闲聊

大抵上两个嘴炮, 一个…还是嘴炮…

H 和 胖子

昨晚(8 月 4 日凌晨)同住的一个家伙 (姑且称他为 H 吧) 回来时没带钥匙, 我帮他开了门, 然后就顺便聊了起来. 上次见面时简单聊过, 知道 H 做 AI, 我说现在遍地 AI, 他说这是泡沫. 也许吧. 我又顺便提到了我一同学辞职在家转行自学 Machine Learning, 他的评价是自学很难, 得实际动手做点项目. 这倒是让我对小明的自学捏了一把汗.

昨晚跟 H 聊主要集中在两个方面: 炒股和 Deep Learning 的应用.

H 昨天 QE (Qualification Examination) 刚过, 具体内容是啥不懂, 大概就是考虑 context 的智能语音识别, 比如一句「我上学了」就包含很多「环境信息」, 例如情绪. 不过按他自己的说法, 他对此倒没有多大的兴趣, QE 时 committee member 问他目前利用的 deep learning 算法用于语音识别有什么优劣势, 他就懵了, 只会摇头. 他说老板平时一个劲地骂他, 这倒让我想起来迅哥儿再次见到闰土时的描述. 当然, 被老板劈头盖脸油盐酱醋地骂是自然不过的事情, 试看多少组会, 学生都会被老师「刁难」得两眼见红, 就差最后那两行清泪了. 会后跟着大家聊聊天吐槽吐槽两句, 也就顺利渡过当天的心理难关了. H 说他有一年时间自学炒股, 感觉自己有点天赋, 且胆子挺大. 这家伙开始炒的 A 股, 然后港股, 美股. 他每天盯盘, 同时会查看各券商/银行之类提供的几个月的报告, 从中提取关键指标, 评估股票的持续性表现. 他胆子还大, 按他说法, 别人杠杆 10 左右就吓尿了, 而他最高做到二十多. 战绩说是一个月时间从 3 万翻到 10 万多, 对于我这平时就赚点小工资的门外汉来说近乎神迹. 他说现在在研究杠杆 200 如何操作, 虽然艺高人胆大, 但还是不敢进去. 后面他继续聊了些如何看股市/市场/政策等内容, 我是想听也听不大懂了. 我就对他如何从信息洪荒中攫取关键指标感兴趣, 问了下他大概还是凭感觉, 并没有数据去支撑他自己的「策略」.

于是就自然过渡到了如何利用 Deep Learning 去产生「策略」上来——应该说是我提出了这个话题, 他自己并没想过这个事. AlphaGo 之前打败了李世石和柯洁时下过一些出「人」意料的子出来, 于是我顺着这个思路想了解下业内对此类事情的看法, 尤其是当机器学习出某种人类无法理解但就是比人类的方法/策略都 work 得更好的方法/策略时人类怎么办. H 可能不大理解我想说的, 说他们 CS 只是把这当作工具, 并不关心工具具体是如何起作用的. 他举了个科学家利用计算机算法生成新材料结构的例子, 按我的想法这个例子更好理解: 我们不是简单关注新材料的性能, 我们还应该努力去探索新型材料背后的机理, 或许从中可发现新的知识. 关键是, 如果人们完全不理解机器造出的「新型材料」背后的机理呢? 关于 Deep Learning 他并没有说得更多, 就没怎么聊了. 如果我再知道点具体 Deep Learning 算法的话, 也许就可以继续请教了.

后来一点左右住在隔壁的胖子带着一身的汗臭回来了. 胖子汗多, 细菌狂欢痛饮这汗液之后就把「臭气」释放出来了, 一如武侠里真气运行, 青烟袅袅. 胖子也算一奇人. 第一次搬过来时八九点就睡了, 呼噜声响彻我原以为只有我一个人的屋子, 吓我一跳; 第二天早上, 确切说是半夜三点多起来, 叮呤咚咙稀里哗啦不知道在搞什么鬼——大概胖子存在感更强——然后我就被吵得睡不着了, 以致于想出修改 wifi 密码让他尽量少待在屋子里或者从路由器黑进他的设备的馊主意出来了. 当然, 好像除了那天, 据 H 所说后来他都是晚上两点左右回来.

这是共同住了近一个礼拜后第一次「两个半」人清醒着同时出现——剩下的半个我已经睡意盎然了——于是就多聊了下.

胖子是经济系的, 曾在杭州工作过三年, 然后就过来读博了, 或许是想进高校了, 因为按他的说法, 他们专业的人大部分去了高校. 不知是经济系的原因还是已经工作三年的原因, 这家伙油得很, 很明显已经深谙行内各种规则了. H 问道 CS 如何进金融相关公司学习「操盘」(我的理解), 胖子建议去刷个 MBA, 因为金融工程没什么干货, 刷个学历更好看点. 后面就是Quant/炒股/房价/外汇/金融/城市发展等扯了开去, 大有纵横捭阖指点江山之气概. 胖子说他每天都在推导公式, 于是昏昏欲睡的我最后还是向他请教了下经济里面如何建模的问题. 他上来就是「经济很难」, 这让我又想到了迅哥儿再次见到闰土时的描述. 按他的说法, 经济学里有个假定, 即对别人的预期; 但是别人的预期也依赖于你对他的预期, 于是不断迭代, 直至无穷, 就像「我知道你知道」「我知道你知道我知道」「我知道你知道我知道你知道」…这看起来确实好像挺麻烦的. 大概了解他们数学建模更会去寻找解析解, 而不是数值解, 这部分没听明白为什么, 因为对于力学来说, 数值解相对解析解要更容易得到. 他们建模还有一个很大的麻烦在于数据不够, 没法验证模型, 而这也是他们行业模型无需或很少验证就可以发表的 understandable 的理由了. 不过他们有一个去处, 不用花大钱做实验, 只要纸和笔就行– 博弈论. 胖子就是在搞博弈论的东西. 相对来说, 这家伙看起来还是比较清楚自己做的东西以及领域的局限性吧.

嘉哥

今晚(8 月 4 日晚上)又在微信上跟嘉哥聊了起来, 他正在为保住目前工作/寻求国外教职而「暴奋」着. 得知他正在用 spectral method 做流固耦合, 我猛的一激灵, 就各种问了起来了, 如 spectral method 与 FEM 的区别/优点/缺点/具体解决什么问题等. 根据聊天得到的信息, spectral method 跟 FEM 最大的区别是形函数, spectral method 把调和函数引入形函数, 从而可以实现任意阶数的 interpolation, 比如同样的三角形线性单元, 只要往三角形单元内部「撒点」, 就可以实现 p-refinement. 当然, 相应的精度也会更高. 这还是挺吸引人的. 缺点在于还需要提高运行效率. 嘉哥目前正是据此进行改进.

后来在聊到我手头的 bounding surface model 的时候提到他一直在做的 multi-yield-surface model, 他想要将其扩展到无穷多个屈服面上去, 他说如果实现会很「NB」. 他当时提出这想法时, Zhong 和 Gu 都说这可能做不出来, 不过他倒是一直没有放弃. 我乍一想, 多屈服面扩展到无穷多个不就是 bounding surface 吗, 稍微深入了解了下, 他应该是要做这个模型的 point integration, 并不是开发物理模型本身. 跟我的侧重点不一样, 我更侧重物理模型, 而具体实现算法采取了简单粗暴的 explicit 的方法, 当然我也有我的考虑在里面, 因为后续开发时 implicit 并没有那么重要.