„Kinijos dirbtinio intelekto bendrovės „DeepSeek“ R1 modelio išleidimas 2025 m. sausio mėn. atnaujino diskusijas dėl technologinės konkurencijos tarp JAV ir Kinijos. Mažiau pastebima, kad „DeepSeek“ atsirado kaip kiekybinės prekybos įmonės ankstyvųjų dirbtinio intelekto metodų taikymo finansų rinkose atšaka. Šis ryšys pabrėžia didžiulį dirbtinio intelekto taikymų potencialą finansų sektoriui. Tai turėtų mums priminti, kad šioje srityje JAV turi neprilygstamą konkurencinį pranašumą dėl savo kapitalo rinkų gylio, šiose rinkose prekiaujančių talentų ir technologijų, kuriomis jos veikia. Taigi, kaip panaudoti šį pranašumą, kad paskatintume kitą dirbtinio intelekto plėtros bangą?
Kaip ir kituose sektoriuose, dirbtinis intelektas jau supaprastina pasenusius ir neefektyvius finansų sektoriaus darbo procesus, pavyzdžiui, naudodamas įrankius, kurie išgauna sąlygas iš tankių finansinių susitarimų ir kuria kodą. Tačiau šie pasiekimai, nors ir naudingi, yra laipsniški. Svarbesni dirbtinio intelekto taikymai finansuose apima pačių rinkų pagrindinių funkcijų tobulinimą: turto kainodarą, rizikos matavimą, ekonomikos pokyčių nustatymą ir nepastovumo valdymą. Tai yra sritys, kuriose dirbtinis intelektas gali aptikti subtilius modelius dideliuose duomenų kiekiuose, tai gali būti transformuojanti naujovė.
Apsvarstykite, kaip Black-Scholes kainodaros modelis, novatoriška matematinė formulė, pristatyta 1973 m., sukūrė visiškai naują išvestinių finansinių priemonių rinką ir padarė jas plačiai prieinamas. Dirbtinis intelektas taip pat yra matematinių įrankių rinkinys, galintis išplėsti rinkų veiklą. Gera iliustracija yra kai kurios naujos prekybos rinkos, kurios neseniai išgarsėjo, pavyzdžiui, prognozavimo rinkos ir kriptovaliutos, kuriose kainodara yra sudėtinga, pasiūla ir paklausa svyruoja greitai ir nuolat, o neapibrėžtumas yra visur. Šiuolaikinis dirbtinis intelektas bus būtinas, kad būtų galima pateikti algoritmus, kurie siūlo sąžiningas kainas šių rinkų dalyviams, todėl jos tampa likvidesnės, stabilesnės, prieinamesnės ir saugesnės visiems.
Norėdamos kuo geriau išnaudoti dirbtinį intelektą finansų rinkose, JAV turi investuoti ne tik į duomenis ir technologijas, kurios įgalina šiuos įrankius, bet ir į reguliavimo sistemą, kuri nestabdytų atsakingų inovacijų. Viena pagrindinių kliūčių yra lūkestis, kad turime visapusiškai interpretuoti kiekvieną dirbtinio intelekto sprendimą, pavyzdžiui, kodėl jis prognozuoja, kad akcijų kaina kils arba kris. Šioms sistemoms tampant tobulesnėmis, jų vidinę logiką tampa sunkiau atsekti. Jos dažnai veikia kaip „juodosios dėžės“ – matome rezultatus, bet ne tikslią jų sampratą. Jei reikalausime visiško skaidrumo, rizikuojame praleisti naudingas priemones, kurios gali pagerinti rinkų veikimą.
Praktiškesnis principas yra kontroliuojamumas. Tai reiškia galimybę efektyviai stebėti modelius, nustatyti aiškias jų elgesio ribas ir įsikišti, kai reikia. Užuot reikalavę visiško aiškinamumo, reguliuotojai turėtų sutelkti dėmesį į tai, ar šiuos modelius galima išlaikyti saugiose ribose ir užkirsti kelią žalingiems rezultatams. Toks požiūris leidžia tęsti inovacijas, kartu apsaugant rinkų stabilumą.
Tačiau net ir turint stiprią infrastruktūrą bei patikimą reguliavimą, išlieka didelių iššūkių. Finansų rinkos nėra statiška aplinka, kuriai taikomos fiksuotos taisyklės. Tai nestacionarios priešiškos sistemos, kuriose elgesys nuolat keičiasi reaguojant į politinius sukrėtimus, technologinius pokyčius ir nenuspėjamus žmonių sprendimus. Dabartiniai dirbtinio intelekto modeliai dažnai sunkiai reaguoja į tokį nepastovumą.
Todėl, nors dirbtinio intelekto taikymas finansuose yra svarbus, mažiau vertinama tai, kaip finansai savo ruožtu gali padėti tobulinti dirbtinį intelektą. Šios nestacionarios aplinkos suteikia retų galimybių griežtai testuoti dirbtinį intelektą, derinant stiprias finansines paskatas su kasdieniu grįžtamuoju ryšiu iš kainų pokyčių ir aiškiu tikslu: maksimaliai padidinti pelną esant tam tikriems apribojimams. Kai finansų pasaulis patiria staigių režimų pokyčių, kaip tai įprasta, atveju lieka neaišku, kaip modeliai prisitaikys realiuoju laiku. Įsivaizduokite, kad kuriamas pokalbių robotas, kurio vartotojai staiga pradeda kalbėti visiškai nauja kalba; sistema turėtų toliau funkcionuoti, palaipsniui mokydamasi naujų taisyklių ir struktūros. Tokie sutrikimai finansų rinkose yra įprasti, nes keičiasi lūkesčiai, perskaičiuojama rizika ir atsiranda pasaulietinės tendencijos. Esami dirbtinio intelekto modeliai sunkiai susidoroja su prisitaikančiu, ilgalaikiu planavimu, kurio to reikalauja.
Būsimiems dirbtinio bendrojo intelekto sprendimams greičiausiai reikės išspręsti šį prisitaikymo iššūkį. Žmonės savo dienas leidžia naršydami po naujus netikėtumus, keisdami tikslus ir kurdami strategijas. Dirbtinio intelekto tyrėjams, dirbantiems su šiomis pagrindinėmis problemomis, finansai siūlo bandymų poligoną, kuriame kuriami sprendimai, skirti nestacionarioms rinkoms valdyti, gali tapti pagrindiniu raktu siekiant kito mašininio intelekto lygio.
Tai viena iš priežasčių, kodėl JAV turi toliau pritraukti ir ugdyti pasaulinio lygio matematikos talentus. Kiekybiniai finansai jau seniai traukia matematikus būtent todėl, kad šioje srityje kyla vienos sudėtingiausių matematinių problemų, su kuriomis susiduriama pramonėje. Matematikai atskleidžia rinkų modelius, ieško būdų, kaip jas padaryti efektyvesnes, ir atskleidžia naujus modelius, kuriuos kiti gali tyrinėti. Visa tai prisideda prie inovacijų ir efektyvumo rato. Šios ekosistemos išsaugojimas akademinėmis investicijomis ir atvirais keliais pasauliniams talentams yra būtinas, jei JAV nori išlikti pasauliniu finansinių inovacijų centru.
Finansai išlieka viena iš nedaugelio aplinkų, kurioje realaus pasaulio duomenys gaunami nuolat, pasekmės yra tiesioginės, o paskata konkuruoti ir diegti inovacijas yra nesibaigianti. Jei JAV nuspręs pasinaudoti savo dominavimu kapitalo rinkose investuodama, apgalvotai reguliuodama ir nuolat remdama žmones, kurie skatina šiuos proveržius, ji gali užtikrinti, kad Volstritas taps naujos kartos dirbtinio intelekto sistemų pradininku.
---
Ponas Schmidtas yra „Relativity Space“ pirmininkas ir buvęs „Google“ generalinis direktorius. Ponas Tsementzis yra dirbtinio intelekto startuolio „hLevel“ įkūrėjas ir generalinis direktorius, taip pat buvęs „Goldman Sachs“ taikomojo dirbtinio intelekto skyriaus vadovas.” [1]
1. AI Can Empower the Financial Industry. Schmidt, Eric; Tsementzis, Dimitris. Wall Street Journal, Eastern edition; New York, N.Y.. 19 Nov 2025: A17.
Komentarų nėra:
Rašyti komentarą