投資活動中,有三種能力至關重要:信息獲取、信息處理和創(chuàng)新能力。投資是用現(xiàn)在的確定性交換未來的不確定性,是在不完全、不對稱信息下對未來的概率性押注；誰獲取有價值信息的成本更低、理解更深更準,誰就更有可能建立優(yōu)勢。投資市場交易成本低、同質(zhì)化競爭強烈,即使能獲得并正確處理數(shù)據(jù),若角度缺乏獨特性,策略就會與眾人趨同,只能獲得貝塔而非阿爾法。
投資的方法有很多種，但萬變不離其宗。華爾街對沖基金斥巨資購買衛(wèi)星圖像、航運數(shù)據(jù)等“另類數(shù)據(jù)”捕捉獨家線索；量化機構(gòu)鋪設專用光纖壓縮信息傳輸時間；巴菲特則在奧馬哈憑借深厚的商業(yè)洞察力——即更強的信息處理優(yōu)勢——創(chuàng)造長期卓越回報。他們都必須走別人不走的路,才能長期超越大盤。
AI對投資的影響廣泛深遠,覆蓋研究、交易、風控、合規(guī)與投顧等鏈條,但對信息獲取與處理的影響是關鍵。AI不會改變投資的基本經(jīng)濟學邏輯,但會重塑投資者在產(chǎn)業(yè)鏈不同環(huán)節(jié)的相對優(yōu)勢。
AI的優(yōu)勢:提升信息獲取與處理的能力
AI對投資的信息模式的重塑,首先體現(xiàn)在顯著提升處理信息的速度和寬度。
過去投資中可利用的信息分兩類。一類是借助計算機可高效處理的結(jié)構(gòu)化數(shù)據(jù),如財務數(shù)據(jù)、交易數(shù)據(jù)、宏觀數(shù)據(jù),字段明確、格式統(tǒng)一。另一類是研究報告、管理層訪談、產(chǎn)業(yè)視頻、實地調(diào)研等非結(jié)構(gòu)化數(shù)據(jù),傳統(tǒng)技術不擅長,主要依靠人篩選判斷,而人處理帶寬低、速度慢。
以大模型為代表的AI,恰在語言與多模態(tài)理解上具有優(yōu)勢,帶來非結(jié)構(gòu)化數(shù)據(jù)處理的“效率躍遷”:可在極短時間內(nèi)完成跨語言資訊梳理、長文檔提煉、電話會要點捕捉與語氣變化識別,把原本需要團隊數(shù)天的“翻文件”工作壓縮到分鐘級。例如彭博在 BloombergGPT 等能力基礎上推出“AI 文檔洞察”功能，允許分析師將成批研報、公告、監(jiān)管文件交由系統(tǒng)自動提取關鍵段落與風險點,并用自然語言回答關于監(jiān)管風險、成本控制等問題。
其次,AI的高通量處理使其在應對高維信息時得心應手,而人類很難建立對高維空間的直觀理解。人類建模時變量規(guī)模有限(心理學家米勒定律指出，變量達到7個左右，人腦會陷入認知過載)；AI的模式識別則動輒成千上萬個特征維度,可識別人類無法察覺的跨維度相關性與“弱信號”。例如某晶圓廠近月用電負荷略高于季節(jié)常態(tài)、相關供應商工藝崗位招聘增加、相關技術論文引用加速,但新聞公告層面并無大動作——這些散落信號單個分析師很難拼成完整故事,AI卻可能識別出這類組合往往預示企業(yè)接近工藝突破或產(chǎn)能爬坡。
最后,AI與人類在模式識別上存在根本差異:前沿AI通過非線性建模實現(xiàn)復雜模式識別,人類對此不擅長?，F(xiàn)實中很多關系并非線性,如利率、通脹、情緒、地緣政治等因素的交互不是簡單相加；但傳統(tǒng)金融模型往往假設線性關系(如CAPM),傳統(tǒng)統(tǒng)計學出于可計算與可解釋也偏好線性。深度學習理論上可逼近任意非線性函數(shù),對投資分析有潛在的巨大價值。
人類的相對優(yōu)勢
基于AI當前的技術范式,人類仍有一些AI尚不能顛覆的優(yōu)勢,可從五個角度討論。
第一,創(chuàng)新能力是投資的核心能力之一。當前大語言模型可模擬人思考、生成虛擬內(nèi)容,但本質(zhì)上是對人類數(shù)據(jù)的重新排列組合。即便是獲諾獎的蛋白質(zhì)預測模型AlphaFold,也需基于科學家積累的實驗數(shù)據(jù)訓練,從科學發(fā)現(xiàn)角度看并非真正原創(chuàng)。AI在應用人類知識上成績前所未有,但在原始創(chuàng)新上仍非常局限:AI能否用牛頓看到的數(shù)據(jù)發(fā)現(xiàn)萬有引力？能否用80年前的資本市場數(shù)據(jù)自創(chuàng)價值投資?至少目前不行——否則將對人類智能產(chǎn)生壓倒性優(yōu)勢。
第二,人類在數(shù)據(jù)獲取上有一定優(yōu)勢。分析師可通過實地調(diào)研、產(chǎn)品體驗獲取無法被數(shù)字化的多感官信息,還能建立人際網(wǎng)絡,通過深度溝通與建立信任來獲取和驗證信息,如核心高管間的權力結(jié)構(gòu)、供應鏈里“不上臺面”的變化、地方政府真實執(zhí)行態(tài)度等非公開但合法的信息。這種依賴具身感知與社交特征的信息獲取,在具身智能取得更大進展前無法被取代。此外,AI的“知識”主要來自對人類記錄過的信息的學習,而記錄本身存在壓縮損失——有經(jīng)驗的分析師可基于交流氛圍較準確判斷管理層是否靠譜,但這種直覺很難轉(zhuǎn)化為訓練語料。這種“隱性知識”對AI構(gòu)成挑戰(zhàn)。
第三,AI的智能往往依賴大數(shù)據(jù),而人類智能只需很小數(shù)據(jù)量。投資信息常常稀疏低頻,AI難以應對產(chǎn)業(yè)技術路線切換、新興產(chǎn)業(yè)出現(xiàn)等黑天鵝沖擊——樣本少、現(xiàn)象新,大幅限制模型優(yōu)勢。
第四,前沿模型的能力來自對人類知識的壓縮,并無真正意義上的因果分析能力,對邏輯推理也只能模擬。人類習慣構(gòu)造因果假設,擅長在沒有充分樣本時用理論壓縮復雜性,練就了抓住“少數(shù)關鍵變量”的本領；AI則依賴統(tǒng)計相關性從歷史模式中擬合獲得“理解”。這使得高階投資判斷仍依賴人類——如“為什么這個行業(yè)會贏家通吃”“同樣的政策在中美為何效果迥異”,需要對經(jīng)濟學、產(chǎn)業(yè)知識、制度差異的綜合分析來把握底層邏輯,AI對這類機制的“理解”往往不夠穩(wěn)定。
第五,投資決策不僅需從質(zhì)量衡量,還面對治理與責任約束。投資要面對監(jiān)管、合規(guī)、客戶的審視,黑箱模型即便預測力強,也可能因不可解釋而無法大規(guī)模使用。AI不會承擔聲譽損失、職業(yè)后果和法律責任,而最困難的決策常常是在信息不完備下拍板、在共識很強時選擇不做、在模型與人類判斷沖突時選擇信誰——這是權力與責任的匹配,不只是算法問題。當前社會制度仍要求人類作為最終責任主體。
總結(jié):人機協(xié)同,但AI作用越來越大
綜合來看,AI正在從根本上重塑投資中信息獲取與處理的格局,但并未取消人類判斷的核心地位,而是將人機協(xié)作推向了一個新的、對人要求更高的階段。
在效率層面,AI對非結(jié)構(gòu)化數(shù)據(jù)的處理突破了傳統(tǒng)技術的邊界,將過去需要團隊數(shù)天的信息篩選與梳理壓縮到分鐘級；在廣度層面,另類數(shù)據(jù)的大規(guī)模利用、跨語言跨市場的信息覆蓋正在成為現(xiàn)實；在深度層面,AI基于高維非線性模式識別的能力,為投資分析開辟了人類認知難以觸及的新維度。這三重變化疊加,意味著投資行業(yè)的信息處理基準線正在被大幅抬高。
基準線的抬高帶來一個重要的結(jié)構(gòu)性影響：AI對初級研究人員的價值構(gòu)成顯著沖擊。初級分析師的核心工作——搜集資料、閱讀研報、跟蹤數(shù)據(jù)等——恰是AI能高效完成甚至表現(xiàn)更優(yōu)的領域。過去這些工作是年輕分析師進入行業(yè)、積累經(jīng)驗的階梯；如今階梯正被AI抽走,行業(yè)對初級人員的需求規(guī)?？赡茱@著縮減,入行的門檻和路徑都將深刻變化。
但人類在創(chuàng)新能力、具身感知與關系網(wǎng)絡驅(qū)動的信息獲取、隱性知識運用、底層邏輯分析以及承擔決策責任等方面,仍有AI難以替代的優(yōu)勢。未來真正稀缺的投資人才,是能站在AI能力之上、發(fā)揮人類獨特智能的高階從業(yè)者:具備深厚的產(chǎn)業(yè)洞察與商業(yè)判斷,能提出正確的問題而非僅處理已有信息,擅長在不完備信息下做出有擔當?shù)臎Q策,并能駕馭AI工具放大認知優(yōu)勢。創(chuàng)新能力,將是他們最后的護城河。
本文作者：
劉勁，大灣區(qū)人工智能應用研究院理事、特聘專家，長江商學院會計與金融學教授、投資研究中心主任
段磊，大灣區(qū)人工智能應用研究院研究總監(jiān)
吳亦珊，大灣區(qū)人工智能應用研究院高級研究員
