这两天，2026 世界人工智能大会正在上海举行。
今年大会的主题是“智能伙伴，共创未来”。超过 1100 家企业带着 3000 余项展品参展，AI 手机、办公智能体、具身机器人和行业 Agent 几乎占据了所有显眼的位置。AI 产业的叙事一路演化到现在又走到了一个十字路口：人们不再满足于让模型回答问题，而是希望它能够理解目标后自动调用工具，并在后台持续完成一系列工作。
高盛最近把这一变化称为 “always-on background agents” 。他们预计，在企业与消费者采用 AI Agent 的推动下，全球每月 Token 消耗量将在 2026 年至 2030 年间增长 24 倍。Agent 之所以消耗更多 Token，恰恰是因为它不再只回答一次问题，而是需要反复观察、规划、执行和检查。
但在同一时间，我看到了一项很有意思的交易实验。
一位擅长量化和机器学习策略的研究者在比特币和美股标普 500 数据上测试了 1856 个机器学习交易策略。表现最好的策略在扣除成本后获得了 128% 的收益。出乎意料的是，他接下来得出的结论却是：这个数字几乎没有意义。
当一个系统测试了接近 2000 种策略，总会有某个策略仅仅依靠运气呈现出漂亮的回测曲线。机器提高了生成策略的速度，也同步提高了发现伪规律的速度。
这或许正是 AI 进入投资研究之后，非常容易被忽略的一件事：
当生成能力变得极其廉价，投资研究的稀缺性并没有消失，只是换了位置。
AI 正在打穿研究的供给侧
过去，阅读数百份公告、整理产业数据、提取财务指标、构建因子、编写回测代码，都是成本很高的工作。
信息处理能力本身就是壁垒。
而现在，模型可以在很短时间内阅读大量文本，生成研究假设，补齐代码，并批量测试不同参数。一个过去只能同时覆盖十几家公司的研究员，很快可能拥有覆盖上百家公司和多个产业链的能力。
但问题来了，资本市场并不会因为研究产量增加，就自动产出更多 Alpha。
如果未来机构人均都能够生成更多摘要、更多因子和更多策略时，系统很可能只是更快地制造三类东西：
- 看起来合理，但实际彼此重复甚至自相矛盾的观点爆炸；
- 大量依赖特定样本区间的回测结果，甚至过拟合；
- 以及批量无法转化为真实仓位动作的研究材料。
今年 7 月初，拥挤的 AI 交易出现剧烈波动。高盛统计显示，一些系统化管理人在数周内回吐了约四分之一的年内收益，收益率由 6 月 22 日的 14.4% 降至 10.8%；基本面选股基金同期也下跌 2.2%。这不是因为市场参与者缺少数据、模型或者自动化工具，而是因为原本有效的趋势、拥挤程度和风险状态发生了变化。
AI 可以更快地执行一个模型，它却不能替代投资系统回答另一个问题：
这个模型所依赖的世界，还是原来的世界吗？
投资研究不是答案工厂，而是状态更新系统
一项投资判断从来不是孤立的答案。
它总是依赖一组暂时成立的前提：需求是否仍在加速，价格是否能够传导，竞争格局有没有变化，利润率改善是否已经被估值计入，市场交易的究竟是长期空间还是短期订单。
投资逻辑的转变通常以一种润物细无声的形式呈现。
一次产品延期，一项价格调整，一个新竞争者，一段管理层表述的变化，或者一项看似无关的上游数据，都可能改变原有判断的概率。
聊天窗口很擅长回答“帮我分析这家公司”以及解释世界。
可是发现投资机会这件事，解释世界真的重要到足以影响终局吗？
大多时候我们没有坚定立场，往往是因为，对上一次判断建立在哪些前提上还不足够清晰；
以及，哪些证据已经被验证；
当前价格已经兑现了多少预期；
什么变化应该触发减仓、退出或者重新研究，这些方面还会有犹疑。
即使模型拥有聊天记忆，它记住的也可能只是过去说过什么，而不是投资对象的状态究竟发生了什么变化。
因此，买方投研需要的不是一个更能说的聊天机器人，而是一套可以持续维护研究状态的系统。
一条完整的 AI 买方链路，至少包含三个不同层次
第一层，是对外部世界的持续覆盖。
它需要明确自己长期跟踪哪些公司、产业链和主题，维护关键指标、竞争格局、价格、供需和事件的变化。
我把这一层称为 Coverage OS。
在 Lunartulip 长期独立研究站的定位下，这一层不仅需要解决今天发生了哪些影响市场的信息热点，更需要深入到再之后的一层，也就是和上一次相比哪些变量有潜在影响市场定价预期的可能。
第二层，是把外部变化翻译成投资含义。
一个数据变化并不天然等于一个交易信号。研究系统还需要判断它会沿着怎样的产业链路径传导，影响谁的收入、利润率、竞争位置和估值。
这是 AlphaMap 所承担的工作。AI投研，基金经理真正该拆的是产业瓶颈
它关心的不只是某个行业是否增长，而是价值量集中在哪个环节，谁先兑现，谁只是叙事外溢，哪些节点可能成为传导断点。
第三层，才是组合与执行，涉及到真实的投资组合构建并落实到仓位和执行。
即便一项判断成立，也仍然需要回答：当前赔率是否足够，仓位应该多大，错误成本是多少，哪些反证会触发退出，以及这项机会和组合中其他风险是否重复。
Coverage OS 维护世界状态，AlphaMap 解释状态如何影响 P&L，Portfolio 与 Execution 决定真实资本如何移动。
这不是三个彼此独立的工具。
它们共同构成了一条资本决策链。
Quantamental 不是给基本面研究加一个量化插件
很多人把 Quantamental 理解成：基本面研究员使用一些量化数据，或者量化模型增加一些文本因子。
但当 Agent 进入研究流程之后，这个定义已经不够了。
语义层负责理解一个产业为什么发生变化，识别因果关系、管理层意图、技术路线和市场预期。
量化层负责检查这些判断是否可以被数据支持，它们在什么区间成立，稳定性如何，以及结果是否可能来自样本选择、数据泄漏或者多重检验。
两者不是简单相加。
它们必须围绕同一组研究状态工作。
不然，语义研究会不断产生无法证伪的故事；量化系统则会在历史数据里不断找到能够解释过去的规律。
一家大型资管机构最近在总结 2026 年的量化投资实践时，也强调 AI 更适合扮演研究加速器，而不是自动选股机器。模型输出需要能够追溯到具体数据和经济逻辑，人类判断仍然要负责模型设计、方法选择以及防止过拟合。
这也是为什么，在 AI 时代，优秀的研究系统未必总在产生更多交易。
它可能大部分时间都在维护状态、寻找反证、降低置信度，或者告诉基金经理：目前没有足够的新信息支持改变仓位。
持续运行，不等于持续行动。
我们相信，一套成熟的承载买方能力系统，最重要的守则之一，或许恰恰是知道什么时候应该保持沉默。
正如芒格所说，如果我知道自己会死在哪里，我就永远不去那里。
写在最后
Agent 正在越来越像我们身边的同事。
它可以阅读、搜索、写作、编程、监控，并在后台连续完成工作。
但投资研究并不是把任务完成就结束了。
市场会改变，证据会冲突，模型会失效，原本正确的观点也会因为价格上涨而失去赔率。
下一阶段的差距，除了大模型厂商还在竞相比拼谁拥有更聪明的模型之外，金融投研领域作为下游应用领域的其中一个重要场景，它的决胜局更多会发生在谁能够让模型在一套连续、可追溯、能够接受反证，并且会被真实市场反馈纠正的研究系统里长期工作。
AI 未来肯定替代不了基金经理。
只有更会驾驭 Agent 能力的基金经理会取代那些不做尝试的人。
而开始的早期迹象，正发生在那些每天重新开始、无法保存前提预设、无法处理反证，也无法把判断稳定落到资本动作上的投研流程。
Build the system behind conviction.
发表于 16 小时前
|
查看: 6|
回复: 0
