另外更关键的，我认为是数据量的丰富。2010年我回硅谷时，第一次听谷歌的朋友说他们的AI取得突破，能在YouTube上把猫给认出来了。很重要的原因是在YouTube上有了大量的视频和图片数据之后。对此我认为，人工智能发展起来的关键是有了大量的数据，算法提升其实是很有限的。甚至可以说人工智能发展80%归于数据的丰富，可能只有20%归于算法的提升。特别在金融行业，数据都是非常容易标签化的，完美性这么好，所以人工智能最先颠覆的就是金融领域。

　　趣谈八.深度学习最大的问题是黑箱

　　对于深度学习而言，人才分几个档次。第一级是开宗立派的人物，也就是发明CNN(卷积神经网络)、DNN(深度神经网络)、RNN(循环神经网络)这些流派的宗师级人物。还有一类人才，是真正能够把参数调好的人，也非常稀缺。比如对于多层神经网络，是设置10层、5层还是7层效果最好？每层都有很多参数。还有给入多大的数据量才会产生理想结果？因为到一定程度，你会发现输入越多数量，结果反而可能会变坏。

　　这是一个经验值，甚至没有规律，所以业内开玩笑叫做炼金术。把一堆东西放一起，不知好坏，天天试，跟做化学实验室一样，还没有固定的化学方程式。大部分在美国读PhD的中国留学生是负责调参数的。但调参数能调好的人，在AI界也算是凤毛麟角，一年的package下来也有100~200万美金。要知道不仅在中国，在全球，人工智能创业公司最大的挑战都不是钱，而是雇不到人。

　　但这里就产生了一个问题。比如输入大量数据后，经过10层神经网络筛选得出一个结论，可你是没法回溯怎么得出这个结论的。所以深度学习最大的问题是黑箱。如果想避免一个错误，要修改参数，那所有训练又得重新来一遍。正因为这个问题，自动驾驶一旦出现车祸，很难向美国交通局去解释。在美国发信用卡的领域也存在一样的问题。拒绝给一个客户发信用卡，你得告知是基于什么规则，不然人家可能会告你，但深度学习没办法解释这件事。所以最近的一些算法已经做出了一些优化。

　　趣谈九.国内智能投顾发展境况如何？

　　很多人说中国资产类型太单一，ETF数量不够，很难满足智能投顾的资产配置需求。我们之前看了有20多家智能投顾公司，实际发现他们的配置还是很丰富的。简直可以说是五花八门，有的配P2P资产、有的配小贷，还有人拆信托、拆私募，做MOM、FOF模式的也有。大家都打着智能投顾的旗号，但剥开皮看都不一样，很多时候不知后面卖的什么东西。这也正是国家在加强机器人投顾管理的原因。

　　还有一个重要问题是，中国基本没有买方投顾，大家都在挣后端销售佣金，更像卖方雇佣的销售。所以对国内的智能投顾而言，本来是个投资顾问的事儿，却在做销售的活儿。这混淆了投资咨询与产品销售之间的界限。那么用户如何来评判你投资建议的公立性？这让消费者很难信智能投顾这件事。这正是国家正加紧合规的理论依据。

　　另外国内智能投顾最大的问题还在于金融产品代销资质。所以在中国做智能投顾，真正合规的只能是由大的金控公司来做，他们拥有所有的销售牌照和资格，才能给用户去做丰富的资产配置。不然你都没有太多可配置的资产，跟真正意义上的智能投顾有很大差距。而对创业公司来言，每个牌照的价格都非常贵，还要搞定各种通道、支付，真的玩不起。

　　趣谈十.智能投顾悖论

　　我们知道股票交易有赔有赚，如果大家都买了同一套软件，可以预测该买哪支股票，那么市场上谁卖呢？在一个下跌市场当中，一旦像Vanguard、BlackRock这样的行业巨头，用机器人投顾做出抛售指令，大家都在抛盘，而没人买盘，单边行情会不会导致市场崩溃？其实我认为这样的问题可以避免。因为真正的智能投顾是能根据每个人的风险偏好不同，做出不同的投资组合和交易选择，这样才能让市场有赔有赚的运行起来。

　　最后说一个有趣的话题，那就是人对机器的容忍度，要远远小于人对自己的容忍度。最简单的无人车犯错，大家都觉得不可容忍。但人天天都在犯错，却很容易获得谅解。这是一个客观问题。回到智能投顾这个话题，面对中国股市普遍难以盈利的行情，你说智能投顾在一个下跌市场当中，如何安抚用户亏损的情绪呢？其实很简单。周围10个人如果你是亏的最多的，人家都赚，你肯定不开心。但如果机器用数据告诉你，相比量化投资和你周围的人，你的回撤是最少的，那你肯定就不会太苛责机器了。