AI对教育体系的根本性冲击 - AI在标准化知识处理和考试中已超越大多数人类，例如在语文、英语、政治、历史等科目及公务员行测中可达到高分考生水平[2][3] - AI冲击的是整个教育体系赖以成立的底层逻辑，即“人力资本的定价基础”，动摇了“投入时间学习知识以换取体面工作和收入”的核心承诺[4] - AI并非为旧教育体系提效，而是宣布旧教育的中心任务——将人训练成标准化的知识处理器——已经过时[5] 教育模式的历史演变与当前危机 - 教育的第一性原理是传递知识和经验，使人获得生存与发展所需技能，其模式始终跟随生产力需求变化[8][9] - 当前教育体系是为工业时代设计的“认知标准化流水线”，其四个底层假设正同时失效：知识不再稀缺、记忆知识不再自动转化为竞争力、按学科分割知识的效率下降、标准化人才最易被替代[22][23] - 当前教育危机的本质是体系培养方向与时代需求之间出现结构性能力错配，正在用工业时代的模具生产AI时代不再需要的零件[33][34] 认知劳动价值重构与劳动力市场变化 - 知识获取、整理、生成及标准化推理等构成“技能溢价”核心的能力，其价格正发生结构性塌陷，AI可以每月20美元的成本稳定提供80分的答案[18] - 企业已开始按照此现实重写用人逻辑，例如摩根大通、高盛等华尔街巨头在业务流程中部署AI并尽量避免新增招聘[19] - 凡能被规则描述、拆解成流程、标准化执行的脑力工作都在被AI重新定价，导致初级岗位压缩，年轻人失去积累经验的入口[20][21] AI时代稀缺的人类能力 - 在AI时代获得高薪和成果的人，共同点是“能做AI做不了的事”，AI擅长回答已定义的问题，而人类擅长定义问题本身[27][28] - 五种正变得极其稀缺和值钱的能力包括：问题定义力、跨域整合力、不确定性决策力、人际影响力、自我驱动力[29][30] - 这些能力无法通过当前教育体系最擅长的听课、做题、考试训练出来[31][32] 教育领域的新分层与能力证明方式转变 - AI在教育领域制造的新分层逻辑不是基于“知道多少”，而是基于“能不能做AI做不了的事”，学历的保护伞正在失效[39][40] - 能力定价正从“你读过什么”转向“你做成过什么”，例如2025年春招中，一位211金融系应届生求职困难，而一位未上过大学的26岁年轻人通过熟练使用AI工具月收入达2.5万元[41] - 未来在大量市场化岗位中，单靠文凭已不够，需通过开源项目、独立游戏、被引用的内容或可公开检验的项目记录等作品来证明能力[45][46] 未来学校的形态与职能转变 - 未来学校的核心价值将从“教你知道什么”转向“让你在真实任务里学会怎么做”，学校会从“教室”变为协作和实践的“车间”[50][53] - 项目式学习将成为主流模式，在AI辅助下，学生可通过项目掌握通识知识，同时AI能识别每个人的特点、兴趣、节奏和差异化方向[54] - 学校不可替代的硬价值在于其作为实体空间，能提供实验室、工坊、社区、企业实习等场景，让经验在物理世界中生长[62][65] 教育制度与选拔机制的重构方向 - 许多现有制度将难以为继，包括文理分科、按年龄分班和专业壁垒，教育将越来越去学科化、去专业化，回归通识[66][69] - 选拔机制的标准需从根本上改变，应从筛选“在标准化试卷上得高分”转向评估“在未知中持续探索的能力”和“面对失败不退缩的驱动力”[92][96] - 新的选拔方式可能是开放性的真实挑战，例如数学、工程或人文领域的项目制评估，尽管面临公平性挑战，但方向正确更为关键[97][99] 教师在AI时代的角色演变 - 教师的需求不会减少，反而会更高且更贵，其角色将从知识传授者转变为监督审核AI、设计项目、组织协作以及进行德育、内驱力培养和长期陪伴[102][104] - 未来教师的核心价值在于“知道怎么提问、怎么判断方向、怎么在混沌里帮学生建立结构”，而非“比学生知道得多”[106] - 改变教育的第一步是让教师先成为AI的使用者，通过亲身体验新工具来反思现有教育内容的价值，从而将学生带入新视野[109] 个体应对与教育本质的回归 - 个体无需等待制度变革，可主动将时间从刷题转向发起具体项目、带领团队、掌握现代工具以及在真实世界中实践[125][126] - 教育的本质是让一个人在没有标准答案的世界里，知道自己该往哪里走，而非记住更多答案[127][128] - 基础教育结束后，个体应带走两样不可压缩的核心：一套能自我运转的学习系统，以及真实世界的基础生存力，使18岁成为可深造也可工作的真正岔路口[74][84]

核心观点 - 报告核心观点：AI技术革命引发资本市场投资逻辑迁移，从青睐“轻资产、高增长”转向关注“重资产、低淘汰”（HALO）资产[4]。全球HALO资产热由AI技术飞跃、宏观地缘局势及美国科技巨头资本开支放缓三条逻辑共振驱动[4][15]。中国HALO资产在体制支持、资产质量、设备先进度方面具备显著存量优势，配置价值高于美国同类资产[6]。报告通过“三门槛筛选+三指标排序”的量化方法构建了“爱建HALO22”模拟组合，回测显示其年初以来获得显著超额收益，验证了方法论有效性，并建议投资者在A股组合中超配HALO资产[6][100]。 聚焦HALO：概念、兴起逻辑与历史比对 - **HALO资产概念**：HALO是“Heavy Assets, Low Obsolescence”（重资产、低淘汰）的缩写[4]。其核心特征包括：1）**重资产（HA）**：拥有高壁垒的有形资本存量[12]；2）**低淘汰（LO）**：对AI技术应用替代具有免疫性，可通过“大语言模型能否复制公司产品或服务”的测试来判断[12]。 - **低淘汰资产的具体特征**：1）资本重度高（固定资产和在建工程占总资产比重高，如石油石化行业该比例可达50%左右）[13]；2）折旧周期长（设备设施折旧周期长达数十年）[13]；3）准入门槛高（规模经济显著，初始投资高昂）[13]；4）资产周转率高[13]；5）技术迭代缓慢[14]；6）经济功能难被AI替代甚至受益于AI发展[14]；7）具有稳定的经营回报和现金流[14]。 - **HALO资产兴起的三大逻辑**： 1. **逻辑一：科技巨头资本开支增速放缓**：美国四大科技巨头（微软、谷歌、亚马逊、Meta）资本开支占经营活动现金流净额比重在2025年达到高位（部分超过90%），2026年预计回落[18]。其自由现金流总和在2025年显著回落，资本开支增速预计从2025年的79%放缓至2026年的68%[18][19]。这导致投资者对“轻资产、高增长”科技股热情降温，转而关注稳健的HALO资产[18]。 2. **逻辑二：AI应用落地冲击“轻资产、高迭代”行业**：2026年初AI应用爆发式增长（如ChatGPT月活突破9亿）[28]。Anthropic报告显示IT、金融、法律等岗位AI替代率预期最高，这些岗位集中的软件服务、咨询、媒体等行业承压[29]。而物理世界的生产活动（挖矿、炼油、发电等）无法被AI替代，相关HALO资产成为“避风港”[30]。 3. **逻辑三：AI产业拉动能源底座需求，海外面临供给缺口**：AI产业“金字塔”底层是能源层[34]。美国数据中心用电量预计从2021年到2030年增加两倍以上，导致居民电价持续攀升[34]。美国电网老化、输电网络建设滞后，特朗普政府将能源基建列为战略优先，直接利好能源、有色金属、电力设备等典型HALO资产[35]。 - **历史比对**：对照互联网革新周期，当前AI时代可对标1999-2000年浏览器大战的生态位角逐阶段[38][39]。以纳斯达克100成交量/标普500成交量衡量的科技资产情绪热度，当前已越过高位，与互联网2000年中相当[40]。历史数据显示，在2000年初至2001年纳斯达克泡沫破裂期间，HALO资产（标普材料、能源、工业、公用事业综合模拟指数）曾持续跑赢约一年，报告判断当前HALO资产热预计还能延续相当一段时间[40]。 宏观地缘：美以伊争端的影响分析 - **争端概况**：2026年2月底美以伊军事冲突升级，影响全球原油航运要道霍尔木兹海峡，布伦特原油价格在3月一度飙升至110美元/桶以上[46][47]。 - **三方诉求差异**：美国希望速战速决以控制油价，避免影响中期选举；以色列希望维持高压态势以削弱伊朗；伊朗革命卫队则希望长期控制海峡作为战略筹码，三方矛盾导致局势高度不确定[52]。 - **高油价影响机制**：油价变动对美国通胀预期的影响通常滞后约一到两个月[55]。若布伦特油价持续高于100美元/桶，将在2026年二季度推升美国通胀预期和美债利率，从而压制股市估值、推迟联储降息，并对高负债的科技成长资产构成负面影响[55]。 - **三种演化情景及对HALO资产影响**： 1. **乐观情景（30%概率）**：4月前局势显著缓和，油价回归80美元/桶以下，HALO资产重回强势[62]。 2. **中性情景（50%概率）**：5-7月逐渐缓和，油价100美元以上超一季度，全球经济短期滞胀，能源股带动HALO资产表现[62]。 3. **悲观情景（20%概率）**：8月前无明显缓和，油价持续突破100-120美元，全球经济下半年陷入衰退风险，HALO资产承压[62]。 - **综合评估**：在乐观和中性情景（合计80%概率）下，HALO资产将获得支撑，因此地缘因素对HALO资产的整体影响偏正面[62]。 中国HALO资产的特点与优势 - **中美模式差异根源**：美国HALO资产发展是市场驱动，产业政策因党派竞争不连贯，企业投资高度依赖盈利前景，导致龙头垄断但效率停滞[65][66]。中国则是政府规划引领，通过五年规划提供长期稳定的产业支持，并利用财政工具降低重资产领域投资门槛，形成了超大规模产能的全球竞争优势[71][72]。 - **中国HALO资产的存量与质量优势**： 1. **存量优势显著**：中国在钢铁、铝、铜冶炼、化工、电力设备等领域建立了全球最大规模产能[72]。 2. **杠杆率低**：2024年年报数据显示，中国主要HALO行业企业的资产负债率普遍低于美国同行，财务稳健性更强[73]。 3. **设备更新、更先进**：中国制造业投资高峰期晚于美国几十年，近20年建设的设备技术标准更先进，折旧剩余年限更长，在AI时代承接数字化转型的能力更强[74]。 - **中国HALO资产分类**： 1. **基础HALO资产（上游）**：提供能量与原材料基石，包括石油石化、煤炭、有色金属、钢铁、基础化工、电力及公用事业六个行业[80][82]。 2. **承载HALO资产（中游）**：提供实物转化能力和供应链保障，包括机械、电力设备、交通运输、国防军工、汽车、建材六个行业[82][83]。 - **A股市场表现**：截至3月23日，A股HALO资产综合模拟指数（能源+材料+公用事业+工业）年初以来涨幅明显，相对Wind全A的超额收益在10个百分点以上，在全球三大市场（美股、港股、A股）中绝对涨幅居首[84]。尽管在美以伊争端爆发后A股HALO资产回调幅度（-10.1%）大于港股（-8.3%）和美股（-4.9%），但也体现出更高的市场弹性，后续回升潜力值得关注[84]。 组合构建：方法论与模拟组合测评 - **A股HALO资产估值现状**：截至3月23日，各行业历史估值分位分化。近十年估值分位低于50%的行业（长期相对低估值）包括有色金属（39.2%）、通信（41.0%）、交通运输（50.3%）[88]。近一年估值分位低于65%的行业（近期相对估值偏低）包括汽车（21.2%）、钢铁（41.4%）、电子（56.2%）[88]。 - **组合构建方法论：“三门槛筛选+三指标排序”**： 1. **三门槛筛选**：a) 市值流动性：日均换手率≥3%、市值高于100亿人民币；b) 分红约束：过去两年分红率不低于行业中位数；c) 现金流能力：剔除过去三年中自由现金流（FCF）单年出现过负值的公司[92][94]。 2. **三指标排序**：对通过门槛的标的在以下三个维度量化评分：a) 资产重度：（固定资产+在建工程）/总资产；b) 资产周转率；c) 资本开支/折旧比（衡量设备先进度）[93][95]。三项指标等权加总得到综合HALO量化评分[93]。 - **“爱建HALO22”模拟组合**：通过上述方法最终精选22只标的构建组合[96]。行业分布上，基础化工类标的最多（8只），其次为电力设备类（5只）和有色金属类（3只）[99]。组合指标特征：资产重度平均约35%（中位数32.2%），资产周转率平均0.44（中位数0.36），资本开支/折旧比平均1.67（中位数1.25）[99]。 - **组合回测结果**：截至3月25日，“爱建HALO22”模拟组合年初以来涨幅约13%，大幅跑赢Wind全A（0.7%）和Wind的HALO指数（6.6%），超额收益显著[100]。回测验证了构建方法论的有效性，并提示需在年报季后依据最新数据对组合进行重新校准，同时需强化个股基本面跟踪[101]。

行业投资评级 - 维持计算机行业“买入”评级 [2][9][25] 报告核心观点 - 报告核心观点认为，OpenClaw作为智能体入口，将原本分散的C端交互统一沉淀为标准化、可计量的API调用，使复杂的流量运营进化为纯粹的技术服务，为中国大模型厂商提供了在C端实现商业闭环、放大规模效应的非凡机遇 [5][9][15][25] 行业机遇与格局分析 - 相较于海外头部大模型厂商，中国大模型的商业化仍未完全闭环 [4][11] - 海外C端市场已形成成熟的月度订阅付费机制，以ChatGPT为代表，其周活跃用户超过9亿，个人订阅用户数超5,000万 [7][14] - 国内主流ChatBot应用以免费开放为主，尚未形成规模化订阅付费场景，尽管豆包、DeepSeek APP已积累过亿月活用户（截至2025年12月），但流量尚未直接转化为核心营收 [7][14] - 国内互联网科技厂商将AI ChatBot定位为流量入口增强器，需依托广告、本地生活等主业实现间接变现 [7][14] - B端市场方面，Agent及API调用已成为被市场验证的规模化场景，尤其AI编程等领域实现了稳定B端付费 [7][14] - 根据2025年11月AI资讯媒体Neuronad的报道，Anthropic企业业务占据约80%的营收，拥有30万家商业及企业客户 [7][14] - 国内头部科技厂商如字节、阿里更多将大模型作为MaaS工具，服务于云计算主业，以提升云服务营收与市占率为目标 [7][14] - OpenClaw正在改写上述格局，以KIMI为例，根据澎湃新闻报道，1月底以来Kimi 20天的收入就超过了2025年全年 [5][15] - Similarweb数据显示，Kimi的海外API开放平台网站在K2.5发布后，日均访问量直接翻了10-20倍 [5][15] - Stripe数据显示，1月Kimi支付订单数环比增长8,280%，2月再涨123.8% [5][15] - 未来若模型持续进步、OpenClaw类应用普及度提升，可能进一步带动Token月度使用量环比增加，全年模型API调用收入将继续抬升 [5][15] 市场回顾 - 本周（2026年3月23-29日）申万计算机指数下滑3.44%，在申万一级行业中排名第30位 [8][21] - 个股层面，本周计算机行业涨幅前十大个股为：中润光学、天玑科技、优博讯、佳发教育、美利云、金溢科技、品茗科技、海峡创新、科创信息、理工能科 [8][22] - 根据Wind数据，以PE-TTM口径（整体法，剔除负值）统计，申万计算机行业3月27日收盘后总体市盈率水平为50.4 [8][24] 投资建议与核心受益方向 - 维持计算机行业“买入”评级，核心逻辑是C端使用行为因OpenClaw的出现被系统性转化为API计量与现金化路径 [9][25] - 核心受益方向一：生态型国产大模型，重点关注在OpenClaw生态中消耗占比高、具备极致性价比和场景适配能力的厂商，其API调用量和Token收入有望进入高速增长期 [9][26] - 核心受益方向二：云服务，关注提供Agent一键部署方案、掌握应用分发入口的头部云厂商 [9][26] - 核心受益方向三：核心算力基础设施，推理侧算力需求激增，直接利好国产AI芯片、服务器及相关硬件供应商 [9][26]

36氪AI测评平台上线 - 36氪正式上线了“AI测评”小程序，旨在帮助用户在海量AI应用中筛选出可靠工具，其核心理念是“选靠谱AI，看真实评测” [6][7][13] - 该平台强调提供真实、深度的用户测评内容，以区别于市面上简短或带有营销性质的“水评”，社区内容由用户和行业KOL“肝”出来，包含分享与吐槽 [13] AI应用市场现状与平台覆盖 - AI应用市场变化迅速，新应用（如“养龙虾”类应用）涌现与更迭极快，用户容易在跟风中踩坑 [4][5] - 截至2025年7月，仅国内大模型数量就已突破1500个，位居全球第一，AI应用数量庞大导致用户选择困难 [16] - 36氪AI测评平台目前已收录超过400款AI应用，覆盖办公、编程、设计、学习、生活等多个领域，并仍在快速更新中 [13] - 平台不仅收录了ChatGPT、文心一言、Kimi、豆包等知名应用，还挖掘了许多小众宝藏应用，例如办公辅助类的轻竹办公、新华妙笔，休闲娱乐类的星野、猫箱，以及编程开发类的Explainpaper AI、PandaGPT等 [13][14][15] 平台核心功能与特点 - **产品导航与搜索**：用户可按“文本处理”、“视频处理”、“教育辅助”等分类筛选AI产品，或直接搜索“周报”、“PPT”等具体需求来快速定位工具 [19] - **产品点评榜**：平台聚合热门用户点评，形成口碑榜单，清晰展示“当红炸子鸡”与“小众宝藏”，帮助用户种草与避坑 [20] - **社区与圈子**：设有“发现广场”，用户可以浏览他人发布的测评笔记，学习AI工具的新玩法 [25] - 平台设有“热门圈子”（如“办公辅助圈”、“AI绘画圈”），用户可按兴趣加入，进行针对性学习和交流 [25] - **用户参与机制**：鼓励用户发布自己的测评笔记，并对使用过的产品进行打分和评价，以形成社区内容循环 [27][28] - **专业深度内容**：平台邀请了AI深度玩家和行业KOL进行深度实测（如技术博主拆解DeepSeek代码能力，设计师分享通义万相使用体验），并由36氪团队进行精编整理，确保测评内容扎实有用 [31][32] 平台访问方式与定位 - 平台提供网页版和小程序版两种访问方式，网页版（https://www.36aidianping.com）适合PC端沉浸式体验，小程序版可通过微信搜索“36氪AI测评”获得，便于随时随地使用 [35][36] - 该平台定位于服务从AI入门小白到资深玩家的广泛用户群体，旨在帮助用户高效找到合适工具，提升工作效率和生活便利性 [33][37]

文章核心观点 - 全球科技领袖埃隆·马斯克持续关注并公开赞赏中国国产大模型的技术进展，表明中国在AI大模型领域的技术实力已获得国际顶尖人士的认可 [1][3] - 中国AI公司（如月之暗面Kimi、阿里通义千问、字节跳动）在模型架构创新、性能提升及多模态生成等关键技术上取得显著突破，正快速缩小与国际前沿的差距 [3] 中国国产大模型的技术突破与行业影响 - 月之暗面Kimi发布《Attention Residuals》技术报告，通过“注意力残差”新方法重构大模型残差连接机制，在48B参数模型上实现训练效率提升1.25倍，科学推理与数学成绩分别提高7.5%和3.6%，被业界视为“深度学习2.0”的重要信号 [3] - 字节跳动旗下视频生成大模型Seedance 2.0采用统一的多模态音视频联合生成架构，支持文字、图片、音频、视频四种模态输入，解决了AI视频生成可用率低、角色细节漂移等行业痛点，最长可生成60秒2K广播级画质视频 [3] - 阿里千问于3月2日正式开源Qwen3.5-0.8B、2B、4B、9B四款小尺寸模型，其“智能密度”获得马斯克赞赏 [3] 国际行业动态与中国模型的关联 - 全球知名编程工具Cursor发布的自研前沿编码模型Composer 2，在测评中性能超过Claude Opus 4.6，后被开发者发现是基于Kimi K2.5微调而来，马斯克在社交媒体上证实了这一点 [1] - 此事件引发行业广泛关注，Kimi团队以中文热梗“听说我，谢谢你，因为有你”幽默致谢，被赞“温柔中展现技术自信” [3] 埃隆·马斯克的积极评价 - 马斯克在社交平台转发并评论Kimi的技术报告为“Impressive work from Kimi”（Kimi的作品令人印象深刻） [3] - 马斯克在阿里千问官方帖子下留言，称赞其开源模型具有“Impressive intelligence density”（令人印象深刻的智能密度） [3] - 马斯克转发关于字节跳动Seedance 2.0的推文并感慨“It's happening fast”（这也太快了） [3]

文章核心观点 - AI技术正在金融行业，特别是私募基金领域，引发深刻的“替代”变革，从投研、运营到销售各环节的效率提升和成本降低成为核心驱动力，但行业内部对AI的实际应用价值和局限性存在不同看法，整个行业处于焦虑与适应并存的加速迭代状态 [8][9][16] AI对金融岗位的替代潜力与现状 - Anthropic报告显示金融岗位的AI替代率高达94%，位列所有职业第二，但目前实际替代率仅为28%，未来替代空间巨大 [3] - 有30%的职业几乎不受AI影响，为金融从业者提供了潜在的再就业方向 [3] 私募行业拥抱AI的实践与动机 - 私募行业积极引入AI作为“先进产能”，旨在优化人效比，用更少的人管理更多的资金 [8] - 具体案例包括：蝶威资产开设课程教授如何驯化“数字研究员”；鸣熙资本使用Manus自动生成宣传材料；客户也开始使用AI工具（如豆包）辅助投资决策 [8] - 核心驱动力在于成本控制：股票量化研究员年薪通常在80万-150万元，主观研究员激励也可能高达数千万元，AI可节省巨额人力成本并实现24小时工作 [9] - 霍华德·马克斯指出，关键在于工作成果是否可靠可用，而非AI是否真正思考 [9] AI投研工具（如OpenClaw）的应用与影响 - 春节后，至少8家券商金工团队发布“养龙虾”（指训练AI智能体如OpenClaw）教程，加速研究员的替代进程 [10] - 开源金工关于OpenClaw的路演播放了4839次；相关教程宣称能将投研效率提升10倍，并能复现经典投资策略 [10] - 买方积极跟进：北京某私募为投研团队配备新电脑并提供5万元token补助，专门用于训练AI [10] - 实际效果案例：雪球资管培养的AI Agent两天工作量可能超过成熟量化研究员半年，且潜力更大；沁源投资将AI嵌入各部门，实现工作闭环和独立迭代 [11] - AI研究员具备全天候工作、长期记忆、绝对忠诚、持续迭代等理想特性，若token成本持续低于人力薪酬，其吸引力巨大 [12] 量化与主观投资机构对AI的不同态度 - 部分头部量化机构认为OpenClaw对其意义有限，视其为具有随机性、非系统性、安全性低的“半成品”或“玩具”，可能给严肃的生产环境带来不确定性 [12][13] - 量化机构已搭建更成熟的多智能体（Multi-Agent）平台，形成对单一AI工具的技术碾压，其系统运转本身就在减少对人类研究员的需求 [13][14] - 传统量化投研流水线正被AI Agent重构，标准化重复性工作被替代，例如喜岳投资的Apollo AI系统拥有相当于数百个AI员工的能力 [14][15] - 主观基金经理处境尴尬：上受量化“无人工厂”降维打击，下受散户借助AI工具缩小信息差逼迫，陷入AI FOMO（错失恐惧症） [15] - 部分主观基金经理已降低对研究员的期望，仅要求其负责具体标的研究，这种角色更容易被AI替代 [15] AI的局限性及人类的不可替代性 - AI存在局限性：无法理解A股市场散户复杂交易行为（如“三阶导”、“五阶导”）、难以共情长期被套却坚守的投资者、无法为投资亏损承担责任 [17] - 如果AI完全取代基金经理和研究员，市场有效假说或将成立，Alpha收益将消失，也不会再出现下一个巴菲特 [18] - 未来资管行业，当AI接管基础工作后，人类剩余的价值在于对投资的热爱、对不确定性的直觉以及坚持留下的理由 [18] - 行业需要思考的不是消灭或臣服于AI，而是决定人与AI各自应扮演的角色 [18] 金融行业整体的焦虑与加速迭代 - 金融行业长期处于“被比较”的环境，业绩压力与知识焦虑持续存在 [7] - 行业近两年变化加速，从DeepSeek发布到全民“养虾”，再到地缘政治事件，金融从业者大脑持续过载 [16] - 行业交流氛围从数年前的乐观（“跳着踢踏舞去上班”）转变为严肃谈论各种“迭代”，反映出普遍的焦虑感 [16] - 行业共识是唯有不断迭代，才不会被快速发展的AI和同业进步所淘汰 [16]

文章核心观点 - AI技术，特别是以OpenClaw为代表的AI Agent，正在深刻改变金融行业尤其是私募基金的投资研究、运营和销售等核心环节，通过替代人力或提升人效，驱动行业向更高效率和更低成本演变 [11][13][17] - 行业对AI的接受和应用呈现分化：量化机构凭借技术优势已进入多智能体平台阶段，主观机构则面临效率焦虑并开始尝试，而散户则借助工具降低信息差 [19][21][22] - 尽管AI替代趋势不可阻挡，但人类在投资中的人文特质，如对不确定性的直觉、热爱和责任感，是AI目前难以取代的核心价值，未来行业的关键在于厘清人与AI的角色分工 [27][28] 一、AI对金融岗位的替代趋势与行业焦虑 - Anthropic报告指出，金融岗位的理论替代率高达94%，但目前实际替代率仅为28%，未来替代空间巨大 [6] - 金融行业成本最高的部分是人，资管公司的核心在于用更少的人管理更多的资金，因此正积极拥抱AI作为“先进产能” [11] - 私募行业在投研、运营、销售等成熟链条的各个环节，AI的替代已经开始发生 [11] - 金融从业者长期处于“被比较”和业绩压力之下，行业普遍存在因技术快速迭代而产生的焦虑感 [10][25] 二、AI投研的成本效益与初步应用 - 私募研究员薪酬高昂，股票量化研究员年薪通常在80万至150万元，主观研究员亦有获得超2000万元年终奖的案例，AI替代可节省巨额人力成本 [13] - 霍华德·马克斯指出，雇主关注的是工作成果是否可靠可用，而非完成者是否具备真正的思考能力 [13] - 春节后，至少8家券商金工团队发布“养龙虾”教程，推广OpenClaw，其能像人类一样主动产出研究成果 [13] - 开源证券金工关于OpenClaw的路演播放量达4839次，内容涵盖策略复现与全自动因子挖掘等 [14][15] - 买方机构积极学习应用，有北京私募为投研团队每人配备新电脑并提供5万元token补助，专门用于“养龙虾” [17] - 雪球资管培养的AI研究员两天工作量可能超过成熟量化研究员半年，且潜力更大 [17] - AI研究员具备全天候工作、长期记忆、绝对忠诚和持续迭代等优势，符合基金经理对研究员的理想期待 [17] 三、量化与主观机构对AI的不同态度 - 主观私募正在权衡使用AI的Token成本是否划算 [19] - 部分头部量化人士认为OpenClaw对量化投资意义不大，视其为具有随机性、非系统性和安全风险的“半成品”或“传销” [20] - 量化机构已搭建更先进的多智能体平台，例如喜岳投资的Apollo AI系统拥有数百个AI员工，对OpenClaw形成技术碾压 [21] - 量化投研流程正从传统流水线架构转向由AI Agent主导的角色分工与工作流设计，标准化工作被大量替代 [21] - 主观基金经理面临上下夹击：上有量化机构的降维打击，下有散户借助工具缩小信息差，陷入AI焦虑 [22] - 有主观基金经理降低了对研究员的预期，仅要求其研究具体标的，而将发现机会和给出建议视为己任，这类角色更易被AI替代 [23][24] 四、AI的局限与人类在投资中的不可替代性 - AI难以理解A股市场散户行为背后的复杂人性与情绪，例如无法预判市场交易的深层逻辑或理解投资者长期被套却坚守的情感因素 [27] - AI无法承担投资亏损的责任，不会面临被投资者问责或需要反思检讨的压力 [27] - 如果AI完全取代人类，市场将趋于完全有效，Alpha将消失，也不会再出现巴菲特式的投资大师 [27] - 当AI接管数据、模型和报告等基础工作后，人类剩余的价值在于对投资的热爱、对不确定性的直觉以及坚持留下的理由 [27] - 行业的未来不在于消灭或臣服于AI，而在于明确人与AI各自应扮演的角色 [28]

文章核心观点 - 特斯拉与xAI创始人埃隆·马斯克近期持续关注并公开点赞中国国产AI模型，包括月之暗面的Kimi、阿里巴巴的Qwen3.5系列以及字节跳动的Seedance 2.0，形成了一场跨洋科技互动 [1] - 马斯克认为中国在AI算力方面将远超世界其他地区，其核心优势在于稳定廉价的电力、规模化基建与高效的工程师团队 [2] - 业内分析认为，马斯克的连续点赞展现了中国AI在底层架构、多模态应用及开源生态方面的全面突破 [2] 中国AI模型的技术进展与性能突破 - **月之暗面Kimi**：通过发布《Attention Residuals》技术报告，重构大模型残差连接机制，采用“注意力残差”新方法，在480亿参数模型上实现了训练效率提升1.25倍，科学推理与数学成绩分别提升7.5%和3.6% [1] - **阿里巴巴Qwen3.5系列**：开源了0.8B、2B、4B、9B四款小尺寸模型，覆盖从端侧边缘设备到轻量级服务器的全场景需求，以极小参数量实现越级性能，其中9B版本性能可媲美千亿参数模型，0.8B和2B版本可流畅运行于移动设备与IoT边缘设备 [1][2] - **字节跳动Seedance 2.0**：采用统一的多模态音视频联合生成架构，支持文字、图片、音频、视频四种模态输入，解决了AI视频生成可用率低、角色细节漂移等行业痛点，最长可生成60秒的2K广播级画质视频 [2] 马斯克对中国AI的评价与互动 - 马斯克在社交平台X上转发并评论Kimi的技术报告为“令人印象深刻的作品”，Kimi官方以幽默方式回应 [1] - 马斯克在阿里巴巴Qwen官方帖子下直接留言，称赞其“令人印象深刻的智能密度” [1][2] - 马斯克在转发关于字节跳动Seedance 2.0的推文时感慨“这也太快了” [2] - 马斯克在达沃斯论坛与播客访谈中预判，中国AI算力将远超世界其他地区，并指出了中国的核心优势 [2]

行业背景与痛点 - 大模型赛道竞争激烈，新模型以近乎周更的速度涌现，如GPT、Llama、Gemma、Mistral、DeepSeek、Qwen、Kimi、GLM、MiniMax等 [2] - 模型架构创新繁多，但理解困难，主要由于不同论文的模型结构图风格各异、模块命名不统一 [2] - 行业缺乏一张清晰、统一的大模型架构图来对比和理解不同模型的关键改动 [2] “LLM Architecture Gallery”项目介绍 - AI研究者Sebastian Raschka创建了在线图谱“LLM Architecture Gallery”，旨在绘制和整理过去几年主流大模型的结构 [3] - 该项目汇集了其两篇博客《The LLM Architecture Comparison》和《A Dream of Spring for Open-Weight LLMs》的内容 [6] - 该网站页面结构类似于大模型名录，汇集了大量主流模型系列，包括Llama、DeepSeek、Gemma、Mistral、Qwen、Kimi、GLM等 [7] - 图谱覆盖的模型参数规模范围广泛，从几亿参数的小模型到千亿乃至万亿级模型 [7] 项目功能与价值 - 用户点击任意模型名称（如DeepSeek R1）即可链接到对应的详细模型卡页面 [9] - 每张模型卡展示该模型的核心架构图、关键模块设计、参数规模、发布时间、相关概念等基本信息 [11] - 该图谱将Gemma、Llama等一系列主流模型纳入其中，提供统一的视觉框架，便于快速理解模型结构 [14] - 对于研究者而言，该图谱相当于一份可快速查阅的大模型架构索引，支持在一个页面内浏览和对比不同模型的设计思路与关键创新点 [14] - 该工具能帮助研究者更高效地理解技术演化路径，并为后续的研究和模型设计提供参考 [14]

GEO行业概述与商业模式 - GEO（生成式引擎优化）是一种新兴业务，旨在通过影响AI大模型生成的答案，让特定产品或品牌在答案中露出，从而获取流量[9][10] - 该行业在2025年DeepSeek等大模型产品出圈后呈现井喷式发展，服务商数量激增，估计“没有一千也有五百家”[11] - 服务报价在数千元到十万元区间，按关键词/问题数量计费，操作流程标准化，通常需要为客户铺设40到50篇定制稿件才能初见成效[14] GEO的技术原理与实施策略 - GEO的核心技术原理是瞄准大模型的联网搜索环节：当用户搜索时效性强的问题时，模型会从互联网抓取最新信息，GEO通过提前在AI偏好的内容源“投放语料”来影响结果[15][18] - 不同AI模型有各自的信源偏好，例如豆包偏向抖音生态内容，DeepSeek更爱引用官网和总结性文章，服务商需针对不同模型制定精细化投放策略[19] - AI偏爱信息密度高的结构化内容，如横向对比评测、深度种草长文，以及带有结构化表格和Q&A的内容，文章需将推广信息自然融入其中，避免被识别为软文[21] 行业现状、挑战与效果争议 - 行业面临“与黑箱赛跑”的挑战，大模型运行原理不透明，且无法有效监测内容在搜索结果中的出现次数及触发条件，导致优化效果不稳定且难以量化[24][27] - GEO效果被指“雷声大、雨点小”，更偏向品牌广告而非效果广告，全球AI搜索流量占比可能还不到5%，实际转化微乎其微[28] - 效果难以持久且受多重因素影响，包括提问时间、用户画像、对话上下文甚至IP地址都可能导致答案不同，模型算法一变，投放策略即可能失效[25][27] 信息污染、“投毒”现象与平台治理 - “投毒”现象是指通过软件向AI大模型定向投放虚假信息，以在推荐结果中夹带私货，2026年央视315晚会曝光了此类现象[4][5] - 信息污染严重，据硅谷AI公司Reforge统计，2025年全球互联网内容中AI生成内容比例已超过50%，股民交流平台和知识问答社区是重灾区[35][38] - 平台方主要通过“规则+黑白名单”的风控体系及数据清洗进行治理，并为权威信源提供标识，但对抗效果有限，因为GEO内容逻辑自洽，其“目的性”难以被机器识别[37][39][40] 国内外市场差异与未来趋势 - 在硅谷，GEO是炙手可热的赛道，明星创业公司Profound于2025年8月完成红杉领投的3500万美元B轮融资，估值过亿美金，其业务模式更偏工具导向，提供分析指标[44][45] - 未来趋势是平台商业化将促使规则清晰化，例如Perplexity已为合作内容加上“Sponsored”（赞助）标签，ChatGPT、豆包也开始尝试推送商品链接，灰色地带空间将缩小[51] - 长期来看，赢得AI信任要求提高从业门槛，从机械化堆砌内容转向理解模型偏好，同时企业做好基础SEO（如建设官网、披露信息）是有效GEO的重要前提[47][48]