AGI 遙不可及的三大誤解

過往看人工智能的應用,大多局限於某個專業範疇,例如診症配藥、查找案例、圍棋博弈等。現今社會的職業分工越見精細,因此某些專業工種將很快被AI 取代,但AI 的智能發展始終不及人腦- 即AI 的自我學習能力,及不上人類小孩的廣度和直觀。例如幾歲小孩未必需要曾被火或熱水燙傷,只需輕輕一碰熱鍋,又或感受到水蒸氣,就會知道火的危險性。要是讓AI 自行學習,則可能需要碰壁幾十、幾百甚至幾萬次,才學會「別靠近冒著水蒸氣的熱鍋」,但未必有能力推理出「火和熱力具危險性,應該保持安全距離」的觀念。Artificial General Intelligence (AGI) 則是具備像人類小孩般的自行學習和演化常識的系統。


過往接觸過AI 讀物的共識,是專業範疇的AI 發展一日千里,效率和精準度勝過人腦,但AGI 的發展仍處於迷濛階段,未知何年何月才會成熟。早前認識了Real AI 創辦人閆安,他專注AGI 相關的研究,且分享了公眾對「AGI 遙不可及」 的誤解。
誤解一:人們不了解智能(意識)、神經網絡(neural network) 的黑盒運作、認知能力的基礎組成等
閆安指近年的AI 浪潮,根據已有知識成功建立了很多實際應用系統。往績顯示,發展AGI 不見得需要對意識和認知能力有更深入的了解。而神經網絡內的黑盒,發展一日千里。只要運算速度能保持指數式成長,AGI 的發展未必需要本質性的新發現。
誤解二:科技進展和AI 系統不過建基於數學、而電腦構造仍根據1940 年代的基礎設計、深度學習的模型依賴具30多年歷史的技術、近年的里程碑全靠大幅提升電腦運算能力
某些科學理論是「經典」並且無懼時日飛逝,依舊有效。AGI 的發展潛力和進度,應該根據驗證結果,而不是技術的歷史和新舊程度。如果提升電腦運算能力可帶來突破,那應該會陸續見到更多AGI 相關範疇的突破。
誤解三:人類超然於電腦、人類智力經過以億年計的進化、人腦太複雜難以複製、現時的電腦不可能製造人腦般的網絡
很多的演算法和系統架構都從人腦運作獲得啟發,但並不需要真正模擬人腦運作。沒有證據顯示AGI 必須模擬人腦才可以發展成功。
安兄還列舉了其它誤解,但筆者認為單是上述三大誤解和說明,已十分具有說服力。情況就如創造飛機,飛行的原理不見得和飛鳥一樣,但靈感來自有翼的動物。飛機的物料和重量,與飛鳥大不相同,而載客和載貨能力,根本不可比擬。至於起飛和降落的方法,更是不可類比 - 需要燃料和跑道。性質有異、方法不同,但同樣可以飛行,甚至更遠更久。所以,AGI 的發展不見得需要完全了解人腦意識,才能有突破性發展。科技的進步,尤其是電腦運算速度的大幅提升,以及神經網絡的出現,大概真能突破很多瓶頸。
對AI 有興趣的讀者,可到Realai.org,安兄上載了很多相關研究和資訊。筆者不才,未有細看(大概也不會一次看懂),只求了解大概或現時的進展便了。

何種 AI 才值錢?

本欄曾多次提到若坊間媒體一致看好後市,就是該小心翼翼的時候,因為「時差」問題,往往大眾都知道便是尾聲。昨日畢老林兄的《投資者日記》提到GMO 創辦人 Jeremy Grantham 說現時的牛市缺乏確認泡沫的「行為指標」,即「美股牛還牛,但搭的士不會聽見司機大佬起勢咁吹,講股講到連路都行錯;去飛髮舖搞吓個頭,洗髮員隨時忍唔住口告訴你炒股賺咗幾多…

筆者認同文中所指的「股民未夠亢奮,要爆大概未是時候」。除了暫時未見「行為指標」,若抽查部份股票的持股狀況,主要持貨者似乎都是機構或專業投資者,由散戶持有的流通街貨相對少。以此觀之,「泡沫」程度有限,應該未到爆的時候。現時炒股不炒市,而且不少藍籌股領漲,當中筆者除了關注月初提及的長實地產(1113),另一間值得長期持有的是平安保險(2318)。至於小型股份,除了中國奧園(3883),天鴿互動(1980) 亦值得注意。去年的財務狀況大幅改善,營運收入升23%,經調整純利增長26%。持有現金超過10億,沒有銀行貸款,營運現金淨流入較去年增長超過一倍。而今年第一季收益較去年上升61%,純利更增長178%。雖然相比去年第四季,純利只是輕微增長3%,但公司財務穩健。倒是每日成交不算活躍,投資者若考慮投資,亦需注意。

早前本欄曾提及匯豐銀行和矽谷的人工智能初創企業合作,發掘洗錢(money laundering) 的可疑活動。早前在RISE Conference,筆者和Ayasdi 創辦人Gurjeet Singh 進行訪談,希望了解公司的技術和過人之處。

近來一股AI 熱潮,Gurjeet 認為現時被形容為AI 的科企門欖太低。他認為一套AI 系統需具備五種特質: discover (發掘), predict(預測), justify(證明), act(行動), learn(學習), 並完整運行整個循環,才稱得上是人工智能。據知Ayasdi 的大數據分析運用Topological Data Analysis(TDA)。筆者並非技術人,對此一字詞和技術不甚了了,但經常在坊間聽到的類神經網絡,是TDA 的其中一種。Gurjeet 早於十多年前在史丹福公開研究結果,所以TDA技術並沒有神秘之處。同時處理和計算大量數據,是十分具挑戰性的事。而公司真正的優勢,是花了超過六年時間,建立一個能處理大量數據的基建,並有效配置數據再進行分析。

Gurjeet 雖曾是學者,卻強調技術並非最值錢,真正重要的是實質應用 - 運用技術解決商業問題。除了與金融和醫療機構合作,Ayasdi 也協助一間日本電訊商追尋駭客,並於三個月內找出13名網絡罪犯。

越來越多企業希望運用AI 提升效率,若要實質應用新科技,行之經年的日常工作流程,和「深思熟慮才決定」的文化,都需要作出調整。正如Amazon 創辦人Jeff Bezos 曾說過具備規模的企業都傾向緩慢地 作出高質決定,但Amazon 傾向作高速決定(high-velocity decisions) ,因為這年代行得慢啲代價太昂貴。Gurjeet 亦認為企業與其擔心難以適應新流程、壞數據影響分析結果等問題,或許可以從小規模開始嘗試。企業若能早點了解AI 可解決的商業問題,累積越多數據和學習,效果應該越佳。

補白:畢兄早前回應本欄提及AK 低買高賣更高沽Tesla 並非價值投資法,尤其Tesla 當年未賺錢。其實,AK 對Tesla 的「估值」主要來自觀察Elon Musk 解決危機的能力,而且企業身為創新高科技,加上曾有一季獲得大量訂單,令現金流大幅提升,所以 AK 給予溢價。至於買賣時機,AK 則應用技術指標。筆者認同畢兄所言「只能證明此君(AK)觸覺異常敏銳,Tesla升跌盡在掌握之中,常人要學亦學不來。」

獅子銀行用AI 反洗錢

友人米奇早前大大讚賞獅子銀行。事緣他收到該行電話查詢某宗信用卡交易,而那宗交易並非友人簽署的,估計信用卡已被盜用。米奇讚賞銀行每日幾千萬宗交易,都注意到兼且反應快,客戶零損失。未知讀者有否類似經驗?
除了個人信用卡消費、存款往來大幅波動等,銀行一直有團隊專責發掘和調查洗錢(money laundering) 的可疑活動。匯豐銀行早前和 Ayasdi 進行12星期的試點方案,運用人工智能和大數據進行分析,令可疑的調查個案總數大幅下降兩成,但匯報要求人類作深入調查的洗錢個案卻沒有下降。結果顯示科技將為匯豐節省大量的人力資源!6月初匯豐公佈和 Ayasdi 合作,令杜絕洗錢活動的調查更有效率。
Ayasdi 是來自矽谷的人工智能初創企業,由2008年成立至今融資了七次合共1.06億美元。共同創辦人兼CEO Gurjeet Singh 是史丹佛大學計算機數學博士,去年10月開始成為匯豐銀行技術顧問董事會員。上週三企業推出專注分析金融服務業數據的 Ayasdi Model Accelerator,目標是減低現時模型中的特質(features)和可變數(variables),令建立和運行模型時的透明度和效率更高。
筆者近來嘗試多閱讀人工智能相關文章,但由於沒技術背景,整體理念始終不容易拿捏。維基百科顯示Ayasdi 是機械智能軟件公司,分析大數據並建立具預測性的模型。Ayasdi 致力大規模的無預設條件自動分析,透過大量的監督(supervised)和非監督(unsupervised) 機器學習演算法,自動找出並排列相關數據,然後以網絡般的地圖顯示結果,幫助分析人員用新方式分類和檢視關連系數。
機器學習除了監督式和非監督學習,還有強化學習(reinforcement learning),即透過獎賞機制讓機器懂得辨別較好的選擇,現時的最佳例子是 AlphaGo。監督學習需要大量數據,而強化學習需要的數據量相對少很多,但始終未能像人類般不經歷都可以學懂。例如不衝紅燈過馬路,人類聽過一次就知道,不需要親身試過。但若以監督學習訓練機器,就需要大量的交通意外數據才能學會避開車輛。至於強化學習,則可能要在學習過程中撞幾千次車,機器才會學懂。
據聞現時非監督學習的應用不廣泛,實質例子少。Ayasdi 同時運用監督和非監督學習分析數據,並套用在不同行業(包括醫療、交易策略、疾病研究、資訊安全,金融服務等),確實是「超級智能」。希望在一年一度的科技界盛事RISE Conference,有機會向Gurjeet Singh 了解更多。

量化世代 傳統投資搵掟企

上星期摩根大通量化交易頭號人物Marko Kolanovic,指出約60% 的股票資產由被動型基金和量化投資人持有,10年間數字增加一倍!而網媒估計美股交易量中,只有約10% 屬於基礎分析交易。簡而言之,市場已經變成量化世代。

瑞銀報告指出美國量化投資和基礎分析投資的資金,於5月12日錄得最大差距 - 資金當然是流入量化投資,而不是基礎分析基金。根據Hedge Fund Research 的估算,今年首季度非量化基金錄得超過100億美元的資金淨流出,同期約46億美元流入量化基金。

以此趨勢觀之,量化基金應該賺到盤滿缽滿。可是根據華爾街日報報導,Two Sigma Investment 管理450億美元的旗艦基金,截至5月底錄得負2.5%回報(2015 和2016 分別錄得15% 和10.33% 回報)。AHL Dimension 的52億美元基金,截至6月9日只是錄得2.2% 回報 (去年錄得負1.9% 回報)。Winton Group 105億美元的期貨基金,截至6月7日只是輕微上升1.4%(2015和2016分別錄得少於1% 和負3% 回報)。同期標普指數上升8.7%,可見不少名氣量化基金跑輸大市。
以往本欄曾多次提及Renaissance Technologies,作為行內佼佼者確是技勝一籌 - 截至5月錄得13.5% 回報,跑贏大市。據聞Renaissance Technologies 不只運用數字數據,也投入自然語言分析技術,從多途徑了解宏觀經濟和上市公司狀況。


處於科技世代,數據量與日俱增,甚至垂手可得。誰懂得營運數據和解讀數據,就獲得優勢。被動型基金和量化基金大行其道,再加上新近的人工智能和機器學習,傳統基礎分析的主動型基金若再固步自封,日子大概會越來越難過。現下仍有時間追趕,據友人智兄所述,純AI技術公司走入金融市場,業績都普普通通,倒是傳統量化基金加入少量 AI 或機器學習元素後成效顯著。他認為AI 基金不能單靠高新科技,需要有具備領域知識的專才參與,兼且各方面配合,包括人脈、策略優勢 、風險管理、實際交易執行力等,才能成功。


所謂傳統量化基金的優勢,應該是較懂得市場運作原理。而基礎分析投資人,除了運用數據估值,亦從經驗中了解人性。若希望學會更有系統地運用數據,筆者推介車品覺兄的新書《覺悟。大數據》。品覺兄曾主管阿里巴巴數據部門達6年,現為紅杉資本中國專家合夥人。儘管內文的數據看似只關乎電商或企業日常營運數據,實則他對待和處理數據的心法,會啟發讀者思維。


此文同見於《信報》的《價值投資》專欄

主動行之才有「靚Exit」?

本文見報日是公眾假期,加上週一勞動節假期,三天只有一個交易日。既然沒甚麼貼市資訊,就清談一下「哲學問題」:Exit。 很簡單的一個字,實質需要大智慧。而投資之外,”Exit” 在人生中也佔據很重要的位置。
交易買賣有進有出,決定賺錢或蝕錢是離場一刻。至於人生,如果每每等到臨死才埋單計數,應該太複雜也太遲。人世間幾十年,滿滿都是入場離場的決定,不論人際關係、學術事業、生活嗜好、財富管理等,每次要Exit 得「靚」,都不容易。傳統教育只談選擇和入場,跟著是教堅持,很少提及如何離場。筆者唯一想到與exit 有關的中文諺語只有:「急流勇退」、「伴君如伴虎 」和「塞翁失馬,焉知非福」。
曾經從書中看過,人的情緒具備協助大腦做決定的積極作用。若果心如止水,面對各種選擇,大概無法下決定。而人的天性偏好安定,好端端未必想轉變。那麼 exit 都是狀況不佳、情況不穩才發生嗎?要是這樣,大部分的exit 應該很難做得「靚」 - 因為都是「無可奈何被逼離場」。據說初創企業的最佳融資時機是不等錢花的時候,也許最佳的exit 時機是可以留下的時候。重點是有選擇時主動為之,才不會心急亂做,可以理智行事。若果等到raise fund 或exit 變成唯一選擇,那麼融資條件一定辣、離場時機肯定差。
何謂 「靚 exit 」?
如果離場不會令人元氣大傷、又不會帶來深遠負面的影響、兼留有後路甚至帶來更多選擇,就算是good exit。套用在投資買賣,即是不會虧大本、又不會拖累組合長遠增長或破壞名聲、兼不阻礙未來再入場,甚至令資金流轉更快或引來更多資源,就稱作good exit。那麼如何才能做到good exit?  最大的難處又是甚麼?

若果exit 不是情非得已,而是主動為之,那麼由情緒導致未能成為good exit 的機率會減少,EQ 並非大挑戰。「時機」倒是不容易掌握 - 既然不是非exit 不可,如何衡量去或留?

常見的方式,是比較潛在回報和風險。但兩者都存在不確定性,尤其市場行為並非十足理性,行為受雜音、傳聞、期望、恐慌等影響,所以都不好算。其實估值可推算出一個範圍,但何時到價未可知。風險則可按個人最大承受能力作底線。所以簡單的離場準則,是先為最壞情況封底,總之一碰即走。至於估值到價是否離場,則難以有統一答案。大家都知道要「Let the profit runs」。而 good exit 並非以賺蝕衡量,例如2008年金融海嘯,蝕錢但離場夠早,不深陷泥沼,肯定是good exit。情景轉換為常態,則早離場未必好。如果莊稼未成熟就收割,錯過未來大豐收,即便獲利離場,都不是good exit。所以「時機」很重要,卻難以捉摸。
人無法預知未來。所以,大概也不必期望或追求exit 都處於好時機。反而該想辦法避免和彌補「非最佳時機離場」的缺憾:損失多於預期、錯過未來利潤、未能有效運用資本、不確性持續和提升等。應對這些「缺憾」,需要風險管理,例如設定較低的離場風險百分比、減少每宗交易投入的資本,又或縮短資金鎖在市場的時間。另外,需要有再入場機制或嘗試分段離場,以免錯過後來的利潤。至於如何有效運用資本,以及面對持續提升的不確定性,也許可以使用槓桿或對沖。篇幅所限,未來有機會再細談見過的策略。
補白:上週提及美國的AI Online Conference 有多個明星級講者。勞動節長週末,凌晨時分筆者不睡覺都參與。除了技術性講題,Sam Altman (Y Combinator President) 預測人工智能和機械學習的發展,將大幅降低生產成本(少了員工薪酬的部份),最後剩下的主要成本是電力支出,而這會令生活指數下降(少些錢也能擁有同樣的生活質素)。據他觀察,這一代最醒目的年青人,進大學都選修機械學習(Machine Learning)。所以,他估計人工智能和機器全自動化世代,並非太遙遠的事。若AI 時代來臨,投資者也許要重新思考手上的資產會否仍像現在般保值或具備升值潛力。

再談人工智能和基金管理

上週才說Elon Musk 認為人腦將比不上人工智能,創立了Neuralink 研究如何「人機合一」,提升人腦的效能。近日就看到不少關於人工智能取代人力的新聞。羅兵咸發表的研究報告,估計2030年美國有38%的工作,因為全自動化而面臨被消失的風險。黑石更宣佈將裁減超過40個主動型基金管理職位,並以人工智能程式取代。

程式交易這範疇向來非常神秘,現在連大眾媒體也報道甚至接觸得到,說明基金管理人工智能化何止已成趨勢,甚至已開始普及化!筆者認為這是大新聞,象徵進入新時代。友人具有超過12年量化交易經驗,卻指這並非新事物。


根據彭博報道,美國著名對沖基金經理Paul Tudor Jones (福布斯估計其財富超過470億美元) ,去年中裁減一成半員工,並開始以程式交易工具模擬公司最佳基金經理的管理。另一傳奇基金經理Steven Cohen,則嘗試用程式找出自己過往利潤最大的交易套路,希望電腦能複製策略。而全球規模最大的對沖基金Bridgewater 的創辦人Ray Dalio 則早已投資人工智能交易的技術,並且嘗試將自身的基金管理程序自動化。

科技對未來的影響既廣且深,投資人既然是「買將來」,不論有否相關背景,都需要了解最新技術的應用和發展。早前和《全民大數據》的車品覺兄聊及以色列之旅,他特別欣賞當地人了解自身優勢 - 軍事科技民用化,而且創新方向專注又獨特,幾大題目包括精準農業、安全領域和科技醫療(主打的兩大方向是遠程醫療和復康治療)。這些領域面對的都是全球市場。

過往以色列的科創企業主要招來美國投資者,壯大後在美國上市或被科網巨企收購。品覺兄此次到訪特拉維夫,卻發現當地的科創公司和政府推廣部門都著力引入中國和印度的風投基金。他認為單看這個轉變(由過往主力吸引美國風投,至現在招攬中國和印度風投),就已展示了以色列創業家的眼界,和對國際趨勢的認知。畢竟西方國家大多已發展成熟,未來具高增長潛力市場是中國和印度,而引入兩國投資人將有利科創企業更早更快進入兩地市場。

色列科創人懂得結合自身優勢和市場需求,兼且掌握國際趨勢脈搏,品覺兄認為這些都是香港科創界需要向他們學習的。


人機合一Neuralink

昨日面書被洗版的Breaking news,是Elon Musk 創立新公司 Neuralink,研發如何「結合」人腦和電腦,即植入晶片連結腦袋,提升人腦效能。這是大新聞,因為早就有「人工智能將勝過人腦,甚至倒過來統治人類」 的討論。Mark Zuckerberg, Bill Gates 和Obama 都曾推介全球暢銷書《人類大歷史》,作者 Yuval Noah Harari 在最新著作《人類大命運》中,大膽詳盡地分析未來:過去困擾人類的三大命題:饑荒、疫症、戰爭,不再是自然災害,而是人類手握能力技術可以解決的問題,那未來最關注是甚麼命題?隨著科技進步,人類不單追求長壽,甚至是長生不死,但只有手握財富和權力的人,會優先獲得該等技術研發的成果。現代人工智能的發展,是繼農業革命、工業革命、和互聯網革命後的第四次革命,要是錯過了這班列車,也許永遠都追趕不了。

人工智能除了可以24小時不眠不休地運作,更有指數式成長的自動學習功能。雖然人類的結構和學習能力,整體而言勝過電腦,幼小如嬰孩也可同時透過視覺、聽覺、觸覺等感官學習各式各樣的事物,但現代將每個工序越分越精細,各行各業講求專業化,電腦只需要在某個小範疇勝過人類就行了。例如藥劑師,美國有統計指人手配藥的出錯率很低,但機械人配藥的出錯率是零!由此路進,未來很多工種都會被智能機械人取代,大部份人會失業(正確點說是無工可做)。當大部份人無法與時代並進,未能貢獻社會,握有權力和財富的精英階層會如何對待他們呢?Harari 說透過觀察人類如何對待高等生物(其它動物),或可猜想一二。
Elon Musk 顯然了解人腦不能(數據)記憶量和運算速度,未來將追趕不上人工智能程式。他的構想是透過植入晶片,提升人腦的能力,以致不落後電腦。報道指Neuralink 還在非常早期的研發階段。過往的科幻故事,也許快將成為現實 - Harari 也在書中提到人類會創造新物種 - 結合機械和生命的新生命體(除了將晶片植入人體,也可以植入動物身體,甚至是實驗室培植的細胞。) 
這似是天方夜譚?以Elon Musk 的往績看 - 由Paypal 到Tesla 電動車,甚至民用火箭Space X,他突破技術限制的能力毋庸置疑。Tesla 解決了電池壽命的問題,兼且內置無人駕駛程式,快過Google 和Uber 在真正公路推出應用。火箭技術向來是國家級的軍用技術,他用有限資金成功研發Space X 民用火箭並升空。這次Neuralink 即使是未成形最早期的研究,筆者相信Elon Musk 的團隊有辦法解決技術問題,距離成果日並不遙遠,應該是我們這一代能看到的事。
這和投資有何相關?當股神畢菲特都讚AirBnB,誠哥的Horizon Venture 也投資人工智能技術,長遠投資的眼光應該投放科技股,而不是銀行股地產股。香港上市的科技股數目有限,若真心放眼未來便嘗試在美國市場尋寶吧。近日看美國科網巨企的業績和價值,幾間巨頭公司如Facebook,Google,Amazon 等,最便宜的是Google。現時價格合理,似乎是不會買貴的選擇。

看Twitter 預測股市上落?

美股日日創新高,看著道瓊斯指數,超越恆指似乎真的指日可待。本港股市升勢不及美股,但樓價節節上升,中原CCL 指數續創新高,估計不再是M 型而是真突破…  每天關於經濟股市樓價的資訊何其多,到底該如何過濾和分析資訊?木宰羊。湊熱鬧加把口,很多人告誡要提防美股超買兼泡沫,特朗普演說後或出現拋售,公眾不必盲目跟風。當市場仍有這類言論,代表大眾未瘋狂。
至於本地樓市,似乎有「不敗之身」,無人看跌兼且趕入場,就真的要小心。筆者並非看淡樓市,在低利率時代,買樓自住或投資收租,真的較租樓或手持現金保值划算。除了加入搶高價格的戰團,可嘗試細心物色市場上的筍盤,即位置佳(有未來配套發展計劃) 但交投未必活躍 (價格上落相對慢兼波動較細) ,呎價相比市價有折讓的樓盤。
近日《慧眼先機》專欄嘗試以數據分析特首選戰,當中包括計算特首參選人於選戰相關報道的人氣等。其實,大量採集媒體資訊,並加以分析的做法,早已應用在投資圈,外國有專門分析社交平台的金融訊息,再發掘投資機會或估算股價升跌的公司,學術圈亦有專門研究。
理工大學的陳振沖教授於3月中的人工智能和深度學習研討會,會分享如何分析Twitter 內容並預測股價上落。翻看議程,同場還有來自意大利、荷蘭和美國的學者,專注其它社交平台、新聞公告和文字分析,再對金融市場作預測。互聯網令收集市場資訊變得簡單快捷,似乎只要數據夠多,就能了解市場反應和去向。筆者不知道實質操作和應用的成功率,但程式交易之外,在大數據時代確實值得了解相關做法。因為只要有人根據這類分析作出交易,就代表市場走勢多少會受大數據分析的影響。另外,研討會還邀請了美國聯儲局高級經濟師 Nitish Sinha,講述透過宏觀經濟數據為藍籌股估值。美股越升越有,宏觀經濟指標真的可以說明現況?  (讀者如對研討會有興趣,可參閱本欄Facebook 專頁。)
兩星期前本欄分析過發盈喜的珩灣科技(1523.HK),截至週一收市升幅超過一成。有讀者問及目標價,其實股價細,容易炒起和炒落,波動幅度會較大,不容易說出一個目標價。雖然選擇財務狀況較穩健的細價股,是不想鼓勵短炒,
但細價股有其週期性和特性。現時走勢看來平穩,未來的離場準則可考慮使用trailing stop。

[讀者優惠] 研討會八折門票 (discount code: trendalysis)
人工智能、機器學習、情緒分析的金融應用研討會詳情。有興趣的讀者,可以直接電郵主辦方aqeela[at]unicom.co.uk,並註明discout code,即可享門票八折。

此文同見於《信報》的《價值投資》專欄

親睹Machine Learning 辨別靚仔靚女

過去兩星期,恆指每天都錄得升幅(除了上週三),成交額大概500多至600多億元。而本欄曾提及過的價值投資型股票中,最奪目算是大昌集團(0088.HK)。股價除了創1年新高,更創了3年新高。大昌集團是本地的小型地產商,亦有投資美國的地產業務。以往分析該股,優點包括資產價值大折讓、債務很低、現金流充裕、預期收入不俗,而且股息穩健。缺點是股價波動小兼且交投不活躍,但過去幾天價量齊升,值得投資者注意。詳細分析以及公司估值,可參考舊文,在此不贅,免得被指呃字數。
昨日車品覺兄在《全民大數據》專欄,展望今年的科技發展趨勢時提到:「人工智能與大數據的巨輪將繼續全速前進」。而上星期其中一宗大新聞,是贏遍國際棋手的Master 自揭身份為AlphaGo 升級版。Master 的圍棋對奕結果除令人驚嘆,亦再次掀起廣泛的人工智能技術討論。
其實坊間對「人工智能」至今未有一致的定義,若硬要區分則可嘗試用四個層次觀之。第一級是加裝了控制程式的家電用品,所謂的「內置人工智能」等字眼只是gimmick,實則是系統工學。第二級是典型的人工智能,程式系統的行動模式變化多端。這級別的人工智能可以理解input 和 output 的關係並產生大量組合,實際應用包括醫學診斷。第三級的人工智能,則包含了機器學習程式,系統會根據大數據找出input 和output 的關連,就如模式辨認(pattern recognition),然後自行作出判斷。而近來媒體經常提及人工智能,多數屬於這級別。第四級的人工智能則是加入深度學習,即整個過程中有很多的變數和組合。
人工智能(artificial intelligent)、機器學習(machine learning)和深度學習(deep mind) 都是近來的熱爆詞彙,看到就覺得複雜和技術含量極高。上週筆者參與一個程式員聚會,其中一位講者Andy 即席演示如何使用神經網絡(neural network) 鑑別相中人是男或女。他說坊間有多種相關的開源軟件,讓程式員直接使用,包括Google 的Tensorflow。又笑指深度學習只是多加幾層(layer),增加變數,然後隨即在螢幕上將 code 連貼幾次,令系統更”deep”。然後將預先準備好的1300+ 人類大頭照片輸入,再執行開源碼,系統即多次嘗試分析。一般而言,幾次之後會找到更佳的組合,提升辨認男女的機率。數分鐘就運行完畢,Andy 再輸入10多張照片讓系統辨認,程式根據剛才的學習結果分析,並估算相中人是女性和男性的機率。當晚系統表現不俗,能正確辨認大部分相中男女的性別。這次的即席示範,讓筆者感到機器學習和深度學習技術,並非那麼高深莫測(至少當日的codes 都大致看得懂)。雖然開源碼背後的理論和技術極高階,但就如使用智能電話或搭飛機未必會理解其運作原理,普羅大眾應用AI 和機器學習軟件時,也不需要完全理解背後邏輯。現在是大數據時代,而大數據和人工智能相輔相承。只要數據量夠大,系統記憶體夠多,而且運算速度快,就可應用人工智能技術。
筆者要真正了解人工智能,顯然有極大段距離。套用不同程式員的簡潔解畫,這是本體論(ontology)-將不同數據(包括文字和句子)切割,並以數字表達。而各種數據間的關係,則以數學的多度空間顯示,然後形成龐大的神經網絡…
寫了咁多,整篇文就似「不懂扮懂」的介紹文,兼且和投資扯不上關係。其實,筆者想說明並非只有大公司或研究所,才會探討和開發人工智能和機器學習。既然有開源軟件,任何人只要懂得寫程式,就可以輸入數據測試效果。而當晚有程式員提到股票分析是機器學習的熱門課題。以前市場由人類行為組成,現時已加添了很多程式活動,而未來只會越來越多機器行為,並且以指數式增長。未來的金融市場,不論趨勢策略或經濟循環,都不能和過往相提並論。

從 RISE 看未來科技熱點

年初本欄的《跌市中尋寶》一文曾分析粵海置地(124),指公司的規模和市值雖小,但財務穩健現金充裕,而且廣州如英居項目去年開始預售,有大筆現金回籠,再加上深圳的布心廠房地皮,將轉為經營房地產發展,公司前景具潛力。無奈股票交投不活躍,吸納投資需要耐性。週一該股價曾飆升超過6%,而且成交量大。現價較年初升逾29%,筆者認為值得繼續持有和觀察。當然,本欄曾多次強調投資需要風險管理,所以let the profit run 的同時,未來股價若創新高後回落某個百分比,亦可考慮(部份)離場。

筆者上週參與一連三日在灣仔會展舉行的RISE Conference。這個號稱亞洲最大的tech startup 峰會,引來世界各地的初創公司擺攤,而講台上的嘉賓包括創投基金經理如GGV Capital 和 500 Startup 合夥人、初創企業創辦人如本地代表Ray from 9Gag 和Steven from GoGoVan,和大型科技公司如Facebook, Uber 的管理層等。由於演講和訪談的時間短(每節僅約20分鐘),難以深入討論任何主題,所以筆者並不期望峰會過後深受啟發,只求了解未來科技發展方向,知道最新的技術應用。這有助分析長期趨勢和作投資決定。

本欄曾撰文提及誠哥旗下的創投基金Horizon Ventures 也投資的 Sentient Technologies,運用人工智能(Artificial Intelligent) 進行程式交易,又將技術應用在電子商務。第三日峰會,RISE 請來該公司的Chief Business Officer Randy Dean 和麥格理合夥人Jeff Galvin 在台上分享人工智能的商機。他們強調解決問題才是重點,人工智能只是工具。台下筆者有機會與Randy 及Sentient CFO Fabrice 交流,當然抓緊機會問及Sentient 為何由AI程式交易,再多開一個AI 電子商務部。他們回應以AI 尋找交易機會是困難的事,因為全世界最聰明的頭腦都在金融市場競爭。每次AI 找到可以獲利的交易patterns,不多久其它人都會發現,patterns 很快就失效,要再尋找其它交易點子。而電子商務的規模大,具商業價值兼可以帶來實質現金流,加上客戶購物往往能快速決定(以分鐘而不是以日或星期計算),所以他們選擇在這範疇應用人工智能。筆者再問及AI 交易的回報,自然是最高機密無可奉告,唯一知道是至今錄得正回報,而且未來會成立基金供投資者認購,但該基金不會開放予公眾參與,而是VIP 形式 by invitation only。

(圖為Randy Dean(左) 和 Jeff Galvin (中) 在RISE 分享人工智能商機)


另一個印象深刻的演講,是來自日本的近藤麻理惠(Marie Kondo) 分享執屋的魔法。她是全球暢銷書《怦然心動的人生整理魔法》作者,該書在35個國家銷售了650萬冊!她說很多人執屋都是按位置分類 - 收拾客廳再收拾睡房,其實應該按物品種類執拾。例如將全屋的所有衣服、或者全部書本一次過拿出來收拾。這會帶來「剎那震撼」的效果 - 多數人發現自身擁有的物品時自以為的三倍!更多的執屋魔法,在此不贅,有興趣的讀者可以買書看。為甚麼RISE 請她來教人執屋?這與初創科技沒半點關係吧?原來近藤麻理惠在日本經營執屋顧問服務,這個暑假更會推出mobile app,將執屋變成一門世界性的生意。她會先在美國推出課程教人執屋心法,學生畢業後可成為執屋顧問。至於下載了mobile app 的用戶,能夠搜尋附近的執屋顧問,並預約上門指導服務。執屋竟然可以執到去全世界!  世代真的不一樣,任何專業技術達到極致,能助人解決問題,都可以成為一門生意!

未來世界似乎是任何問題的解決方法,都能夠大規模地全球商業化。分析一個產品、一種服務、一家企業的潛力,最重要是可否解決用戶問題。同時,最好是入行門欖高。以往的新創產品著重聯繫通訊(connectivity) ,如Facebook,Twitter,Line 和 LinkedIn,全是軟件。下一波的投資熱點除了上述的人工智能和線上到線下服務(O2O),是Internet of Things (IoT),將網上世界連結硬件,例如量度心跳和血壓的智能手帶、觀察嬰兒呼吸和睡眠狀況的床頭燈之類的產品。