打开APP
Ashley Oerth
景顺集团投资思想领导力
高级投资策略分析师
Cyril Birks
景顺集团投资思想领导力
全球思想领导力实习生
人工智能高速发展
我们通过虚拟智慧（In Silico）系列文章
深入探索人工智能及其对经济和金融的影响
以及人工智能在推动
人类社会变革方面发挥的作用
2023 年，任何看起来有点像人工智能的东西现在都可能被称为人工智能，而这些只是为了从炒作中获利。
本文是我们探讨 2023 年人工智能 （AI） 热潮爆发的系列文章的第 3 篇，为了了解人工智能的真正价值在哪里，这期我们将探讨当下正悄然发生的人工智能革命。深入探索什么是机器学习（Machine Learning）和深度学习（Deep Learning），并为我们介绍 “生成式”人工智能 的情境化理解奠定基础。
一：从数学到思维机器
人工智能起源于数学，即我们如何用符号来表达现实，将物理和社会世界转化为可以系统操纵和分析的通用语言。通过数学，我们不仅可以表示城市的大小，还可以使用方程和函数来表示每个人之间的关系。
统计学的运用
✓统计学为我们提供了分析和解释数据的方法和流程，使我们能够描述和预测世界的可变性和不确定性；
✓统计学为我们提供了推断规则或提出反事实的方法。当与计算算法相结合时，统计学成为数据科学，一个应用性的跨学科领域。
✓虽然正式定义存在争议，但数据科学强调实际的、现实世界的影响，它对于统计学来说就像工程学对于物理学一样。
✓人工智能的核心是模仿人类智慧的某些功能，例如处理数据或做出决策。人工智能涵盖并在很大程度上由机器学习定义。
机器学习与深度学习的联系
✓机器学习是数据科学的一个子领域，它使用逐渐改进的计算算法（即“学习”）。这种增量改进是算法根据新数据进行自我更新的产物。
✓机器学习的一个简单且常用的示例是回归（regression），但更复杂的示例基于算法进行迭代改进。
✓深度学习是机器学习的另一个子集，它使用“神经网络”通过抽象关系并随着时间的推移逐渐学习，来理解数据中的复杂模式。它对于处理“非结构化”数据最有用，但这是一项计算密集型任务，通常需要相当显著的复杂计算才能获得有用的结果。
✓深度学习是人工智能的一个领域，它促成了人工智能中许多令人兴奋的发展，我们将在本期中探讨。
图1：绘制人工智能地图
资料来源:景顺。仅供说明之用。
二：机器学习的商业应用
简单的算法可能专注于某一类简单的问题，而机器学习描述的算法可以在广泛的环境中工作，并且可以根据“经验”进行调整。可以看看下面机器学习及其商业应用的示例。
✓当输入和输出类型已知时，会使用“监督式”机器学习（“Supervised” Machine Learning）。
●例如，在已知道路条件、交通和速度限制的情况下，您可以使用回归来了解快递员运输某些货物需要多长时间。监督式机器学习帮助我们理解“多个变量如何预测 X ？
✓当输入的数据未使用任何特定标签描述（“unlabeled”）时，使用“无监督”机器学习（“Unsupervised” Machine Learning），模型学习该数据内的模式和关系。
●例如，您可能有很多关于客户如何使用您的网站进行在线购物的数据，但可能不了解这些购物者的类型。一个无监督的机器学习解决方案不会为您提供有关客户的人口统计特征，但它可以将客户分组为近似的细分客户类别中，以供进一步的人工分析使用。
●可以根据每个集群的特征选择标记这些细分客户，并将这些数据用于“监督式”机器学习来预测场景。“无监督”机器学习也可用于基于相似客户向现有客户进行营销，甚至可用于疾病建模或症状监测等复杂事件。
✓当您希望获得某种结果，但您无法定义该结果，而且您没有很多训练数据可供使用时，需要使用 “强化”机器学习（Reinforcement’ Machine Learning）。
●例如：内容推荐（包括视频和音乐流以及社交媒体源）通常依赖于强化机器学习。
机器学习令搜索结果能够自适应，根据用户行为和其他情境线索（如位置、时间、之前的搜索以及趋势搜索词或新闻条目）预测用户所需的搜索结果。机器学习极大地提高了搜索引擎的预测能力，同时也是一种轻量级的编码方法，因为它不需要对每个可能的输入进行预定义的响应。
重要的是，多年来，机器学习需要使用结构良好且处理过的整洁数据。在过去的十年中，所谓的深度学习（Deep Learning）方法已经出现，它们不受这些要求的限制。
三：分层的复杂性
深度学习是机器学习的一个子集，它在 2010 年代崭露头角，非常适合处理非结构化数据（图像、声音和其他非典型表格形式的数据）。深度学习适用于处理非常庞大的数据集，这些数据集通常足够庞大和复杂，从而被归类为“大数据（big data）”，深度学习的方法是使用“神经网络（neural networks）”，通过将关系抽象化并随着时间的推移逐渐学习它们，来理解数据中的复杂模式。
深度学习神经网络之所以“深度”，是因为它们在输入层和输出层之间堆叠了多个“隐藏层”。1深度学习为人工智能从语音识别和语言处理，到图像和视频处理，解锁了许多更有趣的应用案例。
与其他类型的机器学习一样，深度学习可以分为两大类：判别式和生成式。
判别式人工智能（Discriminative AI）
●旨在将数据分类，从根本上讲是探寻X 值如何预测 Y 值（一个常见的例子是逻辑回归。
生成式人工智能（Generative AI）
●是关于学习生成目标值的概率分布（贝叶斯定理就是一个例子）。
深度学习与生成任务尤其相关，因为它允许通过大量非线性抽象来学习此类分布。
参考资料：
1）正如并非所有机器学习都是深度学习一样，并非所有神经网络都是深度学习。
本文仅供参考，不构成在授权任何人在任何司法管辖区内的分销、买卖或招揽买卖任何证券或金融产品，也不导向出版或提供景顺上海的微信页面被禁止的司法管辖区内（由于该人的国籍，居住地或其他方式）的任何人。本文所载的信息可能会因应市场动态而改变，景顺不承担更新任何前瞻性声明的义务。实际事件亦可能与假设有所不同。本账号的内容版权归景顺所有，除非另有说明。版权所有。投资涉及风险。景顺或其附属公司或景顺或其附属公司的任何董事或雇员不对任何人依赖此类信息而造成的任何损害或损失（无论是侵权行为或合同或其他方式）承担责任，也不对任何错误或遗漏（包括但不限于第三方来源的错误或遗漏）承担责任。
2023-08-24 19: 09
2023-08-24 19: 07
2023-08-24 18: 46
2023-08-23 18: 03
2023-08-23 16: 48
2023-08-18 17: 32
