点击蓝字 关注我们
引 言
ChatGPT刚刚一问世,就惊艳了世界。大家纷纷惊呼,人工智能的大时代要来了。我们做投资的也很好奇,ChatGPT这样的人工智能技术,对我们投资有什么样的帮助?特别是很多人担心ChatGPT会抢走很多人的饭碗,那么ChatGPT会否替代股票分析师、股票投顾的工作呢?
视频来源:第一财经
2017年前后,有幸与中国的最强大脑们一起尝试开发一个基于人工智能的智能投研系统。系统设计的初衷是通过知识图谱和深度学习技术,模仿股票分析师的投研分析方法,来搭建A股的智能投研框架,帮助提高投研效率,甚至替代股票分析师和基金经理进行智能投资决策。
在深度参与这个智能投研的前期研发和探索的过程中,我们看到了人工智能进行智能监控和简单线性逻辑推理的可能性,这让我们非常兴奋。但是兴奋之余,我最终还是没有再深度参与下去,其中的原因也很简单:彼时的知识图谱和深度学习技术的智能程度还不够,而投研领域是非常复杂的双层分析架构,既有上市公司基本面分析的科学性,又有市场博弈的艺术性;那时候的人工智能技术并不能处理复杂知识逻辑,更妄谈掌握市场先生的行为艺术。其实浓缩成一句话,就是“机器人还学不会巴菲特”。
后来我又开始继续埋头我的投资研究工作,一晃又过了五六年,直到去年底ChatGPT横空出世。抱着玩乐的态度,我买了付费的提问次数,尝试测试一下机器人的智能水平。可反复尝试几次后,我惊奇地发现,这次可能真的不一样。
ChatGPT的核心是“大模型”,大模型顾名思义,就是模型中用到的参数量特别大。我读书时候做硕士毕业论文搭建的计量模型里面只有十几个参数。大模型从第一代起,就有1亿个参数,现在是第3.5代,已经有1750亿余个参数,再发展下去,大模型的参数量很快跟地球蚂蚁的总量一样多了。
从计算机理上说,大模型与先前的机器学习和深度学习还不太一样,大模型更加贴近人类大脑的思考方式,以迁移学习为机理,引入预训练和Attention机制,更好更快地解决复杂问题。
撇开机理不谈,从应用的角度,3.5代之后的大模型可谓人工智能时代实现“量质齐变”的革命工具。讲技术大家可能比较蒙,做个简单的比方,“以前的人工智能只会做选择题,现在的人工智能已经会做应用题了”。所谓“决策式”和“生成式”智能,讲的就是这个事儿。
而一旦机器人会做“应用题”,马上就展开了很多的想象空间:在任务设定清晰的场景下,ChatGPT可以写代码、做量化模型、写文案策划、做商业模型、写作文、写音乐、生成图片、互动聊天……除此之外,大模型还有个特异功能叫“多模态”。所谓“多模态”就是可以把文字转为图片,把图片转为语音,把语音转为视频。厉不厉害?一时间,引得大家浮想联翩。
每一次产业革命都伴随着技术的跃迁。回到我们的主题,ChatGPT到底能不能替代股票分析师和股票投顾的工作?
股票分析师和股票投顾日常有哪些工作呢?我把这些工作分为三类,一类是信息整合类,一类是前瞻预测类,还有一类是沟通交流类。
所谓的“信息整合类”包含互联网信息的整合、上市公司信披数据的整合、行业专家公司管理层信息的整合、其他研究人员数据与观点的整合等。所谓“前瞻预测类”是指基于产业发展经验和上市公司历史经营情况,预测产业和公司未来发展,乃至预测股价涨跌的能力。此外,分析师和投顾还有一些调研、路演、客户沟通的工作要做,跟行业交流、更公司交流、跟投资人交流。对于分析师和投顾来说,表达跟思考同样重要。
那在当前的阶段,ChatGPT能做哪些工作呢?从我们的试验结果来看,ChatGPT在信息搜集整合的能力和高情商表达的能力已经很强了,可以部分替代研究助理和分析师常规路演的工作。
当然,ChatGPT的内容生成并非基于原创,而是完全基于已有的互联网信息,从海量数据中发现规律,并依照规则将数据串连在一起,形成像人一样写的文章和内容。所以也难怪美国语言学家诺姆·乔姆斯基在自媒体上大呼“ChatGPT就是一个高科技剽窃系统”!另外,在表达能力上,虽然ChatGPT已经具备很强的讨好型的高情商水平,但是它同样会“一本正经的编瞎话”。在未知的事情和领域内,ChatGPT为了取悦提问者,会自主或不自主地信口胡诌,在可信性上难免打一些折扣。
所以,在娱乐或者“轻严肃”的生活应用,比如帮忙规划下旅游路线、找一家好吃的餐厅、好奇驱动下的日常科普、平时陪人类聊聊天等场景下,可以说ChatGPT已经达到了一定的可用标准。但是,一旦涉及到要承担法律风险和严肃严谨的学术问题时,ChatGPT还远不及科学应用的标准。另外,在目前这个阶段,想要ChatGPT原创甚至预测未来是基本不可能的,这是ChatGPT的当下。
但是,未来又会怎么样呢?ChatGPT最让世人兴奋的是,它更加像人了。它已经拥有9岁小孩的智商水平,而且在日夜兼程训练学习,未来是否会有更多的想象空间呢?
这个问题见仁见智了,即便是当下全球范围资深的科学家和创业者也对机器人能否最终替代人的命题讨论很激烈。从科技爱好者的角度,我是有科技信仰的。为什么深度学习在上世纪50年代已经落寞沉寂了几十年之后重获新生,凭借AlphaGo再度受到人工智能界的独宠呢?本质上还是科学工作者的科技信仰。到目前为止,人类对于自己大脑的工作原理仍然知之甚少,但这不妨碍全球科学家和创业者们前赴后继地充满理想主义的探索。
人工智能也是分“部落”分“哲学流派”的,哪一种算法可以成为《终极算法》也未可知,前路仍漫漫。但是,当前的机器人已经在智商和SAT测试中获得了人类的中等水平,已经拥有了小孩子的智商,已经部分有了人类的思维方式。反过来想,“哪一个科学家不是从学习123开始的,哪一个艺术家不是从临摹别人的作品开始的,哪一个作家不是从背课文开始的,哪一个股票分析师不是从整理资料开始的”?未来可能真的已来,机器人成为巴菲特也变得没那么不可能了。
当然,从投资和创业的视角,更深层次的创新革命仍然需要极大的投资和努力。大模型训练一次要几百万美金,微软BING时代让搜索成本增加了10倍,未来这些谁来投资、谁来买单?深情拥抱科学的过程本身也需要极致的商业智慧,未来十年人工智能领域里谁主沉浮,还是要走一步看一步。做科技投资更是如此:心怀理想,脚踏实地,开放心态,拥抱未来。
END
作者多年投研经验的归纳和总结,通过很多耳熟能详的案例,帮助大家系统梳理了价值投资的基本框架,并提示在投资决策中经常犯的常识性错误。
《长期的力量》
梁宇峰
《常识的力量》
梁宇峰 吴慧敏
↓↓↓
扫描二维码,把书带回家
风险提示:任何在本文出现的信息(包括但不限于解读、预测、图表、任何形式的表述等)均只作为参考,不构成对阅读者任何形式的投资建议,投资人须对任何自主决定的投资行为负责。