IBM AI 晶元 助力Watson 智能選股
本文作者為BT美股高級分析師John SUN (SQ)寫於6月中。
最近有隻ETF發力了。本來表現與Benchmark標普500相差不大或表現略差，突然間最近兩個月發力。作為投資人可能感覺這沒什麼啊，這樣的ETF多的是。更何況，如果我告訴您它後面選股是個機器人，您就可能直接忽略這只不靠譜的ETF了。好吧，我承認，這是一隻人工智慧驅動的ETF，它後面的大腦是Watson。哇。。那誰是Watson？
這是Watson，那個10年前跟人類在Jeopardy!電視節目中競爭幹掉人類的AI。經過10年的不斷摸索和完善，去年Watson出來打算挑戰人類投資者了。
AI真的會炒股？聽說過螞蚱能做下酒菜，還真沒聽說過AI基金漲得快！
最近兩月見證了AI ETF表現後，更多人不敢買了。為啥？心裡更沒底了，是不是漲的高了要回調了？因為演算法沒人知道，即使演算法開發人都不知道為啥這AI這樣買進，更何況你了！一時間，眾說紛紜，謠言四起，各方都在猜測原因。比如有為大咖去參加節目評論到，因為上市一年了，樣本大了，逐漸熟悉市場了。我就想問問，你如果要上市一個AI基金你不給他投喂歷史數據？
你如果問我它是怎樣炒的，我也不清楚。但是最近有一篇論文出現在了【自然】雜誌上
簡而言之AI算力提高100倍：
在最近發表在Nature上的一篇論文中，IBM Research AI團隊用大規模的模擬存儲器陣列訓練深度神經網路（DNN），達到了與GPU相當的精度。研究人員相信，這是在下一次AI突破所需要的硬體加速器發展道路上邁出的重要一步。
未來人工智慧將需要大規模可擴展的計算單元，無論是在雲端還是在邊緣，DNN都會變得更大、更快，這意味著能效必須顯著提高。雖然更好的GPU或其他數字加速器能在某種程度上起到幫助，但這些系統都不可避免地在數據的傳輸，也就是將數據從內存傳到計算處理單元然後回傳上花費大量的時間和能量。
模擬技術涉及連續可變的信號，而不是二進位的和1，對精度具有內在的限制，這也是為什麼現代計算機一般是數字型的。但是，AI研究人員已經開始意識到，即使大幅降低運算的精度，DNN模型也能運行良好。因此，對於DNN來說，模擬計算有可能是可行的。
但是，此前還沒有人給出確鑿的證據，證明使用模擬的方法可以得到與在傳統的數字硬體上運行的軟體相同的結果。也就是說，人們還不清楚DNN是不是真的能夠通過模擬技術進行高精度訓練。如果精度很低，訓練速度再快、再節能，也沒有意義。
在IBM最新發表的那篇Nature論文中，研究人員通過實驗，展示了模擬非易失性存儲器（NVM）能夠有效地加速反向傳播（BP）演算法，後者是許多最新AI進展的核心。這些NVM存儲器能讓BP演算法中的「乘-加」運算在模擬域中並行。
。
單獨看這個大規模模擬存儲器陣列里的一個單元，由相變存儲器（PCM）和CMOS電容組成，PCM放長期記憶（權重），短期的更新放在CMOS電容器里，之後再通過特殊的技術，消除器件與器件之間的不同。研究人員表示，這種方法是受了神經科學的啟發，使用了兩種類型的「突觸」：短期計算和長期記憶。
這些基於NVM的晶元在訓練全連接層方面展現出了極強的潛力，在計算能效（28,065 GOP/sec/W）和通量（3.6 TOP/sec/mm^2）上，超過了當前GPU的兩個數量級。
這項研究表明了，基於模擬存儲器的方法，能夠實現與軟體等效的訓練精度，並且在加速和能效上有數量級的提高，為未來設計全新的AI晶元奠定了基礎。研究人員表示，他們接下來將繼續優化，處理全連接層和其他類型的計算。
總結一下
這次技術升級將以往的並行計算的計算能力在能耗和效率兩個維度上進行提升，說AI會不會炒股我不知道，因為股票不是人，太多的非公開的市場信息充斥著大市，AI並不能去權衡任何非公開市場信息，所以AI想表現的比人好那將是非常難的，但我們認為至少在以下幾點上AI算力的提升會表現出優勢：
1.降低錯誤率上（風險控制）AI將表現的更好。AI的學習能力會體現在各種歷史事件的規律把握上的。在比較大非系統性事件中普通投資者的行動趨近，這是動物的本能，比如，古人在遇到野獸襲擊拔腿就跑，當然這樣的本能也是選擇進化的結果。
2.小規律的配合度（基差對沖）上AI將表現的更好。算力的提升會將以往以往算不到的小規律（如兩隻股票之間相對表現）進行精準度提升。當然資金都是有限的，分散了彈藥也會同樣的增加交易成本。
3.融入更多信息，算力的提升最直接的的就是可以同時導入更多的信息進行綜合權衡，當然過往沒有算入的信息也要重新計算，這就需要一段時間來完善AI邏輯。
當然我們更推崇的是如果ETF服務費能夠達到一定數量的話AI晶元需要按需定製，畢竟炒股用的演算法跟其他領域差別還是非常大的。
AI選股畢竟是一個未知領域，大家投資還是要謹慎
TAG:BT美股手紀 |