里查德·克拉布（Richard Craib）是一名29岁的南非人，在旧金山运营一家对冲基金。不过，真正运营的人不是他，而是数千名他不认识的数据科学家，以及他们建立起来的人工智能（AI）系统。 在初创企业Numerai的旗帜下，克拉布和他的团队建立起一种技术：将基金的交易数据掩盖起来，然后分享给一大群匿名的数据科学家。 这是一种类似于同态加密的方法——既确保数据科学家看不到公司自营交易的细节；同时又整理出数据，便于数据科学家建立机器学习模型及做出分析。 从理论上讲，他们还可以通过机器学习，找到交易证券的更优方式。 “我们把所有的数据都分享出去了。”克拉布说，“但我们把它转换成抽象形式，拿到数据的人并不知道这些数据的具体含义，但是又能为这些数据构建机器学习模型。”克拉布曾在康奈尔大学学习数学，后赴南非，在那里的一家资产管理公司工作。 他不知道这些数据科学家是谁，因为他们都是在网上招募的，报酬形式是一种数字货币，可以全程保持匿名。“任何人都可以向我们提交预测，如果管用，我们就用比特币支付报酬。”他说。 总结来说，数据科学家不清楚手里是什么数据，克拉布也不清楚这些数据科学家都是谁。 由于大家到手的是加密数据，因此不能将机器学习模型套用到其他数据上——即便是克拉布也不能。但他相信，通过这种“盲人引路，盲人跟从”的方式，他能创造出一种更加优秀的基金。 Numerai的基金从事股票交易已有一年。至于有多成功，他不愿透露具体细节，但他表示，这些交易是赚钱的。 越来越多的大型投资者向该公司投入了资金，包括“量化”对冲基金Renaissance Technologies的创始人——该公司就是由数据分析驱动的，并大获成功。 对冲基金很早就开始探索算法交易了，其中包括Renaissance、Bridgewater Associates等华尔街老牌企业，以及Sentient Technologies和Aidyia等科技初创企业。 但克拉布创造出了一种将算法“众包”出去的新模式。其他机构也在开展类似项目，包括Two Sigma——另一家纽约的数据驱动型对冲基金。但是，Numerai正在尝试的东西则要极端得多。 走在最前沿  这听起来很像硅谷的套路：一家小型初创公司，旨在通过人工智能、加密、众包和比特币等当前热门的技术概念重塑金融行业，就差一个虚拟现实了。 毫无疑问，Numerai才刚刚起步，就连它的投资者之一、Union Square的合伙人安迪·韦斯曼（Andy Weissman）都称之为“一场实验”。 其他企业也在开发类似的技术。从加密数据着手，构建更为通用的机器学习模型。 这其中就包括微软。通过这种模型，微软等公司可以更好地保护它们所收集的客户个人信息。 苹果也在挺进机器学习领域。艾伦人工智能研究所（Allen Institute for AI）首席执行官奥伦·艾茨奥尼（Oren Etzioni）表示，这种方法对苹果尤其适用。苹果在保护数据隐私方面的态度很坚决。 追随这种技术，我们也可以走向克拉布所支持的那种AI众包。 在为南非的金融公司工作时，克拉布产生了这个想法。他拒绝透露那家公司的名字，但表示，它运营的基金管理着150亿美元资产。 在那家公司，他参与构建了一些用于基金运营但并不复杂的机器学习算法。有一次，他的朋友在用神经网络运行比较复杂的机器学习算法，他想跟朋友分享公司的数据，但公司不允许。 克拉布说：“从那次起，我就开始研究新的数据加密方式，设法和他共享数据，又要防止他窃取数据，拿去创办自己的对冲基金。” Numerai由此诞生。克拉布从自己账上划出100万美元，投入该基金。4月，该公司宣布，一个投资人团体向其投资150万美元，其中包括Renaissance Technologies创始人之一霍华德·摩根（Howard Morgan）。后来，摩根又与Union Square以及First Round Capital一起，参加了Numerai的A轮融资。 当然，Numerai有些非正统。看看它的网站你就明白了：在一则简短的视频中，克拉布描述了公司的使命。他戴着黑框眼镜，身穿银色的赛车夹克，背景带着浓浓的《黑客帝国》风格。 韦斯曼说：“看到这些视频，我们想到的是，‘这家伙想法与众不同。’” 韦斯曼坦言，这种方式的问题在于，它能否奏效。同态加密的麻烦在于，它会显著拖慢数据分析速度。 Baffle公司正在建立类似于克拉布所描述的那种加密技术，该公司CEO阿米什·迪瓦蒂亚（Ameesh Divatia）说：“同态加密需要大量的计算时间。 “怎么才能在业务决策期内运行完毕？”克拉布说，通过一种特殊的加密形式，Numerai已经解决了速度问题，但迪瓦蒂亚警告说，这可能会牺牲数据隐私。 拉斐尔·博斯（Raphael Bost）是麻省理工学院计算机科学与人工智能实验室的访问科学家，曾探索将机器学习应用于加密数据。 据他所述，Numerai使用的可能是类似于微软提到的一种方法：数据是加密的，但并非密不透风。对于这种方法的使用者，他提醒说，“你得提防算法受到边信道攻击。” “将派对设置成静音模式”  无论如何，Numerai正在加紧努力。三个月前，约4500名数据科学家建立了约25万个机器学习模型，为该基金作出了大约70亿项预测。 现在，约有7500名数据科学家参与其中，建立了50万个模型，作出了约280亿项预测。就像在数据科学众包市场Kaggle一样，数据科学家竞相构建最好的模型，以获取报酬。 Numerai的诀窍之一是以量取胜。通过一种名为“堆叠”或“集成”的统计学和机器学习技术，Numerai将大量算法的精华结合起来，建立起更加强大的整体。 虽然这些数据科学家大多匿名，但也有一小部分实名参与者，包括纽约州布法罗的菲利普·卡利顿（Phillip Culliton）。除了Numerai，他还供职于一家名为Multimodel Research的数据分析公司，该公司接受美国国家科学基金会的资助。 对于Kaggle上的数据科学竞赛，他已经有多年的参赛经验，他认为，相对而言，Numerai更具吸引力。“Kaggle很好，我也喜欢竞赛，但通常只有排名靠前的几名选手才能获得报酬，而且，只有某些比赛才提供报酬。”他说，“在Numerai，排名前100左右的选手都有奖金，这个范围是比较大的，而且Numerai的奖金也很丰厚。” 每周都有100名科学家能获得比特币，迄今为止，该公司发放的比特币价值已超过15万美元。克拉布说，如果Numerai管理的资金额突破10亿美元，它将每月向数据科学家支付100万美元以上的奖金。 卡利顿说，比起非加密数据，加密数据的处理和分析都更加困难，Numerai的另一位常客吉姆·弗莱明（Jim Fleming）所见略同，他参与运营着一家名为Fomoro Group的数据科学咨询公司。但这可能不成问题。毕竟在机器学习中，分析并得出结论的，是机器，而不是人。 很多时候，即使涉及的是未加密数据，卡利顿也不清楚它们究竟代表什么，但这并不妨碍他构建相应的机器学习模型。“加密数据就好比将派对设置成静音模式。”卡利顿说，“你听不到人们私底下的交谈，但对大家彼此间的亲密程度，你还是能一目了然。” 若如克拉布所愿，这种方式能在庞大的Numerai数据科学家群体中成功推广，那么，华尔街也将不得不洗耳恭听。 翻译：雁行 来源：Wired |
|
|
