讲堂 | 刘铁岩：跨界共创AI的产业价值和科学价值某种意义上讲

某种意义上讲，目前，人工智能还是在一些相对浅层次的领域发挥着作用。例如人工智能中的深度学习在人脸识别、语音识别、自然语言处理这些人机交互界面上应用非常广泛；强化学习在虚拟的或者封闭的问题上表现良好，比如游戏、机器臂控制等相对环境简单、规则清晰的问题。虽然人工智能在工业界核心的决策问题上应用前景广泛，但其今天的作用仍然十分有限。在很多重要的环节中，人工智能与人的能力相比还是有所差异，传统运筹学仍是很多行业的标准解决方案。
人工智能在科学领域有何价值？目前人工智能主要在一些辅助问题上发挥作用，例如对噪声数据进行预处理，对光谱数据、天文图片进行模式识别，或者是对一些已有的数值仿真算法进行加速和拓展。尽管近期出现了一些利用人工智能和大规模算力改变科学发展现状的工作，如AlphaFold2破解蛋白质折叠、DeepPotential进行分子动力学模拟等，但是所有这些工作目前还只是星星之火，尚未形成燎原之势。
在这样的大背景下，作为人工智能学者，我们认为，要让人工智能对滚滚的历史车轮产生更大的推动作用，除了在“自我的世界”里关注算法和理论的研究以外，还需要能够“顶天”、“立地” ，跨界共创，真正让人工智能创造更多的产业价值和科学价值。
人工智能的产业价值生成路径
如何才能让人工智能实现更多的产业价值呢？为了寻求这个问题的答案，微软亚洲研究院于2017年成立了“创新汇” ，与近50家各领域企业开展合作，进行了数百次的交流，完成了十余个联合研究项目。这些项目横跨金融、物流、医药、电信、教育、政务等多个行业。在开展这些联合研究的过程中，我们秉承着初心，不仅要帮助各个企业解决现实中的技术挑战，实现数字化、智能化转型；更重要的是从这些项目中抽象出行业的核心痛点，设计解决这些痛点的人工智能共性技术，为人工智能真正创造产业价值奠定基础。

文章图片
以金融投资为例，微软亚洲研究院已经和资管行业的领头企业华夏基金合作超过四年的时间了，我们共同耕耘、共同分享、共同探讨，形成了一系列对于金融资管和智能投资领域核心痛点的认知。首先，我们发现尽管金融数据很丰富，但信噪比非常低，所以很难挖掘出有效的信号。其次，金融市场动态变化，异常迭起，这对基于统计学习的方法提出了巨大的挑战，因为面对复杂的金融市场，我们很难假设数据是独立同分布的。第三，金融领域中，风险和收益是一对双生子， “投资有风险，入市需谨慎” ，一个高手之所以成为高手，不仅在于他能够发现一般人所不知的投资信号，更在于他善于管理风险，能够避免收益的“昙花一现” ，成为一个常胜将军。最后，从识别出有效的信号，到构建投资组合，再到真正执行订单，投资链条非常长，而且只有有效实现预期订单的买卖，才真正完善整个投资链条，也才能得到想要的投资回报。
针对这些痛点，在过去一段时间里，微软亚洲研究院和合作伙伴一起研发了大量的人工智能技术。在数据端，高频交易数据蕴含丰富的信息，但又含有大量的噪声，所以很多做中低频投资的机构或个人很少利用高频交易数据，而对高频数据非常感兴趣的人则在研究日内的算法交易。于是，我们想问：高频的交易数据是否可以对中低频的投资，例如日频、周频、月频的投资产生本质的影响？