本文作者为BT美股高级分析师John SUN (SQ)写于6月中。
最近有只ETF发力了。本来表现与Benchmark 标普500相差不大或表现略差，突然间最近两个月发力。作为投资人可能感觉这没什么啊，这样的ETF多的是。更何况，如果我告诉您它后面选股是个机器人，您就可能直接忽略这只不靠谱的ETF了。好吧，我承认，这是一只人工智能驱动的ETF，它后面的大脑是Watson。哇。。那谁是Watson？
这是Watson，那个10年前跟人类在Jeopardy!电视节目中竞争干掉人类的AI。经过10年的不断摸索和完善，去年Watson出来打算挑战人类投资者了。
AI 真的会炒股？听说过 蚂蚱能做下酒菜， 还真没听说过 AI 基金涨得快！
最近两月见证了AI ETF表现后，更多人不敢买了。为啥？心里更没底了，是不是涨的高了要回调了？因为算法没人知道，即使算法开发人都不知道为啥这AI这样买进，更何况你了！一时间，众说纷纭，谣言四起，各方都在猜测原因。比如有为大咖去参加节目评论到，因为上市一年了，样本大了，逐渐熟悉市场了。我就想问问，你如果要上市一个AI基金你不给他投喂历史数据？
你如果问我它是怎样炒的，我也不清楚。但是最近有一篇论文出现在了【自然】杂志上
简而言之AI算力提高100倍：
在最近发表在Nature上的一篇论文中，IBM Research AI团队用大规模的模拟存储器阵列训练深度神经网络（DNN），达到了与GPU相当的精度。研究人员相信，这是在下一次AI突破所需要的硬件加速器发展道路上迈出的重要一步。
未来人工智能将需要大规模可扩展的计算单元，无论是在云端还是在边缘，DNN都会变得更大、更快，这意味着能效必须显著提高。虽然更好的GPU或其他数字加速器能在某种程度上起到帮助，但这些系统都不可避免地在数据的传输，也就是将数据从内存传到计算处理单元然后回传上花费大量的时间和能量。
模拟技术涉及连续可变的信号，而不是二进制的0和1，对精度具有内在的限制，这也是为什么现代计算机一般是数字型的。但是，AI研究人员已经开始意识到，即使大幅降低运算的精度，DNN模型也能运行良好。因此，对于DNN来说，模拟计算有可能是可行的。
但是，此前还没有人给出确凿的证据，证明使用模拟的方法可以得到与在传统的数字硬件上运行的软件相同的结果。也就是说，人们还不清楚DNN是不是真的能够通过模拟技术进行高精度训练。如果精度很低，训练速度再快、再节能，也没有意义。
在IBM最新发表的那篇Nature论文中，研究人员通过实验，展示了模拟非易失性存储器（NVM）能够有效地加速反向传播（BP）算法，后者是许多最新AI进展的核心。这些NVM存储器能让BP算法中的“乘-加”运算在模拟域中并行。
。
单独看这个大规模模拟存储器阵列里的一个单元，由相变存储器（PCM）和CMOS电容组成，PCM放长期记忆（权重），短期的更新放在CMOS电容器里，之后再通过特殊的技术，消除器件与器件之间的不同。研究人员表示，这种方法是受了神经科学的启发，使用了两种类型的“突触”：短期计算和长期记忆。
这些基于NVM的芯片在训练全连接层方面展现出了极强的潜力，在计算能效 （28,065 GOP/sec/W） 和通量（3.6 TOP/sec/mm^2）上，超过了当前GPU的两个数量级。
这项研究表明了，基于模拟存储器的方法，能够实现与软件等效的训练精度，并且在加速和能效上有数量级的提高，为未来设计全新的AI芯片奠定了基础。研究人员表示，他们接下来将继续优化，处理全连接层和其他类型的计算。
总结一下
这次技术升级将以往的并行计算的计算能力在能耗和效率两个维度上进行提升，说AI会不会炒股我不知道，因为股票不是人，太多的非公开的市场信息充斥着大市，AI并不能去权衡任何非公开市场信息，所以AI想表现的比人好那将是非常难的，但我们认为至少在以下几点上AI算力的提升会表现出优势：
1. 降低错误率上 （风险控制）AI将表现的更好。AI的学习能力会体现在各种历史事件的规律把握上的。在比较大非系统性事件中普通投资者的行动趋近，这是动物的本能，比如，古人在遇到野兽袭击拔腿就跑，当然这样的本能也是选择进化的结果。
2. 小规律的配合度 （基差对冲）上AI将表现的更好。算力的提升会将以往以往算不到的小规律（如两只股票之间相对表现）进行精准度提升。当然资金都是有限的，分散了弹药也会同样的增加交易成本。
3. 融入更多信息，算力的提升最直接的的就是可以同时导入更多的信息进行综合权衡，当然过往没有算入的信息也要重新计算，这就需要一段时间来完善AI逻辑。
当然我们更推崇的是如果ETF服务费能够达到一定数量的话AI芯片需要按需定制，毕竟炒股用的算法跟其他领域差别还是非常大的。
AI 选股毕竟是一个未知领域，大家投资还是要谨慎
