|
随着人工智能(AI)技术快速发展，大数据、算法模型、AI芯片等软硬件信息技术成为传统行业向数智化转型的重要支撑，推动城市交通、金融、教育、制造等领域数字化转型。 自1956年，人工智能(AI)概念首次提出至今，60多年来已成为一门广泛的交叉和前沿科学。2020年3月4日，中共中央政治局常务委员会召开会议，提出要发力于科技端的基础设施建设，人工智能成为“新基建”七大版块中的重要一项。“新基建”不同于“铁公基”传统思路，其本质是信息数字化的基础设施建设，用于支撑传统产业向网络化、数字化、智能化方向发展。 作为新基建领域之一，人工智能对5G基站建设、特高压、城际高速铁路和城市轨道交通、新能源汽车充电桩、大数据中心、工业互联网各新基建科技端领域具有重大促进作用;人工智能与5G、大数据等技术结合，将带动诸多行业快速发展，为很多领域数字化智能化转型奠定基础。 人工智能如果从应用规律来看，可以把他分成三个方面。第一个是感知，计算机视觉，音频处理。第二个是理解，自然语音处理和知识表达。第三个是行动，机器学习。这对应很多的应用，包括身份分析，认知机器人，数据可视化等。最终企业转型发挥的作用体现在四个方面，第一个是提升生产效率，第二个是降低运营成本，第三个是改造客户体验，第四个是促进技术创新。 从机器人到智能机器人。它有很多动作，需要编程给它编出来的，要事先进行训练。对于多关节机器人，同一个操作可以有多个不同的运动轨迹方案，利用AI技术通过比较可以以得出最优解。人工智能技术融入机器人后，程序指令不再由人下达，而是由机器人系统自主完成编程并执行。机器人不必每一个都需要大脑，很多时候可以把机器人的大脑放在云端，这样机器人是一个执行机构，能显著降低成本。与这些颠覆技术的有机结合驱动了人工智能技术不断升级，为实现其由“智能感知”向“智能思考”与“智能决策”的演进打下了扎实的根基。 2017年我国政府也引发了《新一代人工智能发展规划》明确了我国新一代人工智能发展的战略目标：到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径。到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为我国产业升级和经济转型的主要动力，智能社会建设取得积极进展;到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。 2018年两会发言的不完全汇总也可以看出，人工智能+产业的融合将是未来的重点，包括科技部、工信部、民政部等官方部门和百度、腾讯、联想等民间代表，均提出了人工智能+产业、人工智能+医疗等。 2019年，两会更是将“智能+”写入政府工作报告，人工智能技术对于社会的赋能被给予最高层次的期待。在工业经济由数量和规模扩张向质量和效益提升转变的关键期，“智能+”的理念给人工智能等数字技术提供了最广阔的落地空间和回报想象。通过智能化手段把传统工业生产的全链条要素打通，可以更好地推动制造业的数字化、网络化和智能化转型，更能反向助推技术自身的迭代和进步。 2020年，明确人工智能作为“新基建”建设重要一环，“十四五”指出要推动互联网、大数据、人工智能等同各产业深度融合。并且各省市也在大力推动人工智能与产业融合，打造应用场景，示范项目。 人工智能为数字经济带来先进生产力主要围绕三个趋势和着力点： 第一，是推动AI产业化，用AI夯实数字经济的底座。人工智能与其他数字技术的交互交融，构建了新型基础设施。人工智能具有很强的溢出带动效应，能带动其它技术领域的创新、生产变革和经济增长。 第二，是促进产业AI化，推动AI与实体经济的深度融合。人工智能与实体产业要深度融合，不是简单的物理叠加，而是深度融合的化学反应。两者融合，将带来实体产业模式的变革和产业结构的升级。 第三，是加速AI治理，推动技术的可持续发展。一定要边发展、边治理。负责任的AI才是可持续发展的AI。可预期的、可被约束的、行为向善的AI治理机制需要尽早建立起来。 人工智能从诞生之初就一直有类似的讨论,它取代部分人类工作也是在所难免,但必须认识到,历史的车轮从不会停歇,新的技术出现总是诞生新的生产力和生产关系。机器人取代部分人类的工作,但同时新的智能时代也会催生新的商业模式,创造新的就业机会,为企业提供新的增长动力。 当前，随着互联网的普及，作为金融领域的新兴分支，市场微观结构理论一直是学术界和业界广泛关注的焦点之一。而当前，随着AI的强化学习和深度学习发展，包括两者的结合：深度强化学习，已经成为AI学习中最为热门的研究领域，在市场微观结构领域的最佳交易执行问题、做市商问题中皆表现突出。机器智能算法能否对企业和金融市场数字化转型需要时间和实践的双重检验。 近期，北大-睿智Fintech联合实验室第一期结题项目之一的《机器学习算法在金融市场微观结构方面的应用现状》对如上课题进行了深入研究，项目负责人、北京大学金融数学系副教授程雪进行了结题汇报，详细介绍了项目组的研究成果，对机器学习在最佳交易执行问题中、在做市商问题中、在预测问题中的应用，以及在市场微观结构领域的其他应用进行了深入探讨。 关于最佳交易执行问题有许多研究，基本上都是基于非常严格的假设，通常与实际金融市场的交易过程非常不符。深度强化学习是近几年来机器学习领域的热门之一。我们可以直观地认为，强化学习的目标是在智能体与环境进行交互的过程中，帮助智能体学习最优策略，也即一个从状态变量到动作的映射。 目前来看，深度强化学习在做市商问题中的运用是相对较新的研究方向，不像经典强化学习已 得到了较为广泛的实证，但我们不妨将其视作未来可行的尝试方向之一。”程雪表示。在高频交易和深度学习同时于21世纪10年代进入爆发期后，为了解决高频交易中市场微观结构数据的颗粒性(granularity)，许多学者将机器学习特别是深度学习引入了金融领域。 “不过，由于对于市场微观结构问题，我们通常知之甚少，所以在进行模型设计的时候，不能对模型进行过多的假设。”程雪表示。由于高频交易在21世纪初才面世，以及深度学习也在2012年之后才进入爆发期，所以机器学习在市场微观结构中的预测问题相对不多。“但可预见，随着深度学习的成熟和新网络的设计，以及市场微观结构领域的发展，机器学习在预测问题上的应用也将越来越多。”程雪介绍。 “无论是传统机器学习模型还是深度学习模型，监督学习和强化学 习在金融领域的应用并非只限于上述典型问题。”程雪介绍，除了监督学习和强化学习，另一类强大的机器学习方法——无监督学习也有它在市场微结构领域的用武之地。 作为智能算法领域中比较主流的系统协议，近来AIMM(Artificial Intelligence Market Make)在一些领域体现了其价值。AIMM也被称为“智能算法做市系统”，它是一个分布式的流动性提供商智能算法系统协议，你可以把它理解为是一个数字金融市场的无监督学习服务和做市商协议。可以在保护数据交互安全的情况下通过智能合约保障数据智能的实施转换，协同链接，算法信任等功能，从而推动数字化的转型和数字经济发展。AIMM可以在信息数字化、流程数字化、业务数字化等方面可以做到模拟数据到01二进制、数据 交互、智能分析，在推动数字化经济方面可以“产业链协同”、“物联网”、“云原生”、“智能市商算法”等技术促进企业数字化整合及数字化转型。 人工智能和机器学习的联合力量将成为推动新商业模式和洞察力的力量倍增器。AIMM是算法信任领域的趋势，其他流行的 AI 趋势是复合 AI、生成式 AI、形成式 AI、AI 安全性、DataOps、ModelOps 和 DevOps，以及 AI 民主化。 随着 2021 年算法数字经济的发展，算法信任的概念将成为趋势。算法将成为基于企业业务弹性、营销和商业模式来区分产品的方式。数字化是未来经济活动最重要的变量。数字化时代，将是量化一切、感知一切、实时在线、万物互联的时代，将深刻的改变我们的生活和世界，数字化浪潮势不可挡。随着5G、人工智能AI、物联网IOT、芯片等数字技术的发展，每一个物体都将是数字化的，每一个物体都是有感知、有智能、实时在线的，生活在一个数字世界与物理世界高度交融的世界，生活在一个数字包裹着的新世界。同样，不仅每个个体(包括个人、物体等)正在数字化并可实时连接，每个组织(包括企业、政府、机构、团队等)也正在逐步变成数字化的组织，数字经济生态正在逐步的生长成型。生产要素、产品形式、组织形态、商业模式都将产生巨大的变化。 |
