從早期的神經網絡研究到創造性解決語音識別任務，再到投身金融領域，機器學習大牛鄧力已經在人工智能領域叱咤三十余年。他首次將深度神經網絡技術應用于語音識別領域，性能超越之前的方法。在語音識別技術日趨成熟之際，他果斷「轉行」投身金融，加盟對沖基金巨頭 Citadel。本文簡單介紹了鄧力的 AI 之旅。11 月 10 日，鄧力將在 AI Frontiers 大會做主題演講，介紹如何使用 AI 前沿技術抓住機遇，解決挑戰。

鄧力的人工智能之旅已跨越 30 余年。在擔任過公司研究員、大學教授并在語音研究領域占有一席之地之后，鄧力一頭扎進了金融界：2017 年 5 月，他辭去了微軟首席人工智能科學家的職位（盡管他曾在那領導微軟的人工智能學校并創立了深度學習技術中心），加入了管理 300 億美元的對沖基金 Citadel 并擔任首席人工智能官（Chief AI Officer）。同時辭去的還有任教超過 17 年的華盛頓大學附屬教授職位。

和鄧力一樣，AI 領域的其他知名教授也經歷過職場變動。卡內基梅隆大學機器學習系主任 Manuela Veloso 今年 5 月加入摩根大通，領導該公司的人工智能研究實驗室。《The Master Algorithm》作者、華盛頓大學計算機科學教授 Pedro Domingos 最近加入了對沖基金巨頭 DE Shaw，領導其新的機器學習研究小組。

自從資本市場有大量數據可用之后，金融領域的 AI 應用程度就越來越高。金融領域需要復雜的機器學習方法來自動處理數據和預測。鄧力表示，「我覺得現在金融領域已經非常成熟了，可以讓人工智能來大顯神威。」

作為一名成就斐然的科學家，鄧力已經發表了 300 多篇學術論文，并寫了一些 AI 相關的書籍。他特別擅長深度學習。鄧力認為，深度學習將很快掌握預測價格走勢或做出明智交易決策的能力。

在神經網絡領域的早期工作

20 世紀 80 年代中期，鄧力進入威斯康星大學麥迪遜分校攻讀博士學位，主攻電氣工程方向。這段時期，鄧力試圖創建人類聽覺模擬和語音識別神經模型，然而進展并不順利，因為當時的計算機無法為大型神經網絡提供足夠的計算能力，這也是導致鄧的神經網絡研究停滯不前的原因之一。

然而，鄧力并沒有放棄。在以助理教授的身份加入加拿大滑鐵盧大學之后，他和他的一名學生于 1993 年提出了一種增強神經網絡記憶的新模型。該模型雖然是一個完整的系統，但性能仍無法超越隱馬爾可夫模型。

他博士論文的外審是深度學習知名大牛 Geoffrey Hinton。在讀過論文后，Hinton 告訴鄧力，在這個階段，想要在神經網絡方面有所突破太難了。這一令人失望的結果使得鄧力遠離神經網絡研究，在之后的許多年轉向貝葉斯統計方法和生成模型研究。

將深度神經網絡應用于語音識別

在深度學習興起之前，淺層的機器學習方法（如隱馬爾可夫模型和高絲混合模型）已經主導了該領域將近 30 年。

鄧力離開滑鐵盧大學后，于 2000 年加入微軟，專注于使用貝葉斯方法進行語音識別研究。但是結果不盡如人意，因為多層貝葉斯網絡的計算機復雜度呈指數級增長。

2006 年，Hinton 發表了論文《A fast learning algorithm for deep belief nets》。論文表明，即使使用三個隱藏層，網絡仍然能夠對手寫數字圖像及其標簽的聯合分布生成表現良好的生成模型。鄧力對此很感興趣，他意識到或許可以嘗試將深度神經網絡應用于語音識別。

在 NIPS 2009 會議上，鄧力和 Hinton 聯合組織了「Deep Learning for Speech Recognition and Related Applications workshop」。他們首次證明，使用新方法訓練的深度神經網絡在大量語音識別基準上優于之前的方法。研究結果發表在論文《Deep Neural Networks for Acoustic Modeling in Speech Recognition》中，該論文由 Hinton 和鄧力合著，于 2012 年發表。

「深度學習可以實現語音信號的時間和空間表示，從而改變語音識別的原有機制，從這個層面上講機器學習是變革性的。」鄧力說道。

接下來的時間里，鄧力及其團隊將多種不同的深度學習方法應用于語音，包括 LSTM 循環神經網絡、深度卷積神經網絡、序列學習和集成學習。這些創新極大提升了語音識別的準確率，且被成功整合進語音理解和語音翻譯中。

2015 年，憑借在深度學習與自動語音識別方向做出的杰出貢獻，鄧力獲 IEEE 技術成就獎。

金融領域新征程

近年來，語音識別技術已經成熟。鄧力也準備迎接新的挑戰。目前他領導對沖基金公司 Citadel 的人工智能團隊，Citadel 是世界最大的另類資產管理基金之一，管理超過 300 億美元的資產。

Citadel

從語音識別領域轉到金融領域并不容易。盡管這兩個領域有很多相似之處，比如市場數據和語音數據本質上都是序列性的，但金融數據面臨一些重要挑戰：

盡管市場和資本數據體量呈指數級增長，但有用信息的增長并非如此。金融數據的信噪比更低，這意味著大部分信息只是噪聲。投資者必須區分信號和噪聲。

非平穩性是另一項挑戰。金融市場中的很多參與者互相競爭，因此需要清除大量偽數據。

金融數據的多樣性比語音數據的更復雜，數據類型包括文本、圖像、語音、市場數據等。「要解決數據問題，經濟和金融知識和模型會有用武之地。」鄧力說道。

今天，鄧力的研究重點在于利用機器翻譯系統解釋文本數據，以提升量化投資。如何將前沿 AI 研究應用到當前的機會和挑戰呢？我們期待鄧力的演講。

2018 年 11 月 10 日，鄧力將在于加州圣荷西舉辦的 AI Frontiers 大會上發表演講。AI Frontiers 大會匯集了 AI 領域的思想領導者，展示前沿研究和產品。除了鄧力以外，其他演講者還包括：Ilya Sutskever（OpenAI 創始人）、Jay Yagnik（Google AI 副總裁）、李開復（創新工場 CEO）、Mario Munich（iRobot 高級副總裁）、Quoc Le（谷歌大腦團隊成員）、Pieter Abbeel（加州大學伯克利分校教授）等。