核心观点 - AI已成为投研效率的革命性工具，能够快速解析海量信息并辅助决策，但无法独立创造超额收益[2] - AI模型存在历史依赖、数据局限、模型幻觉、黑盒决策等固有局限，难以预判缺乏历史先例的未来结构性拐点[2][4] - “人机结合”是应对模型风险与监管要求的必然模式，人类在定义问题、建立范式和最终决策中不可或缺[2][18] AI赋能投研的效率革命 - AI被定位为投资经理的“超级副驾驶”，核心在于实现极速信息处理与自动化分析支持，正在实现从“算力平权”到“投研平权”的跨越[3] - AI通过深度处理非结构化数据提升宏观与政策分析效率，例如可对央行货币政策文本进行自动化、批量化处理，生成连续、可比的政策力度指数[3] - 在资产配置中，AI能快速解析海量结构化与非结构化数据，挖掘市场规律及资产间隐含关联性，辅助构建量化模型并优化风险平价权重[3] AI的局限：历史依赖与前瞻预判鸿沟 - AI基于历史数据训练，擅长总结过去，但难以预判缺乏历史先例的未来结构性拐点，这是其生成超额收益的核心障碍[2][4] - Citadel创始人Ken Griffin指出，生成式AI无法帮助对冲基金产生超越市场的回报，因为投资优势在于预测未知未来，而AI只能学习过去已知信息[4] - 在处理具有长期趋势性或数据“非收敛”特征的资产（如黄金、部分国债）时，AI的预测能力面临根本挑战，可能错误地将动量驱动行情识别为均值回归拐点[7] AI的局限：模型幻觉、过拟合与数据异化 - AI面临幻觉风险，可能生成缺乏事实依据的逻辑关联，具体表现为“事实捏造”、“逻辑飞跃”和“情感误导”三种高风险形式[8] - 过度依赖有限历史模式的AI可能“过拟合”，在真实市场中表现僵化，将局部噪声误认为普适真理[9] - 模型训练所依赖的“数据地基”可能发生异化（如宏观统计口径调整、行业分类重构），导致建立在之上的所有逻辑坍塌[9] AI的局限：黑盒决策、同质化与监管冲突 - AI的“黑箱”特性与金融监管要求的透明度、可解释性直接冲突，使得完全依赖AI的决策在面临合规审查时存在巨大压力[10] - 策略同质化可能引发共振风险，当市场参与者广泛采用相似的AI模型时，其交易信号与行为会高度趋同，在市场压力时期会急剧放大波动，甚至形成程序化踩踏[11] - 模型在面对未知时可能集体失效，例如2018年“波动率末日”事件中，同质化的量化策略基于相同历史规则被同时触发大规模卖出指令，加剧了市场下跌[11] AI的认知天花板与人类角色 - AI本质是模式复现者而非意义创造者，可能陷入“解决方案主义”陷阱，将复杂问题强行简化为可处理的数据筛选问题，从而“衡量了容易衡量的，却错过了真正重要的”[12][13] - AI无法进行范式转换级别的创造性洞察，它无法想象从未见过的数据模式所代表的新事物，无法像人类那样提出“动物精神”、“护城河”等颠覆性概念或投资叙事[14] - 人类的角色已演进为框架架构师、关键输出校验者与风险兜底者、以及合规与伦理的最终责任主体，确保决策过程可解释、可审计[18] - 未来的投研范式将是人类洞察驾驭AI算力的深度协同，AI是卓越的“副驾驶”，但人类仍需承担最终且不可替代的决策职责[21]