Автор: FST

О пользе аналитики. Хедж-фонд демонстрирует впечатляющую доходность в 30% годовых с момента своего запуска несколько лет назад. Основной инструмент успеха компании — концентрация на узком круге акций и способность выявлять компании, которые обладают доминирующими позициями в своих отраслях. Фонд изучает не более 200 компаний на протяжении 7-8 лет, ждет нужный момент и только потом делает ставки в 20 из них. Одной из ключевых ставок фонда стала японская компания, занимающаяся разработкой облачного бухгалтерского программного обеспечения, которая, по мнению фонда, имеет потенциал вырасти в пять раз за ближайшие пять лет.

Известный инвестор Стэн Дракенмиллер делится своим взглядом на текущее состояние мировой экономики и финансовых рынков. Он анализирует риски инфляции, переоценки акций технологических компаний, а также последствия недавнего снижения процентных ставок ФРС. Дракенмиллер высказывает опасения по поводу того, что ФРС может преждевременно объявить победу над инфляцией, а также выражает свое мнение о том, что уделять чрезмерное внимание «мягкой посадке» экономики является ошибкой. Он также делится своим опытом работы с Джорджем Соросом, описывая, как Сорос научил его важности смелых инвестиций и умения быстро переключать внимание с одного актива на другой.

В то время как научное сообщество и простые пользователи восторженно наблюдают за достижениями ИИ, в бизнес-кругах наблюдается скептицизм, поскольку многие компании пока не видят явной коммерческой ценности в новых технологиях. Это можно объяснить ограничением современных моделей ИИ: они обладают обширными знаниями, но испытывают трудности с логическим мышлением и планированием. Это означает, что они пока не могут действовать как полноценные агенты, способные самостоятельно выполнять сложные задачи, подобно удаленным сотрудникам, и не несут осязаемой экономической ценности. По мнению представителя Bridgewater, существует два возможных сценария для будущего ИИ.

Ключевым фактором прогресса в области ИИ было масштабирование: увеличение параметров моделей и объема обучающих данных. Это привело к экспоненциальному росту вычислительной мощности, используемой для обучения, и значительному повышению производительности. Однако, существует ограниченное количество общедоступных данных, созданных человеком, что поднимает вопрос о том, могут ли обучающие данные стать главным препятствием для дальнейшего масштабирования. Так что же делать?