如果我們要將「人工智慧小抄電腦」運用在金融科技的理財機器人上的話，首先就要先把理財知識的小抄灌入理財機器人中。
比如說：
-若利率上漲，則債券下跌。
-若中東發生戰爭，則黃金石油大漲。
然後我可以問我的理財機器人：
-若美國FED升息，那會有什麼影響？
-如果戰爭開打，那麼金價如何變動？
這些問題它一定答不出來，因為機器人還不懂「美國、FED、升息、影響、開打、金價、如何、變動」的意義。所以要能讓機器人回答問題，先要把基本的語文能力一併建立才行。人類從小學到高中花了12年，才將基礎知識存到腦中。前6年上小學，勉強把基礎字詞認完。後6年，再把世界基本常識學會，達到看得懂報紙的地步。如果有唸大學，才再鑽入某一學門中，學習專業知識。
想讓機器人理解問題，也必須讓它像人類一樣從頭學起才行。要經過NLP自然語言處理後，讓文字產生如同大腦認知般的意識。這一點，需要長時間的投入才有可能見效。畢竟自然語言處理和類神經網路一樣，都已經是有悠久歷史的學派。這麼多年，經過多少人腦精英，跟著開山祖師爺的腳步，被吸入這些腦力黑洞中，也不過發展到目前的境界而已。因此在實務應用上，使用簡單的問答系統，像是人工智慧客服系統，電話秘書等就比較普遍。只要蒐集某一業務上客服人員常用的問題，列出詳細問答範本後再加以處理，應該就能夠回答大部份的問題了。
相形之下機器學習反而是比較容易處理的方法。讓理財機器人利用機器學習的五大學派理論，針對歷史金融大數據做分析，找出每一商品的買賣點，尋求最佳的投資組合。然後針對每個策略在歷史數據中回測，以找出性能最佳的運算法。之後就能對世事變化，隨時提出買賣投資建議。
最後，我們還要把這些變化，一一套入小抄的知識規則中來檢視，驗證看看到底這些知識正不正確。不正確的話就要重新產生小抄，以便將最新的研究結論記下。這樣知識與直覺的結合才能讓金融科技不斷地自我增強學習，慢慢衍生出人工智慧塔來。
機器學習的直覺辨識與小抄電腦的知識思考，兩者各擅勝場缺一不可。最終還是要結合起來一前一後的運作，才能相輔相成發揮人工智慧小抄電腦的最大效用。
＊作者為供雲端理財機與教學服務之CubicPower.idv.tw創辦人。曾服務於緯創軟體、英商路透社等金融與科技單位從事金融軟體開發專案工作。
