導語：7500名數據科學家匿名參與一家對沖基金的運營，他們建立起50萬個機器學習模型，為該基金作出了約280億項的預測。
里查德·克拉布（Richard Craib）是一名29歲的南非人，在舊金山運營一家對沖基金。不過，真正運營的人不是他，而是數千名他不認識的數據科學家，以及他們建立起來的人工智慧（AI）系統。
在初創企業Numerai的旗幟下，克拉布和他的團隊建立起一種技術：將基金的交易數據掩蓋起來，然後分享給一大群匿名的數據科學家。
這是一種類似於同態加密的方法——既確保數據科學家看不到公司自營交易的細節；同時又整理出數據，便於數據科學家建立機器學習模型及做出分析。
從理論上講，他們還可以通過機器學習，找到交易證券的更優方式。
「我們把所有的數據都分享出去了。」克拉布說，「但我們把它轉換成抽象形式，拿到數據的人並不知道這些數據的具體含義，但是又能為這些數據構建機器學習模型。」克拉布曾在康奈爾大學學習數學，後赴南非，在那裡的一家資產管理公司工作。
他不知道這些數據科學家是誰，因為他們都是在網上招募的，報酬形式是一種數字貨幣，可以全程保持匿名。「任何人都可以向我們提交預測，如果管用，我們就用比特幣支付報酬。」他說。
總結來說，數據科學家不清楚手裡是什麼數據，克拉布也不清楚這些數據科學家都是誰。
由於大家到手的是加密數據，因此不能將機器學習模型套用到其他數據上——即便是克拉布也不能。但他相信，通過這種「盲人引路，盲人跟從」的方式，他能創造出一種更加優秀的基金。
Numerai的基金從事股票交易已有一年。至於有多成功，他不願透露具體細節，但他表示，這些交易是賺錢的。
越來越多的大型投資者向該公司投入了資金，包括「量化」對沖基金Renaissance Technologies的創始人——該公司就是由數據分析驅動的，並大獲成功。
對沖基金很早就開始探索算法交易了，其中包括Renaissance、Bridgewater Associates等華爾街老牌企業，以及Sentient Technologies和Aidyia等科技初創企業。
但克拉布創造出了一種將算法「眾包」出去的新模式。其他機構也在開展類似項目，包括Two Sigma——另一家紐約的數據驅動型對沖基金。但是，Numerai正在嘗試的東西則要極端得多。
走在最前沿
這聽起來很像矽谷的套路：一家小型初創公司，旨在通過人工智慧、加密、眾包和比特幣等當前熱門的技術概念重塑金融行業，就差一個虛擬現實了。
毫無疑問，Numerai才剛剛起步，就連它的投資者之一、Union Square的合伙人安迪·韋斯曼（Andy Weissman）都稱之為「一場實驗」。
其他企業也在開發類似的技術。從加密數據著手，構建更為通用的機器學習模型。
這其中就包括微軟。通過這種模型，微軟等公司可以更好地保護它們所收集的客戶個人信息。
蘋果也在挺進機器學習領域。艾倫人工智慧研究所（Allen Institute for AI）執行長奧倫·艾茨奧尼（Oren Etzioni）表示，這種方法對蘋果尤其適用。蘋果在保護數據隱私方面的態度很堅決。
追隨這種技術，我們也可以走向克拉布所支持的那種AI眾包。
在為南非的金融公司工作時，克拉布產生了這個想法。他拒絕透露那家公司的名字，但表示，它運營的基金管理著150億美元資產。
在那家公司，他參與構建了一些用於基金運營但並不複雜的機器學習算法。有一次，他的朋友在用神經網絡運行比較複雜的機器學習算法，他想跟朋友分享公司的數據，但公司不允許。
克拉布說：「從那次起，我就開始研究新的數據加密方式，設法和他共享數據，又要防止他竊取數據，拿去創辦自己的對沖基金。」
Numerai由此誕生。克拉布從自己帳上劃出100萬美元，投入該基金。4月，該公司宣布，一個投資人團體向其投資150萬美元，其中包括Renaissance Technologies創始人之一霍華德·摩根（Howard Morgan）。後來，摩根又與Union Square以及First Round Capital一起，參加了Numerai的A輪融資。
當然，Numerai有些非正統。看看它的網站你就明白了：在一則簡短的視頻中，克拉布描述了公司的使命。他戴著黑框眼鏡，身穿銀色的賽車夾克，背景帶著濃濃的《黑客帝國》風格。
韋斯曼說：「看到這些視頻，我們想到的是，『這傢伙想法與眾不同。』」
韋斯曼坦言，這種方式的問題在於，它能否奏效。同態加密的麻煩在於，它會顯著拖慢數據分析速度。
Baffle公司正在建立類似於克拉布所描述的那種加密技術，該公司CEO阿米什·迪瓦蒂亞（Ameesh Divatia）說：「同態加密需要大量的計算時間。
「怎麼才能在業務決策期內運行完畢？」克拉布說，通過一種特殊的加密形式，Numerai已經解決了速度問題，但迪瓦蒂亞警告說，這可能會犧牲數據隱私。
拉斐爾·博斯（Raphael Bost）是麻省理工學院計算機科學與人工智慧實驗室的訪問科學家，曾探索將機器學習應用於加密數據。
據他所述，Numerai使用的可能是類似於微軟提到的一種方法：數據是加密的，但並非密不透風。對於這種方法的使用者，他提醒說，「你得提防算法受到邊信道攻擊。」
「將派對設置成靜音模式」
無論如何，Numerai正在加緊努力。三個月前，約4500名數據科學家建立了約25萬個機器學習模型，為該基金作出了大約70億項預測。
現在，約有7500名數據科學家參與其中，建立了50萬個模型，作出了約280億項預測。就像在數據科學眾包市場Kaggle一樣，數據科學家競相構建最好的模型，以獲取報酬。
Numerai的訣竅之一是以量取勝。通過一種名為「堆疊」或「集成」的統計學和機器學習技術，Numerai將大量算法的精華結合起來，建立起更加強大的整體。
雖然這些數據科學家大多匿名，但也有一小部分實名參與者，包括紐約州布法羅的菲利普·卡利頓（Phillip Culliton）。除了Numerai，他還供職於一家名為Multimodel Research的數據分析公司，該公司接受美國國家科學基金會的資助。
對於Kaggle上的數據科學競賽，他已經有多年的參賽經驗，他認為，相對而言，Numerai更具吸引力。「Kaggle很好，我也喜歡競賽，但通常只有排名靠前的幾名選手才能獲得報酬，而且，只有某些比賽才提供報酬。」他說，「在Numerai，排名前100左右的選手都有獎金，這個範圍是比較大的，而且Numerai的獎金也很豐厚。」
每周都有100名科學家能獲得比特幣，迄今為止，該公司發放的比特幣價值已超過15萬美元。克拉布說，如果Numerai管理的資金額突破10億美元，它將每月向數據科學家支付100萬美元以上的獎金。
卡利頓說，比起非加密數據，加密數據的處理和分析都更加困難，Numerai的另一位常客吉姆·弗萊明（Jim Fleming）所見略同，他參與運營著一家名為Fomoro Group的數據科學諮詢公司。但這可能不成問題。畢竟在機器學習中，分析並得出結論的，是機器，而不是人。
很多時候，即使涉及的是未加密數據，卡利頓也不清楚它們究竟代表什麼，但這並不妨礙他構建相應的機器學習模型。「加密數據就好比將派對設置成靜音模式。」卡利頓說，「你聽不到人們私底下的交談，但對大家彼此間的親密程度，你還是能一目了然。」
若如克拉布所願，這種方式能在龐大的Numerai數據科學家群體中成功推廣，那麼，華爾街也將不得不洗耳恭聽。