机器人交易已经很多了外汇基本就是 高频交易也是 不过AI的程度还不高，基本是模型预设

现在大多是程序化交易，根据规则设定好的，跟machine learning 没半毛钱关系。 有句话挺没礼貌但符合事实的话：人工智能在金融市场就是人工弱智。

是这样的人工智能,几十年前就热过一阵,还有自动编程的论文 也许是计算机运算能力限制,没什么发展 现在又炒现饭,也许是因为技术真的进步了 但另一种可能是,计算机技术发展到了瓶颈(摩尔定律), 必须找可新的出口/狂欢 看看80年代, 各大学软件都有人工智能,机器学习专业,硬件就是分布式计算..不是吗? 大数据+云计算, 和 统计+分布式计算, 有什么本质差别?

是这样的人工智能,几十年前就热过一阵,还有自动编程的论文 也许是计算机运算能力限制,没什么发展 现在又炒现饭,也许是因为技术真的进步了 但另一种可能是,计算机技术发展到了瓶颈(摩尔定律), 必须找可新的出口/狂欢 看看80年代, 各大学软件都有人工智能,机器学习专业,硬件就是分布式计算..不是吗? 大数据+云计算, 和 统计+分布式计算, 有什么本质差别?

话说回来,股市和外汇市场已经开始用所谓的历史数据+边界条件来优化模型, 或者在不同模型中优选,也算有点点智能了吧 呵呵, 比很多人强,胜率高点

trader的主要责任是要为trading负责啊AI可以trade啊，输了钱算谁的

几十年前的事情不清楚。据说是给现在的热潮提供了不少理论基础。但现在的语音识别，图像识别和推荐系统的准确性和应用程度的确和80年代不能同日而语。这样看来，人工智能在应用层面的确是有了一些发展。 如果真的在五年内做到自动驾驶，这波热潮也算是fake it and then make it.

研究过ML技术目前来说，理论上还是没啥进步，算法在七八十年代就有了，只是在原有基础上作了各种优化，计算能力的提高以及大规模数据的采集，使得机器学习成为可能，目前的主流算法只能是对历史数据的推导，主动学习还只是停留在理论层面。 自动驾驶实现的可能性不大，目前还有很多技术难点需要克服，比如图像识别这块，图形算法用了ML，在一定范围内提高还是很明显的，但是对于动态环境，尤其是光线变化比较复杂的情况下还是难以胜任的。这个主要是ML理论本身就存在这个缺陷性，样本数据只是历史的总结和推导，而不能对未知环境做出准确的判断，另外一个方面，图像识别的一个难点就是干扰问题，google自动驾驶团队内部做过试验，对大量图片进行训练达到一个比较理想的准确率以后，对这些图片进行一些色彩干扰运算，在人眼看来，差别不大，但是重新给机器做识别，准确率大幅度下降。一个非常尴尬的事实就是，现在所有的自动驾驶如果不依赖预置的地理信息系统，连十字路口的红灯都不能准确识别。更别说图像自动识别了。

目前的学习,是建立在大量数据上的计算能力进步了 如alphago据说存了无穷多的棋谱 如IponeX的人脸识别,就是以几十万人的脸谱为基础

ML在色彩处理上是有很大局限性的ML是基于数理统计的向量化而已，在一定程度上提高了准确率，但是也有其极限，这个是算法本身特性决定的，数据量再大也无法突破，只能是无限接近，特定算法只能用于特定场景，人脸识别，棋谱都需要不同的对应算法，这些算法都需要人为的去优化，以达到最优效果。 颜色比较特殊，计算机处理的是数字化数据，非线性连续的，这就给ML带来挑战，需要基础图像识别理论的突破来解决。

目前的学习,是建立在大量数据上的计算能力进步了 如alphago据说存了无穷多的棋谱 如IponeX的人脸识别,就是以几十万人的脸谱为基础

ML进步很快啦别的不懂，一代狗还是看棋谱，今年跟柯洁对战的二代狗已经是靠左右互搏自己升级，而不是靠大量人类棋谱来学习了……

ML用于图像处理，物件识别和跟踪是最有前途的优化神马的如下棋最适合。 现在人脸识别一般以LFW作为指标，没什么实际意义。 国内最先进的识别身份证照片如果是几十万张的测试准确率也就在80%以下。 当然实际场景中，一般遇到相像的人比较少。 目前主要问题是对图片亮度比较敏感。有时候NN还得和传统的如HOG/SVM结合起来才准确。