最近看到一篇文章题目是《科学将人工智能拖下神坛（二）——Alpha狗的失败》作者李可，是一位知识产权高级咨询师。
"人工智能是科学的产物，是当今炙手可热面向未来的技术，它承载着人们对技术颠覆生活的下一个期盼和恐惧。本咨询师充分肯定人工智能技术将超乎我们想象的巨大价值和威力；同时，否定公众对之神化的不科学认识。"
他的观点，跟我是很一致的，我在公众号里多次提到公众对Alpha Go的误解，比如Alpha Go 这个Go 是围棋的意思，不是电子游戏里Ready？Go！ 那个Go！美国人看来就是围棋1号的意思，而国人看来就是比哮天犬还神的神兽。还比如，我也在之前文章里也表达过一个观点，Alpha Go 根本谈不上科学发现，就是一个技术发明，它具备的智能 可能跟大众想象的 “类人的智能”，可能一分钱关系都没有，就像老婆饼里没有老婆，鱼香肉丝里没有鱼一样，Alpha Go这个人工智能的旗手，根本就没有大众想象的“智能”。
我也找出Alpha Go团队在Nature上发表的论文题目《使用深度神经网络与树搜索使计算机精通围棋》，并评论说阿尔法狗的成功并不是成功的提出或质的提升深度神经网络算法，而是创造性的把已有的深度神经网络算法和树搜索算法成功的应用到围棋这个挑逗大众敏感神经的智能游戏中。 但因为我对围棋一窍不通，对卷积神经网络，七窍也只通了六窍，总感觉没有拿出特别有说服力的东西证明自己想表达的一些观点。之前在网上也浏览了一些技术解读Alpha Go的文章，可能都是一些想显摆自己懂神经网络的人写的吧，不仅仅是晦涩难懂，而且根本就抓不住重点。直到我读了李可的文章，并顺藤摸瓜，查阅了《Alpha Go之父：关于围棋，人类3000年来犯了一个大错》，才豁然开朗。把两篇文章结合起来看，你会发现，这两个人， 一个把Alpha Go 推上了神坛，一个想把Alpha Go 拉下神坛，对在Alpha Go的基本原理方面表述却没有本质的不同，只是一个鼓吹“我们到了人工智能的新的转折点”，暗示Alpha Go 有望走向通用人工智能（AGI），另一个说，别逗啦，你还差得远。特别是，读完Alpha Go 之父杰米斯·哈萨比斯（Demis Hassabis）的演讲之后，我都觉得Alpha Go 的基本原理和我研发的股票智能投资系统颇有相似之处，下面就跟大家分享一下。
这个截图就是AlphaGo之父对AlphaGo基本原理的阐述，也就是说Alpha Go的核心架构就是两个神经网络，一个是决策网络，另一个是数值网络，结合那篇文章的上下文，我大致明白了，决策网络是用来简化分析的。在这篇文章中，Alpha Go之父也提到为什么人工智能下围棋的意义远超过下象棋，因为围棋难啊。"这个游戏只有两个非常简单的规则，而其复杂性却是难以想象的，一共有10170（10的170次方）种可能性，这个数字比整个宇宙中的原子数1080（10的80次方）都多的去了，是没有办法穷举出围棋所有的可能结果的。我们需要一种更加聪明的方法。" 这个聪明的办法就是“下载成百万的人类围棋棋谱，..........寻找只需要看的那50种可能，而不用分析所有的200种可能。” 据说在这个过程里用到了一些人工智能的算法，但我觉得这里面的智能，不是intelligence，而是smart，clever
。
实际上，我们做量化投资，第一步也是简化。比如做多因子模型的，通过对历史数据的分析或者 主观投资的经验和信念，从几千个，几万个量化指标里筛选出几个因子，作为评估股票投资价值的重要考量。做模式识别的，通过对几万个模式的分析，找出后面超额收益最稳定的模式，而不是把所有形态都作为股票筛选的依据。不同的只是，Alpha Go通过学习人类棋谱，而我们主要通过分析历史数据。历史数据的分析是否有用，请参考本公众微信号的另一篇文章《量化投资的三大基石》。 另外，如果说量化投资有什么假设的话，我觉得第一条就应该是信息都在数据里。全球的经济前景，特朗普的不靠谱性，国内的经济政策，股票的成长性，都在数据里，这也是一种简化。获得诺贝尔奖的Fama 三因子模型，将几千只股票每日的涨跌用三个因子大致解析出来，这也是一种简化。本人提出的黑格尔-赫斯曼气象图谱，将股市择时的各种各样的因素浓缩成估值和情绪两个维度也是一种简化。
再看Alpha Go的第二个网络， value network ，上面的截图翻译成”数值网络“，我也看到有人翻译成”价值网络“，其实我觉得这两个翻译都不太贴切，更好的翻译是“评估网络”。value是有 评价，估价的意思的，可自行百度。
把Alpha Go之父的这两段话结合起来看，就明白了，第二个网络的作用就是建模。但是围棋建模的难处在于目标函数都很难定义。而这个在股票量化投资中，这个目标函数就像Alpha Go之父说的象棋里的评价函数一样简单，就几行代码就搞定了，无非就是选出的股票未来收益率值更大，排名更靠前。虽然我到现在也不知道Alpha Go的目标函数具体是怎么设定的，但我大概明白，Alpha Go之父说通过强化学习各种棋谱，而李可说，背棋谱。我觉得这两种说法大致是一样的， 都是通过对历史数据的学习，建立在统计概率优势基础上的模型。这一点，其实跟我们的股票量化投资系统别无二致，而且股票量化投资更容易建立目标函数。
也就是说，任正非关于人工智能的观点是对的，至少在Alpha Go身上，我们可以清楚的看到，它的人工智能就是计算机+统计学，跟大众期待的能够进行逻辑推理的强人工智能还相差甚远。尽管如此，我们依然要肯定AlphaGo 为推动技术进步带了的积极意义，因为它确实让我们看到了，以前需要人的智力才能做的事情，现在计算机通过适当的算法可以做的更好，这也是我们这个时代的人工智能的真正含义。
说到这里，可能有人会发问，不是说Alpha Go里面用到了很多深度学习的算法吗？我想说的这些算法只是做简化和建模的时候所使用的工具，比如围棋算法正好适用卷积神经网络，蒙特卡洛模拟这样的计算工具，工具就像是锤子，钳子，斧子，适当的时候用什么工具是根据应用场景而来，而不是拿着锤子，觉得到处都可以敲一敲，到处找应用场景。 前些年还有个叫张悟本的人说生吃茄子能治百病的，据说信的人还真不少。
再回到股票智能投资系统的可行性的问题上来，无论是问题的抽象简化还是量化建模，都比围棋容易的多，而且也未必需要cnn，dnn这样高深的算法，著名的Fama-French的三因子模型就是一个简单的线性求和；而且股价的波动看似无序，其实也有内在的秩序，这些内在的秩序都是可以通过数据统计分析总结出来，这里面最深刻的机理就是人性是不变的，投机就像山岳一样古老。
为什么现在还没有股票智能投资系统像Alpha Go一样成功呢？我以个人的体会谈一下， 围棋比赛几个小时见输赢，而股票投资确是一个长期的过程，比如我的群体智能投资交易系统做的已经比较成熟了，但是我的股票组合平均每天也只是跑赢指数千一，千二，这跟大家期望的不断抓涨停，指数涨一个点，人工智能系统应该涨三个点的那种期待确实有很大的差距。但是奇怪的是，我把历史回测十多年的数据累计起来给大家看效果的时候，几乎所有人又不敢相信了，太高了，怎么可能呢？你说奇怪不奇怪？我只能说这是复利的力量。而复利的力量只有在长期才能够体现出来，所以证明和被认可缺的主要还是时间和耐心。
之前有人问我，我的系统的资金容量有多大，我一般都有些含糊其辞，因为确实没有正里八经的测试过，我一直以来管理的规模太小了，根本不用担心资金容量的问题，直到最近有人跟我说他们有100多亿的资金，问我这边认为的最适当的管理规模，那还说啥，管他合作能不能成，赶紧测。我按照某券商给我的数据，他们的算法交易可以以均价偏差不超过0.1%的情况下买到20%的股票成交量（他们跟我说的真实数字是能买到30%， 我感觉有些不可能就打了个折），计算的，下面的结果可以管理100亿规模（日均换手率5%,交易成本次日均价+千三)。
all_w 是 持仓组合的日均成交额（以0.5亿为单位，有点别扭，但是数据没保存，改起来太麻烦，将就理解吧）
关于量化投资系统的资金容量话题欢迎大家评论，讨论，也许我下个周的文章内容，就会讲讲如何测评一套系统的资金容量，欢迎拍砖。最后给大家看一个视频，人类实现飞行的古老梦想，真不需要这么科幻，同样，股票智能交易也不需要多科幻的技术,换个思路就会简单可行。
万水千山总是情，点个” 在看“行不行？
