BEDROCK播客E19-聊聊AI在投资上的应用（文字版）
TC
大家好，欢迎来到Bedrock播客。
Tracy
Hello，大家好，这里是Bedrock播客的第19期，欢迎大家收听。这一期我们邀请了Bill，他来自湾区，兼具AI与Crypto背景，可能是最懂投资的AI创业者，非常适合今天的话题。今天我们将和他一起讨论AI在投资中的应用。
Bill，不如你先给大家做个自我介绍？
Bill
Hello，大家好，我叫Bill孙卿云。2014至2019年在斯坦福攻读数学博士，也是2016年Google Brain最早参与Transformer研发的AI研究员之一。此外，我从事投资多年，曾在千禧年担任投资组合经理，用量化方法管理规模较大的股票策略；也在Citadel和Point 72运用机器学习方法交易股票与期货。
目前我正在推进一个AI创业项目“gen alpha”，近期推出了新产品“AIUSD到AI”，欢迎大家试用。这是一个稳定币余额宝产品，你可以存入USDC、USDT、USD One（支持多链），我们将为你提供20%的收益。AI会作为财富管理人和执行交易员，协助完成多链交易、跨链操作等。
Bill
在硅谷时我结识了TC，我们一起探索了如何利用AI自动化基本面投资，并让AI达到优秀买方基金的分析水平。我们进行了一些技术路径尝试和概念交流，觉得非常有意思。今天我们可以从这个话题展开讨论。
Bill
TC是我见过最出色的基本面投资者之一，他既能深入理解基本面，又能对未来技术趋势拥有清晰洞察。
TC，不如你介绍一下你的基本面分析方法，尤其是对那些难以用现金流折现估值的“高飞股”？你们是如何预测未来现金流的？如果有一个不知疲倦、24小时运转、可化身千万的AI分析师，能为你带来哪些增益？
TC
今天我们就轻松聊聊，关于AI、Crypto以及投资方法都可以随意讨论。
刚才Bill提出了一个很难的问题。我们对AI或量化辅助投资的理解是：凡是容易回测验证的问题，AI都容易处理，比如短期模型和人类行为预测（这是Bill的专长），因为这类模式容易重复，很多量化团队都在做。
但像基于长期判断的房地产预测就很难，因为这类事件历史上并未发生过。
TC
比如预测AI将如何改变世界，这类事件本身没有先例，缺乏足够数据验证或捕捉信号，必然涉及大量主观判断。既然包含主观判断且事件尚未发生，做出先验判断几乎是不可能的。
AI对我们的帮助在于，它可以辅助自动化我们既有的研究和选股模式。以往很多模式依赖人工，比如检索信息、分析关键要点，现在可以利用AI工具在一定程度上优化或提升效率。这是我们目前能设想的步骤。
但我和Bill多次交流后认为，要实现完全自动化本质上是不可能的。
Tracy
我想插一句，其实人做先验判断也很难。比如iPhone刚推出时，人们也难以预测它会对生活产生多大影响、达到多大规模。现在AI出现后，要定量预测未来同样困难。
但我们依然在用一套方法进行相关领域的投资。AI能否模仿我们的投资方式呢？
TC
人在判断问题时，有些确实难以预测，但有些与社会学、心理学或世界长期发展的第一性原理相关。
例如，具有网络效应的公司或事件，往往边际成本低、网络效应强；人类决策时为降低认知损耗，会依赖品牌；规模效应也会使边际成本低于新进入者。这些要素具有延续性，只要有延续性，人就具备分析的基础。
TC
长期来看，如果能将这种方法论教给AI，让它学会判断哪些因素具有延续性，就能让它尽可能接近分析师或投资人的思考角度，更好地辅助决策。当然这仍可能出错，但至少能让AI的思考方式更贴近投资人。
Tracy
你提到的是一方面，即利用第一性原理进行方向性判断。投资中还涉及另一层面：初期判断可能出错，但过程中有很多校准和修正的机会。AI能否参与这个调整过程？
TC
不仅校准，AI可以参与。新数据进来后，它能修正判断。
另外要补充的是，我们并非要教给AI一个“正确”的方法论——因为这很难定义，世界变化太大——而是让它更好地辅助你，因为你本就依赖这些方法论做判断。
比如另一位投资人可能完全基于动量交易，他可以将自己的方法论制定成策略，让AI自动化执行，这作用就已很大。又或者，价值投资者可以将低估值方法论交给AI，让它持续执行。
实际上，很多基金公司都有固定策略，以往靠几十名研究员按策略选股，这些步骤AI长期来看能承担很多。
Bill
这里很有意思，提到了两个我思考已久但尚未完全实现自动化的概念。
第一，每个基金或创始人其实都有一套共同认可的投资流程，新成员需要被训练以符合这一流程，从而确保大家用同一套决策逻辑协作。我们之前讨论过，将基金风格个性化，是可以自动化分析师部分工作的。
比如对每家公司提问：是否有规模效应？品牌效应？网络效应？强度如何？如何度量？如何据此推演未来五年变化？这可以设计成相对固定的初级分析师智能体模板。
TC
人类分析问题本就有模式。目前的RAG等技术还不够好，我还不能完全将自己的检索模式教给它，需要非常精细的提示词才能让它逐步执行。长期来看，如果它能根据较粗糙的模板帮我查找信息，就更接近分析师了。
Bill
对，就像它看过老板几次演示后，发现老板就这几招，每次就基于这几招针对具体公司变换问题，并自行推进。
TC
这种情况其实很普遍。现在的聊天机器人背后可调整的方法论很少，只能通过精细问答实现。但如果未来每家公司（不仅是投资公司，包括企业决策）都能嵌入自己的方法论，让它真正成为助理，空间会很大。
Tracy
你们觉得这一点近期就能实现，还是需要较长时间？
Bill
我认为我已经清楚该如何实现，只是需要时间。甚至个性化到你们基金的方法似乎并不那么难。目前的GPT-5 Pro和Claude 4.5 Sonnet水平已能自动化很多任务，更多是需要为这些大模型配备良好的工具插件，让它能实现想做的事。
比如它想查私有数据、打专家电话，目前还无法提供这样的工具。但至少可以检索现有的专家电话记录库，或连接Bloomberg等数据插件。有了这些工具，实现相对容易。
Tracy
确实，AI工具正在不断完善。比如现在已有AI能听会并记录提炼要点。
TC
从智力水平看，这要求其实不高，主要是工程和封装问题。目前企业端尚未出现能将企业账号、私有数据源封装到企业可用模型中的服务。上层封装缺失，导致每个企业的分析师仍在自行应用大语言模型。但从智力层面看，这完全可行，只是工程问题。
Tracy
这是Bill你提到的第一个方面，还有其他吗？
Bill
另一个有意思的点是，对未来的判断不仅基于查资料，还涉及人对社会学和历史的理解。用贝叶斯方法描述，就是你有一个关于世界如何展开的先验分布，然后通过稀疏观测点（如财报、电话会数据）更新。你们在做基本面投资时是否用贝叶斯角度思考？
TC
底层方法论完全一致。我们主要的模式识别是寻找世界延续性的力量，如网络效应、规模效应、品牌等。这些力量可能很强，对未来的判断力达70-80%，但仍可能出错。
不断有新数据点进来，你在过程中持续修正对未来的判断。所有长期投资都是从当前A点预测未来B点，B点可能是A点的数倍。但即使有再强的论证，在A点对B点的猜测也只是猜测。
Tracy
新数据点进来后，对未来的修正应呈现概率分布。
TC
它一直是概率分布。交给模型准确猜中B点做不到，因为数学上这是后验的。但你可以将方法论教给它，让它成为你的得力助理，因为你也是这么判断的。
Bill
可能你对未来的想象力优于AI，但AI能不厌其烦地帮你分叉。
TC
想象力未必优于AI。对未来未发生之事，你有猜想，AI也可基于历史或文章总结出猜想——除非这猜想从未被提及。它也可以有概率分布，你可以修正。如果你经验丰富，可能一开始猜得更准，中间可以协作。
另一点是，人类有很多信息不在互联网上，尤其在机器人出现之前。比如供应链中几个公司抢订单，完全是私下信息，机器无法获取。这种情况下人的判断可能有优势，因为人身处人类社会。除此之外，AI也是猜概率分布并不断修正，逻辑上没有区别。
Tracy
我的粗浅感受是，人能体现一些想象力，包括对线性与非线性发展、指数级增长的认知，以及历史上案例的经验，从而做出爆发性想象。如果AI也能具备这些，是否能产生类似结果？
TC
但在某些产业，如AI半导体领域，架构变化、集群规模等信息相对较少，可能不在互联网上，需要人工输入。
Bill
需要填进去。
TC
这里存在协作关系。比如将自己的认知或与专家的谈话记录输入给AI，它会做得更好。
Bill
现在AI对这些内容的总结已做得很好。
TC
但有很多数据它不知道，也不知道如何找，这时人仍有帮助。
Bill
最有意思的是，人找到数据后，让AI基于某个节点的假设，推演两三种情景分析，就像好分析师会给出上行、下行、基准情形及对应的胜率赔率。目前大模型未被专门打磨，但智力水平似乎足够。
TC
智力水平完全够，但投资全是对未来的预测。主观投资基金很少有标准化模型，内部的模式识别模型甚至经常变动。如果自身方法论不固定，就无法教给机器或人。也不存在全球最好的ABC三家基金，能总结出不变且清晰的策略。你只能基于自己基金的方法论，构建模型替代部分分析师工作。
Bill
我以前也这么想，现在不了。整个主观基金行业很聪明，能适应制度变迁。但若对个股投资穷举，有效的投资流程可能只有几百种，就像量化因子。也许全选全做，再加制度指示器，也可行。
人类直觉好且能适应制度，只选最优。但机器可穷举所有流派（如巴菲特、索罗斯等），抽象出各种方法。对人来说太多，需融会贯通；对机器只是穷举，最后加权，像量化一样，或许也能走通。
Tracy
这角度很有意思。另一点是，模型基本能力足够，缺的是盲点和个性化方法。若人能将盲点和各阶段需求描述喂给AI，是否也能在每时点做出接近人的输出？
TC
这里有个问题：若喂太多方法论，某些阶段某些方法并不有效。比如巴菲特过去20年也未跑赢市场。喂太多后，效果是否与指数无异？折腾半天却无法战胜市场。
Bill
穷举所有方法后，多数模式的权重最终为0。人类是先加权，只选一两个最大权重的思考。机器做量化时，会写多个因子作为不同特征，进行线性回归等，再选权重并要求稀疏。也许对主观未来的猜测在某个空间上也可行。
TC
但这问题本身非常难。各种ETF已或多或少实现这种模式模拟。最难的是设计不出机制在权重中调整。比如某些能力（如品牌效应）有延续性，今天强的公司明天大概率仍强。但若某个模式多年不work，调低权重还是反向调整？无论哪种都缺乏逻辑基础。若能实现，量化早做到了。
Bill
核心在于能否利用大模型的常识或人的常识，而非仅用数据。基于数据拟合的核心问题是“看后视镜开车”，对基本面这种数据点少的领域不适用。
TC
我无法得出如何设置权重拟合的结论。但我有信心的是，用模式训练AI替代人进行模式识别工作是非常合理的，能做到。但全替代后能否战胜市场未知，因为毕竟是对未来的预测。这能使事情非常高效，已很有价值。变得更高效后，能战胜市场多少？可能比无工具者有些优势，但多厉害不好说。
Bill
它对人的提升很大。即使有无限资金，如红牛旗下有整个桥水团队，人与人沟通成本仍很高。
TC
完全正确。我们曾在大基金也面临此问题：几十人研究团队产出再多，我也无法完全消化吸收。若有此系统，只要模式定下，我可100%接受其输出，这已非常可行。传统模式靠人对口沟通，瓶颈很小。这非常有意义：只要方法论有效，就可通过AI放大自身能力，从1到5或10。但若其人方法论和能力本身只有0.5，放大后仍无法战胜市场。
Bill
我非常同意。投资中的限制更多取决于提问者的品味和高效使用AI的能力。
TC
以前能力强的人（如相对市场为2）只能做到2，因精力有限；能力0.8者仍跑不赢。有AI后，可能将2的人乘5变10，0.8的人乘5仍只有0.8，因未达阈值。
Bill
是的，若方法论错误，放大后得到的是勤奋的错误。
TC
正是此意。相当于凭空产生大量分析师，且无信息损耗。
Bill
对。分析师与执行者是我目前较确定已可行的方向。最近我在思考它能否做多情景模拟器，即在未来事件有多种可能性时，模型能否比人更好地想象每种情形及因果链搭建？这对未受训练的人很难，但优秀投资者具备此技能。好奇大模型能否独立做好。
比如今天刚发生的事：美国限制对中国某些芯片的供应。消息一出，所有人需反应。以往靠分析师花一天调研或凭感觉拍结论，现在AI能否在30分钟内研究出几种可能路径，每种如何影响美光自身、竞争对手（海力士、三星）、各业务线冲击？结合事实展开特征想象，这是模型在主观投资边界的能力。
TC
有些理解确实很难。经典资本市场理论如有效市场假说，只说明信息发布后众人皆知，但影响多深远取决于每人理解深度。
例如Google刚推出搜索引擎时（假设20年前），当天股价可能只涨20%。众人仅接收信息，但此事可能值100倍，通过10-20年逐步实现。有效市场只产生初始跳跃，但跳跃是否充分完备完全不同。
Tracy
这是更高要求。
TC
非常高，人的判断也做不到。
Tracy
是否应放低标准？能否让AI做到人可及的情景分析和新信息判断？
Bill
所以我刚才问：机器能否描出最牛和最熊路径，至少给出多模式预测？量化交易多做单模式预测（单一高斯分布），但优秀投资人常做多模式预测。一件事有几个案例，如搜索引擎出现后：能否找到商业模式？若找不到，烧钱换流量结果如何？若找到但不高阶（如月付20元）如何？若找到独特商业模式但无垄断如何？若找到独特商业模式且垄断（赚走全球流量70%利润）值多少？以此方法进行多可能性描述很好。现在大模型在正确引导下应有此能力，但其世界模型可能不够强，需外部注入你的世界模型。
TC
有些题仍很难。如Netflix商业模式看似简单（订阅制），但现实很复杂：从美国到其他国家能否成功？传统流媒体与新生代竞争？变数很多，依赖个人判断。即使优秀投资人也可能看错。以Netflix为例，也非显而易见，否则早无数人赚钱。
Tracy
但我同意Bill，仅就情景分析思路而言，AI做得挺好。我常问它此类问题，至少思路与我的想法契合，无明显缺失，只需更深引导。但它缺基本认知，如美光问题，人已做些研究判断。
要判断影响，需知未来市场规模、中国占比、原本格局、新变量影响等。但AI要做到这点，必须清楚前面一堆判断。
TC
我懂Bill意思。以Netflix为例，若AI能做无数情景假设，如Netflix一家独大、其他流媒体均失败，会如何？算一种情形；再频繁跟踪事件和数据，使其收敛到20种投射之一。人的算力有限，可能只做3种假设；AI若投射20种，可更快收敛。
Bill
你可动态深入研究，拆分新问题，在每个新问题上再查。假设它能查资料、专家电话记录、Bloomberg，虽无法派分析师调研，但看别人调研结果也可提供不错跟踪。尤其若购买优质专家电话库和Bloomberg/Refinitiv数据，不断问正确问题并拆分问题。有20种情景，每种问5个问题，得时间线、市场份额等，再修正各情景概率。似乎可行。
TC
完全没问题。若能做出此产品，肯定可行。无论何种投资方法论，本质是让投射尽可能收敛到较少链条。因算力有限，人只掌握两三种投射模式，在其中跟踪研究。但未来可能有几十种投射模式。
Bill
实际上人的两三种已做细分，只是在脑中简化并动态修改。机器可能一开始就画出细分树，不断筛选剪枝。人靠常识动态决策，类似下围棋的价值函数。
TC
今天讨论下来，较合理的是：要么将个人模式输入AI，或内部构建AI，替代或放大分析师/自身能力，这肯定可行。要么让AI将投射模式无限放大（因人有限），再帮你持续跟踪研究。
Bill
第二种前提是第一种已很好实现。若第一种做不好，第二种不可能奏效。
TC
第一种如公司只有一两种投射模式，先教会它弄好。
Bill
对。第二种非常开放，易不收敛。要让第二种收敛，需非常懂自身决策框架，利用类似Richard Sutton讲的“大计算力优先”原则，将机器大算力与展开能力用上，但最终仍需收敛结论。
TC
第二种也很有意思：它猜不准未来具体点，但可比人更高效逼近事实。
Bill
至少比人拆得细。若交给AI……
TC
不光是细，人还有心理和情绪问题。比如认定结论后，机器反应更快，可能错误停留更久。
Bill
对。今天我与朋友交流：讨论Robinhood与Coinbase潜在用户数。假设Coinbase转化更多Crypto原生及未来从Crypto角度进入的用户，Robinhood现为美国炒美股及期权用户。这两批用户现有量及未来增长是有趣问题，大家各有见解。
TC
这是另一话题，但可展开。不过……
Bill
以此为例考虑刚才的展开。
TC
但我觉得：人的判断本质是低算力模式。即使再勤奋，生活习惯等仍会让我懒惰、找捷径、不愿改变。机器算力无上限。
Bill
理论上机器会展开，认真做20个深入研究去查，每个区域……
TC
且无坚持己见的倾向。因算力无限，人难改变因算力有限，尤其年纪越大越不想改，算力越不足。
Bill
是的，年纪越大越依赖直觉、历史经验和成功习惯形成的快速捷径。
TC
更难改，因能耗不行。关于Robinhood与Coinbase，我们有些观点：Crypto在世界比例仍很小。若它能低成本黏住主流市场人群，再向下兼容Crypto世界相对更容易。
Bill
这是一个结论。但若让AI做此研究，它会用什么方法分析并逼近结论？可能结论不同，且我们快速结论依赖一些强假设，这些假设实际未知，需分类讨论展开。
TC
不过说到这，我插一句：现在市面AI仍有节能机制，不喜欢改变，可能认死理。因OpenAI等也需节能，若全人类服务无上限耗能，不可能。故其判断也可能有问题，它也有节能机制，不独人有。
Bill
相当于用GPT-5 Pro时，需手动帮它做思维链拆分、分层思维链，帮它分解决策树，让每个节点问一次GPT-5 Pro得有意义结论。能力不足时，帮它搭足够脚手架。
TC
但这也不易。它可能在某处偷偷截断，你需复核，发现幻觉（常由节能机制产生）也消耗精力，不易。
Bill
最典型的是它用模型脑中知识直接拍数，而非实际应查数。你没发现就是典型幻觉。有时它可能做看似合理的假设，人也可能做，但实际假设不对，结果就错。
TC
现在AI的缺点之一是做得太像人，但必须如此，否则效率、能耗完全不work。
Tracy
反过来，它之所以像人，正因算力能耗有瓶颈，必须发展出系统一、系统二逻辑。
Bill
这倒不是，主因是为造智能需数据，只有互联网和人类行为数据，故先模仿人。
TC
我觉得Tracy刚才有道理。OpenAI等也将算力分多层，不同问题倾向用简单算力解决，启用系统一模式。
Tracy
研究存储时有prefill和decode阶段，其中有些KV cache，避免不必要重复计算，形成KVCACHE。
Bill
那与我们讨论不在同一层次，是更底层。
Tracy
那请忽略。我原理解那也是一种节省，无需全部重来。
TC
它肯定有节省，如定义何为关键向量，忽略非关键部分。但主动忽略可能错过很多，尤其事物大变时。
Bill
我们稍拉回：你们觉得自己的思考比大模型更贝叶斯吗？大模型很平，只能当初级分析师，但作为决策者，思考更贝叶斯，能在小数据下加观测变后验思考，模型不行。
TC
现在大模型直接使用有很多问题：第一，很多数据不在互联网上，如专家库或私下聊天，它不知道。第二，现有AI工具只给结论。
例如我们公司内部决策有自有模型，可知数据来源和逻辑链；但所有AI产品为简化易用，逻辑链不透明，无法完全替代我工作。
Bill
难道不应是你作为老板指示它：按我分析方法构建逻辑链，这里有个新股票，模仿我，构建逻辑链时考虑以下五因素，让它帮你构建？这样是否可行？
TC
实际感觉是：做通用想法或分析没问题，我们也常用。但很多公司模型从预测顶线到中间利润率假设到底线，逻辑链可能几十个。我不可能把几十个提示词全部手把手教它，那与我自己做一遍无异。
Bill
你不就应这样，希望它重复到新股票上？
Tracy
逻辑上可以，能力上也行，但问题在交互界面不支持这样手把手操作。
Bill
导致你没空？
TC
因它全是聊天机器人。若完全内嵌在Excel模型或我们平台，我每做一假设，日常怎么写提示词、考虑几十因素，放进去后下次新公司它也照样做，应没问题。但聊天界面无法这样操作。
Tracy
对，层次非常受限，形态也受限。
TC
聊天形态最多告诉它几个提示词或点，让它考虑，远远不够。现实世界复杂度很高，可能需放入的想法很多。
Bill
也许基于你们Excel模型，造一个多层结构，在某些数上加提示描述数来源（假设基础数或查出来的数），可能做出更好系统。
TC
或说我们流程有100步。从预测收入利润、评估竞争力等，若有100个预测，能内嵌到工作流中会非常有意义。许多企业都需要，不限于投资。
现有工作流在AI时代前定义，如营销等，流程相当复杂。最好情况是变成AI原生，从头构建。但这只占很小比例。要让AI渗透99%工作流，只能让AI适应它们，而非它们适应AI。
Bill
对，最珍贵资源是特别懂的人。对此人的放大，现仍需招AI应用工程师，听他需求，他做产品经理，大家迭代，花两月做产品，这很昂贵，难规模化。
好产品可能都这么做，但要让投资这种千人千面的东西批量产出有意义产品，可能连落地AI工程师也需是纯AI。只有那人既有写代码思维，又懂业务（如投资）。最终下一代可能一人同时懂如何提示造工具，又懂如投资人般使用AI初级分析师。
Tracy
听上去还需较久。
TC
挺久的。AI先搞定人类清晰界定好的工作就不错了。投资维度稍高，甚至写代码的高级状态是产品经理角色，资源分配、需求适应是高级难题。现能轻松搞定的是目标清晰的任务。
Bill
通用的很难。但你刚才讲的：想在Excel模型中告诉AI数怎么拍、如何思考，让AI帮你查数填数，本质是在现有Excel工具上造插件。写插件似可让模型帮你写，不复杂。类似Bloomberg也做过Excel插件，有工程师哐叽做。
TC
我们知道，用很多，他们写得非常固定。
Bill
对。实际你把那些当工具，让AI更好使用工具并变灵活。同时你若做假设，可能需……
TC
你说的对：将AI变成各种插件，将现只能解决固定任务（如硬扒数据）变成灵活、主动搜索找数的东西。
Bill
哪怕造个工具箱，含20款常用插件，如聊天机器人一种；Excel中点某数，说话让它找数填数。知20种此类插件基本满足日常需求。我们似乎定义出不错的产品，但难做。
TC
很难做。
Tracy
这产品似可规模化，但难做，因较规……
TC
现全球最大基金内部可能还没搞明白怎么做。
Bill
对。能想象产品样貌，但执行不易。
TC
如Millennium等靠人自我发挥，上面整合即可，未研发替代所有人的机器，说明灵活度难替代。投资中灵活太多。若非常刚性，如写代码、投广告，好弄很多。
Bill
对。今天讨论很有意思，沿此方向可把基本面投资做更细。我一直在想如何做好更基本面东西，始终是繁杂系统，因涉及拆得很细、做很多事。但另一方面，基本面比感知市场情绪等主观方法更可依教科书步骤执行，故蛮适合做产品或至少一套系统。
Tracy
我比较好奇，投资方法论有把握市场情绪、基本面、动量等，你觉得其中最好产品化、最易用AI的是基本面吗？
Bill
最好产品化的肯定不是基本面，肯定是……
TC
不是，肯定是那个，因数据点很多。
Tracy
主要是量化已做到了，没……
TC
太多，已卷到天上。你有的数据别人也有。Bill你肯定清楚。
Bill
我们做量化时的基本面非常浅，用几千个数据集，但对每个数据集用的模型思维链很浅，略高于线性模型。且需判断历史数据训练的模型未来还有用，这假设很强，不一定对。
Tracy
把量化已解决较好的方法论剔除，剩下未解决的有更近人性的市场情绪和更基本面东西，还有别的吗？
Bill
如市场筹码结构及流动性结构导致的非结构化崩盘。这应更偏向量化，但因涉及复杂多智能体系统，不易做。但AI似可做些推理工作，能走多远未想清。
例如上周末特朗普发推打贸易战，随后Crypto市场出现大型流动性崩溃。此为系统性风险累积，如何一环环爆？类似反事实推理，需看清系统样貌。传统人可被训练干，量化方法现难做好。需有逻辑思维和强知识的人，这人我感觉可被大模型替代。
TC
我觉得可替代。如经济分析框架，你可训练它，因有模式。但直接与聊天机器人不行，因易受网上杂乱评论影响，这些评论不一定对，相当于平均结果，但你要的不是平均结果，是洞察，甚至有些想法非常反传统认知。
Tracy
我想从另一角度请教：一是系统累积到一定程度出现崩溃或异动；二是基于基本面的系统延续性发展。这两种中，似乎基于基本面的更易实现，因主流情况是延续性的。
TC
即使延续性也可能非常跳出框架。如投英伟达，早期阶段让大模型预测它能涨100倍，它做不到。另有些事物与现实行为相关，如索罗斯狙击英镑，再怎么给提示词也得不出结论。
Bill
狙击英镑案例很像我说的周末Crypto流动性冲击，本质是系统性思维，即从某角度攻击会环环相扣崩溃。但攻击前需模拟推演，知攻击到何程度系统会在某点崩溃。
Tracy
我觉得两者都是系统，有脆弱点积累后出问题；基本面系统则非常稳健，能抵抗扰动，持续维持状态。
TC
如狙击英镑，以此模式分析“若攻击是否会崩溃”，人类逻辑分析可行。但其中许多洞察（如数据多脆弱的信心度）可能不在明面，这些理解才是成功关键，而非方法论本身。若数据白纸般呈现，很多人能得出结论。
Bill
对，在里面填数很难。
TC
如央行各种数你不全了解，要做大规模冲击系统，我相信索罗斯等必有非常多非明面判断，如私交。
Bill
对。这问题某天随模型智力提高及大家开发用法，可能成投资最后堡垒。很多数不在数字世界可访问范围，如何解决？我尚无特别好办法。
TC
解决不了。如英伟达、AMD各家AI芯片，表观只能做情景分析，听CEO讲话、客户反馈。但最牛者必有底层技术理解（如MI300行或不行），认知维度比公开数据更高，赚更确定的钱。
Bill
这更像加权：找到你相信的更懂此事者，依赖其判断。这对机器是较简单解法。
TC
但无这种人，因此人此事认知强，下件事可能全错。
Bill
对某问题，机器与人常有盲区。找专家电话时，本质在想：对此问题应找谁得高置信答案？机器潜在也能做，虽不能独立做，但可像好基金经理般知自己不懂，且知谁可能懂、此人权重高。我认为机器智能可做到。
TC
但人不同，觉得某人是专家就直接联系、打电话或见面，机器做不了。
Bill
所以这事我觉得……
TC
最终优秀者需将数据反喂机器。好比顶尖基金经理见完央行行长，回来还得喂给手下分析师，分析师再反馈结论，有这种感觉。
Bill
对，与AI交互类似此体验。但这事也许可行，如基于Polymarket用钱投注——也许AI方法是用钱在平台上pose你想知的最佳……
TC
可能用别的方式。否则我描述的情景中，大佬已搞懂问题，还跑回来告诉小分析师做逻辑分析，无此情况。因他们身处高位，自身逻辑分析和模式已很强。
Bill
对。但机器不像人类有“信息更高级者水平更高”现象，故可能衍生不同结构。
TC
行，Bill你还有别的问题想讨论吗？
Bill
没了。今天方向很好，我们聚焦讨论了基本面投资的AI方法论。
TC
虽无明确结论，但有些方向肯定可行：无论是成为个人助理，还是对99%企业组织融入AI都非常有用。第二种是制造神奇博士般智能体，推演百万种结论并跟踪收敛，若能做成也非常牛。
Bill
第二种是我最近想较多的，可能是下阶段可行的方法。
TC
但第一种较直接。
Bill
在我看来已可行，只需工程力量。
TC
但这工程可能搞十年，因非常复杂。但第一种不可小看，其上限是为人人构建个人智能体。想象一下：先为组织建，再为小团体，再为个人。第二种是制造无限智能，本身是超级智能体。
Bill
第二种可称强化学习，可突破人限，如下围棋的蒙特卡洛树搜索。
TC
对。但第一种工程上较直接，且使99%人受益，未来10年可能专攻此事。第二种同步发生，但可能难超越，因人类社会虽单体弱，但是集合，且社会机制在优胜劣汰，整体效率高。
Bill
我感与你不同。我们曾做某些学习时，始觉收集人类数据简单，但常发现采集人类专家数据成本太高，只能靠算力加环境，把人抽象出来暴算，如Alpha Zero。某刻当采集人类专家数据成本高于用更多卡时，第二种方法若有好反馈机制，可能更快跑通，如Alpha Zero对AlphaGo。
最后问：你们对未来两年AI在投资上能发生的预测有何**识猜测？即最多人不同意，但你们较信的。
TC
若AI未发生预期，分歧大时或有清晰结论。现它已走很远，不存在认不认可，只有程度差异。
一些点尚未100%认知到：我们仍认为工程软件应用有非常大空间，因所有推理构建最终需交付ROI，而ROI产生需在他处变现。现有变现如聊天机器人、编程已产生巨大价值，但未来还有很多可做。这至少是现在资本未完全反映的。价值可能不来自现上市公司，而是未来帮企业做智能体等，价值量仍会非常大。
第二，从训练到推理中间会有很多变化。如为将企业个人数据融入，就不只是简单聊天机器人，而是在海量世界简单维度找结论。
未来若需配合企业或个人，需更了解此人过去知识库，做更复杂推荐——即它如何认知模式、如何配合。此转变很大，因聊天机器人本质通用化，编程等需求也类似。未来要大规模上限高，需个性化到每人，因世界本质多元多样，才能完全打开空间。现只开发冰山一角最通用解决方案。
Tracy
我的感受（不知是否共识）：
第一，AI成为投资人左膀右臂应不久能看到落地。做成后对行业格局可能产生非常大影响，如让优秀者能力放大十倍，使做得不好者更难生存，可能进一步改变格局。
现已在发生的是：供给一直过剩，缺好投资人。AI成为左膀右臂后，可能更激化此点。
第二，过去基本面投资从生意角度难做成特别吸引人的投资产品，反像ETF和量化在产品吸引力上更吸客。但若有AI赋能，至少提效、增强优秀管理人管理边界，故可能缩小与标准品、量化产品在产品吸引力上的差异。
Bill
将艺术成分缩小，让……
Tracy
对，更可扩展，更大，更像量化，更可扩展，且投资决策效率提高。
TC
所谓艺术成分或直觉，本质也是模式识别，只是讲不清。若非常成功且总对，必有某些模式。这些模式可用别的方式或更底层东西挖掘出来，教给机器或团队。
Tracy
原基本面投资瓶颈是：即使我再牛，一人精力有限，且难复制能力给他人。若AI能放大个人能力，本身已在规模化上帮大忙。
TC
说个更极端的：纯粹艺术也是很强模式，反而最易被AI学习。看毕加索画作，轨迹更可循，并非无法琢磨。真正牛人也要复制自己，不可能每次完全颠覆，也无法复制。
Bill
这很有意思。投资似乎很复杂，事件模型部分在人脑中，尚未像毕加索笔触被抽象出来。
Tracy
对，更复杂些。
TC
但我的意思仍是可抽象，只是有时解释不清，就被定义为艺术成分。若真无法定义，可能只是运气，也无甚可抽象。若总对，必可抽象出东西。
Tracy
我觉得理解牛人脑中世界模型相对更难，但较快能做到的是放大此人能力、提效、减少决策能耗。这点能做到已能改变一些事。
Bill
这较可行动、清晰。毕加索通过作品可反推思考，但从投资人出手和可观测行为上，不知是否足够获得“毕加索的画布”。投资上我一直未想明白，可能需要多小时与决策者交流，理解每个决策时的思考路径、主要判断、调仓依据。
TC
且这里面有些纯运气，有些完全可重复。
Bill
对。也许重要习惯是：我们做主观投资时，应每天或每周给AI和自己写备忘录或投资日记，帮助整理画布。我曾试过，后忙未坚持。若强迫自己写得很结构化、AI能看懂的本周复盘日记：做了哪些交易？为何？关注何事？想交易何物？为何未交易？这或是AI获得画布的方法。你把自己的思路写出来，AI看日记和动作后，可开始模仿你的画布。
Tracy
有道理。
那好，今天我们较深入讨论了AI可能对投资带来的影响。非常开心与Bill交流此话题。Bill可能是在投资圈最懂AI、在AI圈最懂投资的人，今天邀请到你很荣幸，希望对大家有帮助。
TC
好的，谢谢Bill，谢谢大家。
Tracy
谢谢。
好的，那行，谢谢。那我们到此结束。好，拜拜。
TC
拜拜。
对投资BEDROCK产品感兴趣的同学，欢迎后台留言，或添加微信BedrockPartners，请注明来意，我们会尽快回复
欢迎关注网站：https://www.bedrock-invest.com/
BEDROCK播客已经开通，视频号、小宇宙、喜马拉雅、Youtube已上线，不定期分享对投资、产业、公司的理解和感悟，欢迎大家关注。
BEDROCK播客E19- 聊聊AI在投资的应用
BEDROCK播客 E18- 聊聊巴西和投资
BEDROCK播客 E17- 聊聊中亚
BEDROCK播客 E16- 从AI云聊到大模型
BEDROCK播客 E15-闲聊美股财报&市场
BEDROCK播客 E14-我们的全球投资之道
BEDROCK播客 E13-聊聊我们如何做投资
BEDROCK播客 E12-聊聊自己：上半年投资回顾&展望
BEDROCK播客 E11 - 聊聊日本
BEDROCK播客 E10 -聊聊拉美
BEDROCK播客 E9 -聊聊半导体
BEDROCK播客 E8 -再聊AI
BEDROCK播客E7-聊聊AI 2
BEDROCK播客E6- 聊聊AI 1
BEDROCK播客E5- 聊聊自己，回顾与展望
BEDROCK播客E4- 聊聊天2
BEDROCK播客E3-聊聊天1
BEDROCK播客E2-聊聊出海电商
BEDROCK播客E1-聊聊美国通胀
欢迎阅读往期内容：投资思考随笔
欢迎直接订阅该话题！
往期文章：
英伟达的推理优势有多大？详解GTC推理性能图
美国餐饮为何牛股辈出？
大模型训练烧钱还能烧多久
A short story of BEDROCK
Edge AI 初步探讨
拉美投资（3）- 电商巨头Mercado Libre
拉美投资（2）- 最大的数字银行Nubank
拉美投资（1）-宏观初探
BTC未来可能值多少钱？
人口与投资
Some Thoughts on TSM
Some thoughts about AI
对AI LLM的一些猜想
ChatGPT研究及投资猜想
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
