投资活动中,有三种能力至关重要:信息获取、信息处理和创新能力。投资是用现在的确定性交换未来的不确定性,是在不完全、不对称信息下对未来的概率性押注；谁获取有价值信息的成本更低、理解更深更准,谁就更有可能建立优势。投资市场交易成本低、同质化竞争强烈,即使能获得并正确处理数据,若角度缺乏独特性,策略就会与众人趋同,只能获得贝塔而非阿尔法。

投资的方法有很多种，但万变不离其宗。华尔街对冲基金斥巨资购买卫星图像、航运数据等“另类数据”捕捉独家线索；量化机构铺设专用光纤压缩信息传输时间；巴菲特则在奥马哈凭借深厚的商业洞察力——即更强的信息处理优势——创造长期卓越回报。他们都必须走别人不走的路,才能长期超越大盘。

AI对投资的影响广泛深远,覆盖研究、交易、风控、合规与投顾等链条,但对信息获取与处理的影响是关键。AI不会改变投资的基本经济学逻辑,但会重塑投资者在产业链不同环节的相对优势。

AI的优势:提升信息获取与处理的能力

AI对投资的信息模式的重塑,首先体现在显著提升处理信息的速度和宽度。

过去投资中可利用的信息分两类。一类是借助计算机可高效处理的结构化数据,如财务数据、交易数据、宏观数据,字段明确、格式统一。另一类是研究报告、管理层访谈、产业视频、实地调研等非结构化数据,传统技术不擅长,主要依靠人筛选判断,而人处理带宽低、速度慢。

以大模型为代表的AI,恰在语言与多模态理解上具有优势,带来非结构化数据处理的“效率跃迁”:可在极短时间内完成跨语言资讯梳理、长文档提炼、电话会要点捕捉与语气变化识别,把原本需要团队数天的“翻文件”工作压缩到分钟级。例如彭博在 BloombergGPT 等能力基础上推出“AI 文档洞察”功能，允许分析师将成批研报、公告、监管文件交由系统自动提取关键段落与风险点,并用自然语言回答关于监管风险、成本控制等问题。

其次,AI的高通量处理使其在应对高维信息时得心应手,而人类很难建立对高维空间的直观理解。人类建模时变量规模有限(心理学家米勒定律指出，变量达到7个左右，人脑会陷入认知过载)；AI的模式识别则动辄成千上万个特征维度,可识别人类无法察觉的跨维度相关性与“弱信号”。例如某晶圆厂近月用电负荷略高于季节常态、相关供应商工艺岗位招聘增加、相关技术论文引用加速,但新闻公告层面并无大动作——这些散落信号单个分析师很难拼成完整故事,AI却可能识别出这类组合往往预示企业接近工艺突破或产能爬坡。

最后,AI与人类在模式识别上存在根本差异:前沿AI通过非线性建模实现复杂模式识别,人类对此不擅长。现实中很多关系并非线性,如利率、通胀、情绪、地缘政治等因素的交互不是简单相加；但传统金融模型往往假设线性关系(如CAPM),传统统计学出于可计算与可解释也偏好线性。深度学习理论上可逼近任意非线性函数,对投资分析有潜在的巨大价值。

人类的相对优势

基于AI当前的技术范式,人类仍有一些AI尚不能颠覆的优势,可从五个角度讨论。

第一,创新能力是投资的核心能力之一。当前大语言模型可模拟人思考、生成虚拟内容,但本质上是对人类数据的重新排列组合。即便是获诺奖的蛋白质预测模型AlphaFold,也需基于科学家积累的实验数据训练,从科学发现角度看并非真正原创。AI在应用人类知识上成绩前所未有,但在原始创新上仍非常局限:AI能否用牛顿看到的数据发现万有引力？能否用80年前的资本市场数据自创价值投资?至少目前不行——否则将对人类智能产生压倒性优势。

第二,人类在数据获取上有一定优势。分析师可通过实地调研、产品体验获取无法被数字化的多感官信息,还能建立人际网络,通过深度沟通与建立信任来获取和验证信息,如核心高管间的权力结构、供应链里“不上台面”的变化、地方政府真实执行态度等非公开但合法的信息。这种依赖具身感知与社交特征的信息获取,在具身智能取得更大进展前无法被取代。此外,AI的“知识”主要来自对人类记录过的信息的学习,而记录本身存在压缩损失——有经验的分析师可基于交流氛围较准确判断管理层是否靠谱,但这种直觉很难转化为训练语料。这种“隐性知识”对AI构成挑战。

第三,AI的智能往往依赖大数据,而人类智能只需很小数据量。投资信息常常稀疏低频,AI难以应对产业技术路线切换、新兴产业出现等黑天鹅冲击——样本少、现象新,大幅限制模型优势。

第四,前沿模型的能力来自对人类知识的压缩,并无真正意义上的因果分析能力,对逻辑推理也只能模拟。人类习惯构造因果假设,擅长在没有充分样本时用理论压缩复杂性,练就了抓住“少数关键变量”的本领；AI则依赖统计相关性从历史模式中拟合获得“理解”。这使得高阶投资判断仍依赖人类——如“为什么这个行业会赢家通吃”“同样的政策在中美为何效果迥异”,需要对经济学、产业知识、制度差异的综合分析来把握底层逻辑,AI对这类机制的“理解”往往不够稳定。

第五,投资决策不仅需从质量衡量,还面对治理与责任约束。投资要面对监管、合规、客户的审视,黑箱模型即便预测力强,也可能因不可解释而无法大规模使用。AI不会承担声誉损失、职业后果和法律责任,而最困难的决策常常是在信息不完备下拍板、在共识很强时选择不做、在模型与人类判断冲突时选择信谁——这是权力与责任的匹配,不只是算法问题。当前社会制度仍要求人类作为最终责任主体。

总结:人机协同,但AI作用越来越大

综合来看,AI正在从根本上重塑投资中信息获取与处理的格局,但并未取消人类判断的核心地位,而是将人机协作推向了一个新的、对人要求更高的阶段。

在效率层面,AI对非结构化数据的处理突破了传统技术的边界,将过去需要团队数天的信息筛选与梳理压缩到分钟级；在广度层面,另类数据的大规模利用、跨语言跨市场的信息覆盖正在成为现实；在深度层面,AI基于高维非线性模式识别的能力,为投资分析开辟了人类认知难以触及的新维度。这三重变化叠加,意味着投资行业的信息处理基准线正在被大幅抬高。

基准线的抬高带来一个重要的结构性影响：AI对初级研究人员的价值构成显著冲击。初级分析师的核心工作——搜集资料、阅读研报、跟踪数据等——恰是AI能高效完成甚至表现更优的领域。过去这些工作是年轻分析师进入行业、积累经验的阶梯；如今阶梯正被AI抽走,行业对初级人员的需求规模可能显著缩减,入行的门槛和路径都将深刻变化。

但人类在创新能力、具身感知与关系网络驱动的信息获取、隐性知识运用、底层逻辑分析以及承担决策责任等方面,仍有AI难以替代的优势。未来真正稀缺的投资人才,是能站在AI能力之上、发挥人类独特智能的高阶从业者:具备深厚的产业洞察与商业判断,能提出正确的问题而非仅处理已有信息,擅长在不完备信息下做出有担当的决策,并能驾驭AI工具放大认知优势。创新能力,将是他们最后的护城河。

本文作者：

刘劲，大湾区人工智能应用研究院理事、特聘专家，长江商学院会计与金融学教授、投资研究中心主任

段磊，大湾区人工智能应用研究院研究总监

吴亦珊，大湾区人工智能应用研究院高级研究员