作者：黄丛丛 上交所技术有限责任公司

摘要

2076年，出生于上世纪八零后的机器人心理分析师苏珊为记者讲述职业生涯中智能机器人的故事。这是1940年著名科幻小说作家阿西莫夫写下了第一个《我，机器人》的小故事。在他所幻想未来100年后的世界智能机器人已经全面渗入到了人类工作生活的每一个角落。

然而科技的大发展，人工智能似乎并没有像科幻小说家所预想的那样快速的发展起来。1956年的夏天，在美国达特茅斯（Dartmouth）大学召开的学术会议多年以后被认定为全球人工智能研究的起点。然而经过两次高潮和低谷，直到60年以后，2016年AlphaGo与世界顶级围棋高手李世石的人机世纪对战才把全球推上了人工智能浪潮的新高。而2017年升级版AlphaGo变身为大师3比0完胜围棋世界排名第一的柯洁围棋九段，让我们看到了人工智能学可怕的自我学习能力和快速的进化速度。人工智能是否会在未来100年内迅速发展成熟演变甚至统治人类，成为专家和大众热议的话题。

一、人工智能的定义

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它最核心的特征是获知能力，以及有效处理不确定和概率信息的能力。1950年，阿兰•图灵提出了“儿童思维机器”的概念，“与其编写一个模拟成人思维的程序，为何不编写一个模拟儿童习得新知识的程序呢？如果这个儿童习得程序是可模拟的，它终究会通过有效学习，演变成一个与成人大脑智能水平一致的思维程序。”

自我学习能力对人工智能的发展尤其重要。我们将人脑不断地放大，会发现组成人脑的微观世界是无数的细胞和神经元，每一个单独的个体都没有思考的能力，但是通过各种组合和神经活动，无数的神经元和细胞奇迹般地形成了大脑，能够创造性地思考、自我学习、自我改造，不断地提高认知，在模糊条件下做出最大程度的有利化决策。那么通过物理模拟、无数电子元件的组合以及算法的优化，实践证明具有自我学习能力的人工智能也是能够实现的。

Tim Urban在《AI革命-通往超智能道路》一文中指出，人工智能分为三类：
弱人工智能Artificial Narrow Intelligence (ANI): 弱人工智能是擅长于单个方面的任务型驱动的人工智能。例如能战胜围棋世界冠军的人工智能，但是它只会下围棋，如果让它解决怎样更好地在硬盘上储存数据的问题，它就无法做到。目前人工智能的发展尚且达到了弱人工智能阶段。
强人工智能Artificial General Intelligence (AGI): 人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。
超人工智能Artificial Superintelligence (ASI): 牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。超人工智能将给人类世界带来什么样的颠覆，是生存还是毁灭成为大众关注的热点。

人工智能有着非常丰富广泛的研究内容，学者可以从各种角度对人工智能进行探索，而且人工智能的发展尚在成长期，新的理论和观点不断出现，要想全面介绍人工智能的算法技术也是比较困难的，本文基于业界各学者比较认同且具有普遍意义的人工智能研究技术与算法整理如图1所示：

二、人工智能在金融领域的发展

从严格意义上说，金融领域尚未达到真正意义上人工智能的应用阶段，只能说目前还在向类人工智能方向发展，这也是根据金融市场高风险强竞争的特性所决定。当前人工智能与金融结合最多体现在人工智能辅助量化交易。投资机器人通过运用自然语言的处理深度学习人工智能技术，建立量化交易模型，可以在很短的时间内做高频的数据分析和投资交易决策。

高频交易的设计是能够在几毫秒间从微小价格波动中发现利润机会的程序化交易系统。毫秒是光导纤维电缆中光速信号传播的时间间隔，由于时间的膨胀性，即便这种时间差在金融市场上也是有意义的，它会使靠近交易所位置的计算机有着极大的优势。在美国市场中一半以上的股票交易都运用高频交易程序，这种高频交易程序直接引发了2010年美国股市的“闪电崩盘”。

2010年5月6日下午时，对欧债危机的担忧已经造成了美国股票市场下跌4%,下午2点32分，一个大买家（共同基金）开始启动自动卖出程序出售迷你标普500指数期货（E-Mini S&P500）合约，其执行率与分钟级别的市场流动性相挂钩。这些合约被执行自动程序的高频交易商买入，高频交易商借助自动程序迅速将自己买进的合约转卖给其他交易商，由于基本买方买盘不足，E-Mini合约开始在高频交易商之间不断买进卖出，使E-Mini合约成了烫手山芋而被不断转手，进而迅速拉升了合约交易量，而合约交易量的上升被自动卖出程序解读为市场流动性增强的信号，自动卖出程序在这一信号的刺激下加速抛售合约，最终导致市场螺旋式下跌。当市场运行到某个点时，高频交易商开始离场，买方流动性迅速枯竭，价格进一步下跌，下午2点45分，不断下跌的价格触发了自动交易系统中的跌穿断路点，中断了E-Mini合约交易。5秒钟之后，交易被重新启动，价格系统开始恢复稳定并开始补救损失。但就是在这短短的几秒之内，数以万亿计的美元被吸出市场，这种外溢效应导致大量的单个交易以非常不合理的价格成交，有的是1美元，有的则是10万美元。当天闭市后，证交所代表和监管机构召开会议并设立了交易属于无效交易。此类交易被明确认定为错单，是现行交易规则下的一种补救措施。

在“闪电崩盘”时所应用的计算机程序本质还不算是一般或更高级别的人工智能，并且这种计算机程序制造出的危险也不同于人工智能所带来的相关危险，但是我们从中看到独立简单程序的互动会造成复杂甚至是不可预期的后果，就像是自动卖出程序和高频交易程序在“闪电崩盘”中所体现出来的那样。给一个系统引入新的要素可能会引起系统性的危机，但风险并不是明显可见的，只有出现明显错误时风险才会被发现，而有时即便出现了明显的错误，风险也不见得能被意识到。

另外用户在给一个程序下指令时，即便这个程序的假设看起来很清楚也很合理，但当这个程序在出现预料之外的情况是依旧雷打不动的遵循逻辑一致性来运行先前指令的话，就会引发灾难性的后果，因为在新的情况下，原来的假设有可能是无效的。上述例子中的交易量就是一个很好的测量市场流动性的工具，但程序却无法识别交易量本质的真假。除非设定非常特殊的程序，否则程序只会按照设定的规则运转，因为程序本身是不会有情绪，也不会注意到由于自身的不恰当性所带来的不良后果。

第三，自动操作系统不仅影响时间过程，还会影响事件结果。交易自动程序中前置的停止命令逻辑会在价格过度不正常时停止交易，因为自动交易会以人类无法反应的速度触发事件，所以必须要有这类设置，以便在特定情况下让自动交易停止下来，不依赖人的监管，要通过设置前置命令并确保自动执行程序的安全。

高频交易对金融市场、交易平台和基础设施都有较高依赖性，然而从提高交易效率，降低冲击成本，增加投资组合收益等各方面的优势上看，高频交易是未来证券市场发展的趋势。在纽约证券交易所，高频交易商在所有股票成交量中占到了73％，而由专业交易员所进行的交易只占总成交量的大约25％，这个数字在过去曾经是80％。这就是为什么各大交易商在纷纷裁员缩减人工成本的原因。

在中国，高频交易的应用尚且比较有限，一是因为制度与美国证券交易市场不同。中国的证券交易所制度是会员制，券商和期货公司是相应交易所的会员，在交易所占有理事席位，交易所是非营利机构；而美国的交易所是公司制，券商或出资人是交易所的股东，占有股东或者董事席位，公司的目的是为了盈利，趋于追求高交易量，而高频交易所带来的利润优势对交易所及其券商有着不可阻挡的诱惑。二是因为规则的不同。高频交易具有基本不持有隔夜头寸，每天交易多次以实现盈利的特点。国内股票市场T+1交易制度的限制，从根本上阻止了高频交易的应用。当然，随着允许T+0交易方式的商品期货、股指期货等创新产品的推出，以及可以通过一级市场申赎、信用交易等方式直接或变相的实现T+0交易的ETF(交易型开放式指数基金)和融资融券标的股的存在，投资者可以攫取证券市场日内交易的丰厚利润。因此，高频交易在国内已经被运用于商品期货、ETF及权证交易方面。

可以看出人工智能在证券交易市场仍有很多可以施展的空间，大体可以分为三部分：服务智能、交易智能和监管职能。

服务智能，是利用大数据分析和技术为投资者和市场提供更加智能化的服务。智能投资顾问是最显著的体现。该人工智能的应用可以取代金融证券分析师，能够快速地挖掘定量和定性的信息，在几分钟的时间内完成人类分析师四十小时的工作量，并且生成有价值的投资报告。

交易智能的应用对证券交易市场有着重要的意义。除了前面提到的高频交易，还有程序化交易，算法交易等类人工智能的应用。另外人工智能还能提供复杂的交易策略以适应不断变化的市场环境，融合了数据挖掘技术以及时间序列分析法的分析系统能够发现真确市场的运行范式和趋势，能够将历史价格变动与新股票信息化中的变量（比如关键字）联系起来。

监管智能是指利用机器对大规模数据进行高频处理能力，监控互联网和证券交易记录，捕捉不正常的交易记录，进行风险控制和风险预警，人工智能可以帮助监管机构将风险降低至未发生或低损失阶段。

三、测试领域在人工智能时代的发展

在AlphaGo和李世石进行围棋比赛的时候，有媒体调侃“李世石是谷歌公司最好的软件测试工程师”。其实此言还是有些不太准确的地方，李世石应该被称为“人工智能测试工程师“。测试领域从软件到人工智能的发展体现在质的飞跃。

众所周知，测试技术的发展是和程序开发技术的变化密不可分，相辅相成。测试是围绕产品服务来确保程序开发满足产品需求的要求，并且保持产品稳定的特性。随着市场的快速变化，技术研发被要求越来越快的提供高速有质量的交付物。因此测试就要求更高的测试效率来满足项目的要求，测试自动化只不过是测试往人工智能路线转变的起步阶段。

测试领域必将经历三个阶段才能迈向人工智能的世界：

• 测试自动化（Automation Testing）。该阶段偏向于测试执行的自动化，尤其将重复手工测试部分进行自动化，从而提高测试效率，降低人工成本。其本质是人工编写脚本，程序操作，属于任务型程序。
• 自动化测试（AutomatedTesting）。虽然跟测试自动化前后颠倒一下，然而意义完全不一样，它是将测试过程自动化，其包括了测试需求、测试用例设计、测试数据准备、测试环境搭建、测试版本部署、测试执行及测试报告都将自动化。然而这个过程仍然是人工设计干预，确定输入，只是把过程进行自动化，机器本身并没有达到自我学习的能力水平，属于过程管理程序。
• AI化测试（AI Testing）。进入人工智能阶段以后，测试人工智能的流程和框架可能会发生颠覆性的改变，其过程及手段并不一定遵守当前的测试生命周期理论。

AI化测试将进行阶段性的发展，测试工程师这一职业或许将不再存在，测试工作任务将会被AI逐步代替，整个测试领域会将随着人工智能的发展分为弱AI化测试、强AI化测试和超AI化测试。

弱AI化测试，测试工作任务化人工智能，通过对人类提出的知识图谱，根据知识点，处理结构或非结构化数据，并通过对程序代码的分析，计算出系统的可能的薄弱环节，自动提供测试方案，完成测试验证，指出问题所在，给予问题解决方案，甚至修改好程序。测试阶段会从过去的单元测试、集成测试、系统测试和验收测试缩减为两个阶段：机器测试和用户测试。由于最终使用者是人类，所以前端仍需要人类的介入，只是后端得到了整合，缩短了产品开发上市的时间。测试的本质还是基于传统的“机器为人服务”的关系。

强AI化测试，将进一步的向测试领域上游渗透，对测试需求，甚至产品需求进行自我认知与学习，通过对用户使用数据的分析，挖掘用户需求、产品特性，根据得出的结果，提出产品需求，开发实现产品，并执行相关测试，与需求进行匹配运算，确认产品质量。因此在强AI化测试阶段，测试概念已经进化到“机器为机器服务”的关系。

超AI化测试，对用户的需求进行引导，使用户在潜意识受到人工智能的暗示做出决策，也就是说人工智能引导需求，人类反而潜意识会认为这个需求是由自我产生。人工智能的测试则演变成为人工智能服务的工作，这已不是传统意义的测试和验证，更趋向于人类世界的医生与病人的关系。测试已经演变成“人为机器服务”的阶段了。

AI化测试阶段，人类要对从事测试工作的人工智能所设立的基本原则，有着重大的意义。我们对人工智能的要求是“发现更多的缺陷”还是“满足需求的产品”，都应该谨慎考虑，提出更多限制的前提。这是因为人工智能即使能够自我学习和快速计算，但是它可能还是无法达到人类对于情绪和周围环境的潜意识判断，例如当“发现更多的缺陷”这一测试原则受到了项目周期的限制，人会感受到压力，观察项目相关者的表情或语言，外界不断的动态变化都可能影响到作为执行人的决策，从而放弃测试预先原则，终止测试任务的执行。相对而言，机器则会更加坚持原则，追求逻辑一致性，减少外界不必要因素的干扰，与此同时它就有可能丧失判断对与错的线索，往错误的道路上直奔而去，最后跌落悬崖，造成不可收拾的后果。

四、后话

2017年6月9日苹果公司的CEO库克在麻省理工学院（MIT）毕业典礼上对人工智能提出自己的看法：“我并不担心人工智能可以让计算机像人类一样思考。我担心的是人类会像计算机一样思考，没有自己的价值观或同情心，不考虑事情的后果。”

面对或许不太遥远的人工智能，作为一名“没有未来”的测试工程师而言，我们应该要做好更多的准备来迎这一时刻的到来。“当科技走入黑暗的角落时，人性是照亮黑暗的蜡烛。只有科技，是远远不够的。”