AI會投資嗎？

文 | 大灣區人工智能應用研究院

在投資活動中，有三種能力至關重要：信息的獲取能力、信息的處理能力，以及創新能力。因為投資是用現在的確定性交換未來的不確定性，是在不完全信息、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、或對信息的理解更深更準，誰就更有可能建立投資優勢。由于投資市場的交易成本比較低，有很強的同質化競爭傾向，即使一個投資者能夠獲得數據，能夠正確地處理數據，如果他看問題的角度沒有獨特性，想法沒有創新性，他的投資策略就會與眾多的投資者趨同，因此雖然能獲得大盤的收益（貝塔），而無法獲得超額收益（阿爾法）。

投資的方法有很多種，但萬變不離其宗。我們能看到一些華爾街對沖基金斥巨資購買商業衛星圖像、航運數據等“另類數據”，以捕捉對企業經營有指向性的獨家線索；也看到一些量化投資機構鋪設專用光纖線路，只為壓縮關鍵信息的傳輸時間。與此同時，巴菲特則在寧靜的奧馬哈，憑借深厚獨到的商業洞察力---也就是更強的信息處理優勢---創造了長期卓越的投資回報。無論是這些對沖基金、量化交易平臺，還是巴菲特，都必須走別人不走的路，因此才能長期超越股指大盤。

AI對投資的影響廣泛而深遠，覆蓋研究、交易、風控、合規與投顧等鏈條，但對信息的獲取與處理的影響是其中的關鍵。AI并不會改變投資的基本經濟學邏輯，但會重塑投資者在產業鏈不同環節的相對優勢。

AI的優勢：提升投資中信息獲取與處理的能力

AI正在深刻地改變投資領域的信息獲取與信息處理模式，首先是顯著提升處理信息的速度和寬度。

過去投資中可利用信息可以分為兩大類：一類是人類分析師可以利用計算機高效處理的信息，比如公司財務數據（營收、利潤、增長率等）、市場交易數據（價格、成交量、波動率等）、宏觀經濟數據（GDP、通脹、利率等）等，即結構化數據：這類信息可以直接存入關系型數據庫表格，字段明確、格式統一，傳統的數據分析技術很擅長應對，計算的速度也非常快。

另一類信息是主要依靠人類分析師處理的信息，如新聞報道、研究報告、管理層的訪談語音、產業介紹的視頻資料、實地的走訪和調研等，這些文本、語音、圖像、視頻、親身體會的信息被稱作非結構化數據，傳統計算機技術不擅長處理，主要依賴人類分析師來篩選、判斷、利用這些信息的價值。但人和計算機相比有個顯著的缺點：處理信息的帶寬低、速度慢。

以大模型為代表的AI，恰恰在語言與多模態理解上具有優勢，帶來非結構化數據處理的“效率躍遷”。它可以在極短時間內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，把原本需要團隊數天的“翻文件”工作壓縮到分鐘級，并為后續的人類判斷提供更高質量的候選線索。

業內產品與實踐已開始雨后春筍般落地。例如，2025年彭博在 BloombergGPT 等能力基礎上推出“AI 文檔洞察”等功能，允許分析師將成批研報、公告、監管文件交由系統自動提取關鍵段落、風險點，并用自然語言回答諸如“過去三年主要監管風險是什么”“成本控制表態是否出現變化”等問題。又如，安聯全球投資（Allianz Global Investors）相關量化團隊披露使用詞向量等方法實時解析財報電話會文本，將語氣、關鍵詞與情緒變化轉化為可用因子，把“閱讀數小時”壓縮為“即時信號”。

第二，AI的這種高通量信息處理能力使其在處理高維信息時得心應手，而我們人類很難建立對高維信息空間的直觀理解。人類在考慮一個事情的因素時或者進行傳統建模時會用較為有限的變量規模（1956 年心理學家喬治·米勒提出米勒定律，當變量到達7個左右，人腦會陷入認知過載）；但AI驅動的模式識別可能動輒成千上萬個特征維度，關聯海量的、可以是多源異構的角度進行多模式識別，這是人腦無法進行、甚至無法理解其細節的工作，潛在可發現人類無法察覺的跨維度相關性、以前難以利用的“弱信號”。

例如一家晶圓廠近幾個月的用電負荷略微高于過去同季節的常態波動；與之相關的幾家設備和材料供應商，在招聘網站上發布的質檢與工藝工程師崗位數量，比上一季度多了兩三成；與此同時，一些與該公司關鍵工藝相關的技術論文，在學術數據庫里的引用次數開始加速，但新聞和公告層面并沒有任何“大動作”可以解釋這些變化。對單個分析師來說，這些信號往往散落在不同系統和部門，很難在腦海里拼成一個完整故事。但AI模型可能識別出一個模式：當這幾類弱信號同時出現時，往往預示著相關企業正接近一次重要的工藝突破或產能爬坡，隨后一段時間內收入和市場關注度有較大概率明顯上升。于是，在人類還沒有明確直覺之前，系統已經把這一“跨維度弱信號組合”標記為值得重點跟蹤的機會。

第三，AI和人類（包括利用計算機）在模式識別上存在根本差異：以深度學習為代表的前沿AI通過非線性建模來實現復雜模式識別，而人類對此不擅長。現實世界（當然包括投資）中的很多關系不是線性的，例如利率、通脹、情緒、地緣政治等因素的交互效應不是簡單相加。但傳統的金融模型往往假設線性關系（如線性回歸、CAPM模型），原因是人類受限于大腦帶寬，很難處理復雜非線性關系；傳統統計學為了數學上的可計算性和可解釋性，一般也偏好線性關系模型。深度學習理論上可以逼近任意非線性函數，AI從數據中學習，可以捕捉到數據中隱蔽、復雜的非線性關系，這有潛力為投資分析等領域帶來巨大價值。

人類的相對優勢

基于AI最新的進展和技術范式，人類仍有一些AI目前還不能顛覆的信息獲取和處理優勢，我們可以從五個角度討論。

首先，創新能力是投資的一個核心能力。目前的大語言模型可以模擬人思考，可以生成虛擬內容，但這些都是對人類數據的重新排列組合。即使是獲得諾貝爾化學獎的蛋白質預測模型ALPHAFOLD，也需要用科學家長期積累的實驗數據為基礎來訓練，從科學發現的角度看，并非真正的原創。到目前為止，AI在應用人類知識上取得了前所未有的成績，但在原始創新上仍然非常局限。AI能不能用牛頓看到的數據發現萬有引力？能不能用愛因斯坦的知識和經驗發明相對論？能不能用80年前的資本市場數據自創價值投資？至少目前不行。如果可以，將會對人類智能產生壓倒性優勢。

第二，相對AI來講，人類在投資中有一定的數據獲取的優勢。人類分析師可以通過實地調研（如考察工廠、門店）、產品體驗等方式，獲取無法被數字化描述的多感官、高質量信息。人類分析師還能夠建立和利用復雜的人際網絡，通過深度溝通、談判、建立信任來獲取和驗證信息。這種依賴于人類具身感知和社交特征的信息獲取，在具身智能取得更大的進展前，人類分析師還無法被取代；即便將來具身智能可以做到更直接的在物理世界中獲取信息，其是否能夠模擬人類社交在那些基于人際互動、深度信任甚至情感交流的信息獲取上做好還是個問號，如人類分析師通過多年的行業網絡獲得的非公開但合法的信息：核心高管之間的權力結構、供應鏈里“不上臺面”的變化、地方政府真實執行態度等。

目前，AI的“知識”主要來自“學習”由人類記錄和處理的信息，比如人類寫的訪談紀要、行業研究報告等作為訓練語料。但這里就有個問題，人類是否會把重要的信息都記錄下來？人類記錄下來的信息總會有壓縮損失，而有些信息的損失會很大甚至無法被恰當的記錄，比如有經驗的分析師基于多年的經驗、交流時的微妙氛圍、行為細節等可以相對準確的判斷管理層是否靠譜，但他很難把這種直覺背后的邏輯準確的記錄下來作為語料供模型訓練，那AI就很難習得相關能力。這種“隱性知識”對AI的挑戰是投資中存在一些信息難以被高質量數據化：難以完整標注，難以形成訓練樣本。

第三，AI的智能往往依賴大數據，有時是超大數據（比如語言大模型），而人類智能只需要非常小的數據量。由于投資信息經常是稀疏低頻的，這就導致AI很難掌握和應對，比如產業技術路線切換、新興產業出現、前所未有的疫情這種黑天鵝事件的沖擊等。類似這些問題樣本少、現象新，會大幅限制以大樣本統計規律為主的模型優勢。

第四，目前前沿模型的能力來自于對人類知識的壓縮，還沒有真正意義上的因果分析能力，對邏輯推理也只能模擬。人類本性上對事物或世界需要有一套解釋機制（如古人對自然現象需要一套神話解釋體系），習慣構造因果假設，擅長在沒有充分樣本時用理論壓縮復雜性；因為人腦帶寬的限制和能耗的約束，練就了抓住“少數關鍵變量”的本領。而AI依賴于統計相關性，從大量歷史模式中擬合獲得“理解”。

這種智能范式上的差異令有些復雜、高階的投資信息處理依然依賴人類獨特的能力，因為投資中的很多高價值判斷來自對底層機制的理解，而不是歷史擬合。例如“為什么這個行業會出現贏家通吃？”或者“為什么同樣的政策在中國和美國會有大相徑庭的效果？”這些問題，有洞察能力的分析師往往依靠對經濟學、社會學、產業知識、組織行為、制度差異的綜合分析來理解其背后底層邏輯，而AI對這些機制的“理解”能力目前受限于AI的智能模式和訓練數據質量，往往不夠穩定。

第五，投資中的信息處理以及相關的決策不只是需要從質量角度衡量，還面對治理和責任的約束。投資決策要面對監管、合規、客戶的審視，黑箱模型即便預測力強，也可能因為不可解釋而無法大規模使用。

AI也不會承擔聲譽損失、職業后果和法律責任，而投資中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，在模型和人類判斷沖突時選擇信誰。這背后是權力和責任的匹配，不只是算法問題，最起碼當前的社會制度仍要求人類作為最終責任主體，未來不確定。

總結：人機協同，但AI起到越來越大的作用

綜合以上討論，我們可以勾勒出AI對投資領域影響的基本圖景：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對非結構化數據的處理能力突破了傳統技術的邊界，將過去需要團隊數天完成的信息篩選、梳理工作壓縮到分鐘級別；在廣度層面，另類數據的大規模利用、跨語言跨市場的信息覆蓋正在成為現實；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。這三重變化疊加在一起，意味著投資行業的信息處理基準線正在被大幅抬高。

這一基準線的抬高帶來了一個重要的結構性影響：AI對投資領域初級研究人員的價值構成了顯著沖擊。傳統上，初級分析師的核心工作---搜集整理公開資料、閱讀和摘要研報與公告、跟蹤財務數據變動、撰寫基礎的行業綜述---恰恰是AI能夠高效完成甚至表現更優的領域，初級研究人員賴以立足的“信息搬運”和“基礎加工”價值被大幅稀釋。過去，這些基礎工作是年輕分析師進入行業、積累經驗的階梯；現在這個階梯正在被AI抽走，行業對初級人員的需求規模可能顯著縮減，入行的門檻和路徑都將發生深刻變化。

但人類的創新能力、在具身感知與關系網絡驅動的信息獲取、隱性知識的運用、深刻底層邏輯分析、以及承擔決策責任等方面目前仍然擁有AI難以替代的優勢。這意味著未來投資領域真正稀缺的人才，是那些能夠站在AI能力之上、發揮人類獨特智能的高階從業者---他們需要具備深厚的產業洞察力和商業判斷力，能夠提出正確的問題而非僅僅處理已有的信息，擅長在不完備信息下做出有擔當的決策，并且能夠熟練地駕馭AI工具來放大自身的認知優勢。創新能力將是他們最后的護城河。