从初上市时万众瞩目，到如今少人关注，从上市之初收益率大幅超越基准，到此后持续落后，体现在AIEQ身上的巨大落差，似乎象征了业界对于AI（人工智能）投资的两极化观点——乐观者预期它终将立于投资市场之巅，并取代大部分投资经理的岗位；悲观者则把它看作“神话故事”、“永远不会成功的永动机”。
这个争议，还在升温，还将持续。
首只产品“铩羽”
作为第一个宣称使用人工智能的基金，AIEQ的业绩波动之大，出乎行业预期。
上市初期，它一度惊艳。上市之初的3个交易日，AIEQ斩获了0.8%的收益率。这被外界认为是非常优秀的开局，媒体报道频频使用“超过基准指数100倍”的评语，并随之激发了一片“人工智能何时取代基金经理”的报道和讨论。
但这只是昙花一现。
随之而来的是该基金业绩迅速滑落，从10月中到11月中，该基金净值一度最低下跌到略高于24元，单月跌幅逾4%。更加糟糕的是，同期该基金的比较对象——标普500指数稳步上涨，且业绩优势保持至今。
“无论是波动率控制，还是短期基金业绩表现，AIEQ都是越做越差，难言让人满意。”一家国内量化投资机构的投资总监如是说。
由于公开信息缺乏，AIEQ表现低迷的原因尚难准确判断。一些量化投资机构认为，从业绩表现看，AIEQ的选股偏激进，进攻性很强，但是净值回撤也很凶。
但也有人认为，或许管理人自己也未必能完全了解清楚其中的原因。人工智能投资有所谓的“黑箱问题”，投资模型依赖复杂算法支撑的深度机器学习，这导致“投资模型的投资过程经常缺乏可解释性”。
公开资料显示，AIEQ（全称为AI Powered Equity ETF，人工智能驱动的股票ETF），是由旧金山的一家创业公司发起，并和一家ETF基金公司合作设立的上市型交易基金。
该基金号称运用人工智能来进行股票选择，“追求以同等的风险波动水平，提供超出美国股市基准指数的投资结果。”该基金日常监控数以千计的美国上市公司，但通常只投资40至70只股票。这个组合分散水平和日常的主动型股票基金相近。
在争议声中发展
在AIEQ上市前，海内外投资机构争先恐后布局人工智能投资的竞赛已经展开。从研发到交易、从战略合作到组织架构调整，大型机构拉开架势卯足劲要争抢AI投资的高地。
海外最大的指数化基金公司之一贝莱德今年3月末对外宣布调整公司架构，裁撤包括7名投资经理在内的100名主动型基金部门员工，并调整300亿美元资产的管理体系，其中有近60亿美元将由量化基金接管。其公司CEO在文中称，传统的股票投资方法正被技术和数据科学的巨大进步所改变。这是该公司作出调整的重要原因。
此外，诸如SAC、Two Sigma、Citadel、DE Shaw等知名对冲基金机构，也先后有尝试在投资中应用人工智能算法，或是设置专门研发团队进行AI研究的消息传出。
国内最大的两家基金公司华夏基金和天弘基金，也于今年先后宣布了在人工智能方面的战略型研发计划和组织架构安排。包括嘉实基金、国金基金等机构也积极跟上，陆续有在这方面探索研究的信息传出。
但另一方面，业界对于AI投资的应用前景、研发方向及资管公司架构调整的原因也一直有争论和猜测。
有机构认为，海外对冲基金目前的一些“尝试”只能看作是量化投资的衍生范畴，其至多应用了一些人工智能的算法技术，距离真正的“AI投资”还有很远的距离。
也有分析人士认为，海外一些资管机构调整架构、裁撤主动型基金经理的主要动力是削减成本，呼应指数基金的发展态势。而对外宣布研发计划，则或许带有一定的宣传推广考虑。
高毅资产的投资总监邓晓峰在一次演讲中也提及：“人工智能投资现在还处于很早期的阶段，还是一个专家系统，无法解决没有明确规则的问题。”这个观点代表了相当多数投资经理和学者的看法。
AI投资难在何处？
同样是利用计算机系统进行投资，量化投资的技术在十多年前就已经进入实战，但是AI投资似乎目前还在争议中，这其中原因在哪里？
量化机构君耀投资的总经理沈贤能认为，应用于投资的人工智能必须要具备包括“感知、认知、推理、学习和执行”等智能化特征，但要建立一个真正如“人工”一般“智能”的投资并不容易。
“具体来说，人工智能在投资中的应用要跨越两大步。其一是应用海量的市场数据对模型进行训练，逐步形成有胜率的算法模型。其二是把算法模型应用于具体场景，比如在资本市场中进行实战投资。”沈贤能说，但这两者都是有相当难度的。
他举了人工智能软件“AlphaGo”在围棋领域的处理方式的例子。如果仅仅用“穷举法”来处理数据，那么，围棋的运算量将达到3的361次方，这大概比宇宙间所有原子的数量还要多。
因此，AlphaGo的安排是，通过建立一个专家模型（落子预测器）来去掉“臭棋”步骤，降低数据搜索广度，再建立另一个专家模型（棋盘价值评估器）来降低数据处理深度，使得程序的运行具有现实性。
但在投资市场，市场数据的规模远胜于围棋。同时，面对复杂多变的市场价格影响因素，要构建准确判断投资胜率的专家模型也无法一蹴而就。至于进入实战，从AIEQ的情况看，短期内似乎条件还不具备。
沈贤能认为，人工智能在投资中的应用最终取决于三个行业驱动力：数据量、运算力和算法模型。只有这三个方面都突破了，AI投资才能真正应用到市场中去。这也是当下，量化机构们正着重发力的方面。
还有投资经理认为，人工智能领域涌现的多种算法，使得计算机在解决很多复杂问题上有了巨大的突破，诸如面部识别、语音识别等技术都已经相对成熟。但即便如此，上述算法支撑的机器学习能否真正刻画并掌握投资市场运行的“奥秘”，依然是未知数。尤其是，或许市场运行根本就没有长期有效的规律和方法存在。
分步走——AI投资的现实选择
那么，在AI投资进入实战仍有距离时，AI投资技术的应用就毫无机会了么？
部分机构认为，AI投资可以尝试分步骤地应用于投资领域。
垒土投资的沈天瑞认为，人工智能要完全胜任投资，目前最需要克服的问题，是人工智能在深度学习市场数据时陷入所谓的“黑箱”问题。比如，海量数据训练时可能产生超多的特征维度；模型预测结果不正确时很难进行诊断；可能存在过度拟合的倾向；金融数据中含有大量噪音，若将机器算法简单应用于不规律、非客观的数据效果堪忧等等。
他认为，把AI技术分步骤的应用于投资领域，目前较具现实性。
比如，首先从投资中重复性的工作环节入手帮助提高效率，着重在采集清洗数据、分析处理非结构化扩展数据（例如社交、电商信息等）、处理提炼公司和行业数据、调研数据、舆情监控等领域。这些环节中运用的技术是目前比较成熟的诸如知识图谱、自然语言处理、聚类等标准化工具。
再往后，在具备足够数据的基础上，可以尝试进行研究端的简单判断，比如通过对海量卫星照片的扫描，分析某些产业的繁荣状况、储备情况等，尝试进行信息挖掘。这中间可能涉及利用贝叶斯网络技术进行事件推测、用神经网络技术处理时间序列数据、用聚类技术进行模式识别等。
而在交易执行端，通过执行一些算法也能达到部分人工智能技术的应用。这样在数据端、研究端、执行端分别执行局部的人工智能技术，仍然能够为投资提供很好的支持。而这也是不少海内外资管机构正在着力突破的环节。
德克萨斯大学教授尼尔逊曾总结，人工智能是关于怎样表示知识、怎样获得知识并使用知识的科学。在深不可测的市场知识面前，人类如果加上了同样深不可测的人工智能做工具，前景究竟如何，尚需时间给出答案。
