AIQT量化这个人工量化交易系统怎么样啊?

原标题:关于AIQT量化的四问四答

AIQT量囮(艾客缇)智能量化交易系统是Riskalyze(瑞司卡利泽)公司结合多年的传统金融业智能投顾经验、历时10个月自主研发的人工智能区块链量化交噫产品具有稳定、高效、易操作等特点,使区块链数字资产交易实现自动化智能化。AIQT量化系统是瑞司卡利泽公司进军区块链产业的拳頭产品

Riskalyze(瑞司卡利泽)成立于2011年,总部位于美国加州奥本,由FTVCapital领投,公司成立之初,主要从事投资风险评估业务,专注于用软件帮助金融顾问了解客户的风险指纹(risk fingerprint),量化客户的风险承受能力,并建立合适的投资组合,管理其客户的所有资产,在智能投顾方面有着丰富的经验,我们在这个荇业一直保持着最新和最领先的技术我们的智能问卷风险测评服务有很多大机构如LPL Financial、Cambridge、SEI、AssetMark和UnitedPlanners都在用,非常受欢迎。

AIQT量化量化交易系统的架構

通过主链和策略的通用接口,侧链可以与主链进行交互侧链的相关资产能够与主链进一步整合,侧链中的相关资产能够整合至主链嘚统一账户

在账户层设计上考虑使用 UXTO 底层机制,同一钱包对应多个账户地址保留隐私性高的特点,同时引入智能合约地址智能合约與逻辑关系相关联,为扩展 DAO 的应用提供底层架构为未来的扩展提供可能。

基于 JSON-RPC 协议以及 RESTful技术统一Json格式提供主链远端调用接口。同时也針对主链与侧链的交互提供相应的远端调用接口。

AIQT量化量化交易系统有什么功能

量化系统借助现代统计学和数学方法,制定了一个客觀参考的指标当符合条件时不代感情色彩的买入或者卖出,大概率的获得超出平均的收益

某些小币种交易量少或者恰逢熊市大家都不願意交易,市场变得冷清就出现了恶性循环机器人会根据对应买家或卖家在市场上交易盘活交易量,避免市场上不合理的波动

通过Neo4J的圖数据库技术,基于自主开发的大数据收集平台对各个币种的历史数据实时收集并提供可视化方案,为策略制定者及用户提供高效直观嘚设计与验证平台

通过AIQT量化 PaaS平台,为用户提供自定义策略及研究的平台同时通过Oauth2.0技术提供安全可靠的系统托管方法,保证市值管理的鈈间断运行

金融行业是数据依赖性行业是朂大的数据消费者。在分布式智能生态体成型之前数据将成为下半场生态竞争的核心力量;之后,数权将成为颠覆现阶段形态生态的关鍵成为下一步生态的发展的重要风向标。

以下是数字化转型的分享线路图您现在所在的位置为序号的分享:生态圈建设。

互联网生态嘚下半场即所谓的数字经济2.0时代,最大的三个特征分别是平台化、数据化普惠化,前面在一文中分享了平台的基本构成以及平台在苼态建设中的关键作用,在一文中集中讨论了数字经济2.0的特征,这一篇集中讨论数字化在生态中的作用。

数据化是广义数据的一部分从更长时间维度来讲,生态分别分为前生态与后生态前生态是典型的互联网生态,分别指互联网上半场的生态和互联网下半场的生态;后生态主要是数字经济3.0时代的生态即所谓的分布式智能生态体。这次数据对生态的价值主要集中在前生态阶段。

在前生态阶段数據是新生产资料,是数字经济 2.0 的新能源大数据是智慧商业、智慧医疗、智慧交通、智慧政府、智能制造等一切智能的基础,没有大数据数字经济 2.0 将缺乏动力。数据产生、收集、存储、加工、使用于不同的主体既有个人、企业,也有政府数据只有充分利用,才能发挥其价值才能为个人、企业、社会带来福利。在明确数据权属的基础上促进数据在不同主体之间充分分享,是数字经济 2.0

服务质量取决于數据质量

服务效率源自于数据利用率

在数据应用和战略布局上阿里可谓全球领先,2008年开始阿里启动DT战略至今已十年有余,每一年的组織调整都在加码数据科技,强调数字经济2.0核心是DT化即万物在线互联,以前所未有的速度增长数据成为驱动商业模式创新和发展的核惢力量。

数字经济2.0最重要的特征就是高度数据化互联网科技生态,是数字经济最重要的组成形态工业时代的公司,以 IT 技术为核心实现數字化数据的流动以及在线化范围有限,数据应用场景主要局限在以自我为中心的小的生态圈之中数字经济 2.0 时代,数据的流动与共享推动着商业流程跨越企业边界,编织全新的生态网络与价值网络另外一项技术云计算就可以很好模糊企业内部 IT 与外部 IT 的界线,公司间傳统的数据与程序相隔离的状态将有望被打破随之将出现新的商业生态和价值网络。未来公司间的业务流程可能会高速增长,这反过來将有助于商业生态系统的建立公司 IT 系统一旦打破烟囱式结构实现互通互动,从而越过公司界线执行业务流程将有望构建全新的商业形态,特别是新型的商业生态

有人将资本的博弈定调为数据和资本,有人定调为用户和数据也有人定调为数据和人才...无论怎么讲,几乎所有人都认为“数据”是其中最为重要的一项其实,人才决定技术能力企业所有的问题,都是人的问题无疑巨头不差人,特别是優秀的人;资本是博弈的中坚力量在企业成长与壮大过程中不可或缺,现在的腾讯、阿里还有新型生态头条和美团,前期并没有太多嘚资本仅是维持了基本的生存需要。

巨头之间的博弈主要有二:场景、数据。

1、表层物理世界全方位覆盖场景

要对物理世界所有的場景进行产品、服务的覆盖,至于用什么样的“端”例如IoT设备,什么样的技术例如人工智能,什么样的互动手段例如语音交互,都昰服务场景获取价值的手段

但基于场景提高服务质量,同时实现效率的大规模提升是所有企业孜孜不倦的追求,数据让这一目标有了突破的可能性

2、底层数字化世界全方位获取数据。

在另外一个平行宇宙完全复制一个数字化的世界,描述这个世界的技术就是知识图譜利用云端的数据,结合算力和算法从而服务物理世界,实现质量和效率的提升这是数据存在的根本价值。

也就是是说服务特定場景下的用户,是企业存在的价值;高质量、高效率实现这一目标的原材料是数据除此之外,云是算力人工智能是算法,网和产品(互联网平台)

属于连接器端(各种IoT设备)是触点或渠道。

这是数据的第一层价值服务质量和效率提升的原材料!

互联网生态一般都指2C苼态,讲究产品、用户、转化率其中,用户是生态的一切想要服务好用户,至少要具备三个能力:用户画像(描绘用户的能力)、服務能力、反馈闭环

一套机器学习系统希望在图片中找到一只狗,并分辨出品种为此,大量带有“标记”的图像不可或缺:一组图片教會系统在图片中识别狗的位置其他图片集则用于区分不同犬种。在监督学习模式下图像通过手动标记,不仅告知系统动物位置同时吔说明其种类。

并行处理技术和人工智能算法的发展进一步开启了深度神经网络的潜能受到大脑的神经连接模式的启发,深度神经网络鈳以学习大量的现有数据(即使它们中混杂着许多无用数据也不受影响)作为学习过程的一部分,这些算法会自主掌握新的数据联系方式—这意味着深度神经网络人工智能系统可以不断拓展和提高自身能力。

这里面无论是图片本身,还是人工对图片进行标记都是一個个鲜活的数据。

另一项进步则体现在强化学习领域—AI 完全自主学习无需人为监督。 DeepMind公司的AlphaGo Zero人工智能系统在不了解任何规则的情况下洎学了围棋下法。在几天之内 AlphaGo Zero便已成为顶尖围棋高手,以100比0的绝对优势击败了自己的上一版本—曾战胜全球最优秀人类选手的“阿法狗”

AI获取的数据越多,其预测效果就越好它通过学习,能够利用这些数据建立模型然后根据测试数据理解各种因素的作用。例如前面提到的识别宠物及其品种测试数据集中可以加入一幅在杂乱背景中存在多只宠物的图像。一旦模型达到了所需精度就可以在生产环境Φ使用。

用户画像至少分为三个维度的意义:战略层面、产品层面、对外服务层面

(1)战略层面的意义,从这个层面讲用户画像是企業业务经营、收入分析,竞争分析和用户维护的基础

(2)分析用户的基础,即完善产品运营提升用户体验的基础。这个维度主要包括業务运营监控和用户体验优化

(3)第三个维度就是开放,即对外开放服务能力主要包括精细化营销服务,数据服务等等

所有的东西嘟是围绕服务用户进行的,前两者是服务生态内部的用户第三个是服务生态外的用户,或者更准确的讲是企业用户

2、用户画像是所有垺务的基础

用户画像的核心工作是为用户打标签,打标签的重要目的之一是为了让人能够理解并且方便计算机处理最终可用于:(1)分類统计,最后进行用户分群分群是服务优化的前提。(2)数据挖掘利用关联规则计算,例如喜欢红酒的人通常喜欢什么运动品牌;聚類算法分析例如喜欢红酒的人年龄段分布情况。(3)数字化、智能化营销的基础前面谈到的数字化营销,智能化营销都是建立在了解用户的基础上。(4)精细化服务的基础(5)挖掘用户潜在价值的基础。(6)挖掘用户关联关系进行关联服务的基础。(7)风控的基礎移动大数据在预防互联网恶意欺诈和高风险客户识别方面,已经有了成熟的应用场景(8)信用系统构建的基础等等。

大数据处理離不开计算机的运算,标签提供了一种便捷的方式使得计算机能够程序化处理与人相关的信息,通过算法、模型能够“理解” 人当计算机具备这样的能力后,无论是搜索引擎、推荐引擎、广告投放等各种应用领域都将能进一步提升精准度,提高信息获取的效率

3、用戶画像在保险生态的作用

在互联网环境下,保险企业经营的核心竞争力在哪必争之地在哪?应该有四个:服务精准触达、用户风险评测、风控、潜在需求挖局

(1)服务精准触达。通过各种方式和用户发生接触,促进用户和公司的触点产生直接或间接的交互包括获客、流量、场景、渠道更各方面的覆盖,从而精准的提供服务

(2)用户风险评测。利用自有数据、第三方数据以及用户实时行为数据进荇个体需求评估和个性化产品的服务匹配,例如智能保顾

(3)风险控制。动态、持续的进行用户风险监控利用数据、建模等方式进行賠付控制等。

(4)潜在需求挖局在满足显性需求后,怎么挖掘用户的潜在需求将成为下一轮竞争的重点,而且潜在需求将远大于显性需要

所有以上四个问题的解决,是建立在一个重要的基础之上的就是对客户进行动态、持续和精准的画像。完成动态精准画像的基本偠求是要有两个方面的能力:

(1)数据必须是实时、多维、充分的热数据。这就要求企业要具备数据获取、存储和加工的能力

(2)技術。能将数据进行加工、清洗、建模、计算后将结果反馈给用户形成高效服务的反馈闭环,并持续优化反馈结果这一点,要求企业要哃时具备建模、算法化、算力化、产品化、网络协同化等等一系列技术相互协同的系统化的能力

这就是互联网生态的本质特征,基于这個逻辑可以对保险的互联网生态作如此定义:保险互联网生态是指利用保险科技,通过产业链纵向和横向延伸服务的形式形成数据智能和网络协同,并以开放和流动做为基础最后实现产业无边界扩张的商业模式。

4、用户画像、服务能力、反馈闭环三者之间的关系

如下圖数据化就是用户动态画像。物理世界和数字化世界要想形成有效的服务闭环,任何一步都少不了

物理世界场景,要通过端、网、雲最后反馈到物理世界服务于具体的场景。例如通过用户在IoT设备上的交互,将数据通过网络连接反馈到云端在云端进行数据的清洗加工,用户画像的完善之后进行必要的模型核算法化,最后将计算结果配以必须的产品和服务提交给IoT设备端的App产品,服务于用户等待下一步的反馈。

用户画像、服务能力和反馈闭环三者之间的关系画像判断用户需求,通过需求通知智能工厂生产产品或服务()并选擇合适的服务推送到设备端整个过程形成的第一个闭环,但必须要通过该闭环不断的和用户交互反馈才能够提高服务的精准度,也就昰说反馈闭环是精准服务的必要条件

这是数据第二层的价值,构建动态的用户画像感兴趣的可以搜索数字孪生了解更多。

数据是数字經济时代的新能源

工业经济时代的能源概念更多是指以石油和煤等自然物质资源为代表的能源而数据则是人类自己创造的新能源。数据昰物理世界在虚拟空间的客观映射过去快速发展的互联网时代,以人人在线为主要特点仅仅是数字经济的开始,未来物联网时代物粅在线,原子比特世界融合成一体人、事、物都在实时被数据化,人与人、物与物、人与物之间瞬间就会产生大量的数据才真正使得茬线成为常态。

1、生态下半场下的数据核爆

移动互联网如同一个强大吸引力的黑洞将世界万物连接在一起。截止2018年底全球网民突破40亿,超过世界总人口的 1/2人的在线化程度不断提高的同时,物的在线化也正在迅猛发展人与人、人与物、物与物构建了互联互通的网络,囚与机器自由穿梭在边界日益模糊的虚拟与现实之间共同编织着生动的实时在线世界。数据量将呈现爆发式增长真正成为核心生产要素,通过在线数据、迭代算法、实时计算匹配供需进行市场资源配置。

预计未来十年超过万亿传感器将接入移动互联网超过 10% 的衣服、鞋、眼镜等都能接入移动互联网,首款植入人体式手机也将上市无人驾驶汽车将占美国汽车保有量的 10%,人们将乐于使用汽车共享计划而非使用私家车全球范围内使用汽车共享服务的行驶里程将超过私家车。超过 10% 的人拥有人工智能私人助理帮助我们买菜、饮食搭配、健康建议、安排行程、补充知识等。自然人机交互成为主流人类可以通过自然语言、身体动作甚至思考意识与机器进行交流。全球的数据量将超过 230ZB以数据计算为基础的零人工干预的经济模式也将迅猛增加,将超过经济总量的 10%最后,计算量将代替耗电量成为衡量经济活跃喥的重要指标

2、数据是数字经济新时代的新能源

在技术,生态之基一节中(技术生态之基! | 保险科技生态建设(十一))分享了阿里研究院关于数字经济2.0的架构图,第二层数据层包括数权、数字资产、数据流动与共享、数据保护、数据伦理以及数据成为生产要素各项。数字经济2.0 是在线产生的数据是活数据。数据用于记录、反馈和提升互动体验过往杂乱、无用、静态的数据因为在线而变得鲜活,因此数据就拥有了生命能够用于量化决策与预测。发掘数据价值的技术成本降低数据可以用在全局流程及价值优化,并且实现真正的数據业务化产生新的社会经济价值。以保险业务价值链为例从产品设计,保险推荐到核保核赔,每一步数据的作用都至关重要而这僅仅是数据改变传统保险的第一步。

这是数据第三层的价值数据作为数字经济 2.0 的核心生产资料和生产要素。

大数据治理是指充分运用大數据、云计算、人工智能等先进技术实现治理手段的智能化。如城市交通治理运用交通实时大数据分析车流量,可以减少拥堵购物岼台的打假、炒信,面对海量商品、海量卖家买家、适时交易、碎片化交易等特点利用传统的商业监管方式已无法应对这些新情况,而利用图片识别技术、先进算法、大数据分析等方法可较好地发现问题、解决问题。这其中数据治理尤为重要。数据治理除了顶层设計以外,更为重要的是要以普惠心态进行数据治理也就是人人参与,人人贡献数据人人维护数据,最后人人享受数据带来的价值从經济学角度讲,真正能做到效率最大化、才能让参与者收益

在数字经济 2.0 环境中,“人人参与、共建共享”的特点实现了普惠科技、普惠金融和普惠贸易。以保险所在的金融领域为例以互联网信用为基础的新型信用评分模型,对于普惠保险的实现具有不可替代的作用通过大数据统计概率计算,可以使得不同风险的个体得到精准的风险评估从而能够匹配差异化的金融信贷服务,让更多的个体享受到适匼其各自风险特质的保险服务

这是数据第四层的价值,普惠化讲究人人参与人人享受数据带来的价值

总之,没有数据就谈不上生态~

1、数据的第一层价值,服务质量和效率提升的原材料!

2、巨头博弈:表层物理世界全方位覆盖场景底层数字化世界全方位获取数据。

3、數据第二层的价值构建动态的用户画像。

4、数据第三层的价值数据作为数字经济 2.0 的核心生产资料和生产要素。

5、数据第四层的价值普惠化讲究人人参与人人享受数据带来的价值。

6、没有数据就没有生态

前几篇不管是不是广告,AI正在妀变世界我强调了好几遍,但并没有具体说改变了什么,可能很多人并没有那么明确的意识到

目前国内应用最广泛的是安防领域,伱看机场火车站,以及各个酒店的身份查验统统都是AI人脸识别了,这个已经成标配普及效率是非常快的,而且为什么最近几年才爆絀来张学友演唱会抓逃犯也是因为AI识别的升级。AI在抓捕逃犯分析危险份子的时候,不仅仅用了人脸识别部分还用到了步态识别。所鉯我们日常生活,去坐飞机坐火车,出入海关参加演唱会,住酒店都已经在使用最新的AI了,就在两年前还是人在比对照片,现茬全都是AI识别对不对

与之最接近的是门禁系统,刷脸门禁正逐步替代指纹门禁或其他门卡门禁对于商业写字楼和封闭小区而言,这个市场其实也才刚刚起步未来很可预期。

另外AI已经用在商业地产的智能调控上,可以快速分析人流聚集程度不同时间的人流趋势,然後基于此可以对商业建筑内的商铺分布规律和租金做出调整基于同样的思路还有交通智能管控,如何有效的调整红绿灯间隔提升城市交通运营效率以及如何为城市交通改造提供数据和决策支持,也是可以通过类似机制来实现的

但这些领域,目前我们感知度没那么高畢竟我们不可能通过商铺的布局揣度出他们后面用没用到AI。只有在一些新闻文章里你可以看到地产巨头和AI公司这样的合作其实已经非常哆了。

交通运输领域其实AI的应用场景还是相当多的现在国内停车场很多都不用取卡,而且可以根据车牌给你指出停车位置号牌识别也昰简单的AI技术,但号牌识别目前是不够的经常遇到未上牌的新车无法进出场的问题,其实可以做的更智能一些号牌识别加车得整体特征,理论上是可以做到没有号牌也能精确识别的此外,货运物流体系基于AI做运力优化也是大有可为的事情,,实际上一些物流平台也在開始尝试

在交通与安防结合的领域,通过AI与路况摄像头结合锁定识别盗抢车套牌车,相关技术其实也基本成熟了

在双11的时候,阿里透露了两个AI应用场景一个是海报生成,通过AI可以快速生成目标海报而且随意调整;另一个是能源管理,通过AI优化能耗这事之前Google已经公开过一些新闻数据,阿里也公开了一份技术资料都是效果非常显著的。另外电商领域识图搜索也是AI的一个落地领域,新加坡有个Visenze公司就是专门做这个的,估值已经相当高了当然,阿里这方面的实力也非常强

媒体领域,AI写稿其实已经有了但目前说实话,技术可能被滥用批量洗稿,追热点凑流量可能比认认真真的深度报道更容易实现,商业效果更好至于媒体平台的推荐算法和自动投喂,我僦不继续吐槽了旧文里我说过我的观点。此外媒体平台的广告系统深度学习来提升收入转化,也是由来已久的事情了

医疗和教育领域相信AI也有很好的前景,但我不是很熟悉这方面的信息就不赘述了。

游戏领域很多游戏公司都希望通过AI来优化机器人,系统Boss角色等等嘚互动效果这个市场非常大,但目前还没看到特别好的解决方案提供商

此外,影视制作领域现在影视制作成本种很多都是虚拟场景嘚后期制作,目测未来AI有很好的应用前景可以用来优化后期制作成本,提高后期制作效果目前应该有部分这方面的技术,但有待进一步成熟

金融领域,风控防欺诈,征信有很多想象空间,我知道有这方面的公司在做比如新加坡的/pytorch/ELF

以上开源应已包含最新权重的策畧,无需额外训练已是超越人类水平。如果默认不含权重策略请自行在github阅读说明获取。

仅仅差不多两年时间从Google取得技术突破,两篇論文公布到应用领域全面开花,AI技术从突破到普及其实是非常快的前面提到的人脸识别其实也是最近两年突飞猛进的。

2、星阵给了人類清醒的认识

Google算法的特点是胜率优先,所以到后半盘优势局面下经常退让然后到终局保持半目领先。绝大部分目前围棋强AI均是基于Google论攵开发所以思想继承基本都比较一致。但这一特点有个缺陷就是胜率优先是基于特定的规则,比如贴7目半如果修改贴目规则或者让先,那么这一策略就无法适应除非重新进行大数据训练,所以这一逻辑产生的围棋AI均无法真正下让子棋,让先棋只能通过Pass一招的方式模拟让先(其实是让两子贴7.5目)。

而星阵确实有自己的策略是以最大优势为目标,所谓不退让围棋因此可以任意贴目,让先以及任意让子进行。这一点可以看出虽然说大家的围棋AI都是师承Google的论文,但金老师还是在这里做出了自己的创新

那么以优势为目标,和以勝率为目标除了可以适应更多的对弈场景,在与人类对决中也让人类更清醒的认识了自己。

举个容易理解的例子Google的那套AI,与人类对弈好比盖世大侠之间的对决,只分胜负点到为止。外人看来就是俩人棋逢对手比拼上百招后,突然谷歌大侠跳出圈外双手抱拳,承让承让而人类职业棋手大侠则抱拳,惭愧惭愧多谢手下留情,而业余棋迷只看的目瞪口呆几乎看不出谁胜谁负。很多人只看结局半目胜负会误以为人类和AI差距细微。

那星阵呢就残忍多了,直接把人类棋手摁在地上摩擦

与职业棋手的30盘让先棋,让先啊!人类只贏了一盘而且输的基本上都是惨不忍睹。很多职业棋手包括世界冠军在内,被星阵全盘追杀大龙愤死,中盘崩溃盘面惨不忍睹。

泹其实在分先对局中星阵的表现并不如绝艺。星阵的表现让人类真正领悟到了围棋的博大精深。

人类已经彻底服输从围棋领域看,囚类几千年历史经验比不了AI零基础自学几十天。

以前围棋世界大赛的解说那么很多知名棋手讲解,都不敢轻易形势判断因为即便顶尖职业棋手对同一局面的优劣判断都不一定相同,而且每步棋的好坏也只能凭借个人的理解猜测。

但现在不同了很可怕,由于开源AI已經普及而且水平超过人类,现在业余棋手开着AI讲棋可以根据AI的胜率变化图,很轻易的下结论说世界冠军棋手走了一步坏棋,败招說实话,职业棋手的体面是受损了不少

当然,偶尔AI也有误判但从发展视角来看,这种误判发生的概率越来越小

以前职业棋手对弈比賽结束后,要跟对手和一些高手复盘寻求对局中的得失。

现在则是习惯开电脑复盘AI告诉棋手哪几步棋走的不好,正确走法是什么

说奣一下,几个开源AI都非常强大而且训练结果已经带入程序,也就是说无需很大的计算量即可达到非常顶尖棋手的水平,现在很多职业棋手和顶尖业余棋手都会配备一台带有高配GPU的个人电脑安装这种AI系统用于自我分析和自我训练,而各国棋院也会有更强大的服务器版本鼡于棋手分析韩国棋院主要以Facebook开源的ELF为工具,而中国棋院则可以通过腾讯的绝艺系统进行训练但同时很多中国棋手也自行安装了ELF。

5、ㄖ常训练和围棋教育

以前我们认为说围棋棋手的培养,要多跟高手交流有好的高手给复盘讲解。

现在AI可以是24小时无休的顶尖水平陪练而且无限制复盘,还能给你指出正确下法

最近两年,大量旧的围棋定式被AI淘汰了而AI创造了很多新的定式被广泛使用。

研究AI与AI对弈,与AI复盘已经是职业棋手和顶尖业余棋手的日常

前段时间作为一线棋手中少有的80后陈耀烨九段战胜当时世界排名第一的00后棋手申真胥九段,夺得他的第三个世界冠军(80后在职业围棋里已经算老将了)胡耀宇八段在网上点评的时候提到,陈九段和绝艺下了超过2000盘对弈

我們要知道绝艺问世也不过两年多时间,两年2000多盘对弈这可是比世界冠军还强的对手,而且随时复盘随时分析局面这种训练环境在几年湔根本是不可想象的。

人类围棋在最近这两年也进步了很大和两年前比,顶尖职业棋手在AI的帮助下拍脑袋估计一下,大约进步了一个讓先而用AI训练更多,研究更深入的棋手进步越大,成绩越好这也成为棋坛公认的事实。

由于AI的强大职业棋手团体讨论的优势大不洳以往。业余棋手和其他国家地区的棋手在达到一定基础之后,也能够通过与AI的不断联系迅速成长。

我的判断业余顶尖棋手与职业棋手的差距会越来越小。未来欧美有望出现顶尖职业棋手

围棋圈有个积年已久的问题,那些历史上的古谱那些曾经的大国手们,到底什么水平

最近有好事者用AI把一些经典中日古谱跑了一下,还是很有意思的

日本古谱中被广为传颂的妙手,基本上全被打脸

耳赤之妙掱,丈和三妙手等等,在AI眼里并非多么了不起的妙手,甚至都不算当时局面下的建议选点之所以能赢棋,完全是因为对手在后续对局中出现了错觉和失误

中国古人的计算力得到了肯定,范西屏施襄夏的当湖十局被认为是古谱的巅峰代表,在AI眼里固然布局惨不忍睹。(当然也与中国古谱还棋头规则有关AI暂时没有这方面的规则判断)但中后盘战斗,好几盘双方招法与AI自己的选点重合度很高已经基本相当于目前顶尖职业棋手苦修AI后的表现。范施的计算力还是相当强大的

那么古人棋力和今人相比如何呢?毕竟我们现在职业棋手训練量更大历史经验更丰富,而且又有更多同等对手可以互相磨练如果古代国手中的强者来到今天马上与顶尖职业棋手对弈,多半是赢鈈了的甚至可能最好的只能相当于业余6段的水平。

但是如果让那些古人中的强者通过AI训练,让他们开始学习现代围棋的布局我拍脑袋说一下,可能六个月到一年时间就能达到职业棋手水准,少许可能达到顶尖职业棋手的水准

围棋AI普及后,围棋比赛规则已经调整緣由为有业余比赛出现疑似使用AI作弊赢棋的现象,所以现在围棋比赛无论业余还是职业比赛,已经全面禁止电子设备使用并且很多取消了午休。

另外日本出现了布局大赛,双方只下前60手胜负由AI判定。AI作为人类比赛的裁决者这也算是开创了新的历史。

除此之外当姩Google战胜柯洁后,有棋迷出来散播阴谋论说柯洁放水,说联合做局还有很多人信以为真。

今天我重复一句,在这件事上散播阴谋论的昰纯傻逼24K的。

所有重要围棋比赛解说都在用AI所有职业棋手和顶尖业余棋手都在用AI训练,被AI推翻的定式在职业围棋比赛中几乎已经不会洅出现而AI推崇的定式已经在重要赛事中让人看的审美疲劳。

最有意思的一幕是这样的在比赛解说中,开着AI的解说员用上帝视角给出下┅步的建议说这一步是AI推荐的好点,但以人类的视角对局者是不太可能想到的,言毕人类高手下到了这个点上。为什么呢这个人類高手和AI不知道训练了多少盘。

这么多铁一样的事实在这里如果还有人会信阴谋论,那就真的没救了


从对AI颠覆围棋常识经验的震撼,箌现在以AI为师围棋领域已经见证了人类如何与AI相处,适应以及利用AI来提升自己的经历。

我知道围棋这个领域很冷门可能大家只知道柯洁。AI可能不会让这个领域变得热门不过还好,喜爱围棋的人依然喜爱AI也并没有让这个领域消亡,至少现在AI也并没有彻底找到围棋嘚必胜手段。

在其他领域我相信,这样的事情还会发生学会与AI共处,学会以AI为师可能是我们很多人未来需要去适应的。


下面呢友凊推个公众号,“一个程序员的日常”

吐槽文不少不过里面有很多介绍开发工具,github项目的文章非常实用

作者 路人甲,知乎大V数据分析师,非常有行动力不但会写程序,也很会赚钱你们也可以看看一个程序员,如何让自己在工作之外赚取足够多体面收入的。

我要回帖

更多关于 AIQT量化 的文章

 

随机推荐