Як Bridgewater інвестує в ШІ?

Автор: Цао Зесі

Джерело зображення: створено Unbounded AI

Що найбільший у світі хедж-фонд думає про ШІ?

У понеділок, 3 липня, Бріджвотер зв’язався з головним інвестиційним директором Грегом Дженсеном в інтерв’ю, щоб систематично поговорити про погляди Bridgewater на технологію штучного інтелекту та поділився своїми поглядами на те, як компанія Bridgewater інвестує в штучний інтелект, як використовувати інвестиції в штучний інтелект та свій погляд на технологію штучного інтелекту. т. д. погляд на проблему.

Як Bridgewater інвестує в ШІ

Ім'я Дженсен:

У процесі реорганізації Bridgewater ми також зробили те, чого не робили раніше, тобто дозволили деяким людям досліджувати та інвестувати в речі, які можуть бути не прибутковими відразу, але це наш довгостроковий проект. Тому ми створили цей проект штучного інтелекту командою з 17 людей на чолі зі мною. Я все ще активно беру участь в основній роботі Bridgewater, але інші 16 людей на 100% віддані зміні Bridgewater за допомогою машинного навчання. У нас буде фонд, який буде працювати виключно на технології машинного навчання, і це те, що ми зараз робимо в лабораторії, розширюючи межі ШІ, можливостей машинного навчання. Зараз створити такий фонд — велика проблема. Якщо ми візьмемо великі мовні моделі, вони мають два типи проблем. По-перше, ці моделі більше навчаються на структурі мови, тому вони часто повертають щось структуроване, граматично правильне, але не завжди точну відповідь. це проблема. По-друге, він галюцинує, він щось вигадує, оскільки звертає більше уваги на структуру наступного слова чи поняття, ніж на точність наступного поняття.

Тому Дженсен вважає, що штучний інтелект може допомогти людям концептуалізувати та теоретизувати те, що вони спостерігають, але попереду ще довгий шлях до використання ШІ для вибору акцій. Отже, справжній фокус Bridgewater:

**Але існують інші способи поєднати це зі статистичними моделями та іншими типами ШІ. Ось на чому ми справді зосереджуємося, поєднуючи великі мовні моделі, які є менш точними, зі статистичними моделями, які добре описують точно минуле, але жахливо передбачають майбутнє. ** **Об’єднавши їх разом, ми починаємо будувати екосистему, яка, на мою думку, дає змогу робити те, що роблять аналітики Bridgewater. ** Якщо цю екосистему буде завершено, ми матимемо мільйони інвестиційних партнерів одночасно. Якби ми мали можливість контролювати галюцинації та помилки штучного інтелекту за допомогою статистики, ми могли б зробити багато роботи швидко. Це саме те, що ми зробили в лабораторії та продемонстрували, що процес працює.

Як Bridgewater інвестує через AI?

Якщо ви можете побудувати екосистему, яка включає ШІ та інші технології, як Bridgewater використовуватиме цю систему для інвестування?

Дженсен вважає, що статистичний штучний інтелект і великомасштабні мовні моделі можуть доповнювати один одного і грати роль «лівої і правої руки» Бріджвотера в інвестиціях:

Статистичний штучний інтелект може взяти теорії, повернутися до того, чи були ці теорії правдивими принаймні в минулому та які були їхні недоліки, і вдосконалити їх, надати поради щодо того, як робити речі по-іншому, і тоді ми можемо вести з ними діалог. Однією з переваг великомасштабних мовних моделей є використання складної статистичної моделі та розмова про те, що вона робить. Є способи навчити мовні моделі робити це. Те, як ми це моделюємо, полягає в тому, що мовні моделі можуть створювати основні теорії. Це не найкреативніша річ у світі, але це теорія в масштабі, це точно. Знову ж таки, великомасштабні мовні моделі — це чудово, але ми повинні певним чином налаштувати мовну модель, і ми можемо використовувати статистику, щоб керувати нею. Потім ми можемо знову використати мовну модель, щоб отримати результати в статистичній машині та обговорити їх із людиною чи іншим штучним інтелектом і повідомити, що було знайдено, яку та яку теорію. Якщо зроблені висновки суперечать уявленням людей, то проведіть додаткові тести. Це цикл, який мене дуже хвилює, як я вже сказав, статистичний штучний інтелект поки що був обмежений, оскільки він зосереджений на ринкових даних. Для мовних моделей перевага полягає в тому, що вони можуть краще розуміти те, чого не можуть статистичні моделі. Наприклад, статистичні моделі ринків не мають поняття жадібності, але широкомасштабні мовні моделі можуть майже зрозуміти концепцію жадібності - ці моделі прочитали все про жадібність, страх тощо. Таким чином, поєднання цих двох тепер створює людський спосіб мислення.

Що означає ШІ для працівників?

З часом комп’ютери можуть робити все більше і більше речей. Дженсен вважає:

Що я хочу сказати, так це те, що сьогодні люди звикли виконувати лише ролі, пов’язані з інтуїцією та творчістю.Ми використовуємо комп’ютери, щоб запам’ятовувати та виконувати ці правила постійно й точно. Це лише половина переходу, а тепер ще один стрибок вперед. Безсумнівно, штучний інтелект змінить роль інвестиційних помічників. Точніше, нам все ще потрібні люди, щоб обійти ці речі в осяжному майбутньому, нам ще потрібен час, щоб побудувати екосистему цих агентів машинного навчання тощо. **Використання штучного інтелекту стане частиною майбутнього роботи, і я думаю, що в будь-якій галузі знань буде важко не використовувати ці технології. ** З точки зору комп’ютерного програмування, ми бачимо величезний прорив у програмуванні. Тепер, з AI, людям потрібно лише знати, що кодувати, а не як кодувати, що є величезним проривом. Тож купа людей, які не мають чудової підготовки чи навичок у C++, Python чи будь-чого іншого, можуть раптом отримати те, що хочуть, набагато швидше. **Отже, раптом набори навичок, необхідних на робочому місці, змінюються, і те, як вони змінюються, викликає здивування у багатьох людей, тому що це насправді багато знань, як-от створення контенту тощо, і люди в один момент Вважається, що час заміни машин ще в далекому майбутньому, але насправді він не за горами. ** Отже, суть полягає в тому, що зараз відбувається стільки змін, що вкрай важливо мати гнучкість на робочому місці та мати можливість використовувати будь-який інструмент.

Чи можна використовувати AI для безпосереднього управління інвестиціями?

На ринку є різноманітні інструменти управління інвестиціями в штучний інтелект. Людей хвилює те, чи з великим розвитком штучного інтелекту людям доведеться інвестувати лише в штучний інтелект у майбутньому?

Дженсен вважає:

Я думав, що це призведе до нещасного випадку і по-справжньому збудить мене. Очевидно, я в захваті від потужності штучного інтелекту, і я думаю, що є способи використати її з користю. Але в той же час ШІ робить багато помилок. Деякі фонди використовують GPT для вибору акцій, але ці менеджери фондів насправді не мають глибокого розуміння штучного інтелекту та можливих недоліків. В одному прикладі на ринку нерухомості Zillow, брокерська платформа нерухомості, використовувала технологію ШІ для прогнозування цін на житло, оцінки цін на житло та виходу на ринок, щоб почати купувати будинки, які, на думку ШІ, недооцінені. Однак у Zillow є кілька проблем. Один із них полягає в тому, що хоча вони мають багато даних про житло, це відбувається протягом відносно короткого періоду часу. Отже, хоча вони мають, здавалося б, велику кількість точок даних, все ще існує макроцикл, який впливає на оцінки, які вони роблять. По-друге, вони недооцінюють розрив між теорією та практикою, коли це фактично конкурентний ринок. Очевидно, що це величезна проблема для Zillow, вони мали великий вплив на ринок нерухомості, а потім зазнали великого провалу. Повертаючись до фондового ринку, дуже короткострокова торгівля, мабуть, більше підходить для машинного навчання, оскільки є багато даних, і ШІ може навчатися швидше за допомогою цих даних. Але з іншого боку, у довгостроковій перспективі роль штучного інтелекту може не виконуватися. Дані часто схожі на дані про пульс за все життя людини. Ви можете подумати: вау, моє серце б’ється 49 років, це здається великою статистикою, але коли у вас серцевий напад, це абсолютно не має значення. Таким чином, навіть з великою кількістю даних, це може ввести в оману, і ці проблеми створюють величезні проблеми для цих методів. **Отже, потрібно розуміти інструменти, у чому вони хороші, а в чому ні, і поєднувати їх таким чином, щоб використовувати сильні сторони кожного інструменту та уникати слабких сторін. ** Попереду ще багато роботи над великими мовними моделями, які ми, безперечно, можемо навчити за допомогою навчання з підкріпленням, щоб переконатися, що вони не роблять відомих помилок.

Чи все ще на ринках панує оптимізм?

Дженсен вважає, що на ринку все ще домінує оптимізм. Він сказав:

Федеральна резервна система виглядає дещо більш реалістичною, ніж ринок, щодо того, що вона робитиме. Коли ви дивитеся на реакцію ринку, вона дуже позитивна. Але ми маємо зауважити, що історично склалося, що ринок надто оптимістичний.