需求，现在看起来这是一个天才的论断。你只给我钱，不给我劳动者的身份，我就失去了作为劳动者自食其力的尊严。因此，特朗普的方案是要把工作机会拉回到美国去，让这些人能够得到劳动的机会，显然，他的方案更受这些蓝领工人的欢迎。大家之所以会关注这个问题，是觉得AI会把人类的工作机会夺走。我会更乐观一点地看这个问题，人类无休止的欲望会不断创造出更多的工作机会。就拿旅游这件事来说，三四百年前除了徐霞客这样的人，很少人会有旅游需求，但是现在几乎所有的人都需要旅游。有一天技术成熟，去月球旅行成为所有人都想尝试的事情，这就是一个非常巨大的市场，会有大量新的工作出现。去月球旅行完了之后去火星旅行又是一个更大的市场，更多的工作机会。所以，我们无需担心没有新的工作机会，我们面临的核心问题是：即使有新的工作机会出现，这种更新换代的速度会很快，但是成年人很难让自己足够快的进步，去学习适应新的工作机会。那么，AI在拿走了一些工作机会的同时，在教育和培训层面是不是也能提供更多对人类快速自我进步的支持？比如说利用脑机接口这种新的技术，是否可以将知识快速注入到大脑中以适应新的岗位？在AI的发展历史中，伴随着每一波新技术浪潮，人们都会说技术会对人的劳动市场造成冲击，但起码到目前为止，并没有灾难发生。很多专家预言说AI会摧毁人类，但这么多最聪明的年轻人义无反顾地冲到了这个行业中来。我想他们跟我一样，相信AI技术的进步会给我们人类带来更多福祉而不是灾难，这是我的核心观点。更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App《叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会》 精选五清流妹：科学决策负责人任然，负责读秒大数据和模型的研发工作。曾供职Capital One ，担任商业分析高级经理，负责大数据分析和数字化银行产品的研发等工作。本文，任然将从实时决策、分布式模型、机器算法等方面介绍大数据研发。作者 | 光皋10月26日，PINTEC集团读秒智能信贷科学决策负责人任然参加香港周活动，并发表了名为“Building Credible Credit Risk ModelsUsing AI And Intelligent Algorithms”的主题演讲，介绍了大数据风控模型研发的三大关键点。以下是演讲中干货内容的翻译。大家好，我是PINTEC集团旗下读秒的科学决策部负责人任然。读秒是一个智能信贷解决方案，核心是一种纯线上的贷款实时审批决策系统。以机构客户的数量来计算，PINTEC已经是国内最大的智能信贷服务商。通过这几年的探索，我们逐渐总结出一些大数据风控系统研发过程中的关键节点，希望能对行业有所启示。从大数据到快数据要实现实时决策，一个关键点是要确保系统可以处理很多数据。现在总说“大数据”（big data），但我们认为有时候“快数据”（fast data）更重要。在互联网时代，整个系统要高速的响应需求，面对瞬间涌入的需求保持robust，这就不仅仅是有“大量”数据的问题，而是怎么样把这些数据源实时地联系在一起，确保数据进来时系统可以实时处理，这个事情是更复杂的。因为数据科学仅仅是数据决策的一个算法环节，但是算法的实现要有很多基础设施作支撑，就像人一样——人的正常活动不仅靠的是大脑，也需要骨骼、血液作支撑。我们能在极短的时间内做出授信决策，很大程度上依赖于我们有一个强悍的系统作支撑。我们的技术部门会对授信环节作优化设计。根据我们的设计，整个授信环节可以分成很多步骤，如果能在早期的授信环节，通过较少的数据对用户的风险作出判断，那这就不会经过后面的操作，决策作出的就比较快。比如说，用户如果在之列的话，我就可以比较快地把他拒绝掉，这种情况下整个体验会非常快。我们还会对技术层面的作优化，很多指标计算、报告的拉取策略都是在并行操作的。指标对数据源的依赖也进行了良好的配置，很多指标都是以“流式”的方式进行计算的，即只要当符合一个指标计算需要的条件被满足的时候，它就可以很快地被计算出来，不是等到所有的数据都准备好了之后才开始计算。总之，要做到“快数据”，整个计算引擎都是需要经过高度优化的。“乐高式”的分布式模型我们所做业务的所有链条里，人工智能技术和数据是贯穿整个产品生命线的。我们的模型结构采用分布式的结构，也就是说，无论客群、渠道如何变化，我们的模型基本上可以保证在一定的稳定性水平上。分布式模型的第一个考量是灵活性。因为模型里有很多的子模型（sub-models），我们就可以根据合作伙伴、合作模式的不同，把子模型非常松散地作排列组合——像乐高玩具一样——形成最优的方案。这样的处理会比较标准化、模块化，像乐高玩具一样可自由拆分组合。比如说有一些合作伙伴，基于用户体验的考量，不想用基于用户地理信息的行为数据。使用分布式的模型结构，我们就不需要每对接一个渠道方都重新做一次模型了。第二个考量是模型的稳定性。因为我们的一个模型可能会接四十多个数据源，有时数据的底层是非常“脏”的，并不是拿来就能用的，如果底层的数据出现抖动的话，可能会对模型产生比较大的影响。使用分布式结构模型，如果一个子模型效果或稳定性上出现问题，我只要把这个子模型拆开，换一个模块就行，这样可以保证其他的子模型不受影响。第三个考量是模型的效果。机器学习允许我们用不同的方法——比如神经网络、深度学习、增强学习、等各种的算法——去解决同一个问题。具体场景下哪个办法好，是在实践的过程中发现的。基于同样的数据，我们可以用不同的方法建不同的子模型，然后让模型和模型间互相PK。如果某一个模型效果好，我可以动态地去调整更多的流量给它，这也是套方法论，叫在线学习（online learning）。Online learning在广告业其实是非常普遍的东西，比如说广告业会做AB测试，去统计点击量，看那一条广告效果更好，就加大它的出现频次，这其实是让模型自己去学习的方法。但在风控领域中，据我所知online learning目前运用得很少。大家会觉得风控模型这个东西比较“神圣”，不会去允许它做太多的动态调整。所以交叉学科的经验借鉴，有时对建模也有帮助。兼用传统逻辑回归与机器学习算法我们做模型时，会兼顾使用传统的逻辑回归方面的算法，和一些比较先进的机器学习的算法，比如说bagging，boosting，包括最近因为AlphaGo Zero火起来的增强学习（reinforcement learning） 。传统的风控模型都是线性模型，比如逻辑回归，它的特点是高度结构化和可解释性。但问题是，如果一个变量与target 之间不是线性的关系，我们在把它变成线性关系的过程中会损失很多信息。而且这种情况下，当我们去做特征工程（featureengineering）的时候，是需要人去想的。 但人总有局限性，你看到想到的东西并不是全部，有时它甚至是错的。机器学习、深度学习的模型，它的好处是能自我适应、自我学习，但这类模型基本上是一个黑盒子。因为模型的结构非常复杂，比如说一个决策树模型里可能有一千棵树，每一棵树可能会有三四层——结构上非常复杂以至于人没有办法去描述它。这可能也是为什么一些传统银行里的从业人员，用AI模型的时候会比较没有安全感，因为他看不到这个模型里是怎么样的，总觉得要自己掌控的才能放心。具体到个人的信用评分，比如说我们给一个人信用打了700分。至于他为什么被打了700分，在逻辑回归里很简单可以看到变量的情况，但是在机器学习的boosting或者bagging里是没有办法去了解的，它所有的feature，所有的数据选择，都是机器去完成的。我们最终只要看模型的效果，也就是模型输出的违约率，我不用管它是怎么实现的。读秒系统上线两年的时间，我们的模型有过四个大的改版。被开发用来预测使用一系列信贷产品后的偿还行为的信用评分叫“基本评分”（generic score）。反应测试效果的ROC 曲线越往左上方突出，表示模型效果越好。我们发现，读秒早期的3.1版模型的ROC 曲线基本上是贴着“基本评分”的。而现在第4个版本的模型比3.1版本准确率要高将近50%。在我们新版本的三个模型（M1, M2, M3）中，模型表现最好的M3中，我们就是既用了传统的逻辑回归，也结合用了人工智能的方法。所以我们不会把传统的风控办法都丢掉，我们只是要去拥抱新的技术。做客户系统中的一颗金融科技芯片PINTEC的商业模式，是要为机构客户提供金融科技的解决方案。我们的服务一端连接的是一些商业机构，像携程、中国电信、小米这样的互联网或其他行业巨头，我们可以帮助这些公司为用户提供多一种金融服务的选择。而且读秒信贷决策系统不仅仅应用在线上消费环境中，目前也渗透到线下场景之中。PINTEC服务的另一端连接金融机构，我们会为金融机构带来线上线下的客户，帮他们做基于大数据和人工智能的风控管理，还会延展到前端的获客，中端的客户留存，和后续的等一系列过程。我们可以帮助金融机构为更广泛的用户群体服务，这是一些传统机构所不具备的。PINTEC提供的是类似芯片一样的“嵌入式”服务，将我们自己的能力封装成一个金融科技的芯片，嵌入到合作伙伴的业务流程之中，帮助他们实现，这也是我们提出的POWERED BY PINTEC服务战略的内涵。平安集团杨峻：这一商业模式是成立的，但不能做成暴利机构《叶荫宇：国内机器人商业应用的瓶颈不是性能，而是通盘调配能力 |AI 大师圆桌会》 精选六原标题：分论坛二圆桌论坛二：人工智能在中的应用消息 日，由新湖携手中国绝对收益协会共同主办的“申城论剑·第九届衍生品（国际）论坛暨中国绝对收益投资管理协会第七届年会”在上海召开。和讯期货全程直播。圆桌交流主题：人工智能在资产管理中的应用圆桌主持：洪 榕/大智慧所所长、中国绝对收益投资管理协会副会长交流议题：1.人工智能在资产管理方面的应用现状2.举例谈谈人工智能在资产管理方面的实际应用3.人工智能应用在资产管理上应注意哪些问题4.人工智能在资产管理方面的应用方向与前景5.在资产管理上，未来人工智能是否有可能完全取代人的判断与决策?讨论嘉宾1.涂志勇/北京大学汇丰商学院副教授，博士生导师2.王红欣/深圳道朴资本管理有限公司董事长3.刘宁晖/宇速投资CEO4.杨 健/耀之基金总监5.李 勇/汉青经济与金融高级研究院量化中心主任6.蒋 龙/通联数据首席科学家以下为文字实录：洪榕：其实上半场该讲的都讲了，那些没有用的都讲过了，剩下我们只谈一些有用的，有用的指的是在座各位认为有用的，最后我建议就这样，既然我们都在谈人工智能的未来，资产管理的未来，最后就讲两件事情，第一如果大家选择的时候，在人工智能方面应用什么样的公司我们可以选。第二，人工智能的股票大家认为比较好，讲一个，我们会研究，发现这样就叫人工智能，这个就叫厉害。前面那个我们就认为这样的资产管理公司骑上了快马的资产管理公司是我们将来要去公司，这个适用。我们就从这个角度讲。从凃先生这里开始。凃志勇：人工智能量化投资这个概念非常的火，我自己也做过研究，做量化投资。随着我的研究的深入我的观点可能和嘉宾的观点出现分岔。我感觉人工智能从长期来走一定会让投资利用趋于平行利润，要获得超额利润还是要搞。这是我的观点。王红欣：我自己做量化做了20多年了，本科是北大数学系的，前一段有人发给我一个讲课的内容，说清华大学有一个人工智能的培训班，我看了内容有很多内容我很熟悉，一些理论20年前、10年前不叫人工智能，只是说量化投资的不同的方法，因为早期计算能力有限，数据有限，所以好多量化分析统计是线性回归，其他的复杂的方法虽然学术界有，但实际应用过程中用得比较少，我说方法叫人工智能其实好多也是在学术界做了好多年的。第二，这个东西能不能挣钱。我持一个怀疑加开放的态度，为什么讲怀疑？十几年前我们在美国做过很多研究，发现最后很难赚钱。当时十几年前数据有限，好多方法，包括计算机程序速度可能不够。所以现在数据多了，计算机的速度快了，是不是有可能有一些新的突破，我觉得是有可能，从理论上讲，我们要学习，要持开放态度。但是如果说就事论事从两个方面分析，在高频领域我认为人工智能有用武之地，因为人工智能好多基本面逻辑不是很多，数据很大，越进入高频领域数据越多，在相对短的时间内环境相对稳定。这种情况下我认为用一些人工智能，机器学习的方法是可以的。但是在中长期的投资，有些基本面逻辑的我认为人工智能的一些方法是有问题的。是有局限的，为什么呢？因为我们做量化需要大数据、大样本。但是你如果说你按天、按月计算，一年没多少大样本，用10年、20年样本确实大了，但是社会环境、经济环境、市场环境已经变了。这种情况下同样的统计方法也会有问题。所以你模型越复杂，参数越多，自由度越多，数据挖掘的成分越大，黑盒子未来可复制和应用的可能性越小。从方法论上讲这是我的一个观察。我也同意凃教授的理论，超额收益大家用同样的理论这个行业不可能有超额收益，能做可能是少数人有过人的学识，像文艺复兴一样，美国也没有几个文艺复兴。我觉得投资还是、投资基本面、投资上市公司。我们要用工具让我们的投资更严谨、更科学、更全面。但是最终还是机器和人的结合，我对人工智能和机器学习持开放的态度，我不愿意花更多的精力在这个领域上面。洪榕：这样下去麻烦了，两位专家的意思是这个意思，这个东西一旦发展下去像枪炮发明慢慢地变成常规武器，常规武器没有用了，一定要有人发明核武器，但是核武器又不让用，最后发现还是各干各的，拿把刀就上街了，是这个意思吗？娄永琪：我有点同王总的观点，我觉得人工智能这两年兴起特别快，随着不同行业的人工智能的一些应用的成功的案例。包括之前提到的一些海外的基金，包括国内的做人工智能大数据的产品，到目前为止效果还有待验证。这是一个基本观察。我觉得这块发展绝对是不容忽视的，包括公司内部也都非常热烈的，近期会做一些这方面的研讨。把人工智能领域很多的方法，可能有一些确实像王总讲的，把以前的一些基本的统计分析，一些经济计量的东西混到里边也叫人工智能，其实以前都有。但是也有一些东西是以前可能没有的，我有一个感觉是现在的交易体系里面对这一块的重点的加大确实是比以前来讲有了一个很大的质的提高。所以我们现在包括新的看到的一些加入行业的研究人员，他们的知识背景结构当中跟我当年比起来确实在这方面有很大的一个提高。所以我感觉跟他们在一块觉得这块的知识需要更新换代，所以我们每周都会做一个人工智能方面的专题探讨，上一周他们讲的RNSTM，蒋龙是专家，他告诉我是科大讯飞背后的核心技术。我觉得这块东西不管怎么样是特别蓬勃发展的，非常有活力这么一个领域。但是回到刚才说的这个东西能不能在实际投资当中玩得转，在多大程度上能够帮助我们决策？另外一个观察近些年来我感觉在投资领域还有一个趋势是说拿而言，无非你的投入跟产出两边要能够做一个比较好的权衡。现在我觉得人工智能至少在两点上能够帮助我们做到这一点，具体说，如果我给定一个最小的投入，我能够得到一个最好的结果，如果从这个角度来说因为人工智能毕竟它的成本比较低，整个程式一旦写上去可以进行无脑的操作，这样一来把以前一些只有复杂的机构投资人或者是做的一些东西，他们能够做的事情，人工智能是大众化、普及化的手段，我自己的感觉是这样的。现在海外流行的那几家无非是可以把先进的新的快速地零售化，这是我的一个感觉。包括就像一些对冲基金这个趋势，现在有一些对冲基金把产品慢慢做得像公募化，把费率往下降，把以前复杂的策略通过简单的包装用一个相对经济的方式推向市场。包括像现在很流行的聪明数据这种产品也是类似的一个意思，以前可能是大家分类比较粗，所有的东西只要能挣钱都是收益，后来把它分成α和β，发现α里面不都是α，很多α大家都已经耳熟能详了，把它抽出来叫聪明数据，这个聪明数据越分析细以后这些东西慢慢都变成商品化了，一旦大家都知道了也无所谓了，拿出来就可以卖了。各种各样的聪明数据产品也就应运而生。我觉得人工智能这一块，了解了一下现在包括海外的人工智能产品，比方说一些公司在卖的产品，无非是把的ETF做一个大类的优化配置，差不多就是人工智能目前的产品，在目前的阶段，我感觉目前大概就是这么一个现状。我说的东西跟大家都讲的要非常超越人脑很高大上的东西有点不一样，我可能看得没有那么高。但我觉得目前人工智能说实话在产品层面确实没有走到那么极致，包括现在国内很多的银行或者三方大家也都是借着人工智能的概念推出各种各样的智投，增强产品，我觉得目前这个阶段是一个很好的时点，很多都在介入，大家在这个基础上可上可下，可以做很多事情。一方面从这个概念可以给这个行业带来的目前的一个现象的理解。同时，我觉得纯粹从一个纯技术的角度，这一块的一个新技术对我们的投资领域的冲击确实是非常的让人有期待的。同时，也是充满挑战的。我觉得听前一个论坛他们讲到的，包括我们的海外友人提到的这个想法也是让人非常有启发，基本上是人机结合的一个概念。人你要做交易，不断地做交易，你只要不断地做交易你总有对总有错，他是说我如果能够从风险的角度把一些可能出错的，人的生物方面表现不是特别好的情况下的交易过滤掉，从下行风险控制一下，最后的总的表现要超越正常的表现。这样的话，人其实最终还是要来做这个决策，因为实际上现在大家讲大数据。我觉得其实真正难做的可能是小数据，什么意思？包括前一轮有嘉宾提到的看管理层躲过一个风险，少踩一个坑的例子，稍纵即逝的观察让你能够躲避风险，人工智能能够把这个学会，这个可能是一个人的本领，这个是一个小数据，怎么样在小数据里面决胜。你说你大数据的优势怎么样跟人的小数据这种特点结合互补，我觉得这是一个很值得想的问题。再举个例子，整个金融，如果人说AlphaGo它围棋能够在大概短短的十年中，整个由一个大家都不敢想象的情况一下子能够变成一个把人类彻底踩在脚下的状态，我觉得这个跟投资领域可能也确实是有些差异，毕竟这个市场可能还是一个更加博弈的市场。而且它的一个动态的变化各方面可能不像一个棋盘是事先设定好的游戏规则。现在很多人说下一周招商证券要开会了，逢会必跌，一听是很幼稚的想法，但是如果大家讲行为金融的话，首先这个是公开有效的信息，大家开始关注招商要开会了，大家知道往年开会有什么样的情况，基于这种情况你再考虑下周是不是因为这个事件的发生我要对我的操作做一个应对。我觉得这个东西从人工智能来讲也完全是可以解决的。如果是通过各种各样的方面是不太难解决的问题。但是我觉得投资毕竟是一个不断更新的过程，包括前面演讲嘉宾在PPT里面提到的很多东西，我感觉自己要有很多东西要学，不然有点跟不上。但是最终市场的力量是不同的参与方都在博弈，有套利，有投机，有套保的，人群的差异性存在给到我们每一个交易者有这么一个机会。我觉得人工智能作为一个手段肯定是要为我所用，如果我们能够把它用得更好一定是能够创造额外的收益。李勇：谢谢洪总的介绍，稍稍澄清一点，我是大学教授，我不是李总，我是中国人民大学海归体制学院的教授。我们中国人民大学是政治经济学见长的学校，后来学校引进海归，我们把海归老师放在一个学院，成立了一个高级经济金融研究院，当时的院长也是普林斯顿的教授。我当时从海外回来搞量化投资，来到了学术界，当了学院金融系的首任系主任。我回国之后，我一直想，我们新的金融学院和人大传统的金融学院有什么区别，和商学院金融系有什么区别，想来想去，结合本人的研究方向，我想到了量化投资，于是我在国内办了第一个金融量化硕士班，每年大概培养大概90名左右研究生，我自己本人一个人就培养了100个硕士博士了，应该说我是老师中培养研究生的大户。对于金融学教育，我这个问题我真是思考了很多。我想做教授第一要务应该是想培养什么样的学生，这些学生将来能干什么。我相信老师是最大的VC，学生好了老师不就牛了吗？为什么厉以宁教授这么牛，他学术不错，更重要的是他培养了李总理。今天我们讨论的是人工智能在的应用。但是我觉得我们定位低了，我们都是在讨论人工智能在投资中的应用。但是在整个资产管理行业中，有几百万的从业人员，又有多少是的？我想做投资的1%也许都不到。因而，我们仅仅谈人工智能在投资领域应用的话，那就太狭窄了。人工智能应用到投资这个领域其实很特殊，上半场的嘉宾有共识，我的想法跟第一场嘉宾他们一致，投资完成由人工智能替代，可能性很小。量化投资是模型，人工智能也是模型，然而投资不仅是历史预测，而且也用未来解释现在，这个是AI做不了的。我举个例子，我们做如果把房地产纳入进来，从现在看这个组合一定是超配房地产的，为什么？房地产整个资产几乎没有回撤，风险波动率很小，很高，你想你用模型会得出什么结果？仅仅从历史数据看，一定是超配房地产，从现在看，有问题吧？因而，在这个方面，人工智能能打败人吗？再举个例子，在牛市当中，如果用均值方差模型，一定是超配的。为什么做出了很多问题，大家认为FOF就是基金分散，没有，最终会出事。用一个模型得出基金配置就叫FOF，就叫量化，我想不是这样的。投资我们不光要用历史数据，而且还要用主观判断。我身边有很多人工智能的教授找我合作，搞个预测，能不能挣一把钱，大家对钱是有共识的。我说我在面对机器学习不很看好，特别是中国市场。我在中国人民大学，我一直思考我到底培