人工智慧會取代經濟學家嗎?
如果你覺得會,大概幾代人之後呢?
經濟學家的主要用途是背書和背鍋,只要大眾相信,人工智慧下一秒鐘就可以在大眾傳媒語境中替代經濟學家。
「根據大數據,施主要破財免災!」
諾貝爾經濟學獎頒給了阿爾法狗,想想就帶感。
經濟學家有很多的功能和類型,在某些方面相信是可以替代的。比如:人工智慧可以取代經濟學家上課的功能,特別是照本宣科型的經濟學家。一些基於數據的分析和處理的功能也可以被人工智慧所取代。至於開創性的思想型的經濟學家人工智慧是不易取代。當然如果人工智慧形成一個新「物種」,具備思考和學習能力,而去研究人類,那就很有趣了,所謂「旁觀者清」,「跳出人類研究人類」現有很多人類自身無法研究的問題可以被人工智慧研究出來,而且結論更具顛覆性。
半吊子強答
經濟學裡包含有 經濟思想與實證部分,人工智慧可以用在實證部分,比如某種理論下的數學模型但是,除非AI可以「提出某種經濟思想(或假設)」 也就是「思考」與「提問」,那可以取代經濟學家,不過這幾乎就是自我意識吧?那就扯的遠了zhuanlan.zhihu.com/p/31691969
佛學唯識學 阿賴耶識 人工智慧與認知過程 人類戀愛過程不等同於動物生殖過程 信息主動選擇並行串列交互行為
【修行人解答 院士提出的人類認知模型,意義十分重大。他就是佛學阿賴耶識的現代人工智慧技術的轉化版、簡化版。人類智能的發展經歷著已有認知結構與不斷發展的認知進行交互並互為因果的超循環過程。人類的阿賴耶識就是人類認知的種子,人類的前七識對阿賴耶識不斷熏習而形成種子功能,並在阿賴耶識存儲下來。種子又是前七識形成的種子依。阿賴耶識與轉識同時生滅。
人腦通過對多通道信息的相互監督(self-supervision)完成學習,從而獲得對外部事物的知識;通過對多感測信息的融合,實現對目標的識別與理解;並可以根據已有知識對各感測器實行控制。這種前饋和反饋過程的完美結合,使人腦具有極高的智能水平。
這段話就是再談五識與第六識第七識第八識的作用相互過程。
眼耳鼻舌身之五識,他要發生作用,首先要在第七識末那識第八識阿賴耶識的指揮下,才會與外部境界發生作用,所謂的監督就是指第六識意識的分別,所謂的已有知識就是種子,所謂的前饋與反饋過程、多感測信息的融合就是阿賴耶識與轉識的相互作用。
院士的佛學唯識學功夫極深呀!】
認知的載體是大腦,腦是一個複雜系統。腦的複雜性不僅表現在它是由大量的神經元(約1000億個神經元)組成,更重要的是神經元間存在著異常複雜的聯繫,這些聯繫在方向上以多重前饋和反饋,在分布上以會聚和發散等多種形式,形成一個複雜的網路—腦。
另一方面,腦的整體結構和功能也是複雜的。在結構上有分子、亞細胞、細胞、核團、系統等。而在功能上有不同層次、不同部位的神經元功能存在著區別。
如視覺系統中不同的神經元,它們分別對由簡單到愈來愈複雜的視覺圖像(如運動、邊緣、形狀、顏色和紋理等)產生刺激和反應,並在腦皮層由這些反應得出外部世界的描述(圖1)。生物視覺系統中這些功能不同的細胞已在動物中被揭示。
而對人腦來說還可以有對不同抽象級別的概念響應的細胞。人類具有完善的視覺系統可以在瞬息感知外部世界, 這是智能化視覺信息處理系統的一個典範,其物質基礎就是人的完美的視覺器官和複雜而完善的以神經元為基本組成單元的中樞神經系統。
腦的基本功能即認知的信息處理功能是對環境信息作合適的處理和存貯,並作出決策或反應。而腦功能的實現依賴於多個腦區大量神經元共同活動和整合(iintelligent),即作為一個系統而發揮作用。
例`如人腦與鼠腦在分子層次上是相當一致的,但其高級功能有很大差別,這些差別是由於在神經元以上層次的組織與聯繫的差別造成的,即是屬於系統水平上的問題。
因此,我們很難用分子生物學來解釋感知、記憶和思維等腦的高級功能。
【修行人解答 院士關於對人腦來說還可以有對不同抽象級別的概念響應的細胞。腦的基本功能即認知的信息處理功能是對環境信息作合適的處理和存貯,並作出決策或反應。而腦功能的實現依賴於多個腦區大量神經元共同活動和整合(iintelligent),即作為一個系統而發揮作用。,我們很難用分子生物學來解釋感知、記憶和思維等腦的高級功能。
為何?因為分子生物學級別觀察到的感知、記憶和思維等腦的高級功能,不過是生物電流以及生物化學的過程,因此觀察者把人類的認知水平等同於小白鼠,其實大錯特錯!人腦與鼠腦在分子層次上是相當一致的,但其高級功能有很大差別,這些差別是由於在神經元以上層次的組織與聯繫的差別造成的,即是屬於系統水平上的問題。這就是院士的結論。
所謂系統水平的差異,是因為人類大腦具有對不同抽象級別的概念響應的細胞構造,人類有高於小白鼠、一般動物、尼安德特人的所沒有的靈命,也就是說人類的有不同級別的情感、價值、倫理道德的抽象概念,這種抽象概念是人類對環境信息做出處理、存貯和並作出決策,這種信息處理的實現依賴於多個腦區大量神經元共同活動和整合,處理產生的、對應的行為,是人類的心理活動、價值水準的意義,以及可以實現靈命的安寧,而不是單單只是生理的需求的滿足,比如人類的戀愛過程就不能等同於動物的生殖衝動與生殖過程,就是最好的解釋。
古老佛學第六識第七識第八識,就是一個抽象級別的人的大腦認知過程的完美的解釋。後面還要提到。】
迄今為止,腦認知功能研究的一些基本理論概括為以下要點:
(l)認知功能與腦結構間存在著定位關係,這已被腦功能成像的實驗結果所證實;
(2)腦細胞精細分工,檢測外間世界的特徵並以某種調頻式編碼表達這些特徵;
(3)對離散符號表徵的信息加工由底至頂逐層進行,在高層中樞內實現著特徵整合,大量特徵的初期檢測是並行性的,而特徵整合是串列的,從並行到串列的變換由選擇性注意機制加以控制;
(4)腦與計算機異構同功,儘管兩者的結構及物質基礎具有巨大的區別,但進行智能活動的符號處理過程是相似的,因此人類智能是可計算的;
(5)認知科學理論上可概括為物理符號論、亞符號論和模塊論。
Gibson的生態心理學理論。
他認為視覺認知過程不是被動地對環境的響應,而是一種主動行為。人們在環境信息的刺激下,通過眼動、走動,改變觀察點,從動態的信息流中抽取不變性,在交互作用下產生知覺。這種觀點被應用於近年來提出的主動視覺系統中(如圖2)。
生態理論或環境依存的認知理論提出:人的認知過程或智能並不是每個孤立個體腦內發生的符號加工過程;它不僅制約於生物界系統演化和人類個體發育、發展,還制約於人類社會文明發展。因此人腦與計算機無論就其結構還是功能過程而言都有巨大差別。對人類認知活動用現有的任何圖靈計算以及簡單的並行分布處理都無法揭露其全部實質。由此可見,生態理論強調人腦與電腦的本質差異,對認知科學理論發生了重大衝擊作用。
【修行人解答 佛學的唯識學的核心,就是萬法唯心、一切唯識的觀點,就是強調人類的認知活動,不是人的大腦被動的接受外部環境的信息。人類是依據每個人的思想與需求,主動地從環境信息中抽取信息樣本,形成人類個體對外部環境認知,形成每個個體有關於外部世界的認知。這個過程不是簡單的信息符號加工過程,而是與個體的生物學意義的發育與發展,個體的受教育程度,個體的心理構造、情緒構造,以及個體的宗教信仰、種族、所在地區與國家,個體的所處的社會環境有很大的關係。佛學就是說五蘊緣起,業力輪迴之關係。
人類視覺感知採樣是非均勻的,形成一個非完整信息處理系統。在視覺信息處理中,人可以根據一些抽象描述(概念化符號)結合已有知識,經邏輯推理自頂向下準確地把握外部事物,這種通過對事物特徵信息的整合來感知事物的綁定(bingding)機制,使人可以有選擇地處理視覺信息。
大腦的選擇性注意機制使視覺系統只注意景物中感興趣的視覺激勵而淡化背景,同時對一系列場景的變化也僅關注場景中的目標。人類認知的自底向上和自頂而下的閉環多層反饋式信息處理機制和多感測信息的融合,並行與串列的相互交織,保證了大腦能高效準確地感知外部世界。
人的視覺、聽覺、觸覺等感覺器官分別接收外部世界的不同信息,這些信息經大腦處理後,獲得對場景的理解。不同的感覺系統分別敏感於不同的信息,如視覺系統對景物或目標的空間位置、空一時對比度、形狀和顏色等敏感,聽覺則對信號的頻率敏感,而觸覺對物質或物體的材質和表面結構敏感,這些信息又在認知過程中相互印證(監督)。
人的五識身是在做一種主動地信息選擇,並在個體的阿賴耶識的種子依據下,做出對信息的判斷和理解。而這種判斷和理解,就是每個個體的認知過程,並導致個體的情緒、行為以及價值判斷不一樣。這就是萬法唯識、一切唯心。你的心,你的阿賴耶識,決定了你的認知水平與結果。
對人類認知活動用現有的任何圖靈計算以及簡單的並行分布處理都無法揭露其全部實質。
生態理論強調人腦與電腦的本質差異,對認知科學理論發生了重大衝擊作用。
還是古老的佛學唯識學,更本質與全面的揭示了人類的認知過程。】
人腦是一個非完整信息處理系統,這一特徵在感知的層次上是非常明顯的。
如視網膜上光感受器的分散式不均勻的。大部分光感受器位於中央黃斑區,以黃斑區為中心,隨離心率的增長,光感受的分布密度迅速下降,呈現出一種形狀擴散的格式(如圖a3所示,Y. Zeevi等)。
同時,對從視網膜到皮層的傳輸通路的研究也表明,視網膜是以一種拓撲方式投影到視覺皮層的,即特定的皮層區僅有其特定的感受野。皮層相當大的區域與中央視覺皮層有關。
從圖3a中可以清楚的看到以下特點:
(l)視網膜中央凹的黃斑區內錐體細胞密度最大,有最高的光採樣密度;
(2)隨著離心率的增大,錐體細胞分布密度降低,對形狀和顏色的視覺信息處理能力也隨之降低。
以上說明了高等動物的視覺感知採樣是非均勻的,形成一個非完整信息處理系統。
圖3b給出了應用小波變換實現的非均勻採樣,這種採樣方法使初期視覺計算模型更符合生物視覺機理,可真實模擬生物視網膜對視覺信息非均勻採樣及生物視覺系統所具有選擇注意能力的特徵,能進一步降低視覺計算複雜度。這種方法是建立在對生物視覺的實驗和觀察的基礎之上的。
人腦對單一感測信息的處理也表現出獨特的性能。例如,在視覺信息處理中,人可以根據一些抽象描述(概念化符號)結合已有知識,經邏輯推理自頂向下準確地把握外部事物,這種通過對事物特徵信息的整合來感知事物的綁定(bingding)機制,使人可以有選擇地處理視覺信息。
大腦在處理視覺信息的過程中,表現出高度的並行性(雖然這與通常意義的並行可能有很大的不同),可以有效地劃分視覺任務,通過對局部信息的時一空整合(感舜野逐級綜合)實現視覺感知,這是一個自底向上的過程,該過程具有明顯的多尺度(scaling)特徵。
同時,串列計算在局部特徵整合和邏輯推理中也起著重要的作用。大腦的選擇性注意機制使視覺系統只注意景物中感興趣的視覺激勵而淡化背景,同時對一系列場景的變化也僅關注場景中的目標。人類認知的自底向上和自頂而下的閉環多層反饋式信息處理機制(如圖4所示)和多感測信息的融合,並行與串列的相互交織,保證了大腦能高效準確地感知外部世界。
目前人對其自身智能活動的認識還處在較低的水平上,但隨著神經生物學和神經生理學研究的不斷深人,正逐步揭示出可供機器智能研究借鑒的物質結構和信息處理機制。
人的視覺、聽覺、觸覺等感覺器官分別接收外部世界的不同信息,這些信息經大腦處理後,獲得對場景的理解。
不同的感覺系統分別敏感於不同的信息,如視覺系統對景物或目標的空間位置、空一時對比度、形狀和顏色等敏感,聽覺則對信號的頻率敏感,而觸覺對物質或物體的材質和表面結構敏感,這些信息又在認知過程中相互印證(監督)。研究在智能機器系統中如何進行多感測信息的處理與融合是當前智能信息處理中所面臨的非常重要的課題。
大腦的思維能對信息進行創造性的加工,產生出人類的新信息、新知識。人的認知是從具體到抽象,從簡單到複雜,從低級到高級的發展過程。這對探討利用機器從浩瀚雜亂的網路環境中挖掘所需要的知識具有重要的借鑒意義。
認知過程中的交互行為與選擇注意機制
人類感知的經驗表明:人具有從複雜環境中搜索特定目標,並對目標信息進行有選擇處理的能力。這種搜索與選擇的過程被稱為注意力集中(focus attention)。
在信息爆炸的時代,快捷有效地獲取所需的信息是人類所面臨的一大難題。如何將人的感知覺系統所具有的環境聚焦(enviroment focus)和自聚焦(self-focus)機制應用於多模塊系統的學習,根據處理任務確定注意網路的輸人,使整個系統在注意子系統的控制之下有效地完成信息處理任務,有可能為上述問題的解決提供新的途徑。
在主動計算機視覺中,選擇注意可分為兩個層次:
由數據驅動、自底向上的獨立於內容和語義的低級視覺注意;
由知識驅動、自頂向下的基於內容和語義的高級視覺注意。
對於基於純數據驅動的視覺注意,感興趣區域的選擇與邊緣、角度、曲率、對稱性等特徵的提取和整合有關;
而基於內容語義的高級視覺注意則與視覺任務、物體和環境的知識有關,並且與模式識別和匹配密不可分,高級注意建立在低級注意的基礎上並對低級注意具有反饋作用。
然而以往的一些相關人工視覺研究主要都集中在低級視覺注意上,而在高級視覺注意以及低級注意與高級注意的互動方面所做的研究工作甚少。
視覺注意機制應建立在高級注意和低級注意交互的基礎上,從自底向上和自頂向下兩個方向同時實現視覺注意。
一些基礎的研究問題有:選擇與注意力集中機制;視覺皮層的反饋機制;感受野與非線性視覺處理等。
交互行為理論是這樣看待視覺問題的:
首先視覺不是孤立地起作用,而是複雜的行為系統的一部分;
其次,視覺計算是動態的,通常並不需要一次將所有的問題都計算清楚,而是對所需要的信息加以計算;
第三,視覺計算應該是自適應的,視覺系統的特性應該隨著與外界的交互而變化。
因此,交互行為理論認為,視覺計算是外界環境和視覺感知器共同作用的結果,兩者缺一不可。
一旦行為被認為是視覺計算的基本要素,通常表示就顯得不重要了,有了行為的參與,一些計算問題如光流、表面方向和深度的計算通過行為假設就成為受約束的而變得易於解決
不邀自來。
最近回答了很多人工智慧以及機器學習在金融/經濟學領域發展前景的話題。藉此機會歸納了一下答案,並根據題主的問題增添了一些新的內容。
本文約6000字,閱讀需10分鐘。
--------------------------------------------------------------------------
0. 序言
1. 人工智慧在金融服務領域的應用 - 對沖基金,審計等
2. 為什麼現階段人工智慧不可以代替金融/經濟學模型?
3. 金融/經濟AI需要什麼樣的數據來支撐?
4. 為什麼要繼續從事金融/經濟學研究?如何有所側重的學習?從業者該如何應對人工智慧時代的變革?
--------------------------------------------------------------------------
0. 序言
無論是金融還是經濟都是非常複雜的學科,分支很廣。且很多情況下都設計到了隨機系統。
因此,在短時間內,很難出現全領域的人工智慧或者機器學習模型。但是在利潤率高、數據結構化好、數據儲量大、問題定義明確的單一金融/經濟學領域,AI可以發揮其力量。當不同領域的金融AI如果都能發展到一定程度時,或許能加速整個金融產業的AI發展。隨著一個個小領域被逐步擊破,大規模的跨領域金融AI有可能會出現。
在現代經濟學中,很多規律是從數學模型和圖像模型中而來的。得益於AI的智能,未來的AI經濟模型或許可以揭示出新的經濟學規律,這可能會改變現階段經濟學建模的流程。所以在可以預見的未來,經濟學家不會被取代,但其建模流程可能轉變為利用數據建立AI模型並分析結果,再提取歸納經濟學規律。顯然,我們很難相信AI時代就必須由計算機科學家來主導一切學科。因此,金融學/經濟學不會消亡,只會有更多的表現形式,如AI經濟學。
在現階段,無論是金融公司還是科研機構所面臨的數據結構化需求遠遠高於人工智慧的需求。大量的歷史數據還並未電子化,甚至現階段大量金融公司新產生的數據都還屬於不規範的格式。沒有大量的結構化數據基礎,金融AI只是空想。
因此對於金融服務類公司,收集和購買結構化數據是重中之重,同時加大在AI領域的投資,比如招聘更多計算機科學/統計學從業者將會幫助公司繼續保持領先地位。對於個人,在加強自身專業的前提下,進行跨領域學習,會為自己帶來很大的優勢。
1. 人工智慧在金融服務領域中的應用:
大量的機器學習模型已經被用於金融實踐當中,比如利用機器學習進行風險預測、假賬/錯賬檢測,和反洗錢等。比較值得關注的行業動向包括各大金融服務類公司發布的展望,比如高盛去年年底發布的人工智慧展望。
AI也涉足到了其他專業服務行業。如答主本身也在 隨著人工智慧的進步,財務工作者會大批失業么?該如何應對? - 知乎用戶的回答 - 知乎 中提到了我們團隊正在開發審計AI的進展與展望 [1]。
同時,大量的人工智慧也已經被對沖基金所使用,比如Simplex Equity的Self-learning model,在未經人工干預的前提下實現了在英國退歐時就拋售了日本期貨。這並不是孤例,彭博去年的一篇文章就分析了AI對於Quant的衝擊,人工智慧基金 跑贏大市 - Focus On - 彭博商業周刊。
明顯可以發現,上面提到的例子就屬於我們所定義的利潤率高且有數據積累的領域,因此金融公司願意投入財力和人力進行開發 [4]。
2. 為什麼AI模型不能完全替代金融/經濟學模型 [2]?
2.1. AI無法很好的定義一個金融/經濟學問題
現階段比較在商業話中被廣泛應用的機器學習還是監督學習,而監督學習要求有比較明確的問題定義。現在看起來很有希望的強化學習,遷移學習等還並不能大規模普及應用。
以簡單的監督學習為例,如果你想建立一個模型來預測企業併購是否會影響公司股價,那麼你需要提供大量併購數據,以及併購後股價是否發生了變動。理想情況下,在收集足夠多的併購消息和股價變動信息後,做自然語言分析後提取特徵放到機器學習模型裡面就大功告成了。
然而在實際情況中:我們無法給出明確的問題定義和邊界。如果想用AI來來制定一個股票交易策略,那麼需要考慮進去多少因素?僅僅只考慮併購消息就夠了么?越多的相關的因素越可以提高模型的擬合性和準確性。如宏觀政策和微觀的具體情況都會影響到股價的波動,漏掉其中哪一個都會造成一定的影響,往往是多多益善。在這種情況下,每個問題都需要大量人和數據來支撐,這也是為什麼大量用AI來預測股票走勢的探索都無疾而終的原因。
現階段或者可預見的未來,在很多問題上不會出現這種明確的定義和範圍。
2.2. 機器學習模型的可解釋性低 [5]
舉個例子,機器學習在工業界最流行的模型就是logistic regression和random forest,是因為這兩個模型的準確度/表現最好么?不是,因為這兩個模型具有可解釋性和可視化。對於管理者/監管者來說太重要了。同樣,在經濟學領域模型的可解釋化也很重要,畢竟經驗科學很難被當做理論來證明。現階段的大部分ML模型都面臨效果不錯解釋不得的問題。越來越多的論文在嘗試提高模型的可解釋性,比如"Why Should I Trust You?": Explaining the Predictions of Any Classifier[3],就嘗試證明了通過通用手段來證明機器學習模型的正確性。僅當這個領域繼續發展以後,我們才不單單把機器學習當做應用,而是探索理論發展的工具。
2.3. AI從業者和金融從業者缺乏有效溝通
在很長的時間裡面,人工智慧和金融經濟學之間的跨領域協作比較薄弱。作為一個計算機背景的人工智慧從業者,大部分人對於金融/經濟學的理解還處於比較膚淺的狀態,只理解基本的概念和原理。同樣的,金融服務類從業者又缺乏對於AI和統計模型的了解。因此使用AI來推動金融學發展需要大量跨領域的人才,至少需要兩個方向都懂的項目經理。
2.4. 金融領域缺乏足夠的大數據和人工智慧人才儲備
人工智慧的火爆,或者說06年Hinton論文[6]激起深度學習老樹開花到今天2017年,短短十年間學界並沒有來得及為行業儲存大量的專業人才。不難看出,大量一流AI/ML人才還是被互聯網公司一網打盡,留給金融服務類公司的人才並不多。大部分金融服務類公司的首席數據科學家基本都不是計算機/統計/數學背景出身。身處工業界的AI/ML/NLP大牛基本都無一例外在科技公司, 比如:
- Geoffrey Hinton - Google DeepMind
- 李飛飛 - Google
- 李佳 - 原先在Yahoo現在和李飛飛都在Google
- Andrew Ng - 百度
- Yann Lecun - Facebook
- Russ Salakhutdinov - 蘋果
雖然金融服務類公司正在努力將AI人才收入麾下,但現在的趨勢依然是第一流的人才都去了科技公司或者自我創業。
2.5. 投出產出在短時間內不成正比,短期難以獲得收益
每個AI問題可能都需要大量人和數據來支撐。因此研究探索型的、不能產生利潤的方向很少有公司來投資AI。換言之,有財力提供AI研究的金融公司不多,小型的金融機構或者學術機構又缺乏資源(資金,技術人才,數據積累)來進行系統的研究。
2.6. AI自身所面臨的技術性挑戰
很多AI自身技術還沒有成熟,比如在大量需要與客戶溝通的領域,人機交互以及自然語言生成也還需要繼續探索。進一步說,AI在金融領域應該以什麼樣的模式存在?是一個軟體,一個網路服務,還是一個機器人?這是開放性的問題。
3. 金融/經濟AI需要什麼樣的數據來支撐?
需要結構化的數據,至少是電子數據。金融領域的大數據化,甚至是數據結構化都還有很長的路的要走。以審計為例,很多公司還有大量的票據都不能無紙化,更不要提AI能夠消化的電子數據了。前一陣子我們團隊開發一個面試AI,但是並沒有原始數據可以直接使用。於是我們讓12個剛入職的員工花了一周時間把我們保留的面試視頻逐字逐句的轉譯到文字+特徵,整個過程苦不堪言。
因此利用機器學習來進行經濟學研究,獲得乾淨的結構化數據難度是很高的。作為一門理論基礎學科,缺乏足夠多的科研經費會成為購買數據的阻礙,而往往手握這些數據的大金融公司是不會隨便出借/銷售寶貴的數據,畢竟這是個數據為王的時代:)
因此對於金融公司從現在起就應該繼續大力推進數據電子化,在數據價格便宜的時候從其他公司購買數據。或許在不久的將來,數據的價格將會高到不可企及的程度。
4. 為什麼還是要繼續從事金融/經濟學研究?如何有所側重的學習?該如何應對人工智慧時代的衝擊?[4]
金融領域的AI化最需要的不是AI專家,也不是金融學者,而是懂AI的金融從業者。如果現階段各行各業都因為人工智慧火爆而轉向這個方向,只會看到AI泡沫破滅後整個社會的一片狼藉。我們需要各個領域專家來告訴AI從業者行業的痛點,我們需要項目經理來領導各行各業的AI化。
首先不要嘗試從頭學AI,時間成本太高了。大部分AI從業者都有研究生以上的學歷,而且往往都是計算機/統計/數學/物理方便的背景。往短了算,讀完計算機的本碩至少需要5-6年。事實上大量AI從業者一般有博士學位,這就需要額外的3-5年,尤其是從事理論模型開發的科學家。對於已經從業的金融工作者,掌握一些基本的軟體操作技能,遇到新的系統能很快上手,就可以了。至於專門花時間來學計算機科學,甚至AI/ML,是不大必要的。畢竟最終留給金融從業者的入口不是原始數學模型或者代碼,而是封裝好的軟體/機器/服務,不會要求過高的數理背景。
對於正在選擇專業方向或者轉型的年輕人來說,繼續學習金融,探索未知的領域是一條正道。如果有條件的話,多吸收數據科學方向的知識,甚至可以讀一個數據科學的副學位或者雙學位。
其次,在就業時也要盡量選擇大的金融服務類公司。像上文提到的,小公司一般沒有財力投入到大規模的人工智慧創新當中。隨著時間過去,小的金融公司只會愈發艱難,大公司會贏者通吃。
針對不同讀者的就業情況可以分成以下情況討論:
- 4.1. 如果你現在已經身處金融服務類公司,那麼應該開始關注公司內部的人工智慧創新項目。大部分的跨國金融公司都會有類似的fund來支持這樣的項目,在投行券商裡面的研究部門或者獨立的數據分析團隊。比如在我們公司,有一筆Territory Investment Fund用於支持領域創新,不求回報,只求在創新中不落下風。在找到對應的內部團隊後,可以毛遂自薦當志願者來體驗新開發的AI系統。在各大公司裡面,AI開發團隊往往都面臨相似的困境--內部員工的不配合和敵視。一般只要你願意提供反饋,AI開發團隊都是很歡迎的這樣的第一手反饋的。儘早加入開發團隊可以讓自己更適應這樣的變革,也會為你儘早指明方向該作出怎樣的改變。
- 4.2. 如果你還在上學,是一名商科專業的大學生。就像上文提到的,我不建議你轉專業從頭學計算機。但可以適當的補充一些數據分析類的課程,比如資料庫、統計概率以及簡單的Python/R的使用。如果有意在這個方向繼續學習,但數學和計算機能力有限,可以參考4.3的推薦。
- 4.3. 如果你不是一位金融從業者,但想要朝AI金融從業者發展。這條同時適用於在思考是否要繼續讀書的學生。我會建議大家去讀一個 Master in Business Analytics 或者 Master in Data Analytics, 也就是商業分析碩士或者數據分析碩士。這個專業屬於這兩年流行起來的專業,主要內容是講如何將數據分析應用於商業當中。這樣的學位一般會涵蓋基本的數據分析以及機器學習,但比較側重於應用,而不是理論開發。從這個角度來看,申請難度比較低而且門檻也不像理工科的碩士那麼高。當然,我們不能期待讀完這個學位就可以叩開金融機構的大門,只是說在未來工作中使用AI模型時會比較得心應手,並能對ML有一些理解。
--------------------------------------------------------------------------
[1] 隨著人工智慧的進步,財務工作者會大批失業么?該如何應對? - 阿薩姆的回答 - 知乎
[2] 金融學如何應對人工智慧和大數據? - 阿薩姆的回答 - 知乎
[3] Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "Why Should I Trust You?: Explaining the Predictions of Any Classifier." Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016.
[4] 十年後,人工智慧和機器學習會迅速取代金融和數據分析師嗎? - 阿薩姆的回答 - 知乎
[5] 機器學習(machine learning)在經濟學領域是否有應用前景?
[6] Hinton, Geoffrey E., Simon Osindero, and Yee-Whye Teh. "A fast learning algorithm for deep belief nets." Neural computation 18.7 (2006): 1527-1554.
謝題主邀
很難,人工智慧也許會成為一個半吊子經濟學家,但是完全取代經濟學家,很難。
說他會成為一個半吊子經濟學家是因為,我們完全可以將經濟數據,經濟走勢,年、季度、月、日的數據輸入,讓人工智慧分析,然後還可以將我們的期望輸進去,比如說希望調控哪個產業成什麼樣子,期望重點發展哪一個產業(對於計算機來說,這充其量就是一個變數,充其量就是一個邊界條件而已,沒那麼複雜),我們還可以將我國歷史上、國際上遇到類似的問題的時候各國怎麼做的輸進去(大數據,深度學習),我們甚至可以把經濟學教材搬上去,讓其進行綜合評估,給出一個相對合理的方案。
事實上沒有那麼複雜,這一切,無論經濟學家取名為調控也好,取名成什麼都好,在計算機的眼裡,都只是一個邊界條件罷了,只要經濟學家用通俗易懂的「人話」告訴程序員這些都是怎麼回事,那麼程序員分分鐘可以把它變成機器語言進行學習。
這件事情上,我們看到有很多經濟學家提出的策略都先參考國內外歷史上的決策案例,這對於人工智慧是及其簡單的一件事情,因為神經網路和深度學習演算法本身就是人工智慧的強項。
(題外話:開個腦洞,中國的法律是成文法,美國的法律是判例法,其實在美國這樣的法律體系下,法官對某一案件的決策基於過往相似的案例進行判罰,這樣的法律體系下,其實人工智慧利用深度學習完全可以取代法官的位置)
但是為什麼人工智慧很難取代經濟學家,經濟學畢竟不等同於理工類學科,經濟學不是1+1=2的東西,經濟學不是一個輸入就一定有唯一確定的輸出,經濟學畢竟還包含著「人類智慧」在裡面,經濟學畢竟在一定程度上還是屬於人文的範疇,它需要考慮的問題很多,有很多現實的問題,很多實際的問題,是沒有辦法轉化成變數框架的。
一句話,人工智慧它可以取代任何具有確定性的東西、規律性的東西,在政治、文化、經濟、文學創作、娛樂這樣的領域,人工智慧可以做一部分數據分析,可以提供參考依據,可以提供另一個角度的思路,可以預測走勢,但是要完全取代經濟學家,對於經濟形勢做出判斷和調控方面的決策,人工智慧還有一定的距離。
經濟學家不是讓你變得有錢的
經濟學家是用來告訴你你為什麼窮的經濟學家告訴你你窮是因為你沒有優質資產
心理學家告訴你窮是因為你焦慮抑鬱政治學家告訴你窮是因為亞太地區地緣政治對東部沿海主流人群的城市化進程計算機科學家會告訴你你窮是因為你沒學Python知乎大V會告訴你你窮是因為你沒看他們的live有朝一日ai取代了上述這些人,ai會告訴你,你窮是因為你沒卸載steam和淘寶(敲黑板)
經濟學的意義在於擬合現有數據,而不是強行讓真實的經濟跟著經濟模型跑
上面都是我瞎勁爆亂講的你們別當真目測娛樂向題目。不懂人工智慧,經濟學相關專業,有些自己的理解。首先經濟學是一個大類,總的來說目前經濟學主要功能是解釋現象而非預測。更多的是模型的建立與擬合,與目前個人理解的人工智慧發展方向不同。然後如果人工智慧幾代後發展到能完全替代現在人的程度,那確實現在的經濟學家沒啥用了,但誰知道未來的經濟學啥樣呢對吧?
做實證的那部分相對容易被取代(也沒那麼容易,因為實證也是要思考的),但和量化金融比起來還是比較安全(金融小夥伴表打我我就是做這個的T T)。做理論的短時間內不會被取代,要取代也是強人工智慧出現以後的事,目測(以及大牛們的預測)20年之內不會出現。
其實,現在的AI、deep learning充其量只能叫「條件反射」,調參師(呵呵)們訓練了一些獨特的神經迴路來完成特定任務,進化出cnn(視覺)、lstm(聽覺)以及各種複雜模式的控制網路(你可以把它當成某種生物的某種特定神經迴路..想像一下某種特別會炒股或者特別擅長分辨貓和狗(手動滑稽←_←)的生物?但他除了干這些之外其他什麼都不會,而且純粹是條件反射像小狗聽見鈴鐺就流口水,沒有思考過程),和真正的「大腦思考」區別很大。中國的經濟學家那肯定是能取代的,因為經濟學家的話,已經做到了100%的錯誤。人工智慧超越他們太容易了。
至於國外的,不太可能。經濟認為干預太多。
瀉藥
不知道為什麼這個話題會邀請到我作為一個曾經學過經濟/CS作為雙專業的學生之後轉為CS/數學來強答一下首先,經濟學,如果是目前的形式來說,還不會被人工智慧取代。同意前面的答案,起碼是在我們這一代,為什麼,可以從經濟學和現在非常熱門的人工智慧爆發階段來說。
首先,目前的AI來說,雖然Alpha Go很驚艷,但是還不足以代替人來完成人能所做的工作。我曾經學習過一段時間的圍棋,其實對於圍棋來說,圍棋終究是一個可以用數學模型/概率進行分析的一個博弈遊戲。棋局上各種各樣的戰略的確是很精彩,但是也是在條件和規矩下所限制的。Alpha Go所用的Machine learning是限制於條件之下的,也就是說目前的人工智慧只能在一定的條件下通過演算法學習然後選擇最優的方法,而不是真正的主動去研發去想像。人工智慧很厲害,但是還是缺少一點,人性,也就是創造性。
其次,經濟學這麼學科的適用範圍非常之廣,廣到什麼程度,人類社會行為其實都可以用經濟學來解釋,可以用經濟學模型來代替。沒錯,人工智慧確實可以分析模型,畢竟機器可以學習並且用已知的模型來分析之後的模型,但是並不代表所有的模型都可能被分析到,因為發現創造這些模型的還是人,需要人用人類的判斷力,創造力,和想像力的關聯性去分析這個模型。不過有了AI的幫助下,經濟學的發展肯定會比之前快許多,這是毫無置疑的,但是卻不能完全取代人。AI的優勢在於在有人類的指導下會搜尋資料庫來找到最優的方法,然而還是需要人類的指導,給AI設定於一個條件之下,如果超出這個條件的話還是做不到完全不需要人類就可以探索出經濟學規律,畢竟經濟學還是有許多未知的領域連人類都沒有探索過。
所以作為經濟學科,AI是無法完全代替人類的,起碼在AI進化出「創造力」之前,但是依我之間,目前不會,因為說到底,演算法是人類寫的,AI還是在人類的指導下進行發展,沒有一個「意識」。或許有一天AI能給自己寫演算法知道自己需要的是什麼可能會吧。不過,在金融行業,AI取代人類做繁瑣的工作指日可待,用演算法和數據預測市場,比人類更加可靠,畢竟金融行業還是屬於有規律可循的行業。一些樂觀主義者認為人工智慧與之前的技術沒什麼區別,幾個世紀以來人們一直在擔心機器會代替人類勞動,結果機器反而創造出了前所未有的工作,並且還提高了人們的收入,這證明這個擔心是不靠譜的
目前不能,但未來誰知道呢?
如果是日常分析工作,估計不用AI,現在應該已經有很多專業軟體和工具在替代了。
如果是開創性的研究工作,比如說創造某些公式,定理或數學模型,估計有生之年也沒戲。
如果是總結性的歸納某些公式,定理或數學模型,應該是有希望實現,說不定正在被實現的。謝邀
技術會導致事物成本的降低
---------------------------------------------------------------------------------------------------------------------
隨著機器學習的興起,它的長處在於能從海量信息中提取出數據模型,並在既有信息基礎上對未來做出預測 , 將導致「預測成本的下降」
機器智能承擔了人類大腦的一部分工作,而同時人腦關鍵決策的價值也跟著增加了。
而人工智慧否取代經濟學家的工作呢?認為可能性不大。金融的相關行業,除了重複、機械、瑣碎的事情外,可以創造價值的更多是建議、評估、判斷、溝通、協作……人情社會,方圓天地間,並不是「兩點之間直線最短」般的簡單、機械和無情。
瀉藥
看題主的情況,估計是想做學術而擔憂自己的飯碗會不會被AI搶走吧哈哈哈。
嚴肅來說,你的擔心有些多餘,至少是在我們這一代人的時間內不會。
而且對於經濟學這種同時包含了數理和社會科學元素的學科來說,特別需要「人的思想」為研究成果注入靈魂。打個比方,至少就現在的水平來說,AI能做到的是塑造一個泥土的身體,讓它變成生命的那一口靈氣,暫時還是需要人來吹的。哪怕AI水平再高,背後也需要一個能夠操控他的人才行。讓一項技術變得真正可控,往往還需要假以時日。
退一步來講,即使是AI在能力上能夠完全超過人類,相信一群「冥頑不靈」的老派經濟學家也會抵制AI的研究方式,題主不必過多擔心。
想要真正在學術上有所作為,還是需要多下功夫。研究上開宗立派需要天賦,但佔有一席之地的話,更多靠自身的努力吧。
題主加油
本來想寫點什麼的,後來看看那麼多大神在回答,就來學習一下。
個人觀點:不會。
現在的人工智慧,並不是真的「智能」。舉個簡單的例子,之前有一個視頻,說是什麼機器人回答人的問題對答如流很恐怖,在網上轟動很大。
但這並不是人工智慧,它離人工智慧差的太遠了。不知道你記不記得騰訊公司在十年前曾經推出過一個qq號叫「小q」,任何人都能添加,然後和他隨便聊天,她可以回答她記得答案的相似的問題,對於從來沒有儲存進資料庫的問題卻無能為力。這個機器人也是這樣,你和他說話,迅速的被語音識別轉換成文字,然後再它內部的資料庫或者互聯網上尋找相似度很高的問題及答案,然後選擇最優答案,人工合成聲音。
看到了吧,這就是目前「最恐怖,最像人」的人工智慧,你覺得他「智能」么?你覺得它能代替經濟學家么?不過就是個高級點的玩具而已。如果他能代替經濟學家,我天天抱著小q聊經濟學,沒多久諾貝爾經濟學獎就是我的了。
經濟學家乾的事情是去總結經驗,探究規律,這種事情機器永遠代替不了。機器執行的是人的命令,沒有人寫的演算法它什麼都不是。現行的「人工智慧」根本不是「智能」,它只是演算法出眾、計算量大、存儲能力大而已。它只是節省了人力物力,增加了工作效率而已。即使通過機器學習來分析幾百萬條的數據,真的出現異常,機器也只會報錯,但是經濟學家卻能從中看出問題。這便是器和道的差別。
會與不會,取決於經濟學家的定義。
如果是投行經濟學家或者媒體經濟學家,被AI取代的可能性很大。
學院派經濟學家,被AI取代的可能性,目前來看比較小。
會取代的。
推薦閱讀:
※如何評價科大訊飛推出的人工智慧計劃「訊飛超腦」?
※人工智慧是否有情感?
※如何評價arXiv上的最新論文:「可自動編程」的人工智慧程序員(AI Programmer)?
※計算機有可能能產生自我意識嗎?
※人工智慧的團隊裡面前端工程師主要是做什麼?