2010 年代左右人類迎來第三波人工智慧浪潮，這波浪潮主要是以機器學習（Machine Learning）演算法為基礎，讓電腦透過大量數據資料進行學習，得以在各領域中對問題做出良好判斷。
由於一些突破性的理論與技術進展，機器學習演算法開始在很多方面有了極大的創新潛力，圖像與語音辨識、自動駕駛與機械控制。然而，這波浪潮很快遇到瓶頸，在某些領域並沒有像他的定義描述的那樣表現傑出。
如果你本身是資訊專業、人工智慧專業的朋友，我希望你先不要緊張，雖然我似乎現在對人工智慧應用於金融交易方面持保守的立場，但我今天願意拿出來談，就代表我看到了一條可行的道路與解決方法，我自己的原則是這樣：我沒有找到答案，我不會講出問題。
我們想像中的人工智慧可能是這樣：電腦在龐大資料記憶下，推敲出問題的答案，這種思維模式我們暫且稱作 演繹歸納，而人類不如電腦的原因，你可能以為是我們沒有強大的記憶力、沒有快速的推理能力。
事實並非如此，機器學習其實擁有一套不同於人類的學習方式，叫做 試誤法，電腦會先隨意丟出答案，看需不需要修正以及修正的幅度要多少。如果不符合，他就調整內在的計算邏輯，再丟出一個答案來與答案匹配，而人類可能不知道電腦的邏輯意味著什麼。
我不是說人類沒有透過試誤法學習的方式，而是對我們人來說，我們運用試誤法的範圍主要是在兩個方面，一面是較低的感官與反應，一面是在較高的複雜行為，但是要連結這兩方面從試誤法中帶來的經驗，需要活用對應的知識。
而 試誤法 和 演繹歸納 的最大差別，就是電腦可以快速地知道問題的答案，卻無法解釋答案為何是如此，電腦能連結低層次的感官反應與高層次的複雜行為，但是他卻不能自行解釋他是如何連結這兩者，機器從中積累了什麼樣的知識或觀念，需要人為從人工智慧的演算法中去識別，去完整的說明。
如今 2020 年，人工智慧得以戰勝的數個領域之中，往往也是學者專家能系統地闡釋電腦邏輯背後的含義，而不能解釋的，通常表現就不如預期。例如一個能辨識汽車的演算法，我們能發現電腦已經看到了輪子、車窗與四個門。而要演算法解釋為什麼買蘋果而不是亞馬遜的股票，卻相對比較不容易去解釋電腦是怎麼解讀財務報表。
當人工智慧的演算法難以說明他的行為表現時，對於這些技術的「父母」—也就是學者專家、應用領域的工程師來說，將會無可避免地帶來一種危險的傾向，就是這些父母也無法講清楚他們的孩子好在哪裡、壞在哪裡。
NIPS是一個關於機器學習的頂尖國際級會議，其中有一個獎項就叫做時間考驗獎（Test-of-Time Award），專門頒給發表過經過十年以上考驗的傑出論文的作者，而這類的學者專家之所以能通過十年以上的考驗，絕對不只是革新一項演算法或技術，而是在思維上對人類有所貢獻。
NIPS 的時間考驗獎得主—阿里．拉希米（Ali Rahimi），同時是 Google 的人工智慧研究員，在 2017 年終於忍無可忍地出來對整個人工智慧領域進行抨擊。由於機器學習演算法是建立在試誤法的前提，對於整個研究與從業人員帶來了一個危險的行事風格。
拉希米認為，機器學習演算法已經上升到一種「鍊金術」的形式，專家學者越來越不懂得如何解釋一個演算法有效，而其他的沒有用處，由於試誤法的先天限制，難以在人工智慧上建立嚴格的品質標準。
拉希米也談到，專家逐漸以 廚房水槽法（kitchen sink）進行研究，也就是把所有東西丟到廚房水槽，再一步步把不用的東西拿出來，結果就是，多數人喜歡把大批資料或想法塞到機器學習演算法中，再透過試誤法慢慢去除、過濾掉貌似不相關的內容，最後剩下的似乎就會是合理的答案。
這和中古世紀歐洲、鍊金術盛行的時代，人們相信「銅片真的能變成黃金」又有何不同呢？拉希米特別警告，如果專家們不去深入掌握人工智慧的技術細節，極有可能像中世紀的鍊金術師一樣，不斷嘗試又不斷失敗，假如恰好成功，也可能不知道為何成功，無效的試誤法得到的是無法累積的經驗。
金融市場背負了一個原罪，就是相比其他領域，市場資料相對更容易得手。你不容易取得全球各地明信片售價的詳細數據，但是你很容易可以蒐集到全球匯率價格的資料，這更大大加深金融領域裡面的專家們，容易有廚房水槽式的傾向。
身為公司的技術長，我們長期有在追蹤學術領域的一些頂尖期刊文章，目的是知道整個學術圈的研究趨勢，公司內部歸納出來一個發現：幾乎在預測方法上有所貢獻的理論，在發表後一年內，往往就會有人應用於金融市場預測。
而這些應用類的文章幾乎就是用廚房水槽法來研究，作者精心挑選了某些資料與預測期間，而普通人仿造他的方法卻無法得到一樣的結果，若與他聯繫他會說因為你不夠專業，所以你在重現同樣的預測過程中，可能有技術上的缺失。
不能再現研究結果的唯一解法，就是請作者直接來協助解決問題，久而久之，大家就開始習慣一切秘密與技法都環繞在人身上，而與技術本身沒有太直接的關係。
換句話說，鍊金術如果成真，也不是法術的高超，而是這位鍊金術師的厲害，或許你會開始考慮高薪聘用這樣的人，因為對方可是一位天才。倘若有時候表現失常，那也不是人的問題，而是仍在開發的技術還處於測試版本。
這就是最讓我痛心的事，相比在黑暗中摸索的古代人，最不道德的就是在行鍊金術的這些人，而且都是受過高等教育的學者專家，他們理當認真檢視他們的研究與實驗前提，而他們都沒有做到自己的本分，辜負了科學家該警惕的行事準則。
