上一期提到，宇宙萬物乃至於人類活動，有很多奇妙的功能，並沒有一個中央領導，而是靠每個個體「自掃門前雪」的龐大力量。例如亞當‧斯密（Adam Smith）用「看不見的手」（an invisible hand）來形容市場經濟，只要每個人追求自己的利益，經濟效率自然達成，根本不用偉大的領導中心。這就是自我組織奧妙之處。
自我組織可以說是大自然處理複雜系統的一個基礎，如果好好學習並運用，就有機會解決人類社會裡頭的複雜問題。這是大自然億萬年的演化智慧。
來自大腦的演算法
例如人類的大腦皮層就是一個複雜系統，由無數個神經元所組成，而神經元間靠「突觸」互相連結，整個網路的複雜程度，遠超過想像。這麼複雜的神經網路，竟能夠迅速運作，產生記憶、運算、辨識、聯想、反應、意識思考乃至於喜怒哀樂等功能，靠的就是自我組織的運作模式。
1981年，芬蘭赫爾辛基大學教授柯霍寧（Teuvo Kohonen）提出著名的自我組織映射網路（Self Organizing Map，簡稱SOM）演算法，這種人工智慧，模擬大腦皮層的運作方式，進行無監督學習、競爭式學習，可以對外來資訊做迅速而正確的辨識、分類和反應。這項技術，如今已廣泛應用在資料分類、形態辨識、樣本分析等領域，當然，也被應用在股票操作上。
SOM在股市上的應用，有兩種入門款，這些入門應用，散見於國內外論文期刊。第一種是技術分析類，因為技術分析，不論是股價線圖的趨勢和反轉型態，或是各種技術指標的判別，其實就是一種形態辨識。因此，很自然地，用SOM演算法來當作操作工具，似乎是個不錯的點子。這類的測試，國內外都有，也曾經流行過一陣子，只是成效似乎有限。
第二類是搭配基本面的財務指標，讓SOM替我們做投資組合分類。隨著採用指標的多寡、歷史資料的區間等，SOM會建構出不同的投資組合。它所選出來的投資組合，有別於簡單排序篩選結果，常常有出乎意料的標的出現，值得參考。但和第一類一樣，成效只能說見仁見智。
不過這二類只是入門款，人工智慧的應用千變萬化，就看個人的巧思。亞歷桑納大學的陳炘鈞教授和紐約愛俄納學院（Iona College）的休梅克（Robert Schumaker）合作開發出一套系統，用人工智慧去分析上市公司的財經新聞和股價變化，並進行投資操作，其績效據說打敗許多知名的基金，也打敗大盤。這套系統，除了人工智慧的技術之外，關鍵在於新聞語意學的處理。根據報導，他們把重點放在各種名詞、人名和公司名稱，並讓電腦去學習這些名詞發布後的股價變動形態。
當然，這套系統的穩定性還有待驗證，而且有很多人持反面意見：如果這套系統具有穩定獲利的能力，那麼，別人很容易用同樣的演算技術找出類似的結果。這下子就有趣了，不是變成一窩蜂，以至於系統失效，就是上市公司和媒體也得知哪幾個名詞具有指標意義，並刻意改變用法，使系統失靈。
人工智慧進入華爾街
儘管如此，人工智慧近年來還是進入了華爾街，漸漸取代以往那種大量使用物理數學公式的計量模式。「傳統的」高科技股票操作，是由一群物理、數學專家，用各種計量模型去探究股價行為的特性，並操作獲利。這群數理菁英坐在電腦前建模型、找變數、調參數，然後弄出一個怪異且複雜的式子，不要說一般人看不懂，有時連開發者也說不出個所以然。
更棘手的問題是，市場有時候適合A公式，有時候適合策略完全相反的B公式，而有的時候卻只要調整一下參數就行了。於是甚麼時候該用甚麼公式、調整哪些參數，就成了最大的難題。
剛好這就是人工智慧最擅長的領域。何不讓電腦自己去學習、自己去判斷呢？《避險基金評論》（Hedge Funds Review）雜誌2013年12月號有一篇報導「計量操作者轉向人工智慧尋求洞察力」，介紹了紐約和倫敦幾家避險基金採用人工智慧技術的情形。例如紐約的Rebellion Research公司就是用一套人工智慧系統，讓機器自我學習44個國家的股票、債券、大宗物資、和貨幣的交易資料。他們是業界先鋒，好幾年前就推出純人工智慧操作的基金。
該公司投資長福來思（Alexander Fleiss）說：「這套系統在設計上並沒有採用特定的交易策略或法則，我們沒有告訴電腦去找趨勢或相對價值。系統會自動認識這些概念，並適時適地拿出來應用，績效不錯。」
但大多數知名的避險基金並沒有這麼激進，他們比較傾向於把人工智慧當作一個輔助和靈感來源。全球最大的避險基金Bridgewater Associates在2013年挖角到IBM華生人工智慧團隊領導人費魯奇（David Ferrucci），正式踏入人工智慧的時代。
也許人工智慧暫時無法全面取代人工看盤，但適時提供交易員操作觀點，發揮輔助功能則大有可為。將來的市場，除了成千上萬的投資人在看盤之外，背後必定還有不少的電腦、甚至超級電腦用人工智慧在監看，競爭之激烈，可想而知。
你還想赤手空拳靠靈活進出股市賺錢嗎？
