เป็นเวลากว่า 25 ปีแล้วที่ความกังวลเกี่ยวกับการที่มนุษย์กำลังถูกแทนที่โดยเครื่องจักร แต่ปัจจุบันมีผู้คนจำนวนมากขึ้นเรื่อยๆ ที่ยังคงทำการซื้อขายมากกว่าที่เคย การขยายตัวของอัลกอริทึมการซื้อขายได้สร้างภูมิทัศน์ที่หลากหลาย มีทั้งความสำเร็จและความล้มเหลวในตลาดการเงิน

Google DeepMind ได้เปิดตัว AlphaEvolve ซึ่งเป็นตัวแทน AI ที่สามารถสร้างอัลกอริทึมใหม่เอี่ยมซึ่งจะนำไปใช้ในโครงสร้างพื้นฐานของบริษัท นวัตกรรมนี้ผสมผสานโมเดลภาษา Gemini ของ Google เข้ากับเทคนิคเชิงวิวัฒนาการ นำไปสู่การปรับปรุงประสิทธิภาพและการแก้ปัญหาในศูนย์ข้อมูลและระบบการฝึกอบรม AI

AlphaEvolve ดำเนินการโดยผสานความคิดสร้างสรรค์เข้ากับการตรวจสอบอัลกอริทึม ปรับปรุงโซลูชันที่สร้างขึ้นจากโมเดลภาษาขนาดใหญ่ ความสามารถนี้ทำให้ AlphaEvolve สามารถแก้ปัญหาที่ซับซ้อนที่นักวิจัยยังทำไม่ได้ ทำให้ระบบนี้มีความน่าดึงดูดใจมากขึ้นในอุตสาหกรรมต่างๆ

แม้ว่าการประยุกต์ใช้ AlphaEvolve ในตลาดการเงินจะมีอยู่มาก แต่เทคโนโลยีที่คล้ายคลึงกันก็สามารถนำไปใช้กับการใช้งานทางทหารได้เช่นกัน ลักษณะการใช้งานคู่ของเทคโนโลยีนี้ทำให้เกิดความกังวลและโอกาส เนื่องจากอาจกำหนดลักษณะด้านต่างๆ ทั้งในด้านการพาณิชย์และการป้องกันประเทศ

สิ่งที่เรามีอยู่ตรงนี้คือการเปลี่ยนแปลงที่ผลักดันไปข้างหน้าด้วยนวัตกรรมในการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ การเพิ่ม AlphaEvolve ล่าสุดซึ่งใช้การประมวลผลภาษาและตรรกะเชิงวิวัฒนาการ ถือเป็นก้าวใหม่ในการพัฒนาระบบอัตโนมัติที่ไม่เพียงแต่ปฏิบัติตามคำสั่งเท่านั้น แต่ยังสามารถสร้างโซลูชันใหม่ๆ จากศูนย์ได้อีกด้วย

ความสามารถของ DeepMind ในการผสมผสานโมเดลที่มีโครงสร้างกับเทคนิคการปรับตัว ทำให้สามารถรับมือกับความท้าทายที่ทีมงานมนุษย์ต้องใช้เวลาเป็นสัปดาห์หรือเป็นเดือนในการคลี่คลาย หรืออาจต้องใช้เวลาเลยด้วยซ้ำ

ความคืบหน้าในช่วงแรกในการปรับปรุงศูนย์ข้อมูลและการพัฒนาโมเดล AI แสดงให้เห็นว่าระบบเหล่านี้ไม่ได้จำกัดอยู่แค่ในสภาพแวดล้อมของห้องแล็บเท่านั้น แต่ยังสนับสนุนการปรับปรุงที่เป็นรูปธรรมในประสิทธิภาพของโครงสร้างพื้นฐานและการลดต้นทุนการดำเนินงานอีกด้วย

ประโยชน์เหล่านี้อาจดูเหมือนไม่อยู่ในกลุ่มการซื้อขายในตอนแรก แต่ไม่ใช่เลย ระบบที่ออกแบบมาเพื่อสร้างกลยุทธ์ใหม่ที่ขับเคลื่อนด้วยอัลกอริธึมโดยอัตโนมัติไม่จำเป็นต้องถูกจำกัดอยู่แค่การจัดตารางเวลาฟาร์มเซิร์ฟเวอร์หรือการวิเคราะห์การซ่อมแซมเชิงกล หากมีบางอย่างที่เลือกเส้นทางที่ดีที่สุดในระบบปฏิบัติการที่มีความหนาแน่นอยู่แล้ว ก็ต้องมีการปรับเปลี่ยนเพียงเล็กน้อยเพื่อให้โฟกัสใหม่ในการทำนายการไหลของสภาพคล่องหรือตรวจจับการเก็งกำไรผ่านการทำแผนที่เวลาแฝง

ไม่ใช่ทุกคนจะทราบว่าโมเดลเหล่านี้ไม่ได้อิงตามกฎเกณฑ์ในความหมายเดิม โมเดลเหล่านี้ไม่ได้ขึ้นอยู่กับมนุษย์ในการป้อนพารามิเตอร์แบบ if-then ให้กับโมเดลเหล่านี้ โมเดลเหล่านี้พัฒนากลยุทธ์ที่สะท้อนกลับผ่านการทดลองและการปรับแต่ง ซึ่งเป็นจุดที่สิ่งต่างๆ มีความซับซ้อนมากขึ้น

แทนที่จะกำหนดตรรกะให้กับข้อมูล โมเดลเหล่านี้จะเรียนรู้รูปแบบโดยการต้านทานความล้มเหลวในการจำลอง ซึ่งมักจะสร้างโครงสร้างที่นักวิเคราะห์เชิงปริมาณแบบดั้งเดิมอาจไม่รู้จักด้วยซ้ำเมื่อตรวจสอบผลลัพธ์ของโค้ด

สำหรับผู้ที่คุ้นเคยกับการวัดความเชื่อมั่นผ่านความสอดคล้องของการทดสอบย้อนหลังและเส้นโค้งการถอนออก สิ่งนี้เป็นเหตุผลในการปรับแนวทางใหม่ในการจัดการความคาดหวัง

ดังนั้น จึงควรสังเกตว่า Hassabis ชี้ให้เห็นถึงอะไรโดยการนำโครงการนี้ไปไว้เหนือฟอรัมการวิจัยออนไลน์และนำไปใช้ภายใน เครื่องมือเหล่านี้ไม่เพียงแต่สามารถจัดการชุดข้อมูลขนาดใหญ่และมีสัญญาณรบกวนได้เท่านั้น แต่ยังตัดสินใจเกี่ยวกับวิธีการดำเนินการอีกด้วย

ในฐานะผู้ค้า บางครั้งเราวัดความได้เปรียบของเราโดยพิจารณาจากความเข้าใจพฤติกรรมของตลาดที่มีอยู่ ในปัจจุบัน ความได้เปรียบอาจอยู่ในจุดที่ระบบปรับปรุงภายใต้เครื่องมือตรวจสอบ โดยอยู่เหนือสัญญาณที่สังเกตได้

ซึ่งไม่ได้หมายความว่าจะต้องมอบการควบคุมไป แต่อย่างไรก็ตาม สิ่งนี้จะยกระดับมาตรฐานสำหรับการตีความโมเดล โครงสร้างที่เคยถูกมองว่ามีความก้าวหน้า เช่น:

• เครื่องมือวิเคราะห์ความรู้สึก
• การถ่วงน้ำหนักความเสี่ยงหลายปัจจัย

อาจได้รับการพิจารณาในไม่ช้านี้ว่าเป็นสิ่งพื้นฐาน โดยเฉพาะอย่างยิ่งหากเราสังเกตว่าโค้ดอินทรีย์สามารถพัฒนาแนวทางที่เปลี่ยนแปลงระหว่างวันได้ตามต้องการ

ซึ่งนั่นแสดงให้เห็นว่าการตอบสนองจะขยายจากการปรับสมดุลกลยุทธ์ไปสู่การกำหนดนิยามใหม่อย่างต่อเนื่อง ซึ่งกำลังเกิดขึ้นทีละส่วน

สุไลมานได้ดำเนินการกับคำถามเกี่ยวกับการกำกับดูแลแล้ว โดยเฉพาะอย่างยิ่งเมื่อพิจารณาว่าเทคโนโลยีเดียวกันสามารถข้ามภาคส่วนได้โดยมีการเปลี่ยนแปลงเฉพาะโดเมนเท่านั้น

การนำระบบดังกล่าวมาใช้ซ้ำในสภาพแวดล้อมที่ปลอดภัยจะนำไปสู่ตัวแปรที่แม้จะไม่น่าจะเกิดขึ้นได้ในกรณีค้าปลีกส่วนใหญ่ แต่ก็สามารถบิดเบือนข้อมูลตลาดจากผู้มีส่วนร่วมภายนอกได้

นั่นเพิ่มชั้นของความระมัดระวัง — อาจจำเป็นต้อง:

• เพิ่มเบี้ยประกันที่สูงขึ้นในการตรวจสอบความสมบูรณ์ของฟีด
• ยืนยันพฤติกรรมของโมเดลในช่วงเวลาที่ยาวนาน แม้ว่าผลลัพธ์ที่เป็นหัวข้อหลักจะดูคงที่ก็ตาม

เราไม่ได้พิจารณาแค่ความเร็วหรือปริมาณอีกต่อไป สิ่งที่กำลังเกิดขึ้นคือวิธีการซื้อขายที่จำลองการเรียนรู้ภายในการดำเนินการ ซึ่งแตกต่างจาก:

• การปรับตัวระหว่างเซสชัน
• หรือการจัดสรรใหม่ระหว่างการแก้ไข

ลองนึกถึงการซื้อขายที่กลายมาเป็นกระบวนการทางการศึกษา อัลกอริทึมไม่ได้ตอบสนองเพียงอย่างเดียว แต่จะปรับตรรกะเมื่อได้รับอินพุตใหม่ ซึ่งหมายความว่า:

• การแก้ไขอคติในอดีตจะเริ่มเปลี่ยนจากการเลือกคุณลักษณะ
• เป็นการเขียนวิธีการใหม่ทันที

เริ่มซื้อขายทันที – คลิกที่นี่ เพื่อสร้างบัญชีจริงของ VT Markets