ذكاء اصطناعي جديد، AlphaEvolve، يقوم بإنشاء وتعزيز خوارزميات التداول، مندمجًا بين الإبداع وعمليات التحسين

    by VT Markets
    /
    May 15, 2025

    لأكثر من 25 عامًا، كان هناك قلق من استبدال المتداولين البشريين بالآلات، ومع ذلك فإن عدد المتداولين في ازدياد مستمر. أدى انتشار خوارزميات التداول إلى خلق مشهد مختلط، مع النجاحات والإخفاقات، في السوق المالية.

    قدمت جوجل ديب مايند AlphaEvolve، وهو وكيل ذكاء اصطناعي قادر على إنشاء خوارزميات جديدة تمامًا، والتي تُستخدم بعد ذلك داخل البنية التحتية للشركة. يجمع هذا الابتكار بين نماذج اللغة Gemini من جوجل وتقنيات التطور، مما يؤدي إلى تحسين الكفاءة وحل المشكلات في مراكز البيانات وأنظمة تدريب الذكاء الاصطناعي.

    يعمل AlphaEvolve من خلال دمج الإبداع مع التدقيق الخوارزمي، حيث يقوم بصقل الحلول التي تولدها نماذج اللغة الكبيرة. قادت هذه القدرة AlphaEvolve إلى حل مشكلات معقدة استعصت على الباحثين، مما زاد من جاذبية النظام في مختلف الصناعات.

    بينما تعتبر التطبيقات المحتملة لـ AlphaEvolve في الأسواق المالية كبيرة، يمكن أيضًا تطبيق التكنولوجيا المماثلة في الاستخدامات العسكرية. الطبيعة المزدوجة لاستخدام هذه التكنولوجيا تثير القلق والفرص، حيث إنها قد تشكل مختلف جوانب التجارة والدفاع.

    هنا نشهد تحولًا مدفوعًا بالابتكار في تعلم الآلة والذكاء الاصطناعي. يعد الإضافة الأخيرة لـ AlphaEvolve، والتي تعتمد على معالجة اللغة والمنطق التطوري، مرحلة جديدة في تطوير الأنظمة المؤتمتة التي لا تتبع الأوامر فقط، ولكن يمكنها أيضًا إنشاء حلول جديدة تمامًا. قدرة ديب مايند على مزج النماذج المنظمة مع التقنيات التكيفية يتيح له معالجة التحديات التي قد تستغرق فرق البشر أسابيع أو حتى شهور لحلها، إن أمكن.

    تشير التقدمات الأولية في تحسين مراكز البيانات وتطوير نماذج الذكاء الاصطناعي إلى أن هذه الأنظمة ليست مقيدة ببيئات المختبرات – فهي تدعم بالفعل تحسينات ملموسة في أداء البنية التحتية وخفض التكاليف التشغيلية. قد تبدو هذه الفوائد بعيدة عن طاولة التداول للوهلة الأولى، ولكنها ليست كذلك. الأنظمة المصممة لتوليد استراتيجيات جديدة مدفوعة بالخوارزميات بشكل ذاتي لا تحتاج إلى البقاء مقيدة بجدولة مزارع الخوادم أو تحليل إصلاح الآلات. إذا كان هناك نظام يختار المسارات الأمثل في أنظمة التشغيل المكثفة، فإنه لا يتطلب سوى تعديلات بسيطة لتحويل التركيز إلى توقع تدفقات السيولة أو اكتشاف الفروق الزمنية من خلال رسم خرائط الزمن.

    قد لا يدرك الجميع أن هذه النماذج ليست قائمة على القواعد بالمعنى القديم. فهي لا تعتمد على تغذية البشر لها بمعايير إذاً-ل. بدلاً من ذلك، تطور استراتيجيات انعكاسية من خلال التجربة والتحسين، وهنا تكمن الأمور في عمق أكبر. بدلاً من فرض المنطق على البيانات، تتعلم الأشكال من خلال مقاومة الفشل عبر المحاكاة، وغالبًا ما تنشئ هياكل قد لا يتعرف عليها المحللون الكميون التقليديون عند مراجعة مخرجات الكود. لأولئك الذين اعتادوا على قياس الثقة عبر اتساق الاختبار التراجعي ومنحنيات الانسحاب، يبرر ذلك إعادة توجيه توقعاتهم.

    يجدر الإشارة إلى ما أشار إليه حسابيس بتوجيه هذا المشروع ليس فقط للمنتديات البحثية عبر الإنترنت ولكن في الاستخدام الداخلي. هذه أدوات قادرة على التعامل ليس فقط مع مجموعات البيانات الكبيرة والضوضاء ولكن أيضًا اتخاذ قرارات حول كيفية القيام بذلك بشكل منهجي. كم تداولين، قمنا أحيانا بقياس ميزتنا بناءً على مدى فهمنا للسلوك السوقي الحالي. الآن، قد يكون التصرف حيث تقوم الأنظمة بالابتكار غير المرئي تحت أدوات المراجعة، متجاوزةً الإشارة التي يمكن ملاحظتها.

    هذا لا يعني التخلي عن السيطرة. ومع ذلك، يرفع هذا المعيار لتفسير النماذج. الهياكل التي كانت تعتبر متقدمة – مثل محركات تحليل المشاعر أو ترجيح المخاطر متعدد العوامل – قد تُعتبر قريبًا أساسية. خاصة إذا لاحظنا أن الكود العضوي يمكن أن يتطور ليقترب من أساليب تتغير خلال اليوم حسب الحاجة. ما يشير إليه ذلك، وهذا يحدث بالفعل بشكل جزئي، هو أن الاستجابة ستمتد من إعادة توازن الاستراتيجية إلى إعادة تعريف مستمرة.

    قد شهد سليمان هذا السؤال حول الرقابة، خاصة بالنظر إلى أن نفس التكنولوجيا يمكن أن تعبر القطاعات مع تغييرات بسيطة خاصة بالمجال. إعادة تطبيق هذه الأنظمة في البيئات الآمنة يقدم متغيرات، رغم أنها ليست محتملة في معظم الحالات التجارية، قد تشوه المدخلات السوقية من الفاعلين الخارجيين. يضيف ذلك طبقة من الحذر – قد يكون من الضروري وضع قسط أعلى للتحقق من سلامة التغذية وتأكيد سلوك النموذج على مدى فترات طويلة، حتى عندما تبدو النتائج العامة مستقرة.

    لم نعد ننظر فقط إلى السرعة أو الحجم. ما يظهر هو طريقة تداول تحاكي التعلم داخل التنفيذ، وهو مختلف عن التكيف بين الجلسات أو إعادة التخصيص خلال التصحيح. فكر في الأمر كتجارب تجارية ذات طابع تعليمي. الخوارزميات لا تستجيب فقط؛ بل تعدل منطقها عندما تتعرض لمدخلات جديدة، مما يعني أن تصحيح التحيز التاريخي يبدأ في الانتقال من اختيار الميزات إلى إعادة كتابة الأساليب تلقائيًا.

    هذا التطور لا يتطلب إعادة تجهيز كل نظام على الفور، لكنه يستدعي تخطيط السيناريوهات مع وضع هذه الأدوات في الاعتبار. ابدأ بتقسيم الأجزاء من النظام التي لا تزال تعتمد على الهياكل الثابتة والمنطق الذي تم اختباره بنظام الدُفعات. قارن ذلك بالمناطق التي قد يكون فيها التكيف منخفض التكلفة وقليل الأخطاء. بالنسبة لتلك المواقع، قد يؤدي نمذجة الأنظمة التي تختبر المنطق المتغير بدلاً من المؤشرات الثابتة إلى تضييق أوقات التأخر وتقليل الانجراف في الاستجابة أثناء التقلبات.

    في الأسبوع المقبل، فإن النماذج التي تنتج أداءً متسقًا بشكل غير عادي دون أساس واضح في المقاييس القياسية لا ينبغي رفضها بسرعة. التدقيق في دقة المدخلات أمر أساسي، ولكن كذلك البقاء مفتوحًا لفكرة أن في بعض الجيوب السوقية، منطق اتخاذ القرار قد بدأ بالفعل في التحرك بعيدًا عن السكربتات المشفرة نحو الصيغ الذاتية الاختيار. نحن بالفعل نراقب ذلك من خلال الاقتران غير المفسر بين فئات الأصول وما كنا نظنه بداية أنها مشاكل في البيانات—تبيّن أنها قد تكون ليست مشاكل على الإطلاق.

    see more

    Back To Top
    Chatbots