人工智能的发展速度正不断提速。
1997年，IBM的超级电脑“深蓝”战胜了当时国际象棋世界第一人加斯帕洛夫，20年后，谷歌旗下DeepMind实验室的AlphaGo Master在乌镇以3:0 完胜世界围棋第一人柯洁。
如果说深蓝和AlphaGo Master的胜利还建立在大量学习的基础上，后者的升级版AlphaGo Zero，只训练了短短21天就在围棋上碾压了AlphaGo Master。
在顶级人工智能超乎想象的计算实力和成长速度面前，国际象棋和围棋几无挑战可言，那人工智能可否应用于更复杂的场合呢？比如股票交易。
机器学习进军量化投资
事实上，大数据时代的传统金融机构也有智能化转型的迫切需求，通过人工智能进行操盘是行业内大受追捧的前沿科技，代表领域之一就是量化投资。
量化投资是一项投资策略，通过使用现代统计学方法和数学方法对繁杂市场数据进行分析，在分析结果中找到对自己有用的内容，然后根据分析结果做投资决策，最终获得超额收益。
目前市场上的量化交易，背后大多有某种交易逻辑。每一个量化交易策略的建立，都需要输入与这套逻辑相关联的因子，比如历史表现、公司财务数据、宏观经济数据、上下游供应商数据等众多参数，建立一套模型以算出标的上涨或下跌的概率，并生成投资组合和调仓策略。
很多量化投资公司都会通过人工智能进行市场行情分析和交易策略推导。
从本质上来说，该场景下的人工智能只起到辅助作用，帮助操盘手选择合适的交易策略，且推导出的交易策略是逻辑清晰、可以解释的。换言之，如果交易策略被竞争公司窃取，对方能复制出完全相同的股票操作。
近几年来，很多量化投资公司开始尝试用机器学习系统进行股票操作，即通过向人工智能大量输入市场因子，训练人工智能自己生成投资策略。
机器学习这项技术和量化交易的常用方法有些不同，它不需要操盘手（往往是数学家或者优秀程序员）写出算法交给计算机执行，而是通过给人工智能提供海量交易数据，让它自己做出市场预测，推导出最优投资策略，而且推导过程是一个“黑箱”，即我们无从得知策略生成的过程，只能输入和输出。
机器学习系统越具有预测性，人们就越难理解它要做什么。有理论认为人类思维主要用于处理三个维度的情景，数十个乃至数百个维度的任务则是机器学习系统擅长的领域。这些维度之间的关系，往往是非线性的。
无法破解过程
但可以预测结果
通过机器学习来训练人工智能的方式，很像武林中人通过不断给徒弟喂招来提升格斗能力，因为武术直觉也无法言传，只能通过大量训练来获得的。谷歌的AlphaGo系列人工智能也采用此类方式来提升自己的围棋技艺，AlphaGo Master通过输入大量棋谱而获得了完胜人类的围棋技艺，AlphaGo Zero则更加可怕，它甚至不需要人类总结出的棋谱，仅靠自己和自己下棋来提升棋艺，破除了人类下棋的一切定式，真正达到了“无招胜有招”的哲学高度。
无论是AlphaGo还是量化投资用人工智能，都是用“神经网络”替代“用逻辑和策略构建的数学模型”。
围棋作为世界上最复杂的棋类游戏，拥有多达2.08×10^170的可能性（全宇宙的原子数量也只有10^80个），通过穷举的方法是无法破解的。股票市场也是一样，影响维度太多。现实中高手做判断或许是依靠长期经验积累的直觉，比如有些基金经理和操盘手只需要看K线，不需要看基本面，凭借“盘感”就能做出很好的判断。直觉不代表瞎想，但他们却不一定能清楚说出清晰的思考逻辑，实际上人脑的思考方式正是如此。
目前的人工智能技术既无法穷尽围棋和股票市场上所有的可能性，也无法破解棋盘和股市里那些最优秀的大脑做决策的过程，但足可以预测后两者的决策结果。
AlphaGo Master不知道柯洁怎么思考，它光看柯洁怎么走，就战胜了人类围棋第一人，同样的道理，操作量化投资的人工智能并不需要知道最好的操盘手怎么想，只需要知道最好的操盘手怎么操作——世界上最好的操盘手正是交易数据本身。
目前，桥水基金（Bridgewater）、Renaissance Technologies、德劭基金（D.E. Shaw）、Two Sigma等多家全球知名对冲基金都开始使用人工智能进行量化交易，然而现阶段的机器学习技术并不足以支撑人工智能在股票市场上百战百胜，仅在高频策略的应用上表现亮眼，因为机器学习能更好地挖掘市场高维度的非线性逻辑。
围棋属于完全信息的零和博弈，只需战胜第二名即可，就像那个经典的笑话一样：在森林里遇到狗熊时不需要惊人的速度才能逃脱，只需要跑得比同行者快就行了。股票市场的利益分配则复杂得多，而且是不完全信息博弈，可能有很多赢家，也可能满地输家（题外话：哪怕在非完全信息博弈的德州扑克赛事中，卡耐基梅隆大学（CMU）开发的人工智能系统Libratus也已经战胜了4位德州扑克顶级选手）。
但是，这些基金公司依然在争抢顶尖人工智能科学家来壮大自己的“技术军备”，因为决策者们普遍认为机器学习未来将是股市的制胜法门，毕竟机器学习在财务预测领域的应用还在早期阶段，而且电脑犯错的情况会比人类少得多。