狗尾续貂:

我每年都会花几周时间编程，虽没什么大作，但也自以为和码农站在同一阵营。年前，AlphaGo（阿尔法狗）穿着“大师”的马甲在野狐和弈城，6天连下60局快棋，大败多位九段名家，围棋界为此震惊的程度，远胜年初4:1击败李世石。一时，码农阵营一片欢欣，围棋界则为之沮丧。屁股决定态度，我也跟着兴奋了一阵。

这次AlphaGo到处踢馆，颇有些戏剧性。由于是在网上，无人知道马甲背后是人是妖，只从其下棋速度和连下多场而不累，人们判断它是AI。起初，人类棋手信心仍足，排着队来踢AlphaGo的屁股，亦或说被踢。在这个过程中，多半不懂AI的国手们，套用人类的逻辑，或沿用对IBM“深蓝”时代人们对AI的理解，来揣摩对手的棋力。说出诸如“AlphaGo的绝大多数下法和人类很像，证明几千年对围棋的探索并没有大错”或“下快棋是电脑有优势”或说AlphaGo的大局观、创造性令人叹为观止。（这些说法，除了“下快棋电脑有优势外”，大致是对的，只是太“拟人”。）下到第五天，“大师”无一败绩，人类已经基本放弃正面战场的胜利，台湾的周俊勳下了一局中心对称的模仿棋，是试图寻找程序的漏洞。未遂，还把自己给绕进去了。再之后，国产AI刑天披上九段棋手的马甲登场，来了场机机大战，让围棋对垒成了程序员的战争。

AlphaGo的胜利说大不大，说小不小。之所以说大，是因为我头一次看到民间对AI的大局观、创造性做出认可。说小，是因为AlphaGo的适用性仍然有限。开发AlphaGo的公司DeepMind在被google收购时，其CEO说，由于google长期盈利，可保它未来20年不必愁着商业化，可继续研究。在我看来，20年达到通用智能的程度，是颇有野心的说法。

说回棋局，围棋界认为人类之所以输，多半是AlphaGo时不时下一步棋、就违背人类千年总结的定式，让人摸不着头脑。但这些棋，最后又被证明是神来之笔。也是因此，哪怕断定了棋手是AI，围棋网还是成了朝圣地，被观棋者挤烂，迫使管理层禁止发言、以免服务器承压过重。

围棋棋盘很大、棋子很小，若不考虑规则，棋盘上可承载的排列组合方式，远超宇宙的原子数量。在此巨数前面，人类的千年经验，就显得渺小了。事实上，千年经验，也多是自夸的描述。真正要去数历史上留下的经典棋谱，民国以前的记载加起来或许都不如当今一个棋院几年的积累。更何况，再多的积累，若没有一个统一的体系让他们自洽，也只是一盘散沙。这样说，并不是否定经验主义，而是说经验不应该以年为衡量标准，而要以样本的数量和质量。AlphaGo最初训练的数据库是基于人类棋手在网上下棋留下的棋谱，其数量若以落子次数计算，足有3000万次。若以每局250次落子计算，也有12万局。AlphaGo的棋路和人类很接近与此有关，所以前文中棋手们认为它证明了人类千年经验没有大错，可谓大错（或许人类的下法大致是对的，但AlphaGo并不是证明）。其后，AlphaGo又基于人类经验、左右互搏的下了数十万局，也因此产生了很多定式外的下法。由此看，AlphaGO的下棋经验，当然是远超任何个人能记忆的人类“千年”经验。同等重要的是，AlphaGo所下过的每一步棋，其最终的结果，都会对程序做微调，可以说是一种全局的、经验上的自洽。

--

我最近一年博客写的相对较少，原因有三，但也可以以一贯穿。说来，与前文无直接关系，却有几点相似处。原因之一，是我对企业、行业的研究深度增加。其直接结果是笔记的长度增加（博客和笔记并没有交集，故而有此消彼长的关系）。笔记写长了，读一遍可能需要1-2个小时，人脑判断问题时算力不足，注意力差的短板就凸显出来了。说注意力差，是指一次关注的点太少。比如，笔记里研究了10个问题，估值时只考虑3个。隔个数月再重读笔记，重新估值，结论可能迥异。说来可笑，却是现实发生了几次。这种关注点的差别，可能是由于重读笔记时跳过了一些段落、亦或是当时的情绪或关注的时事所造成。为解决这个短板问题，我开始较严格的使用概率加权估值模型。（简单的说，记下较可能出现的几种情况，其估值，其对应的概率，可能出现的时间，结合每个参数的不确定性，进行monte carlo模拟，然后再反推出所选仓位对整个组合的复利贡献。）这是把零散的观点统一到一个逻辑体系的方法。以后若修改观点，往往都是对局部参数的修改，而不会变成与前一次估值完全断裂的新结论。

使用模型的结果是发现以往被忽略的众多小问题，可以累加起来改变最终的估值，可见其确凿弥补了人脑算力不足。 于是，我又开始更频繁的为现金流建模，这仍然是为了将零散的观点统一在一个可以追溯、查验、修改的逻辑体系下，就像围棋AI的value network，国际象棋AI的evaluation function,将棋盘的局势转化成最终的胜率。

这个逻辑体系可以很复杂，也可以很简单。但由于电脑并不缺算力，人就很自然的会从简单入复杂-只要是现实存在的逻辑，就不妨添加进去。举个几年前写筛股程序的例子（现金流建模争议太多，避之不及）：在一般筛选股票时，人不会去算股票回购、分红、发新股对企业未来盈利能力的影响。现实中，欧美很多企业大比例回购股票、分红，使得业绩增长停滞。另一面，一些企业靠高价发行股票可以在3-5年间高速增长，而高速增长又会带来高盈利和高估值，这一现象如果戛然而止利润会如何回归？此外，透支利润分红以换取高估值的情况在MLP界也曾近时兴了一段光景。可以看到，只谈分红、回购、发新股，就能对估值产生很多变化，而这些变化都有逻辑可循，自然可以丢到估值程序中自动完成。现金流模型，未必要高度的自动化（事实也多为定制化），只要有诸多由人脑算力不足而忽略的因素加总起来（并非线性加总的意思），就可能会得到与毛估估不同的结论。遇到这种情况，文字就显得苍白，令人不知如何下笔了。

结语：

前文说阿尔法狗，只是一时兴起。再来谈估值，则是狗尾续貂。

AlphaGo打破了人们对定式的理解，重新意识到日本棋圣曾说的“棋道有百，我只知七”。这是因为人的算力有限，记忆有限。提高算力，统一记忆，总不是坏事，这话应当不仅适用于围棋吧。