人工智能在黑马股筛选中可通过机器学习模型发挥重要作用。以下是具体应用方式：
首先是数据收集与处理。收集包括公司财务报表、行业数据、宏观经济指标等结构化数据，以及新闻资讯、社交媒体评论等非结构化数据。对数据进行清洗、归一化等处理，方便模型使用。
其次是特征工程。从海量数据中提取与股票表现相关的特征，如市盈率、市净率、营收增长率等，为模型提供有价值的输入。
接着可使用机器学习模型进行筛选。例如使用分类算法，将股票分为可能成为黑马股和不太可能成为黑马股两类；也可以用回归算法预测股票未来价格或涨幅。常见模型有决策树、支持向量机、神经网络等。
另外，利用深度学习模型处理复杂数据。如用循环神经网络（RNN）或长短期记忆网络（LSTM）处理时间序列数据，挖掘股票价格随时间变化的规律；卷积神经网络（CNN）可用于处理图像化的金融数据。
最后要进行模型评估与优化。用历史数据对模型进行训练和测试，通过准确率、召回率等指标评估模型性能，不断调整参数优化模型，以提高筛选的准确性。但需注意，股票市场复杂多变，人工智能筛选只能作为参考，不能完全依赖。