|
很多人都知道人工智能，也知道这是未来十年最大的风口，黄金十年。每隔一段时间，AI相关板块在资本市场都会表现一番，同花顺人工智能板块的个股更是高达70多支，很多朋友让我推荐相关标的，我内心那是非常的纠结。一方面自己涉猎不深，还在研究当中，另一方面AI相关标的，有的业绩实在让人无法下手。 那么咋办？ 只能从题材和风口来判断，推演市场可能的动向。 本期梳理下人工智能的简单定义和几个分支，下期报告中我们会逐一梳理核心推荐标的和相关行业跟踪，敬请期待！ 人工智能的定义到底什么是人工智能呢？我觉得大概来说可能是有几个部分。 首先是感知，感知就是包括视觉、语音、语言；然后是决策，刚刚讲的做一些预测，做一些判断，这些是决策层面的；那当然如果你要做一套完整的系统，就像机器人或是自动驾驶，它会需要一个反馈。
在这些例子上可以看到，感知可能更多的是帮助识别图里面一个婴儿在沙发上抱着泰迪熊这种。最经典的例子你会看到有一个无人驾驶的汽车，它有各种的sensor，它捕捉的信息可以用来做最后的决策，比如怎么去操作方向盘、油门、刹车等等的。其实这三件事情的总和就是今天所被归纳为的人工智能。 我们再从博弈、感知决策以及反馈几个方面回顾一下人工智能的发展历程。 人工智能发展的主要里程碑
科普深度学习(DeepLearning)在这里，我要稍微深度讲一下深度学习。 深度学习是一种神经网络，与但与之前的相比，它的特点是使用了多层网络，能够学习抽象概念，同时融入自我学习，而且收敛相对快速。收敛快速可能是一种技巧，不见得是一个理论，但是有一批人通过它解决了很多重要的问题。 简单的来说，如果我们有很多笑脸，然后我们把笑脸的像素输入到一个神经网络里面去，最后你那儿希望让机器能识别这是姚明，那是马云，但是因为你这个深度学习的网络很深，要一次性学会这么多也会比较困难，所以就需要用到一个比较快速收敛的技巧——自我学习。通过自我学习，机器会逐步从大量的样本中逐层抽象出相关的概念，然后做出理解，最终做出判断和决策。 比如它可以有好几层的nodes和connection，经过这些nodes和connection，它在每一个层次会感知到不同的抽象特征，且一层比一层更为高级。这些都是通过自我学习实现的，而不是人教的。经过自我学习，从一个脸输进去再从同样的一个脸输出来，它就从里面抽象的学习到了一个人的脸重要特征。
经过这个学习之后，我再去做监督训练，看机器是否能够识别他们，如果不能，就在训练之后做微调。例如，如果我输入了马云的脸，出来的却是王宝强，那训练系统就会告诉你的网络说这个是错误的：这不是王宝强，这是马云。那接下来就是要进行微调，以便于下一次机器看到这个脸时，能识别出是马云的概率高一些，出来王宝强的概率低一些。
但是这么一调也不能调的太过火了，要不然就会有overtraining的问题，我们就对整个数学公式做一点微调，用大量的数据，不断重复的去教它，经过不断微调，那么它就很可能在多次之后降低识别错误。 DeepLearning的应用领域在过去的五年，深度学习的准确度从75%多提升到了97%左右，而人的表现准确率大概是95%。从95%到97%听起来只进步了2%，但实际上是把错误率降低了40%，这是很大的进步。如果这种进步持续，未来人工智能必然会超过人类的表现，同时也将可以进入一些可应用的领域。 很多不同领域的认知水平将在未来几年的时间内超过人类，而一旦超过人类，应用就会快速的增加。
深度学习首先可以应用于识别，包括人脸识别和语音识别等，这些可以用于安防，安检等，互联网数据，券商股票，银行、保险、医学和教育等。 对于投资人而言，我们最关心的是炒股。^_^ 将人工智能用于炒股其实也是一个不错的选择。在国内在国外，很多人都在做这方面创业的工作。利用人工智能，可以随时来算一篮子股票和期货应该如何对冲，以寻求最大的利润。顶尖金融分析师也会做这个，但是他不可能把所有的股票的排列组合都考虑一遍，但是机器可以二十四小时不睡觉，每天都在算怎么能赚最多的钱。除此之外，deep learning深度学习的技术可以把各种的因素都融合进来，比如这个公司的高管有没有变动，今天出了什么新闻，行业里还有没有什么变动……甚至你可以对一个智能系统说如果明天巴西发生了地震，什么股票该被购买，甚至你可以说发生了地震不要问我，你直接去买它就可以了。 当然人工智能依然有很大的欠缺，但是罗马不是一天建成的，很多领域因为人工智能的出现正在重塑，也得以新生。 总结：人工智能的未来蓝图
|
|
|
