摘要

Thomas Li 的核心区分是：AI 生成的是看似合理的对象，而基本面投资者往往需要精确的数值处理。 AI 可以出色地合成一份 Croatia 行程，或比较两段文本，但金融模型会暴露它的弱点：「我不需要你看起来正确……我只要正确。」把一把“非常、非常闪亮的锤子”当成所有任务的工具，势必带来幻觉数据和脆弱分析。
近期价值最高的用例，是一项“智能黑线比对”功能，用来比较投资者此前的笔记与最新访谈及披露。 把最新业绩会、Morgan Stanley TMT 等会议纪要，以及事件发生前写下的笔记输入系统，再让它找出管理层措辞与原有投资论点相矛盾的地方。许多买方机构无法在公开版 ChatGPT 中完成这件事，因为内部规定不允许上传笔记。现代模型几乎不需要对笔记做格式化处理，但 Li 对数字划出明确边界：相关逻辑“还不够成熟”。
对成熟基金而言，决定性优势在于上下文，而不是拥有单一最好的基础模型。 内部笔记、分析师模型、授权纪要、市场一致预期、监管文件和结构化历史数据，可以把通用模型变成金融专用工具；公开版 ChatGPT 缺少大量这类上下文，也无法可靠获取每一份所需文件。Li 的判断是：「接入正确上下文的第二梯队基础模型，能解决的问题，会多于无法访问数据的最佳基础模型。」
AI 的普及，驱动力与其说是年龄或机构类型，不如说是高层支持和组织执行权。 Li 发现，相比初级分析师，资深投资者更容易把 AI 看作 Excel、Google 或 iPhone 级别的转型；初级员工则可能不信任触及其正在学习的专业技能的技术。无论是银行、Pod 基金、只做多基金还是小型基金，只要有一个获得授权的人愿意持续迭代 12 到 36 个月，都能快速推进。
自动化更可能先提升华尔街的产出，再减少工时或员工人数。 Excel 没有终结每周 100 小时的工作，只是让模型变得更细；更强的 PowerPoint 工具也带来了更多演示工作。因此，机构问的是分析师如何覆盖更多公司、更快反应、做更多研究，而不是如何在少雇佣 4个人的情况下维持收入。
人类 alpha 仍然存在，因为金融是一个“充满边界案例的行业”，真正的决策很少只是判断一家公司会不会增长。 持久优势可能来自散户投资者更长的持有周期，也可能来自多经理基金剥离风险因子、提高交易速度并放大剩余 alpha 的能力。2017-2019 年曾创造 alpha 的另类数据和渠道调研如今已经普及；更难复制的优势，是判断谁已经知道什么，以及下一个买家是谁。
短期公开市场投资越来越像一场显式博弈，拥挤度被纳入模型，成为风险因子。 关键问题变成：牌桌上是谁、正在参与这手牌的是谁、谁可能在 5分钟、4天或 1个月后买入？即使业绩大幅超预期，只要 Pod 基金已经满仓，股价也可能下跌 10%；成熟的市场中性组合则通过用拥挤多头对冲拥挤空头，来降低拥挤度风险。
机构最有力量的应用，可能是一个能够识别每位分析师何时真正擅长的中心组合。 基金可以汇总预测与实际结果，按行业标准化波动，区分数字预测准确度与仓位判断，并识别出更窄的模式——例如某位分析师在业绩期擅长中型互联网公司，却在会议季做大型股表现不佳。规模之所以重要，是因为更多专有工作流数据能让系统区分可重复的判断力与运气。

精读

1. AI 生成合理性，但金融分析要求正确性

Li 首先厘清其运行机制：基础模型预测下一个对象——先是 1个词，再是句子、像素集合、段落，或是在对照既有工作后重新生成答案。这种生成过程之所以让人感觉像人类，是因为人类思考时也会创造新的语言，但这并不等于所有类型的认知。
分析师的大量工作其实是处理，而不是生成：提取数字、核对不一致之处、比较成本增速与收入增速、追踪软件公司的获客成本，或把酒店入住率与更宏观的经营图景联系起来。这些任务需要对关系进行结构化理解，而不只是流畅地续写下去。
Li 用旅行案例说明了差异。ChatGPT 可以把评论、Reddit 帖子和旅行报告压缩成一页有用的 Croatia 行程；但如果要求它捕捉一家上市公司模型中的所有细节，它就会开始生成“看起来正确”（“seems correct”）的内容。Li 的反驳是：「这是一家有公开披露的上市公司，我只要正确。」
Li 警告，这是被工具牵着走的偏见，只是被进一步放大了：「手里有锤子，看什么都像钉子；手里有一把非常、非常闪亮的锤子，看什么就更肯定都是钉子。」AI 可能极其成功，也可能极其失败；工作流必须服从模型真正擅长的事情。

2. 用 AI 做投资论点比对，比自主建模更实用

Li 认为，最直接的实用场景是比较基于语言的材料：把分析师已有的笔记、最新业绩会纪要和随后举行的会议发言交给 AI，再让它找出管理层新表述与分析师此前判断相冲突的地方。
Walker 把这进一步变成一项证伪测试：投资者能否写下投资论点、加载进系统，再问过去 6个月是否已经推翻了它？Li 认为测试还应更具体——提供明确的业绩会和会议纪要，以及这些事件发生前写下的笔记，再识别其中的不一致。
笔记本身不需要经过精细整理。Li 说，在“ChatGPT-3”前后，做一些结构化处理会有帮助；但更新一代的模型可以生成多个项目、检查自己的输出，并跨不同长度的词片段循环处理。对于语言材料而言，“你怎么组织它，对 AI 已经不重要了”。
但他对数字工作给出了绝对的限定：上述灵活性成立的前提是“只要处理的是文字”。如果要求系统把分析师模型与已披露财务数据进行比较，Li 认为所需的数字逻辑还不存在——或者根本不存在。

3. 机构级 AI 受限于上下文缺失和文档获取链路

这套比对工作流需要通用 ChatGPT 未必拥有的数据：私人笔记、购买的业绩会和会议纪要、分析师实际模型、市场一致预期，以及公司披露。多数买方机构也受内部规定限制，不能把笔记上传给 ChatGPT。Li 还说，即使是公开监管文件，也未必能被可靠地作为源文件调用；模型可能找到一个链接至 EDGAR 的博客，却并没有真正读取那份文件。
Andrew 的反驳值得保留：Google 可以立即找到 SEC 文件或 Nvidia 的投资者关系演示文稿。Li 的回答是，文档获取仍然是一个老派的系统工程问题：找到页面并下载文件很难，但这并不是大语言模型要解决的问题。
这一区分解释了大基金为什么要构建内部工具。它们可以把分析师生成的笔记、购买的纪要、Daloopa 等供应商提供的结构化历史数据、内部预测和选定的基础模型组合起来，让系统回答真正的问题：「我的公司发生了什么变化？」
一个例子体现了其潜力：基金可以把每位分析师的预测与公司历史数据进行比较，再问预测准确度是否在提高。在上下文齐全的情况下，Li 说，一句查询就可能取代过去需要研究助理花 2周时间埋头处理 Excel 的工作。

4. 最快的采用者是有战略支持者，而不一定是年轻分析师

Walker 预计，50岁的 PM、35岁的资深分析师和25岁的 AI 原生初级员工之间会出现代际分化。Li 看到的分水岭却是战略取向：资深人士被要求进行更具战略性的思考，而应届毕业生通常更关注完成当天分配的任务。
资深投资者常用的类比，是机构错过平台转向：拒绝 Microsoft Excel、作为研究分析师时不用 Google，或在所有人转向 iPhone 时仍坚持使用 BlackBerry。Li 的观察颇为反直觉：「越资深的人……越可能希望成为 AI 的采用者」，初级员工反而可能更加怀疑。
Walker 给出了一个合理解释。资深 PM 的工作方式本来就是向分析师问 2个问题，然后做出是或否的决策，因此向 AI 提问对他而言很自然；而那个被训练成要读完每一份 10-K、培养独家洞见的初级分析师，可能会觉得这项技术同时威胁了自己的学习过程和职业身份。
机构类型同样无法决定采用速度。Li 看到，大型银行、Pod 基金、只做多管理人和极小型基金，都可能在“1个人”拥有搭建流程、为产品提供资金并说出「我们开始吧」的执行权时快速推进。

5. 生产率提升先扩大目标，再压缩员工人数

当被问及 AI 是否意味着更少的投行初级员工，或更多负责收集定制信息的研究人员时，Li 拒绝用简单的劳动力替代框架来解释。华尔街机构把自己视为增长引擎，关注的是如何把节省下来的时间转化为更广的覆盖、更快的响应、更强的竞争力和更多收入。
他以从 Lotus Notes 迁移到 Microsoft Excel 为历史类比。更容易、更精细的建模理论上应该终结高强度工时，但「人们仍然每周工作 100小时」；更好的 PowerPoint 和快速对齐 logo 的工具同样提高了预期产出，而不是把时间还给员工。
AI 遵循的也是同一套逻辑。不再用于更新模型、总结材料或转录业绩会的时间，可以重新投入到联系门店、分析更多公司，或更快进入市场。机构通常不会问：「现在我少需要 4个分析师了。」

6. 自动化繁琐工作，但保留通过实践形成的判断力

Walker 最核心的培训担忧，是那个背下 100篇演讲却无法回答新问题的保镖。亲手搭建关键模型，可能迫使投资者直面假设；把每一个中间步骤都外包，则可能制造出理解的假象，直到真正的边界案例出现。
Li 说，他并没有看到大规模把思考整体外包的情况。「金融也是一个充满边界案例的行业」：历史可能押韵，但非典型事实、人的假设和判断力占主导，而这恰恰也是工作的乐趣所在。Agent 更适合处理那些让人花数小时“原地打转”的工作。
一份 15页的业绩会纪要说明了流程杠杆的价值。投资者如果要研究关税对一个外围行业的影响，可能需要花约 16小时读完每一份纪要；借助摘要系统，再进行 30分钟有针对性的问答，就能获得所需的全貌，而不取代最终的投资判断。
Walker 用“回声问题”说明失败模式：ChatGPT 给一家收入只有 2亿美元的企业生成了 2023年 5亿美元的盈利，后续工作又在这个错误前提上不断叠加。Li 直言，他没有看到很多机构真正担心这一回声问题，因此 Walker 对来源核查的要求仍未得到解决。

7. 上下文和合规，而非模型选择，决定部署质量

Li 把机构级 AI 的核心挑战称为“上下文问题”。最佳算法与次佳算法之间的差异可能很小，但加入相关数据和防护机制后，质量跃升可能极其显著；团队应先定义产品问题，再定义 AI 问题。
这也是一些看似令人意外的专业应用仍然有限的原因。Li 告诉 Walker，真正令人意外的是「AI 的采用率如此之低」。机构有需求，但不愿让通用企业模型看到足够多的查询，从而推断它们下一笔重大投资，或潜在暴露交易意图。
合规担忧并非杞人忧天。如果后台运营者根据基金所有提示词，询问基金正在准备买什么，Li 认为模型可能做出「非常、非常准确的猜测」。因此，基金更倾向于使用内部系统，或使用它们像信任 Bloomberg 那样信任的供应商——尽管 Bloomberg 也能看到大量交易活动。
Li 预计基础模型会长期保持竞争，更像云基础设施，而不是赢家通吃的搜索垄断。「真正落地的地方」在应用层：在相对易获得的模型之上组装上下文、防护机制和工作流，正如互联网和移动基础设施曾经催生差异化软件企业。

8. 人类 alpha 向风险架构和市场博弈迁移

Li 对真正 alpha 来源的定义是：在合理期限内系统性有效、且能够受到保护，而不是永远有效。Buffett 的经典优势在于持有周期；散户也能享有这一优势，因为专业管理人每天、每周或每月都要接受业绩标记。
Thomas 提到，多经理基金的风险建模是另一种 alpha 来源。它们利用 PCA 等工具识别并对冲主要因子，寻找剩余 alpha，提高交易数量和速度，使用低成本杠杆，向 LP 提供所需的非相关回报——市场好时上涨 15%，市场差时上涨 20%。
Li 不认为基础模型能够凭空制造这些经过对冲的零碎 alpha。他也不再把另类数据、卫星图像、信用卡数据、渠道调研，甚至专有调研视为持久的独立优势；这些数据在 2017-2019 年可能极其有力，但大规模采用后，已经更接近于阅读一份 10-K。
Walker 不接受这种过于平滑的结论：实地获取的信息当然仍然具有专有性。Li 的回答是，分析师持久的任务不只是获得事实，而是判断这一事实相对于其他所有参与者已知的信息，将如何改变该股票的供需。

9. 下一个买家与基本面结果同样重要

Li 对短期机制的概括很简单：买家多、卖家少，股票就会上涨。分析师必须问，谁能获取同样的信息，谁会落后 5分钟或 2天，谁可能在 30分钟、4天、2周或 1个月后站到交易的另一边。
他的会议案例说明了这条链条如何转化为交易。渠道调研显示，潜在报复性关税可能导致业务某个子领域发生结构性变化；管理层将在 7天后出席会议，届时可能主动披露，也可能被问到相关问题。因此，这一 alpha 有一个 7天的催化剂窗口，之后还必须找出最可能的买家。
Walker 把博弈论进一步推进：如果每个 Pod 基金都得出相同的关税结论，更好的交易可能是买入，因为当管理层的表述没那么悲观时，拥挤的空头会回补。Li 认同基金会把问题追问得「非常深入」：「最重要的是弄清楚谁坐在牌桌旁。弄清楚谁坐在牌桌旁之后，还要弄清楚谁正在参与这手牌。」
拥挤度本身就是一个明确的风险因子。一家公司即使业绩超出无可挑剔的预期，也可能下跌 10%，因为每个 Pod 基金都已经持有它；成熟组合会用拥挤空头对冲拥挤多头，尽量中和这类敞口。Walker 对 DeepSeek 当日的观察是，Nvidia 未必是最惨的受害者，AI 相关电力股 Talen 和 Vistra 等股票的隐性拥挤交易反而出现了最剧烈的平仓。

10. 专有数据与中心组合学习共同放大机构规模优势

Walker 问，如果通用 ChatGPT 变得好 10倍，是否会让今天的内部应用全部失去价值。Li 对此「非常有信心」地表示不会：模型能力提升并不会带来对专有笔记、购买数据集、分析师历史记录或内部工作流数据的访问权。
因此，大型机构拥有真实的数据优势。它们购买更多外部信息，也生成更多工作流数据，使定制系统能够解决脱离上下文的前沿模型无法解决的内部问题。Li 的表述很明确：最好的构建者会是「最能接触数据的人」。
中心组合展示了规模能够释放什么能力。基金可以测试 Walker 是否在业绩期的中型互联网公司上特别擅长，却在会议季的大型股上表现较弱，再据此加倍、减半或对冲相关仓位；它还可以发现无意识的偏好，例如在低利率环境下偏好高股息股票。
评估层需要把预测与仓位、技能与运气分开。汇总并按行业特有波动标准化的预测与实际数据，可以显示：某位分析师的判断其实很精准，只是宏观冲击席卷组合导致 4个仓位全部错误；也可以显示分析师押对了股票，却错过了财务数据。剥离可观察因子后剩下的部分，可能就是仓位判断。
Li 最后的前提是执行权和耐心：购买 AI 不会让机构明天就发生转型，也不会立刻裁掉 10名分析师。现在开始建设、与用户持续迭代、提升研究、覆盖和反应速度，「可能需要 12个月，也可能需要 36个月」；但等待可能带来此前平台迁移之后那种痛苦的追赶。

睡眠科学家：糟糕的睡眠究竟会对你的身体和大脑造成什么影响？Matt Walker | #167 是什么在推动 Bitcoin 上涨？