Transcription
Если бы я смотрел на график вашего общего потребления токенов, что бы это значило? Я предполагаю, что он восходящий, несмотря на некоторые усилия по повышению эффективности, но, скажем так, насколько крутой наклон в данный момент? Итак, с января, я думаю, потребление токенов увеличилось в 86 раз. Вау. Так что это действительно, действительно довольно невероятно. Мы не ожидали, что использование будет таким, каким оно стало. И это было повсеместно, не только в технических и смежных отделах. Мы видели, как люди из финансов, операционного отдела, отдела кадров используют рабочие процессы генетического кодирования. И как технологу, это просто очень интересно дать эту новую возможность, увидеть эту новую силу людям, которые раньше не могли ею пользоваться. Здравствуйте и добро пожаловать на очередной выпуск подкаста Odd Lots. Я Джо Вайзенталь, а я Трейси Элловей. Трейси, меня очень интересует ИИ в контексте, нет, нет, я действительно, действительно Джо, я. Это сюрприз. Меня очень интересует именно инвестиционный контекст. Я имею в виду, фактическая реализация того, как инвесторы его используют? Потому что я думаю, что это, очевидно, само по себе является невероятно важным вопросом по причинам, не требующим объяснений. Но я также думаю, что это порождает очень интересные, своего рода, головоломки о том, для чего используется технология. И я помню, когда вышел ChatGPT, люди спрашивали его, например, какую акцию мне купить? Или мы недавно делали выпуск о прогнозном рынке, и, например, одна вещь, из которой вы определенно не можете получить большой пользы, это сказать, какой контракт мне купить? Или какой будет инфляция? Так что я могу торговать этим контрактом. Так что, но это не значит, что нет интересных способов. Просто кажется, что в, знаете ли, самой грубой версии цитаты, использование ИИ для инвестирования — это, очевидно, тупик, D.O.A. Вот вопрос, который у меня есть. Знаете, мы уже проходили технологические революции в инвестировании, в частности, знаете ли, у нас были робо-советники. Это верно. Помните, у нас было систематическое инвестирование, у нас был высокочастотный трейдинг. Мой главный вопрос: насколько текущее использование ИИ является, по сути, итерацией или улучшением? Да, некоторые из этих, знаете ли, динамик машинного обучения, скажем так, по сравнению с чем-то более существенным или революционным. Это небольшая эволюция или умеренная эволюция или что-то большое? Ну, это немного обсуждалось в нашем разговоре с Аароном из Hudson River Trading. И я рад, что вы упомянули пример кванта, потому что, как бы, хорошо. Итак, как бы, большие данные в некотором смысле были частью кванта с самого начала. Как вы устанавливаете, что, цитата, акции стоимости превосходят дорогие акции. Ну, вам просто нужно много данных и компьютеров, чтобы запустить эту математику и так далее, чтобы установить этот факт. Но вот эта идея, что да, возможно, дешевые акции превосходят дорогие. Акции с импульсом превосходят акции с плохим импульсом. Вещи, которые кажутся правдой, но мы не знаем почему. И есть много разногласий относительно источника этих вещей. И это действительно заставляет меня думать об ИИ, потому что мы можем получать эти результаты от моделей ИИ, которые, очевидно, замечательны. Вы можете распознавать закономерности, да, но они не могут по-настоящему объяснить, как они пришли к этой закономерности. И меня очень интересует, куда это нас приведет в инвестировании и является ли это, хорошо, получаем ли мы эти идеи и стратегии и так далее, которые работают, но мы не можем по-настоящему сформулировать их простым языком. Я рад, что вы также упомянули данные, потому что одна вещь, которую вы слышите практически на каждой финансовой конференции сегодня, — это важность данных при работе с LMS и обеспечение того, чтобы ваши данные действительно обрабатывались. Они чистые, что их много, и что у вас есть, надеюсь, проприетарные данные. И люди, с которыми мы собираемся поговорить, на самом деле имеют много данных. Это всего лишь еще одна вещь. Это очень, я не знаю, заметили ли вы на прошлой неделе. Мы записываем это 7 июля. На прошлой неделе, пока вы были в отпуске, вышел очень интересный документ от Bridgewater, посвященный их использованию проприетарных данных для тонкой настройки версии Quinn с открытым исходным кодом, с конкретной целью выявления новостной финансовой информации, а не ее. Они обнаружили, что комбинация моделей с открытым исходным кодом и проприетарных данных дала им лучшие результаты, чем самые передовые модели США. Да, это очень интересно для меня. И, знаете, это те вещи, которые меня очень интересуют. Откуда на самом деле берется секретный соус или альфа? Полностью. Ну, да. Особенно когда у всех будет доступ к действительно, действительно умным моделям. В любом случае, хватит разговоров от нас. Я очень рад, что у нас есть идеальные гости, чтобы поговорить об этом. На самом деле понимание реализации ИИ в контексте инвестиций или управления активами, мы будем говорить с Гэри Гэри Колье, техническим директором Man Group, а также с Тушарой Фернандо, руководителем отдела данных и ИИ фирмы. Так что, как я сказал, действительно идеальные гости, Гэри и Тушар, спасибо вам обоим большое за то, что пришли к нам. Приятно быть здесь. Спасибо. Спасибо, что пригласили. Давайте начнем с Гэри или, может быть, с вас обоих, по очереди. Не могли бы вы просто дать нам очень краткое описание ваших ролей в Man Group? И что именно вы делаете? Итак, я могу начать с этого. Возможно, полезно дать немного контекста о фирме. Я описываю Man Group как активного управляющего активами полного спектра. Так что полный спектр, мы охватываем альтернативные инвестиции, мы охватываем долгосрочные инвестиции, мы охватываем публичные рынки, мы охватываем частные рынки, мы охватываем квантовые, систематические, фундаментальные дискреционные инвестиции. И у нас есть бизнес решений, который может объединить все это в индивидуальные мандаты. И что это означает с точки зрения роли технического директора, я описываю это как полный спектр, потому что для всего вышеперечисленного мы очень придирчивы к тому, как выглядит каждый компонент технологического стека, начиная с выбора серверов, сетевых устройств и заканчивая конечными пользовательскими программными продуктами, и, в конечном итоге, слева направо, мы создаем очень много собственных технологий, начиная с пользовательских потоков данных и заканчивая исследовательскими фреймворками, торговыми системами и операционной платформой среднего и бэк-офиса. Так что это очень роль полного спектра для SRE. Да. Так что с моей стороны я занимаюсь данными и ИИ. Так что это все, от рыночных данных до альтернативных данных и всего контекста и знаний, которые у нас есть, которые мы подключаем к нашим моделям ИИ. А затем с точки зрения ИИ, речь идет о том, как мы предоставляем отличные возможности, которые у нас есть сейчас, нашим квантам, нашим исследователям и нашим фундаментальным портфельным менеджерам? Да. Тушар, я хотел спросить вас об этом, потому что я думаю, что ваша должность раньше называлась руководитель отдела данных и машинного обучения, а теперь — руководитель отдела данных и ИИ. Как именно вы думаете о разнице между этими двумя терминами, машинное обучение и ИИ? Это действительно хороший вопрос. Я думаю, он связан с одним из предыдущих пунктов, который вы упомянули, о том, использовали ли мы традиционные методы машинного обучения или генеративный ИИ. И я думаю, что исторически машинное обучение и ИИ в фирме действительно заключались в использовании этих более традиционных методов машинного обучения, которые рассматривали такие вещи, как линейные регрессии. Они использовали нейронные сети, чтобы попытаться предсказать некоторую характеристику. В то время как теперь, с появлением генеративного ИИ, это больше, чем это. Речь идет о предоставлении людям возможности создавать вещи, а также об использовании этих традиционных методов. Поэтому мы изменили название должности, потому что она охватывает как аспекты генеративного ИИ, так и более традиционные методы машинного обучения. Хорошо, это имеет смысл. Итак, если бы я сегодня находился в офисе группы и взял, знаете ли, Гэри идеально изложил это, у вас много разных ролей. Итак, у вас есть дискреционные, своего рода традиционные портфельные менеджеры, а затем у вас есть более систематические кванты и все такое. Но если я буду следить за одним из ваших трейдеров или портфельных менеджеров и смотреть, что они делают на экране сегодня по сравнению с тем, что они делали на экране, скажем, в 2022 году или что-то в этом роде, что именно изменилось с использованием генеративного ИИ? Что вы делаете по-другому? Я думаю, если бы вы прошли по этажу, вы бы увидели разные окна, разные инструменты, которые используются сейчас, независимо от роли, будь то торговля, квантовые исследования или дискреционные инвестиции. И вот я разговаривал с парой дискреционных аналитиков на прошлой неделе, и они комментировали мне, что куда бы вы ни посмотрели на дискреционном этаже, у всех есть окно, ориентированное на ИИ, на своем экране. И поэтому это влияет на улучшение, своего рода, дополнение практически каждой нашей роли в фирме, конечно, и по-разному, в зависимости от роли. Но нет такой роли, на которую ИИ не влияет. Какой был бы запрос? Что они делают? Давайте возьмем, опять же, вместо того, чтобы говорить, мы будем должны присесть. Давайте скажем, я своего рода традиционный селектор акций с долгосрочным владением. Классическая вещь, которую мы часто представляем себе как управляющего активами. И это вроде как, хорошо, у меня теперь есть доступ к некоторым из самых передовых моделей в мире. Что я делаю? Что я делаю с ними? Итак, если вы подумаете о том, как это традиционно работало, они хотят просмотреть широкий спектр названий и получить доступ к как можно большему количеству данных для этих названий. Итак, они хотят смотреть отчеты о прибылях, они хотят смотреть исследования брокеров, они хотят смотреть альтернативные данные. Они хотят слушать подкасты. Но в сутках только ограниченное количество времени. Есть несколько часов в сутках и 50 названий. Как они собираются охватить их все? Как им добраться до действительно важного вывода? И то, что позволил нам ИИ, — это доступ ко всем этим различным типам данных, множеству различных модальностей, подкастам, альтернативным данным, таким вещам, как отчеты брокеров, и синтезировать их в то, что действительно имеет значение. Таким образом, портфельный менеджер может асинхронно получать эту информацию. Они могут пойти выпить кофе. Они могут вернуться на следующий день. И тогда агент фактически выделил изменение, которое произошло в Интернете. И дал им информацию, которая имеет значение для их портфеля, для их инвестиционной идеи. Так что, я бы сказал, пример может быть, недавно у нас был портфельный менеджер, который занимался торговлей ИИ, и действительно, одна из важных вещей — это где узкое место? Где здесь узкое место? Да. Трудно точно знать, где оно находится. И был подкаст от одного из руководителей инженерного отдела крупного гиперскейлера. И он сказал, что становится все более важным иметь все больше и больше GPU для обучения моделей, но центры обработки данных становятся все более дефицитными, и становится все труднее найти центры обработки данных, которые были бы достаточно большими для обучения этих моделей. Итак, что вы могли видеть, было несколько вещей, например, одна — это дефицит GPU. И другая вещь — это то, что нам, вероятно, понадобится лучшая сеть между этими крупными центрами обработки данных в будущем. И это было что-то, что пришло из подкаста от руководителя инженерного отдела. Это не тот, с кем обычно взаимодействуют, они не ходят на звонки инвесторов. Это не тот, к кому они часто имеют доступ. Но благодаря ИИ портфельный менеджер смог получить транскрипцию этого подкаста с помощью агента ИИ и синтезировать эти данные, чтобы получить лучшее представление об этой инвестиционной идее. Да, я чувствую, что подкасты — важный источник AlphaGo. Все должны слушать подкасты, знаете ли, нешуточная версия этого, которая является одной из вещей, которые люди говорят, у нас был Алекс Думус в подкасте, и он говорит, что будет дефицитным после AGI? Да. Люди, которые могут привлечь хороших гостей в свои подкасты, люди, которые могут привлечь этих людей, знаете ли, хорошо. Так что мы явно говорим о себе. Да. Хорошо, отложив это в сторону, похоже, что большая часть того, что вы делаете, когда вы описываете этот процесс, — это дополнение исследований или предоставление вашим инвесторам или менеджерам большей эффективности в их исследовательском процессе. Сегодня много говорят о генетических рабочих процессах и фактической идее, что вместо того, чтобы люди управляли каждым шагом конкретной сделки или проекта, у вас есть система, которая может, знаете ли, проводить исследования, генерировать идеи, проверять гипотезы, а затем даже выполнять их. Это то, к чему вы стремитесь, или это еще слишком далеко, чтобы вы могли даже рассматривать это? Нет, нет, это не слишком далеко. На самом деле, это то, над чем мы работаем уже довольно давно. И если мы переключим внимание на квантовые, систематические концепции, это бизнес, которым мы занимаемся. Теперь, если вы отступите и подумаете, хорошо, технологии плюс квантовые методы дают вам возможность строить систематические стратегии. Так что мы получаем, если добавим ИИ и остановим микс? Ну, у нас есть возможность систематизировать то, как мы строим систематические стратегии, для начала, и, по сути, дать большой мультипликатор силы, большой мультипликатор рычага нашим квантам, нашим исследователям. Так что мы делаем там уже больше года, на самом деле полтора года, строим систему, которая может фактически взять все эти различные части процесса квантовых исследований. Так что часть формирования идей, изучение академических статей, изучение тщательно размеченных наборов данных, рассуждение о содержании этих статей, содержании этих наборов данных, есть ли экономические гипотезы. И это может быть реальным или, по крайней мере, стоить того, чтобы протестировать, а затем иметь других агентов, которые пишут код для инкапсуляции этих идей, получают правильные рыночные данные, проводят правильные бэк-тесты и так далее, а затем дальнейшие агенты ищут, оценивают вывод предыдущего агента. Так что это, действительно одна из, это ранние идеи, которые, как мы думали, дадут нам потенциально большую отдачу. Мы работали над этим некоторое время, и, чтобы сделать это реальным, чтобы продемонстрировать, что это не просто что-то, что происходит в лаборатории, но не имеет никаких реальных практических последствий, было много, я думаю, 15, 20 моделей по последним подсчетам. Вот и все. Прошли весь путь. Они начинались как модели, которые были идеями. Я прошел весь путь. Они построили сигнал. Процесс валидации был рассмотрен и проверен человеческим инвестиционным комитетом, и такие вещи, как пригодность и надлежащее соответствие для сортировки активов наших клиентов. Ну, так что это очень реально. Это не выдумка на данный момент. Поскольку вы упомянули, что, по сути, поглощаете информацию, которая может появиться в подкасте, где кто-то определяет конкретное узкое место в своем бизнесе, мы на подкасте. Каково ваше узкое место? Чего бы вы хотели иметь больше прямо сейчас, чтобы улучшить свой процесс? Это вычислительные мощности? Это данные? Если бы вы могли щелкнуть пальцами и получить больше чего-то, что бы это было? Ну, вы всегда можете использовать больше вычислительных мощностей, и вы всегда можете использовать больше, больше данных. Но я думаю, что большая проблема здесь — это мир возможностей, который предоставляется возможностями ИИ, которые мы видим, и, конечно же, постоянно поставляется, конверт расширяется так быстро. Это, держать темп с этим с человеческой точки зрения может быть довольно сложно. Нет недостатка в хороших идеях. Фильтрация идей так же важна. Но, конечно, стены, которые мы использовали для внесения больших изменений. Mangrove. Огромный уровень, своего рода, организационных изменений, в которые нам нужно вникать, чтобы все это внедрить. Я думаю, это узкое место, убедиться, потому что мы регулируемый бизнес, у нас есть фидуциарная обязанность. Нам нужно убедиться, что то, что мы делаем, то, что мы внедряем, делается с минимальным риском. И есть много работы в этой области, на которую, я думаю, индустрия еще не имеет ответов. Я имею в виду, оценки, тестирование результатов процессов ИИ, хорошие, надлежащие, это быстро расширяющаяся, продажи, размышления о том, как мы безопасно и контролируемо управляем агентами по всему бизнесу. Да, мы все, я уверен, видели и улыбались. Ну, я удалил свой почтовый ящик или удалил все свои фотографии, и я не могу их вернуть. Мы не можем позволить себе, чтобы такое происходило на корпоративном уровне. Так что это, убедиться, что мы можем двигаться быстро, но безопасно, я думаю, это, это, узкое место, если хотите. Да, это имеет смысл. Давайте перейдем к паре деталей, и я хочу вернуться к тому, как вы двигаетесь вперед безопасно. Но вы оба упомянули фильтрацию, и это именно то, что я упомянул во вступлении. Был документ от Bridgewater о тонкой настройке версии Quinn на их собственных данных именно для лучшей фильтрации. Так что портфельные менеджеры могли бы просто более эффективно использовать свое время, чтобы видеть, какой сигнал, какой сигнал. Как вы это строите? Это готовое решение? Как, какая технология, модель и т. д., которые вам нужно, как этот конвейер приема? Из чего он состоит? Да, я могу сказать это. Итак, я думаю, что для нас это действительно зависит от типа данных, которых у нас в целом три типа. Первый — это рыночные данные, которые часто являются очень структурированными данными. Такие вещи, как аудиокниги, мы получаем каждый тикер с большинства бирж, почти терабайт данных только из тикеров в день. А затем у нас есть альтернативные серверные и неструктурированные данные, которые гораздо более грязные, они гораздо более искажены, и на самом деле речь идет о том, как мы структурируем данные, как мы их тегируем, как мы их связываем друг с другом. Каков слой знаний поверх этого? Как вы думаете о связи между тикерами и секторами и компаниями? Как вы фактически исследуете эти данные таким образом, чтобы это было единообразно? Каков общий язык между всеми этими наборами данных? А затем последняя часть — это действительно что-то новое. Это, институциональные знания. Это весь контекст. И это становится новым слоем в нашей архитектуре данных. Как мы рассказываем ИИ о наших процессах? Как мы заставляем его говорить, мигрировать? Как мы говорим ему правильный способ проведения бэк-теста. Так что это действительно три области, на которых мы сосредоточены, просто развивая эту точку дальше, как все это имеет для меня большой смысл. И особенно, знаете ли, последние два — это большие проблемы. И мы знаем, что генеративный ИИ в частности решает многие проблемы неструктурированных данных. Вы можете получить много сигнала из, знаете ли. Да, куча текста, сваленного в файл. Но что вы строите? Как это работает? И, знаете ли, вам нужно, можете ли вы использовать готовые передовые модели. Лучшие ли они для этой работы? Вы делаете свою собственную внутреннюю тонкую настройку моделей с открытым исходным кодом, как сегодня? Каков лучший технологический стек для этой части процесса? Итак, мы исторически рассматривали тонкую настройку для нескольких случаев, но где мы видим наибольшую отдачу на данный момент, это правильное тегирование и структурирование данных. Так что предварительная обработка того, что мы нашли, это то, что если вы возьмете набор данных, например, данные кредитных карт, я могу посмотреть на него, я вижу столбцы, я вижу строки, но он не понимает его нюансов. Он не понимает, что это такое. Поэтому нам приходится инвестировать в добавление дополнительного цвета, дополнительных метаданных к этой информации. Мы хотим иметь дескрипторы, чтобы рассказать ему нюансы. Мы говорим такие вещи, как когда вы смотрите на этот набор данных, каждая строка на самом деле означает, что человек вошел в магазин и купил что-то, и вы говорите это ИИ простым языком, вы даете ему эти дескрипторы. Да, и вы делаете это для всех своих наборов данных. А затем вторая часть — это то, как вы связываете множество наборов данных. Они используют очень разный язык. Они используют очень разную семантику. Поэтому инвестирование в общий язык, общий семантический слой или общий способ делать вещи — это то, что нам пришлось сделать, чтобы мы тегировали все столбцы этим унифицированным языком, чтобы ИИ мог связывать разные наборы данных, потому что это действительно важная вещь в генерации идей, что знает ИИ в одном наборе данных связан с набором данных в поле другого набора данных, он может быстро перемещаться между тикерами и секторами для макроэкономического понимания. Что вы думаете, важнее всего? Наличие последней передовой модели или прекрасный набор структурированных, тегированных и размеченных данных. Да, я бы сказал, что это зависит от задачи, которую вы пытаетесь выполнить. Если вы смотрите на задачу кодирования, вам действительно нужны последние передовые модели. Но для задачи квантовых исследований, я думаю, поиск базовых данных — это то, что питает исследования альфы. Простое использование передовой модели ни к чему вас не приведет. Так что это то, что возникает во многих наших вопросах по развертыванию ИИ. И я не знаю, может быть, вы оба можете ответить на это, но у вас есть все эти разные команды, и я предполагаю, что все хотят, включая людей, которые мало знают об ИИ, интуитивно думают, о, я хочу самую сильную версию модели. Я хочу Opus 4.8, я хочу Fable, что угодно. И для, и я предполагаю, что да, для глубоких вычислительных задач или решения инженерных проблем. Кодовых проблем. Да, вероятно, они лучшие. Но есть, вероятно, много людей, которым это совсем не нужно. Как вы думаете о вопросе внутреннего предоставления потребления токенов и не тратить деньги, заставляя людей использовать самые передовые модели, но при этом давая людям достаточно пространства для исследования и выяснения того, какова максимальная потенциальная ценность, которую они могут получить от, я полагаю, экономической стороны вопроса, это интересный вопрос. Это важный вопрос. Что мы сделали, так это, к концу прошлого года, когда мы знали, что рост, вероятно, ускорится быстрыми темпами, мы, как модели, думали, как компания начнет выглядеть с точки зрения различных классификаций пользователей с различными вариантами использования, пришли к определенным бюджетам. А затем в этом году мы распределили данные по всем бизнес-подразделениям фирмы и являемся твердыми сторонниками передачи принятия решений тем, кто находится на самом низком возможном уровне, чтобы позволить людям быть гибкими и использовать экономику, которая работает для них и их отделов. И, конечно, бюджеты взаимозаменяемы. Если отделы хотят перевести деньги из других расходов и сказать, хорошо, я думаю, нам следует купить больше токенов, и они свободны делать это. И платформа, которую мы построили, платформа ИИ, имеет очень богатый набор, не на 100% полный, но очень, очень богатый набор моделей, из которых можно выбирать, включая все основные передовые модели и ряд различных моделей с открытым исходным кодом. Строите ли вы модель, которая направляет запросы к оптимальной, своего рода, экономически эффективной модели? Я знаю, что к этому большой интерес. Своего рода классификаторы, и у больших ИИ-лабораторий они есть сами, но классификаторы, которые направляют запросы, это то, что у вас есть в штате, или как вы решаете эту проблему? Мы могли бы это сделать. Мы решили этого не делать. Я думаю, причина в том, что мы хотим, чтобы люди понимали динамику того, как лучше всего использовать ИИ, и какие модели использовать. Хорошо, поэтому вместо этого мы опирались на образование. У нас есть очень богатый набор данных о том, как люди используют ИИ. Так что у нас есть отличное представление. И некоторые из вещей, которые мы видели, были просто довольно простыми ошибками. Так часто люди выполняли несколько задач в одном и том же контекстном окне. Они пытались выяснить лучший способ написать инвестиционную идею, и они пытались выяснить, куда пойти на обед. А затем они просили Fable, какая будет погода завтра. Да, именно так. И это, я бы сказал, хорошо известная проблема, если вы находитесь в гуще ИИ, но у нас в Man Group 17, 1800 человек, и техническое понимание того, как все работает на фундаментальном уровне, разнообразно. Поэтому мы действительно сосредоточились на образовании. Мы были очень прозрачны в отношении бюджетов, которые есть у людей, и того, как они были потрачены. И мы говорим им о различных классах моделей. И именно благодаря этому мы видим лучшие результаты. И мы фактически видели, как люди находили довольно креативные способы сократить расходы на токены и вносить их обратно на платформу в результате этого. Расскажите подробнее об этом. Да. Например, если вы используете движок кодирования и хотите выполнить некоторые базовые команды git для взаимодействия с системой контроля версий, часто агент кодирования отправляет команду, он обрабатывает весь результат, который приходит от этой команды, как токены. Вместо этого есть некоторые действительно простые инструменты, некоторые простые базовые шаги, которые вы могли бы использовать, которые вместо вызова LLN для выполнения вывода и вызовов инструментов, могут просто перехватить этот вызов инструмента и выполнить его вне цикла агента. Если бы я смотрел на график вашего общего потребления токенов, что бы это значило? Я предполагаю, что он восходящий. Несмотря на некоторые усилия по повышению эффективности, но, скажем так, насколько крутой наклон в данный момент? Итак, с января, я думаю, потребление токенов увеличилось в 86 раз. Вау. Так что это действительно, действительно довольно, довольно невероятно. Мы не ожидали, что использование будет таким, каким оно стало, и это было повсеместно, не только в технических и смежных отделах. Мы видели, как люди из финансов, операционного отдела, отдела кадров используют рабочие процессы генетического кодирования. И как технологу, это просто очень интересно дать эту новую возможность, увидеть эту новую силу. Да, людям, которые раньше не могли ею пользоваться. Ну, это на самом деле хороший вопрос, о котором я думал. И это определенно кажется, что декабрь и январь были очень поворотным периодом. И с вашей точки зрения, этот резкий переломный момент, насколько он был обусловлен возможностями самих моделей, будь то переход от Opus 4.7 или 4.5 к 4.6 и далее, или этим своего рода открытием очень высококачественных оболочек, таких как clawed code или co-work или что-то еще, я думаю, что это называется. Что действительно позволяет кому-то делать с ИИ то, что выходит за рамки простого задавания вопросов, и фактически манипулировать реальной работой, что модель или оболочка, что вы считаете ключевым драйвером этого огромного ускорения? Я думаю, что эти два понятия связаны. Я думаю, что одним из интересных ориентиров для этого является бенчмарк под названием Meta. И то, что он пытается сделать, это посмотреть на задачи, которые люди выполняют в течение разных периодов времени, от нескольких минут до многих часов. И мы видим, что каждые семь месяцев количество времени, которое генетический рабочий процесс может выполнять задачу, удваивается. Так что теперь вы можете попросить агента выполнить задачу, которая займет у человека 16 часов. И это меняет то, как вы думаете о командах. Это меняет то, как вы думаете о взаимодействии с этими агентами. Так что вы переходите от места, где вы находитесь в цикле. Вы просите агента решить проблему, например, написать модульный тест, к проблеме, например, создать всю функцию приложения или все приложение в целом. Так что я думаю, что именно масштабируемость, которая позволила выполнять более крупные задачи, привела к большему потреблению токенов. Я хочу вернуться к, я полагаю, вопросу надзора. И мы все знаем, что финансы — это высокорегулируемая среда. И вы касались этого раньше, но вы все еще утверждаете многие из этих выходных данных моделей, с помощью людей. Так что там есть некоторый надзор. И я бы предположил, что когда вы утверждаете, если человек утверждает новую модель или выходные данные, он должен понимать, что на самом деле выходит из нее. Правильно? Должна быть какая-то объяснимость. Если я портфельный менеджер или, я не знаю, квант, сидящий перед комитетом по управлению рисками или регулятором, как выглядит объяснимость, и как я перевожу выходные данные модели во что-то понятное и, я полагаю, обоснованное? Да, вы правы, объяснимость очень важна для нас. И, честно говоря, тот бизнес, которым мы занимаемся, — это не бизнес высокочастотного трейдинга, где люди строят огромные нейронные сети и смотрят через многомерные пространства, и выходные данные, которые не являются ИИ, все это не подлежит обслуживанию. Мы не в этой сфере. Я имею в виду, наши торговые и удерживающие периоды обычно составляют от дней до недель до месяцев. Поэтому все наши торговые решения в конечном итоге объяснимы. Мы никогда не хотим оказаться в положении, когда мы не знаем, почему произошла эта сделка. ИИ сделал это. И возвращаясь к некоторым вещам, которые мы обсуждали ранее, возьмем пример модели, ИИ, придумывающего совершенно новые торговые гипотезы на основе того, что он видел в данных, что он говорит в академической статье. И модель зайдет так далеко, система, агент зайдет так далеко, как, например, назвать и написать инвестиционную гипотезу. Так что одно из первых, что она делает, прежде чем перейти к написанию кода, это дает нам реальное описание на английском языке того, что, по ее мнению, является обоснованием для торгового сигнала. Мне интересно. Очевидно, мы еще даже не дошли до вопроса о том, каково будущее труда и людей в цикле. И сколько людей в цикле нам понадобится в будущем? Но одна вещь, которая меня интересует, есть способ задать этот вопрос по-другому. Позволил ли ИИ вам взглянуть на рынки, на которые у вас раньше не было бы времени? Например, возьмем, скажем, Эфиопскую фондовую биржу или что-то в этом роде. Требуется определенное количество человеческого труда, чтобы получить хоть какое-то знакомство с ней. Отбросив все остальное, и независимо от того, сколько потенциальной прибыли есть, знаете ли, это пограничный рынок. Есть минимум, который будет стоить, и это может потребовать некоторых инвестиций. Возможности вне игры, потому что потенциальная прибыль недостаточно велика, чтобы оправдать затраты на освоение. Мне кажется, что это то, с чем я могу помочь или решить, создавая новый набор возможностей, сокращая некоторые первоначальные затраты на человеческий труд. Это то, о чем вы думаете или видели конкретно до сих пор в Man Group? Я думаю, что это, вероятно, происходит постепенно, на периферии. Если мы начнем суммировать все различные, своего рода, микро-дополнения, которые мы видим по всей фирме. Например, хорошо, как связанный пример, кто-то построил, скажем, относительно простую систему ИИ для извлечения данных из сложных инструментов. PDF-спецификации и автоматического заполнения хранилища справочных данных. Так что да, я думаю, это абсолютно происходит, но это сумма множества различных частей по всей фирме. Я думаю, что мы также видим, что в систематическом пространстве есть несколько предпосылок для создания систематической стратегии. Вам нужно иметь некоторую связь для торговли инструментом, и вам нужно понимать, какова цена рынка. Это две фундаментальные вещи. И поэтому развитые рынки, это очень легко. Вы смотрите на книгу ордеров. Но для менее развитых рынков, таких как криптовалюты или секьюритизированный кредит, к ним часто труднее подключиться, они, возможно, торгуются более устно, или контракты сложны, и трудно понять цену, где есть эти неструктурированные нюансы данных и вывод этой цены. Мы видели, что ИИ позволяет нам думать о доступе к этому рынку систематическим образом раньше, чем мы могли раньше, просто возвращаясь к стороне рынка труда, как, знаете ли, если я портфельный менеджер в Man Group, и все больше и больше моей работы заключается в использовании ИИ для исследований или даже, по сути, надзоре за агентами, которые, я, возможно, помог разработать. Что это значит для того, что вы ищете с точки зрения талантов? Вы ищете инженеров, которые могут настраивать эти модели? Вы ищете более традиционных инвесторов, которые, я полагаю, имеют более сильную интуицию о том, как все это может разыграться, или какую-то комбинацию характеристик? Что вы ищете сейчас? Я думаю, очень справедливо сказать, и это то, за что я активно выступаю, что каждый, кого мы нанимаем сейчас в фирму, должен повысить планку в отношении ИИ, независимо от роли, которую они занимают. И я думаю, что это относится как к операционному отделу, так и к фронт-офису. Что это значит? Так, что, как кто-то вроде, хорошо, я способен повысить планку в отношении ИИ. Как это больше говорит о? При найме, как выглядит этот человек? Это означает быть настолько знакомым с технологией, насколько это разумно ожидать от человека, учитывая обилие информации, которая существует. Когда я нанимаю людей, какие люди мне нужны? Мне нужны умные люди. Мне не нужны люди, которые мотивированы добиваться результатов и увлечены предметом своей области экспертизы. И я думаю, что очень трудно выполнить все эти критерии сегодня и сказать, ну, знаете ли, я об этом мало знаю. Я на самом деле не использую это в своей работе. Да. Я думаю, что другая часть, на которую вы опираетесь, — это кто-то, кто мыслит более долгосрочно, кто-то, кто действительно хочет автоматизировать процесс от начала до конца, они рады не быть в мелочах. И когда вы думаете о технологах, это на самом деле довольно сложно. Люди любят быть в мелочах. Они любят отлаживать проблемы, вникать в детали, но на самом деле фундаментально вы хотите повысить уровень. Вы хотите быть своего рода дирижером этих агентов. Вы хотите управлять всем процессом, а не обязательно быть в мелочах. Почти как менеджер, обладающий большим техническим опытом. Так что кто-то, кто мыслит более широкими стратегическими категориями, гораздо более ценен, чем раньше. Так что это приводит к другому вопросу, который я хотел задать, это то, что вы могли видеть появление инструментов ИИ, порождающих два разных исхода: одни люди, которые просто очень, очень хороши в использовании ИИ, и они становятся суперзвездами и оркестраторами множества различных агентов, как вы сказали. Или может быть этот своего рода демократизирующий эффект, где, возможно, вы младший сотрудник с меньшим опытом, но теперь вы можете автоматизировать кучу задач, вы можете учиться у ИИ, вы можете использовать его для исследований и тому подобного. Что вы видите больше всего сейчас? Динамику суперзвезды или демократизацию наборов навыков по всей Man Group? Я думаю, мы видим и то, и другое, честно говоря, и то, и другое. Учитывая размер песка, я бы сказал, больше последнего. И, как я сказал в начале беседы, почти все используют это ежедневно. Но есть примеры, своего рода, огромные, настоящие, на переднем крае мышления. Я думаю, естественно, больше, правда. Но есть довольно много из них, даже говоря, что они часто пересекаются с несколькими командами. И это трудно, потому что вам нужно перейти из пространства, где вы проводите большую часть своего времени, выполняя задачи, в пространство, где вы проводите большую часть своего времени, планируя. Время выполнения задач просто сокращается, сокращается. Становится все дешевле и дешевле делать это. Вы можете создавать код, вы можете создавать функции очень быстро. Поэтому основное внимание должно быть уделено тому, что мы должны создавать, как это связано друг с другом, и каков процесс, который мы хотим разработать для нескольких команд. И иногда очень трудно вывести людей из моря и заставить их сотрудничать. И планировать рабочий процесс, а не просто идти и пытаться создать концепцию и реализовать идею. Давайте поговорим больше об увеличении расходов на токены на 86%. Если бы мы разговаривали в феврале или январе, большая часть разговоров была бы о том, как это повлияет на устаревшие программные компании, потому что именно тогда большая распродажа программного обеспечения была действительно очень интенсивной. Но я чувствую, что этот разговор в июле становится таким: нет, эти компании не идут за миром программного обеспечения. Они идут за миром труда. И вы видите много таких разговоров, как люди говорят о соотношении расходов на токены к зарплатам сотрудников и так далее, и что это TAM, что это весь человеческий труд. И, возможно, мы не доберемся до этого в течение некоторого времени. Я надеюсь, что нет. Но, как вы думаете, расходы на токены — это часть вашего бюджета на технологии, или это действительно отдельная статья расходов, которая более сопоставима с трудовыми затратами? И когда вы думаете о Man Group в 2027, 2028 годах, вы говорите об ожидаемых соотношениях зарплат к расходам на токены? Нет, мы, честно говоря, даже не начали этот разговор. Да. Я думаю, что в какой-то момент это произойдет, и компании устроены таким образом, что мы хотим направлять ресурсы туда, где они приносят нам наилучшие экономические результаты. Так что я уверен, что это время придет. Одна из интересных вещей в процессе бюджетирования токенов, я думаю, заключается в том, что мы все чаще видим, что расходы фактически осуществляются не людьми, а агентами, а агенты связаны с рабочими процессами. И кто владеет рабочими процессами? Это этот отдел? Это тот отдел? И это новая проблема для нас, которую мы еще не решили. Но это отличная проблема, которую нужно решить. Одна вещь, о которой я думал. Вы знаете, я раньше упоминал параллель с машинным обучением, я полагаю. И я знаю, что вы не занимаетесь высокочастотным трейдингом, но мы определенно видели динамику в HFT, где все конкурируют. И это своего рода гонка на дно, где я даже не помню, где мы находимся в плане, скажем так, микрометров. Да, в плане секундных или временных интервалов, но это своего рода динамика гонки на дно. Ожидаете ли вы, что альфа, управляемая ИИ, будет быстро конкурировать или арбитражироваться, поскольку все, кажется, идут на одну и ту же bandwagon? Или есть определенные преимущества? Вы упомянули данные, например, масштаб, который, как вы ожидаете, сохранится на некоторое время. Да, я бы сказал, что это возвращается к вашему вопросу о том, где находится альфа. И правда в том, что людям легче загружать наборы данных, анализировать их и создавать функции, но это не значит, что они могут торговать ими. Мы занимаемся этим уже 20 лет, так что. У нас есть возможности для фактического доступа к этим рынкам. У нас есть отношения с брокерами. У нас есть доступ к данным, которые не просто доступны готовыми. Так что это объединение всего этого, объединение этого опыта, доступа к рынкам, всех данных, которые у нас есть, богатых рыночных данных, а затем предоставление ИИ доступа к таким возможностям, как бэк-тестинг, вычисления, это вся сеть, вся эта экосистема, которая вместе, я думаю, движет альфой. Есть один репозиторий кода в моей группе, на который я могу указать. Вот почему альфа — это действительно эта сеть различных систем, которые взаимодействуют друг с другом. Так что я думаю, что определенные характеристики наборов данных станут стандартными. Они перестанут быть альфой и станут фактором риска. Но потому, что они есть у всех, и это движет рынок. Но это не единственный способ, которым мы зарабатываем деньги. Мы можем связывать различные наборы данных, различные способы делать вещи вместе, а затем фактически торговать на этих сигналах. Гэри, я хочу вернуться к тому, что вы сказали раньше, когда мы говорили о узких местах, и это вроде как, о, конечно, все хотят больше данных. Все хотят больше вычислительных мощностей. Никто не будет жаловаться на эти вещи. Но где реальность, так это, есть ли у организации возможность, возможно, с культурной точки зрения, с точки зрения иерархии, на самом деле получить максимальную пользу от этих инструментов? И это, очевидно, очень горячая область. И поэтому, например, только на прошлой неделе Microsoft анонсировала новую вещь, которую они называют Frontier Company, которая, по сути, является новым, своего рода, подразделением, которое, кажется, хочет специально решить эту проблему, войти в организацию и выяснить эту оптимальную структуру. И, возможно, это даже то, что пытается сделать такая компания, как Palantir, которая, знаете ли, инженеры, развернутые на передовой, мы знаем о Клоде, отправляющем или Anthropic, отправляющем инженеров в Goldman Sachs, чтобы действительно использовать. Я ненавижу использовать это слово, потому что это так клише, но да, использовать эти инструменты. Что конкретно вы видите происходящим на этом фронте? Приходят ли к вам сторонние компании и говорят, например, посмотрите, мы можем работать с вами, чтобы найти организационную структуру будущего для Man Group, такую, чтобы она получала максимальную пользу от этих инструментов в течение длительного времени. Да, я действительно улыбнулся, когда вы упомянули многомиллиардное подразделение развернутых инженеров, отчасти потому, что, я имею в виду, именно так мы были организованы внутри здесь около, я думаю, 15 лет, говоря, что мы очень привержены платформам, и у нас есть куча команд. И Тушар руководит одной из них, которая создает эти большие сквозные элементы платформенных технологий, в его случае, платформу данных и ИИ. Но большая часть технической команды уже около десяти с половиной лет является инженерами, развернутыми на передовой, сидящими с нашими квантами, сидящими с нашими дискреционными менеджерами. И одна из моих шуток часто, когда я беру интервью у людей, чтобы они присоединились к команде, это вроде как, хорошо, давайте пройдемся по этажу здесь, и мы будем в доме. И я хочу, чтобы вы сказали мне, кто инженеры, а кто кванты, и я уверен, что вы ошибетесь, потому что вы увидите много всего на этом экране. И это верно сегодня, как и десять лет назад. Я думаю, это последний вопрос, но еще одна вещь, которая меня интересует в инвестиционном контексте, мы знаем, что ИИ работает, когда есть большой пул данных, а затем он может извлекать неструктурированные данные, структурированные данные и так далее, и общаться между ними в такой организации, как Man Group. Есть ли какие-либо проблемы с согласованием, когда, если у меня есть предметная экспертиза, генерирует ли это альфу? Возможно, поэтому у меня есть место в организации, или я могу быть дождевым человеком. Вы слышите это во всех видах фирм, где компенсация связана с глубокой экспертизой кого-то в какой-то области. Думаете ли вы о согласованности, чтобы фирма, франшиза Man Group фактически захватывала часть экспертизы и данных суперзвезды? Как вы заставляете их, я полагаю, вносить как можно больше информации в эту вещь, которая требует много данных и информации. Я думаю, что в некоторых областях это все еще немного незавершенная работа, а в других, особенно в систематических, квантовых областях бизнеса, этот высоко коллаборативный подход и общая кодовая база, поскольку это просто способ работы этих областей уже давно. Я не говорю, что вы проходите по дискреционной части этажа, и все фундаментальные инвесторы будут, знаете ли, довольно свободны и открыты. Я говорил с кучей из них об их процессах, и, знаете ли, открыты на 90%. Но есть 10%. Ну, знаете ли, здесь лежит моя личная ценность. Я не очень комфортно говорю об этом. Но даже при этом есть очень достойный и искренний ответ для сотрудничества. И это только когда вы доходите до действительно, чувствительных областей, люди могут быть немного более неохотными говорить. Да. Я думаю, на высоком уровне, есть огромное количество общих рабочих процессов. Если вы думаете о том, как мы делаем бэк-тесты, как вы читаете инвестиционный отчет, это все рабочие процессы, которые, экспертиза людей, но не обязательно 10%. Что приносит прибыль. Так что эти области инкапсулированы в playbook ИИ, навыки ИИ, которые мы помещаем в нашу платформу знаний. И они могут использоваться по всему этажу. В то время как некоторые детали того, как работает стратегия и инвестиционная идея, в некоторых случаях несколько скрыты. Это имеет смысл. Хорошо, Гэри, Тушар, большое спасибо, что пришли на Odd Lots. Я очень ценю, что вы уделили время и поговорили о том, где вы находитесь. Спасибо. С удовольствием. Большое спасибо. Знаете, что было действительно интересно в этом разговоре? Частично я подумал: еще так много всего предстоит выяснить. Правильно? Я имею в виду, просто базовый бюджет токенов, как распределяются вещи, это 86-кратный рост с января — это довольно безумно. Ну, это другое, о чем я думал: 86-кратный рост использования токенов. В какой-то момент это должно проявиться в другом конкретном числе, будь то сокращение расходов или генерация доходов или получение прибыли. И я не знаю, насколько есть для этого свобода действий. Нет. И вы думаете, прямо сейчас у вас есть этот 86-кратный взрыв. Но, как они говорят, они все еще в том моменте, когда они не дошли до того, что мы хотели создать внутренний маршрут для минимизации этого. Так что даже при 86 они все еще в фазе, когда это нормально, и, знаете ли, выяснить, какую модель вы хотите использовать и экспериментировать и так далее, что, на мой взгляд, на самом деле немного бычье, если подумать об этом, для расходов на токены, что вы можете расти в 86 раз, и это все еще не приведет вас к точке, где, о, нам нужно действительно ограничить это. Может быть, знаете ли, кто знает? В чем суть для многих фирм, которые только начинают, или им действительно приходится начинать вводить некоторую экономию токенов, я полагаю, мы узнаем в какой-то момент. Но другая вещь, которая бросилась мне в глаза, вы спросили о том, как заставить работников отказаться от своего секретного соуса, который, по сути, отвечает за то, что у них есть работа в первую очередь? Наблюдение за нажатиями клавиш решает все это, верно? Да. Вы знаете, были эти статьи, я должен сказать, вам нужно, чтобы они предложили это, вы просто берете все данные, которые они производят. Я должен сказать, что некоторое время назад вышла какая-то история о том, как, о, Meta собирается начать использовать, обучать свои модели на своих собственных. И я был вроде, они этого еще не делали? Я был на самом деле, как, действительно удивлен, что этого еще не было, особенно в финансах и инвестициях, которые являются высокорегулируемой отраслью, и я уверен, что они отслеживают практически все. В любом случае. Да, я как бы предположил, что все эти компании действительно строят модели. Или они используют все данные, которые генерировали их собственные сотрудники? Но да, вам нужно, о, человек, человек, который приносит дождь, внезапно начинает записывать все на бумаге? Это коктейльная салфетка. Они не явно. Да. Загружают все свои знания в ИИ, я думаю, это довольно интересный вопрос сам по себе. Хорошо, очевидно, много интересных вопросов, но... Оставим это. Оставим это. Это был очередной выпуск подкаста Odd Lots. Я Трейси Элловей. Вы можете следить за мной @tracyalloway А я Джо Вайзенталь. Вы можете следить за мной @thestalwart Следите за нашими продюсерами Кармен Родригес @carmenarmen, Дэшиелом Беннеттом @dashbot и Кейлом Бруксом @calebrooks Кевином Лозано @Kevinlloydlozano И если вы хотите больше контента Odd Lots, вам следует ознакомиться с нашей ежедневной рассылкой. Вы можете найти ее на bloomberg.com/oddlots И вы можете общаться обо всех этих темах 24/7 в нашем Discord, discord.gg/oddlots И если вам понравился этот разговор, пожалуйста, оставьте комментарий или поставьте лайк видео. Или еще лучше, подпишитесь! Спасибо за просмотр.