作者：SerendipityCamp
题图：SerendipityCamp微信公众号
善用AI
市场里从来不缺意见领袖，你去炒股论坛里发几个帖子，带上财富密码和提示词，然后对着语言模型发问，模型就会把你写的小作文通过模型自己讲出来。是不是似曾相识？没错，这就是迭代的马屁精（见「迭代的诅咒」量化交易的现实与未来）。
AI帮着游资抬轿子的新闻，已经是路人皆知了。虽然我们的生成式AI能力不如海外，但我们作文写得好啊！筹码内卷博弈主线横盘的加时赛里，似曾相识的，我们又转回到了当年量化+小作文的经典场景，热点轮动应接不暇。
那些不看好AI产业化应用的，尤其是等着倒车接人的踏空资金们，显然不如high起来的股民们与时俱进。大A的市场里，AI炒股不再是梦，朋友们让我们梭哈，all in，拥抱未来吧...
热点有其热的道理，技术带来意见内容的变革，但对投机者来说则更加煎熬：热点是反人性的，给你上车机会的炒作，通常不会太便宜，越是好的机会，就越是在高处，让不信的人下不去手（见「最佳双擎」博弈策略与凯利公式）——一方面提示词的生成的小作文让人生疑，而其制造热点的能力也同样不可让人小觑，这恰恰反证了生成式AI的强大。
单纯一些，抛开投机不谈，AI已经有能力成为市场里的“意见领袖”——且颇具实力取代网红KOL（「资管重构」古老生意的自由之路）。
今年我最喜欢做的事情就是拿着NotebookLM解析大部头的PDF（上一篇文章就是这样出炉的，见「统计信仰」金融世界的贝叶斯之旅，通读全文你能看出多少AI助手的痕迹？），这种学习研究方法往往比亲自下场阅读的效率高了几个数量级。
基于人类深度研究的上下文背景，AI生成内容更加如虎添翼，现如今，不需要翻墙，我们也有更强大的KIMI来做NotebookLM的事情了。（话说人家Grok刚开源，我们这里就开始弯道超车，你不阴谋论一把都不行...）
作为理工科出身的我，自然不能放弃给模型出难题的机会，上强度，绕开那些有的没的无关痛痒的俗套，而结果吗，对于现今的大模型，我还是很钦佩的，比如，我扔给ChatGPT 4.0一个立论（没有任何上下文背景）：
为什么说对冲基金比传统基金更容易发生“交易拥挤”（trading crowding）现象？
AI就回馈给我一大段启发式的回答：
主要是因为它们的投资策略、目标客户群以及运作方式的不同。以下是一些主要原因：
- 相似的投资策略：对冲基金经常采用类似或相同的高级投资策略，包括量化策略、事件驱动策略、全球宏观策略等。当多个对冲基金同时采用类似的策略时，它们可能会针对相同的投资机会进行交易，从而导致市场上某一资产或资产类别的交易过于集中。相比之下，传统基金通常遵循较为广泛和多样化的投资方法，如跟踪指数或进行主动管理的股票和债券投资，因此交易拥挤的情况较少。
- 追求绝对回报：对冲基金的目标通常是在任何市场环境下都实现正回报，这促使它们寻找并利用市场的短期失衡和不效率。为了达到这一目标，对冲基金可能会集中投资于那些被认为短期内会有显著表现的机会，当多个基金识别并追求相同机会时，就可能导致交易拥挤。
- 使用杠杆和衍生品：对冲基金广泛使用杠杆和复杂的衍生品来增加潜在回报。这意味着它们可以控制大量资产，而实际投入的资本相对较少。当市场条件发生变化，导致这些策略同时需要调整或撤退时，大量资产的快速买入或卖出会加剧市场的波动，并导致交易拥挤。
- 较高的流动性需求：对冲基金为了保持策略的灵活性和应对赎回压力，往往更倾向于投资于流动性较高的资产。这种对流动性的追求有时会使得多个对冲基金集中在相同的流动性较高的资产上，从而产生交易拥挤。
- 信息和研究共享：对冲基金界内部的信息共享和研究共享较为普遍，尤其是在使用第三方研究服务和交易平台的情况下。这可能导致对某些交易机会的集体反应，增加了交易拥挤的风险。
总的来说，对冲基金高回报、采用高风险策略、广泛使用杠杆和衍生品，以及对流动性资产的偏好，更容易在特定的投资领域或策略中产生交易拥挤现象。
先不管我提出问题的立场是否正确（批判性思维仍然是人类的责任），至少这个回答的质量是很让我惊讶的。
最新的模型已经打破了我们对AI的固有偏见：使用非常笼统的术语，听起来巧妙的表述或行话，很少的事实，随意的例子，缺少真实的感受，微弱的批判力——话说回来，一些不太做实证工作，不涉及对假设进行检验的领域的人类选手，其行为更像是AI模型的输出结果。
在技术快速迭代的背景下，技术是否有用完全取决于你的用法。AI模型的有效性完全取决于用户是否能够清晰地描述他的问题，而当代社会里，有一半的人表达能力不够好，使其无法从AI模型里得到理想的结果。
马斯克曾说，学习的过程最重要的是解决问题，或者教会人们解决问题，而不是学习工具本身——而我们的教育过多地关注工具。AI作为学习的助手，让我们的思考更回归学习的本质——你可以问任何你想问的问题，这就是了解工具的用法，而不是从头学习每一个工具的原理，然后再去挖掘它的应用。
降低工具的学习门槛，意味着学习者不必花费大量时间去寻找信息或等待人工回答，而是可以立即获得所需的工具，从而更快地解决问题。黄仁勋就曾向媒体透露，他每天都在使用perplexity AI工具来工作。
未来的内容生产，是两种趋势的斗争：一种是AI工具快速廉价地生产出大量的文章，造成巨大的内容污染（专利流氓利用AI生成大量想法，然后逐一申请专利，这只是时间问题）；另一种是更多的人可以利用AI工具高效学习并创造更加优质的内容，并造就更多的通才。
通过问AI问题（一种主动探索的机制），你本质上已经拿起工具解决自己的问题，这是一个好的不能再好的开始了。未来的人类用户将不再学习编程，告诉计算机该做什么，而是直接告诉计算机他们想要什么结果。善用AI，求人不如求己，让每一个现实中以“卖课包”为目的的人生导师“人设崩塌”，是我们每个人都要认真思考的一件大事。
心怀恶念
为了保护自己免受侵袭，你必须熟悉坏人的所有伎俩——这也是白帽黑客的人生信条（见「天网危机昨日重现」一键黑掉100万辆汽车）。心怀恶念，行善积德——你最为强大的防御武器，是富有知识的进攻。
如今，机器学习技术的蓬勃发展，坏人将再次领先一步，并可以利用这些技术实现其邪恶的目的，当AI技术来到新的技术奇点之时，机器学习技术正将语言作为新的武器，系统化地上线。作为防御者，我们必须深入了解Ai，以挫败可能明天就会发生的致命攻击。
NLP自然语言处理作为AI的一个子领域，被用于模拟交互，随着深度学习语言模型的扩展，其能力边界大大扩展，并带来了我们所熟知的大型语言模型LLMs。无数个LLM此时此刻正在深度学习的GPU巨型计算机中高强度训练，并建立起极其复杂的逻辑连接。
在创建一个我们可以用自己的语言与之交谈的系统的同时，我们也创建了一个可以同样有效地用我们的语言与我们交谈的系统。几十年来，人类一直深耕机器语言，来破解机器的行为，而如今，机器正在诉说着我们的语言，并时刻准备着破解人类。
不可否认的的是，ChatGPT已经突破了图灵测试的表象，基于检索的搜索引擎正的光环在消退，生成式人工智能AIGC正在崛起，未来的计算将更多依赖生成技术，相比搜索而言，生成智能能够提供问题的确切答案——更重要的是，这个答案是即时的。LLM的新能力已经改变了我们体验和与世界交流的方式。
即使我们仍不能从根本了解人类思维的运作方式，但有一点我们非常确认：当前LLM系统的学习过程与人类认知截然不同。正如乔姆斯基所指出的：人类思维并不是一个笨拙的统计引擎（像LLM那样乐于模式匹配，吞噬数据），相反，人类思维使用少量信息进行操作，它不需要粗暴推断数据点之间的相关性——而是要创造解释——人类的经验仍是完全主观的。
底层思维存在巨大鸿沟，一旦机器智能突破人类社群的束缚，它必然会加速远离我们，而不仅仅是算法歧视或人类工作被机器替代，就像计算机在棋类游戏中甩开人类智能一样，AI将是人类最后的发明。
完全不同的机器，可以高超地技术性地复制人类体验，这让担忧向我们袭来：
- 人类会操纵AI来实现他们的目标吗？
- AI会按照其它人类的指令操纵人类吗？
- 机器会觉醒，并最大化它们自己的利益，而不是人类创造者的利益吗？
至少在金融领域，题材炒作已经是AI操刀，第一点已经成为现实，而在不久的未来，我们将走向《星际迷航》还是走向《终结者》？
心怀恶念，机器智能毫无疑问，将会被武器化，它将如何被武器化呢？经济学思维告诉我们，保险是必要的，在Ai武器化之前，我们需要提前花一些钱和精力，让未来的AI变得更加道德，以降低其“尾部风险”。
版权声明：文章版权归原作者所有，部分文章由作者授权本平台发布，若有其他不妥之处的可与小编联系。
