摘要：《金融数量分析Matlab编程》2009年本书的第一版上市、2013年第二版上市到现在已近五年多的时间，时光飞逝不变的只有大家对Matlab的热爱以对作者的支持。
近五年国内金融市场变革迅速、金融产品日新月异；本书内容增加也紧跟时代的发展，在第三版中主要增加期权定价模型与数值计算方法、股票挂钩结构分析以并进一丰富险价值VaR的计算的内容。
或许大家都应为听说Matlab的功能强大并能解决你所遇到的问题才开始学习Matlab的，作者也不例外。但我相信如果有一个更好的、更能说服自己的理由，大家或许能够更主动积极的学习Matlab，并将Matlab用于金融数值计算，同时提高自己对于金融的理解。所以第三版序言主题“为什么要编程！”
1. 巨大数据量：
“大数据”时代，在金融方面我们需要处理的数据量越来越大。A股票数量早已超过两千，证券投资基金的数量也已经过千，最近将中证指数公司、深证信息公司、中信标普等指数编制机构发布的各类指数也已近千。开盘价、收盘价、ROE、ROA、夏普比率、波动率……各种指标不计其数。
2.复杂的模型
随着投资标的品种的增加，股指期货指数、个股期权、分级基金等等，我们所需掌握定价模型越来越复杂，例如期权定期、Beta对冲、浮动利息债券等等。复杂的定价模型需要强大的数值计算平台的支持。
3. 避免主观臆断：
人类大脑思维具有局限性并且逻辑有时具有跳跃性，常常凭借直观感觉判读事物。例如几年前大家常见的一个量化案例“某策略赚3%止赢即获利平仓；亏损1%平仓止损，每一组止赢与止损交易可以获利1%，如果这个策略进行高频交易，将获利丰富啊！” & 我们的思维忽略了一点即赚3%与赔1%的概率并非一致，如果进一步思考发现我们忽略了交易成本。
再举一个我常常使用的例子：“两个[0，1]上的均匀分布的和为什么分布？三个[0，1]上的均匀分布的和为什么分布？ n个呢？” &有的读者会直接回答还是均匀分布、有的读者深思一下回答正态分布。这两个答案或许都不正确，如何验证？ 我们可以通过编程的方式进行数值试验，对两个结论进行验证，如果做数值试验，那就需要编程实现。
4.实现自动化办公：
这点将是我着重与大家分享的。大多数人日常工作可能面临很多重复劳动与繁琐计算。例如：某个报表，每日（周、月）都要更新，更新逻辑很明确：增加内容、市场数据统计、附加某些计算等等。或许，你每天工作中excel或word的重复工作占据了大量的时间。如何有一种方法可以将自己从中解脱出来，我们可以有更多的时间进行创造性的工作与享受生活。假设：工作30年，每天有50%的时间在重复劳动，你的15年时间就在重复中度过了。在这里声明，重复并非不好，或许大多数工作的性质就是重复，每个人生活态度不一样，首先自己厌恶重复，有时为了生活也不得以不重复，但在重复的过程中我总是思考如果自动化。如何摆脱重复
所谓重复劳动，大多都是规则明确化的，规模包括脑力与体力两个方面。从算计角度的发展，就是机器代替人类执行重复计算或劳动的过程。自从有了计算机，大家的劳动相比之前高效许多。但是，我们或许还在计算机上进行某些重复劳动与繁琐计算，这又是为什么？ 软件、硬件作为商品都是普遍适用的，基于利润或稳定性方面的考虑不会针对某件事或某人人设定，所以面对自己工作的问题，就需要自己或请人来解决。由于某些业务的复杂性（非技术上的），或许自己最明白其中的逻辑，自己编程解决或许是一条非常有效的路径。例如，金融市场数据的每日更新。同时通过Matlab程序实现，可以将自己从一定的重复劳动中解脱出来。
实现自动化办公需要自己编程，你或许会问: 不会编程咋办？ 首先必须说明的是，有些人适合编程与有些人不适合编程，适合不适合只有尝试过才知道，还有一条途径请别人帮你解决问题，如果你觉得贵只有自己继续重复劳动。假设：工作30年，每天有50%的时间在重复劳动，你的15年时间就在重复中度过了。是否尝试一下由你自己决定！ 在这里声明，重复并非不好，或许大多数工作的性质就是重复，每个人生活态度不一样，首先作者厌恶重复，有时为了生活也不得以不重复，但在重复的过程中作者总是思考如果自动化。你希望试图去改变一下吗？
5. 量化交易“赚钱”：
量化交易者的楷模为数学家西蒙斯，关于他的文艺复兴科技公司与大奖章基金介绍如下：
“华尔街“赚钱机器”文艺复兴科技公司，并依靠公司旗舰产品大奖章基金（MedallionFund）20年的超群表现赢得无数赞誉。据福布斯杂志的统计，截至2012年9月，西蒙斯的身价高达110亿美元，在福布斯全球富豪榜上位居第82位。
数据显示，自1988年成立直至2010年西蒙斯退休，大奖章基金年均回报率高达35%，不仅远远跑赢大市，还较索罗斯和巴菲特的操盘成绩高上十余个百分点，这使得西蒙斯在人才济济的华尔街笑傲群雄。他被投资界称为“量化投资之王”。
西蒙斯成功秘诀主要有三：针对不同市场设计数量化的投资管理模型；以电脑运算为主导，排除人为因素干扰；在全球各种市场上进行短线交易。”
总结如果没有仔细阅读前面四点，直接看到量化交易“赚钱”，作者将提醒阅读前面四点尤其是（避免主观臆断与实现自动化办公），以量化交易“赚钱”或许需要天赋与运气，但实现避免主观臆断与实现自动化办公只需要你用些时间学习一下Matlab编程。
MATLAB金融应用班(北京-20日 深圳|上海）
本课程根据功能模块划分，主要内容包括：Matlab基本介绍、统计与优化、固定收益分析、投资组合管理与绩效、金融风险的测量与管理、金融模型模拟计算、衍生品设计与定价，是综合性较强，并与实际结合紧密的课程。在每个知识点中都有具体的实例做练习，可以让学员真正掌握每个功能的特点和具体应
讲师介绍：
郑志勇(Ariszheng)&北京合晶睿智执行合伙人，集思录 副总裁 &先后就职于中国银河证券、银华基金、方正富邦基金，从事金融产品研究与设计工作。专注于产品设计、量化投资、Matlab相关领域的研究。尤其对于各种结构化产品、分级基金产品有着深入的研究，同时也编著了多本教材，包括：&《运筹学与最优化MATLAB编程》，&《金融数量分析:基于MATLAB编程》等图书。国内Matlab金融领域的权威人士。
李洋（faruto） 5年证券期货从业经验，中国量化投资学会专家委员会成员、MATLAB技术分会会长，MATLAB技术论坛（www.matlabsky.com）联合创始人，北京师范大学应用数学硕士，先后就职于私募、期货、保险公司，从事量化投资相关工作。十年MATLAB编程经验，对机器学习、量化投资等相关领域有深入研究，已出版《量化投资：以MATLAB为工具》、《MATLAB神经网络30个案例分析》和《MATLAB神经网络43个案例分析》等书籍。
培训目的：
使学员掌握使用matlab进行金融数量分析相关编程技能。资深matlab讲师使你能在较短的时间学会和加深世界上最优秀数值计算软件的使用，增强你学习和研究的能力。具体如下：
（1）了解业界金融数量分析工作内容；
（2）如何获取基础数据并进行数据清洗；
（3）如何进行逻辑分析并建立模型；
（4）如何将模型转化为Matlab程序并提高计算效率；
（5）如何通过图标方式展示数据；
（6）如何实现整个数量分析工作的自动化。
课程简介：
Matlab基本介绍（3小时）
课程目标:&掌握Matlab的基本功能与使用方法
1.MathWorks公司和MATLAB产品介绍
2.MATLAB&用户界面与基本函数
3.编写脚本文件与控制语句(IF,For)
4. 2D\3D绘图以及图像美化
1.Matlab中矩阵的命名与赋值
2.Matlab与Excel、数据库交互
3.龟兔追逐赛的逻辑分析与编成实现
统计计算与优化方法（3小时）
课程目标:&掌握金融统计与优化思路并Matlab进行计算
1.如何获取数据以及数据整理
2.常用的分布与随机数、统计回归与统计检验
3.优化问题的分类与求解方法
4.局部最优与全局最优
1.从Excel获取行沪深300及其成本股数据
2.检验沪深300数据是否服从正态分布
3.如何选取10个成分股跟踪沪深300指数
固定收益分析（3小时）
课程目标:&掌握金融统计与优化思路并Matlab进行计算
1.货币的时间价值
2.债券的价格与收益率
3.债券久期与凸度计算
4.分级基金定价与分析
1.如何基于Matlab计算进行住房贷款还款方式的选择
2.如何使用Matlab构造久期免疫债券组合
3.如何使用Matlab构分级基金A份额定价
金融模型模拟计算（3小时）
课程目标:&采用情景分析、历史模拟、随机模拟的方法对金融模型进行测试与分析
1.如何利用历史数据进行历史模拟
2.如何根据模型进行情景分析
3.如何生成随机价格序列并进行模型测试
1.使用情景分析方法对商业养老保险进行现金流分析
2.投资组合保险CPPI与TIPP的历史模型与随机模型
衍生品设计与定价（3小时）
课程目标:&了解各种期权设计、并根据条款进行期权定价、分级基金结构分析
1.欧式期权、美式期权、异议期权的结构2.期权定价的二叉树模型与ＢＳ公式3.复杂期权定价的蒙特卡洛方法务实操作:
1.如何使用Matlab进行期权二叉树模型与ＢＳ公式计算
2.如何使用Matlab计算期权隐含波动率
3.如何使用Matlab进行蒙特卡洛方法计算期权价格
Matlab编程经验分享（3小时）
课程目标:&分享编成经验避免重复的错误
1.量化中的疑惑与理性
2思维逻辑与编程逻辑
3.理想与现实的矛盾
1.如何定时触发程序运行
2.如何使用Matlab发邮件
3.如何实现坐标轴过原点实现
4.自动化办公-分级基金数据提取与分析
N分钟学会MATLAB(60&n&180)& n&180)&=”” font=”” style=””&（1小时）
课程目的：采用Q&A形式，带领学员快速复习MATLAB相关基础知识，让刚接触MATLAB的学员能快速有效地了解MATLAB。该部分内容可据学员实际情况增减时间。
基础知识快速复习
输入输出快速复习
数据处理快速复习
数学运算快速复习
字符操作快速复习
日期时间快速复习
绘图相关快速复习
数学、金融、统计相关快速复习
MATLAB在量化投资中的应用（3小时）
课程目的：通过一些具体实际案例让读者了解MATLAB在股票、衍生品投资中的具体应用。
MATLAB在量化投资中的具体应用案例简介
基于MATLAB的简单均线交易系统
基于MATLAB的常见指标的大盘择时交易系统
基于MATLB的期现套利
基于MATLAB的股指期货日内突破交易系统
基于MATLAB的IF、Cu期货跨期套利（日内高频）
基于MATLAB的跨市场套利（隔夜低频）
基于蒙特卡洛模拟的定增基金净值模拟
基于MATLAB的品种波动性分析
基于MATLAB的交易品种相关性分析
基于MATLAB的行情软件——MATLAB GUI简介
基于MATLAB的量化回测平台——框架、实现、应用
学习MATLAB的一些资源
支持向量机的理论与应用（3小时）
课程目的：通过实际案例让学员了解SVM的理论与应用，掌握Libsvm工具箱的具体安装与使用
支持向量机理论相关
What is SVM?
统计学习理论（Statistical Learning Theory）——SVM的理论基础
SVM的基本思想
Libsvm中采用的各种SVM模型
支持向量机应用相关
初识SVM分类与回归
LIBSVM参数介绍
SVM的具体应用案例简介
LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用
【培训时间】
北京 -20日&
-24日（深圳）
-8日（上海）
【培训地点】北京（具体培训地址，培训前通知）。
【主办单位】北京合晶睿智
【培训学费】5280元/人 （三天课程）
【付款方式】（可开发票）
微信转账：
微店付款：（可信用卡）
银行转账：
户名： 北京合晶睿智信息咨询中心（有限合伙）
账号： 701
开户行：招商银行北京分行营业部
【联系方式】
联系人：郑志勇 &
手 机（微信）：
本文仅代表作者观点，不代表百度立场。本文系作者授权百度百家发表，未经许可，不得转载。
分享到微信朋友圈
打开微信，点击 “ 发现 ”
使用 “ 扫一扫 ” 即可将网页分享至朋友圈。
扫一扫在手机阅读、分享本文
百家号作者平台APP
扫码下载安卓客户端
便捷管理文章信息
随时查看文章收益从人类完败AlphaGo,看人工智能下的酒店收益管理
近来，AlphaGo可谓风光无限，不但三次将棋王柯洁轻松斩落马下，而且中国五大顶级棋手联合出战也只能匆匆落败。值此一役后，“人工智能”已然成为时下最热门的词汇。殊不知，近几年，不仅在围棋领域，在世界的各个领域人工智能都已经“学会”了不少人类的技能。比如，客服、资产管理、处理理赔，又如撰写新闻稿、翻译、画画、驾车、写剧本，还有就是小编今天最想说的—酒店收益管理。
酒店收益管理在酒店的重要性，就不在这里多加赘述，那被冠以人工智能的酒店收益管理是如何实现的，它到底有多牛，众荟信息就借着人人都在谈论的“大明星AlphaGo”的原理，述说一二。
从人工智能的角度来看，酒店收益管理和AlphaGo是有相通之处的。
首先，AlphaGo学习了大量人类棋谱，总结出一定经验。接下来进行左右互搏，在人类棋谱的基础上进行升华。对于众荟信息的大数据收益管理解决方案Revenue Plus而言，也是同样的道理，主要从以下五步予以实现。
1、大 数 据 挖 掘
众荟信息首先依托行业级大数据，挖掘出全国70%以上酒店每一天的调价行为，以及最终的售卖情况，得到一份类似围棋棋谱的大数据集：今天A酒店卖500元，出租率60%；明天B酒店卖300元，出租率 80%......
同时，根据全国70%以上的 OTA 订单大数据，挖掘出全国所有消费者的预定行为：今天30%的消费者选择了A酒店而不是其竞争酒店，明天20%消费者选择了B酒店而不是其竞争酒店......
2、训 练 机 器 智 能
对于消费者预定行为，众荟信息使用深度学习技术进行模拟。这一步会得到一个（人工智能）AI，叫做“消费者代表”。她的行为，可以认为代表了历史上所有消费者行为的综合体。
接下来，对于酒店的调价行为，众荟信息根据每家酒店最终的收益衡量指标（如出租率、平均房价、单房收益、MPI、ARI、RGI）作为监督点（类似围棋的输和赢），使用深度学习技术进行经验总结。这一步会得到一个（人工智能）AI，叫做“有经验的收益经理”。她的行为，可以认为代表了历史上所有收益经理的综合体。
如果一家酒店的收益管理做得好，收益指标比较高，AI 就会倾向于学习他的行为；反过来，如果一家酒店的收益管理做的较差，AI 就会倾向于避免做出类似他的行为。
3、利用消费者 AI 提升收益管理 AI
“消费者代表”选择符合历史经验的酒店后，众荟信息会使用多个“有经验的收益经理”，进行对抗，模拟多家酒店互相调价、竞争，这个对抗的情形类似 AlphaGo 的左右互搏。“有经验的收益经理”的目标是提升收益指标，当酒店调价后，“消费者代表”会重新选择新的酒店，有“经验的收益经理”再进行互博对抗，如此循环。
4、利用新的数据调整消费者 AI
当“有经验的收益管理经理”水平提到了一定程度后，整体市场的平均价格会提升。此时，旧的“消费者代表”已经无法代表新的市场环境。但是随着时间的推移，消费者对新的定价模式会产生新的反馈，此时，使用在线学习的方式，不断地提升消费者 AI，使其更加适应新的市场环境。
不断重复第三步和第四步，使得我们的收益管理 AI 在适应新市场环境下不断提升。
这样，便出现了我们瞩目已久的大数据收益管理解决方案“Revenue Plus”，精准预测，准确定位竞争对手，价格优化，为酒店打造前所未有的收入提升，用大数据重新定义收益管理。
AlphaGo在围棋界以无敌于人类的姿态，宣告了人工智能强大的作用和能力，但并不意味着这是一个人类失败的时代。在这样一个时代，我们应该更多的思考人类如何与人工智能互补共生，如何利用人工智能提升自身水平。人工智能需要借助人类之手予以维护和完善，人类则有求于人工智能强大的计算处理能力，加强对于各个领域的摸索和探究。所以，无论是AlphaGo，还是Revenue Plus，时下我们最应关注的是如何拥抱这样的人工智能技术，并借助它使我们在行业领域的知识和管理得到升华。
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点从人类完败AlphaGo,看人工智能下的酒店收益管理
近来，AlphaGo可谓风光无限，不但三次将棋王柯洁轻松斩落马下，而且中国五大顶级棋手联合出战也只能匆匆落败。值此一役后，“人工智能”已然成为时下最热门的词汇。殊不知，近几年，不仅在围棋领域，在世界的各个领域人工智能都已经“学会”了不少人类的技能。比如，客服、资产管理、处理理赔，又如撰写新闻稿、翻译、画画、驾车、写剧本，还有就是小编今天最想说的—酒店收益管理。
酒店收益管理在酒店的重要性，就不在这里多加赘述，那被冠以人工智能的酒店收益管理是如何实现的，它到底有多牛，众荟信息就借着人人都在谈论的“大明星AlphaGo”的原理，述说一二。
从人工智能的角度来看，酒店收益管理和AlphaGo是有相通之处的。
首先，AlphaGo学习了大量人类棋谱，总结出一定经验。接下来进行左右互搏，在人类棋谱的基础上进行升华。对于众荟信息的大数据收益管理解决方案Revenue Plus而言，也是同样的道理，主要从以下五步予以实现。
1、大 数 据 挖 掘
众荟信息首先依托行业级大数据，挖掘出全国70%以上酒店每一天的调价行为，以及最终的售卖情况，得到一份类似围棋棋谱的大数据集：今天A酒店卖500元，出租率60%；明天B酒店卖300元，出租率 80%......
同时，根据全国70%以上的 OTA 订单大数据，挖掘出全国所有消费者的预定行为：今天30%的消费者选择了A酒店而不是其竞争酒店，明天20%消费者选择了B酒店而不是其竞争酒店......
2、训 练 机 器 智 能
对于消费者预定行为，众荟信息使用深度学习技术进行模拟。这一步会得到一个（人工智能）AI，叫做“消费者代表”。她的行为，可以认为代表了历史上所有消费者行为的综合体。
接下来，对于酒店的调价行为，众荟信息根据每家酒店最终的收益衡量指标（如出租率、平均房价、单房收益、MPI、ARI、RGI）作为监督点（类似围棋的输和赢），使用深度学习技术进行经验总结。这一步会得到一个（人工智能）AI，叫做“有经验的收益经理”。她的行为，可以认为代表了历史上所有收益经理的综合体。
如果一家酒店的收益管理做得好，收益指标比较高，AI 就会倾向于学习他的行为；反过来，如果一家酒店的收益管理做的较差，AI 就会倾向于避免做出类似他的行为。
3、利用消费者 AI 提升收益管理 AI
“消费者代表”选择符合历史经验的酒店后，众荟信息会使用多个“有经验的收益经理”，进行对抗，模拟多家酒店互相调价、竞争，这个对抗的情形类似 AlphaGo 的左右互搏。“有经验的收益经理”的目标是提升收益指标，当酒店调价后，“消费者代表”会重新选择新的酒店，有“经验的收益经理”再进行互博对抗，如此循环。
4、利用新的数据调整消费者 AI
当“有经验的收益管理经理”水平提到了一定程度后，整体市场的平均价格会提升。此时，旧的“消费者代表”已经无法代表新的市场环境。但是随着时间的推移，消费者对新的定价模式会产生新的反馈，此时，使用在线学习的方式，不断地提升消费者 AI，使其更加适应新的市场环境。
不断重复第三步和第四步，使得我们的收益管理 AI 在适应新市场环境下不断提升。
这样，便出现了我们瞩目已久的大数据收益管理解决方案“Revenue Plus”，精准预测，准确定位竞争对手，价格优化，为酒店打造前所未有的收入提升，用大数据重新定义收益管理。
AlphaGo在围棋界以无敌于人类的姿态，宣告了人工智能强大的作用和能力，但并不意味着这是一个人类失败的时代。在这样一个时代，我们应该更多的思考人类如何与人工智能互补共生，如何利用人工智能提升自身水平。人工智能需要借助人类之手予以维护和完善，人类则有求于人工智能强大的计算处理能力，加强对于各个领域的摸索和探究。所以，无论是AlphaGo，还是Revenue Plus，时下我们最应关注的是如何拥抱这样的人工智能技术，并借助它使我们在行业领域的知识和管理得到升华。
正在载入...
暂时没有数据
打开凤凰新闻观看更流畅您的位置：
揭秘AlphaGo背后团队：人工智能的下一个目标是什么？
作者：高歌
　　AlphaGo背后团队
攻克围棋，仅仅是AlphaGo背后Deepmind团队的第一步。
近日，Deepmind创始人Demis Hassabis在接受The Verge采访时透露， AlphaGo仅仅是谷歌人工智能项目的一个分支。在未来，Deepmind主要目的是“用人工智能解决一切问题”，并将进一步探索人工智能在医疗、机器人以及手机等多个领域的应用。
回溯Demis Hassabis的成功之路，从一个获得过5次智力奥林匹克冠军的国际象棋神童，到两科优等成绩获得剑桥大学计算机科学学位的青少年，再到创造了第一款包含人工智能的视频游戏《主题公园》并创立了开创性的视频游戏公司Elixir1，之后离开游戏产业深造神经科学的PhD学位后于2010年创立Deepmind团队，你会发现他的经历十分与众不同。
Hassabis接受The Verge采访时正值AlphaGo首胜李世石九段的次日清早，如果说这个时候他把来自媒体的追问抛到九霄云外似乎也无可厚非。然而他却依旧热情友好，当Google方面的代表告诉Hassabis一夕之间有超过3300篇韩国媒体关于他的采访时，Hassabis表示出了明显的诧异：“这真是难以置信，不过看到一个高深莫测的东西在短时间内变得如此受欢迎，还是一件有趣的事情。”
　　围棋将是永恒的圣杯
据Hassabis称：“围棋一直位于完美信息游戏的顶峰之处，在可能性方面围棋比国际象棋复杂得多，所以，尤其是在深蓝之后，围棋对于人工智能来说意味着可望而不可及的圣杯。尽管我们做出了很多的努力，但仍旧没有特别深入的领悟围棋。蒙特卡罗树搜索可以说是十年前的一项重大革新，但是我认为对于AlphaGo的研发更为重要的部分在于我们引入了深度神经网使得人工智能拥有了所谓的直觉方面的判断力。可以说好的直觉是令顶尖棋手出类拔萃的关键原因，在昨天的比赛的实时解说中，当我看到麦克雷蒙九段在计算结果方面表示很难判断的时候，再次感到写出一套围棋价值判断的程序极其困难。
此外，对于AlphaGo在实战过程中下出的一些出其不意的招数，Hassabis表示十分震惊：“我相信李世石也会是同样的感觉，从他的面部表情上面可以观察出来，当AlphaGo向左进击李世石的领域时，我承认这的确出人意料。”同时他也认为，AlphaGo的下法极具进攻性，在某种程度上来说，AlphaGo在用李世石的长项来进行对抗。Hassabis说：“李世石以奇招频出和善于把控局势闻名，可以说AlphaGo在第一场比赛中下出了我们想要看到的局面，在开始的时候，它只是在整个棋盘上进行布局并没有实质地占领某块区域。传统的围棋程序之所以具有明显的短板，是因为它们精于计算却缺乏一种大局观。”
　　为何AlphaGo的胜利意义重大
举办这场比赛的初衷在于评估AlphaGo 的能力，谈及从AlphaGo的胜利中学到了什么以及未来它的发展方向，Hassabis表示：“通过比赛我们意识到我们目前所处的环节比之前预计的更加先进。对于完美信息游戏，围棋一直位于金字塔尖，还有许多顶级的围棋高手等待对决。此外，还有很多其他的游戏，比如说无限制扑克，因为是不完美信息游戏，因此多人游戏也是一个挑战。显而易见所有人类比机器玩儿的好的电子游戏也可以被考虑其中，比如说《星际争霸》在韩国也是非常受欢迎的。在信息不完美世界里，策略游戏对决策能力有极高的要求，因为能够被看到的仅仅是全局的一部分。而在围棋之中全盘情况都是可视的，这点对于电脑来说会使游戏略微容易一些。”
尽管用人工智能进行游戏对战刺激有趣，但是Deepmind团队还是希望将人工智能用于更多主流的项目当中。Hassabis表示他本人对游戏十分感兴趣，也许是曾经写过游戏，但是目前来说，游戏仅仅是提供测试平台用来测试我们的算法并且评估它们的等级的一个行之有效的办法。而Deepmind的终极目标在于用人工智能解决真实世界中的棘手问题。
谈及自己过去从事游戏行业的经历对现在有何影响时，Hassabis说：“可以说创立Deepmind一直以来是我的最终目的，我用了近20年筹划这个事情，如果你从一个最终我将要从事人工智能研究的角度审视我的经历，你会发现我的每一步选择都是朝向人工智能的，熟悉我的Bullfrog员工都知道，我写的所有游戏的核心都是与人工智能相关的。在16岁的时候写《主题公园》游戏的时候我第一次意识到如果我们全力以赴进行研究，人工智能的前景不可估量。这款游戏十分畅销，说明玩家享受其中，因为人工智能十分贴合玩家的心意。因此我继续在游戏领域进行拓展，然而在2000年的时候我感觉到我们已经在’从后门偷偷逼近‘人工智能研究的路上走到了尽头，因为不管怎么样你的最终目标都只是做出一款游戏，所以我转而去学习神经科学，以期在人工智能领域有所进展。”
Hassabis认为人工智能在90年代最直观的应用即是体现在游戏行业，那时，学术界的研究没有什么动静，一些诸如增强学习、深度学习、神经网络等新技术都没有得到应用与推广，所以游戏成为人工智能最好的应用领域，当然那时的人工智能与现在大相径庭，当时的人工智能更像是较为复杂的有限状态机(FSM)，游戏Black &White中应用到了增强学习技术，到目前为止我仍旧认为这是在游戏中应用最复杂的案例。然而到了2004年左右，游戏行业发生了很大的变化，不再像90年代那样只要你有一个不错的点子就可以做一款游戏，游戏行业变得更加注重画面感，并且官方授权也变得十分重要，像FIFA系列游戏就是一个很好的例子。所以我认为做游戏不再像以前那样有趣了，并且我已经在游戏领域积蓄了创立Deepmind所需的信息与经验，这个时候神经科学引起了我的兴趣，我很想从明白大脑解决问题的过程中获得灵感，所以读一个神经科学的PhD再合适不过了。”
　　人工智能如何改变医疗领
人工智能的主要应用将会在医疗、智能手机助手、机器人科学领域，在医疗方面，目前认知计算系统IBM Watson已经着手进行癌症诊断的项目，据此，Deepmind表示几周之前已经开始了和NHS(英国国家医疗服务体系)的合作，构建一个可以应用机器学习智能的平台。Hassabis认为IBM Watson所做的工作与Deepmind团队的工作有所区别，癌症筛查更像是一个专家系统，是另一种形式的人工智能，这类人工智能所能做到的是进行图像方面的医学诊断，自我量化然后进行重要特征的横向比对以及大量的筛查，从而指导人们拥有更健康的生活方式，我认为把增强学习技术用于这个领域较为适宜。
对于与NHS的合作，Deepmind推出了一款并未有用到AI或是机器学习的应用程序，原因在于NHS软件自身来看较为落后，它们并不是移动端的，完全不适用于目前消费者的使用习惯，并且对于医生和护士来说这个软件十分低效。所以Deepmind首先会改善可视化与基础化信息，借此看清真正的需求，继而将更加熟练的机器运用其中。
　　未来核心应用领域
在第一天发布会的演讲中，Hassabis使用了电影《她》中的海报作为讲解的背景，对此他解释道：“关于智能手机助手的样子，《她》是较为盛行的主流观点，我的看法是应该让智能手机助手变得更加‘人性化’，使它能够对你的需求有更加深刻的理解。而目前大部分这样的系统都极为脆弱，一旦偏离了预先编程输入的模版，它们就会变得毫无用处。”
正如Hassabis所言，目前基本所有的智能手机助手都属于特殊案例和预编程的，这意味着它们很脆弱，只能做预编程写好的事。然而真实的世界非常混乱，用户们也会在你无法提前知晓的情况下，做着不可预知的事情。所以DeepMind 的信念是：通往人工智能的唯一道路，是从地基开始打起，而且变得通用。这也是最根本的原则之一。
针对这点该如何改进，Hassabis的看法是：”由于智能手机的输入十分多变，所以或许得输入有’上万吨’的数据，才可以从中学习到很多东西。根据AlphaGo 的算法，我们打算在未来几个月尝试的是，摆脱监督式学习的出发点，让它完全自我发挥，从一无所有的状态开始。它会需要更长的时间，因为当你采用随机方法的时候，其中的审查和错误会需要更多的时间训练，也许是几个月。但是，我们认为有这个可能性，让它从纯粹的学习中起步。“对于何时才能看到人工智能给市场带来显著性差异，Hassabis给出的答案是：”我认为在未来的两到三年会开始看到改善。我的意思是，这些改善在开始的时候是非常微小的，只有很小的部分会工作的更好。也许在未来的4 到5 年，甚至5 年更多，你可以看到智能手机在功能上大的变化。“
　　为何选择Google ?
事实上，AlphaGo 在比赛中并没有使用那么多硬件，然而Deepmind团队需要大量的硬件来训练它，做各种不同的版本，并让他们在云端互相比赛。这需要相当多的硬件才能高效完成，所以如果没有这些资源，在这段时间内根本无法完成。这也是Deepmind选择与Google合作的原因之一。
关于是否期待被纳入Google商业模式与产品路线图中，Hassabis认为：“在如何最优化研究进展方面，我们有很强的主导权。这是我们的使命，也是为什么我们加入了Google，这样我们可以给研究进行涡轮增压。这是发生在过去几年的事情。当然，我们实际上也致力于很多Google 内部的产品，但是他们是非常早期的阶段，所以还没准备好公布。当然我认为智能手机助手是非常核心的，我认为Sundar Pichai 已经对此谈了很多，这是Google 未来的核心。”
对于与Google Brain是否有合作，Hassabis表示：“其实我们是非常互补的。我们每周都有交谈。Google Brain 主要致力于深度学习，他们也有非常卓越的工程师Jeff Dean，所以他们已经铺开到公司的各个角落，这也是为什么我们发明出了令人惊喜的Google 图片搜索。他们正在做着现象级的工作。另外，他们的团队在山景城，所以他们离产品团队更近，他们的研究周期也更像12 到18 个月。而我们有更多算法开发的工作，我们倾向于为需要两三年研究的事情做研究，而且不需要在开始的时候就有直接的产品焦点。”
　　关注未来科学
关于机器人科学目前的发展状况，Hassabis认为它们或许有漂亮的躯干，但是依然缺乏智慧的“大脑”，与智能手机助手目前的状况相似，机器人目前似乎只能对预先进行编程的情况作出反应，一旦处于状况之外，机器人无疑会无所适从。因此如何通过机器学习强化机器人的能力十分重要。
对于科学习的机器人，Hassabis举出了一些直接使用的案例：“显然，自动驾驶汽车是一种机器人，但目前来说还是狭义的人工智能，虽然他们使用了计算机视觉里面一些可学习的人工智能——特斯拉采用了一种基于深度学习的标准、现场的计算机视觉方案。我相信日本在老年护理机器人、家庭清洁机器人上面有很多思考，我认为这对社会会非常有用。特别是在一个人口老龄化的社会里，我认为是一个非常紧迫的问题。“
对人类、机器人和人工智能在未来的交互，Hassabis的期望是：“我自己对机器人没多少思考。我自己对人工智能的使用感到兴奋的领域是科学，能够推动它更快的发展。我想看到人工智能未来能够辅助科学，如果有一个人工智能研究助手，它可以做很多乏味的工作，阅读有趣的论文，从海量的数据中找到结构，并把它们呈现到人类专家和科学家面前，以实现更快的技术突破。我几个月前在欧洲核子研究中心做演讲，很显然它们创造出比地球上任何地方都多的数据，我们都知道在它们海量的硬盘中，可能会有某个新的粒子发现，但没有人能抽出时间做这件事情，因为这里的数据量的确太过庞大。所以我觉得，如果有一天人工智能参与寻找到一个新的粒子，那么是一件非常酷的事。”
(转载请保留)
您刚刚看过
互联网的一些事，已超50万小伙伴关注！