我读大学的时候专业是自动控制，当时正是人工智能的冬天。有一天我对神经网络产生了兴趣，于是问一个老师该如何学习神经网络。结果老师摇着头说，神经网络上世纪就已经被研究烂了。这个画面至今记忆犹新，常在我脑子里浮现。很多年之后我还是很疑惑：神经网络真的没啥前途么?由此可见，大学老师不能随便对一件事情做出主观性太强的判断。
今天我将从三个方面去谈财经学生怎样学习人工智能：学习的目的，学习的内容以及学习的方式。
财经人才→财经(金融)科技人才
因为知识背景和思维特点的差异，财经学生和工科学生学习AI的出发点和规律都是不同的。工科学生比较容易上手，但是在寻找应用场景方面会比较薄弱;财经学生专业知识比较强，但是对一些技术的掌握速度比较慢。理想的情况应该是两者相互合作或者财经专家领导工程专家。但从目前的情况来看，传统财经专业的学生很难具备这样的领导力。
我认为财经学生学习AI并不是要去替代工科学生，而是要成为领导角色。不是领导人，而是领导机器。这种领导角色具有良好的专业知识，理解编程的基本逻辑，能够将AI的框架与专业知识框架进行融合。这也是未来各行各业***人才必须具备的能力：你不用很会编程，但是你要知道程序是怎么写出来的，以及如何与技术人员进行对话与合作。
在进一步之前，需要破除一个误区。
现在很多人以为金融科技就是量化投资，智能投顾等。不少财经类的学生一听到这样的词汇就感到很兴奋，觉得高大上，趋之若鹜。
我想泼一下冷水：在量化投资领域，财经学生基本上不是工科学生的对手。因为这个应用场景实在是太简单了，无法发挥财经专业的优势。
量化投资只是金融科技里面一个很简单的场景，它的潜力被舆论高估了。真正的蓝海是其他更加广泛的财经领域，比如会计，资产评估，保险等等。这些领域的特点是商业模式更加复杂，需要更深厚的专业背景，并不是简单用一些复杂的机器学习算法就能完成的。
财经专业学生应该把重点放到这些行业，也就是与自己所学专业密切相关的领域，这才是你们真正有优势的地方。每个细分领域都需要一个AI，财经学生应该尽快的去思考自己所在的领域应该如何设计和使用AI，有哪些数据是可用的。你们在学校里虽然不能做出一些非常复杂的应用，但是应该进行一些简化的训练，以具备基本的技能。等你们毕业之后，要用一生的时间去优化和实现自己的AI，就像你的孩子一样，***。
计量模型→数据科学
那么下一个问题，利用AI进行数据分析与现在的计量分析有什么不同呢?UCLA的朱松纯老师做了一个很好的归纳。他讲的比我好，直接把原文复制过来：
同样是在概率统计的框架下，当前的很多深度学习方法，属于一个被我称作“大数据、小任务范式(big data for small task)”。针对某个特定的任务，如人脸识别和物体识别，设计一个简单的价值函数Loss function，用大量数据训练特定的模型。这种方法在某些问题上也很有效。但是，造成的结果是，这个模型不能泛化和解释。所谓泛化就是把模型用到其它任务，解释其实也是一种复杂的任务。这是必然的结果：你种的是瓜，怎么希望得豆呢?我多年来一直在提倡的一个相反的思路：人工智能的发展，需要进入一个“小数据、大任务范式(small data for big tasks)”，要用大量任务、而不是大量数据来塑造智能系统和模型。
沿用朱老师的观点，我认为大家课堂上学的计量分析可以归纳为第三种范式：小数据、小任务范式(small data for small tasks)。虽然我也认为大数据是过度炒作，应该回归到“小数据、大任务范式(small data for big tasks)，但从学习的角度来讲，财经学生应该这三种范式都去训练。
大数据的好处是可以容错，容易产生一些pattern，但是大部分领域的数据量是远远谈不上大数据的，对模型和场景的理解的要求会更高，这对于财经学生来说是个好消息。
在这里我还要强调一点，计量虽然很重要，但是不要局限在这个层面，一定要从数据科学的高度去理解数据，这样才能更好的理解新的概念和方法。
数据是一个江湖
到目前为止，我们谈到了三个问题：数据，模型(场景)和算法。这三个维度是AI的核心三角。一般来说工科人才强于算法和数据处理，弱于场景设计，财经人才则相反，强于场景，弱于算法和数据。
针对这个问题我的建议是，财经学生应该按照场景、数据和算法的顺序设定优先目标。场景也就是建模，这是专业知识的训练，永远是核心竞争力的关键。数据则是第二优先的目标。财经学生要从很早就开始思考，自己行业的数据能够从哪里来，具有什么样的特点，应该如何去组织和结构化?
对于数据，我的观点是公开数据已经足够做出很好的东西。很多人一谈数据就觉得一定要有私有数据。这种狭隘的认知导致在大数据时代，数据孤岛的现象反而更加严重了。
数据是一个江湖，只有数据没有用，必须要有处理数据的技术能力。单一的数据也没有用，必须要与其他的数据进行融合才能发挥价值。对于数据一定要建立开放的价值观，分享优于孤立。你只有不断的与他人分享合作，才能逐渐理解数据的内涵，建立起更强大的AI系统。因为数据本身是死的，处理数据的方式才是关键，你与别人的链接是方法的链接。 如果把一个行业的公开数据搞明白了，那你已经处于绝对领先的地位。还有一个告诫：一定要尽早积累原始数据，因为其实很多数据会很快消失的，时间可能是比数据规模更重要的维度。
风险!风险!风险!
那么财经学生在进行场景设计的时候重点应该考虑什么呢?
简而言之：围绕着风险做文章!
财经科技的***波浪潮以办公自动化为主，通过安装财务管理系统之类的方法，以提高效率，降低成本，而这些工作一般的专业IT公司就能够承担。但人工智能时代，核心问题并不是效率或成本，而是风险管理。
谁能够利用新的方法和数据去发现未知的风险，谁就能占据这个领域的新高点。因此财经学生在利用AI解决问题的时候，必须紧紧围绕风险这一概念。注意这个风险是个广义的风险，并不是简单的信用风险或交易风险。围绕着风险去寻找数据和设计模型，这个方向一定不会错。
越早开始越好
有了上面的认知之后，下面谈一下基本的学习方法，财经学生应该掌握哪些基本技能，从什么时候开始学习***?
我认为从大一下学期就应该开始相关的学习了，重点是编程语言，例如Python。我发现很多学生到了研究生还没学过Python，这实在是太晚了。Python应该成为财经学生的公共基础课。
大二时至少掌握以下基本的编程技能，例如：编写爬虫程序，抓取基本的数据，调用程序接口，自动生成报告，使用AI开源平台等。有了这些准备之后，到了大三就可以开始搜集数据和解决一些更为复杂的问题了。
如果错过了上述的时机，就比较麻烦了，因为高年级学生要做的事情太多，相关的学习就不得不推迟到研究生阶段。一拖再拖，永远落后。
对于一些AI算法，我的观点是会用即可，不用深究其中的细节和原理，因为很多算法本身还是黑箱。要充分利用网络上的资源，多去尝试不同的场景，了解每个算法的优缺点，如果有兴趣再去学习更深的东西。因此，切不可有畏难心理，照葫芦画瓢也是一种很好的学习方式。
关于财经学生学习人工智能的方法还在研究之中，我们的AI特训班还在探索，相信很快会有很好的经验供大家参考，请关注我们的后续文章。
