5月的一个午后，上海浦东陆家嘴，云脊资产创始人梁力在他的办公室里，向中国证券报记者演示了一套令资深研究员也感到震撼的工作流程。

　　他在对话框里输入一家公司的名字。屏幕那端，AI代理开始自动运转：下载历年年报、抓取交流纪要、汇集行业与竞争对手研报，再将海量数据按预设模板填入分析框架——从商业模式到业务分拆，从财务分析到盈利预测。一个多小时后，一份结构完整的深度研究报告出现在电脑屏幕上。

　　“这相当于过去一个研究员一到两周的工作量。”梁力说。更关键的是，这份报告并非终点——研究员可以在页面上批注、提问、纠偏，AI会读取反馈后迭代更新，形成“底板—人工审校—AI修正”的闭环。

　　同一座城市，另一家中型股票私募的基金经理张锐（化名）向中国证券报记者展示了他们的“AI作战室”。两间办公室，两套系统，折射出同一个趋势：AI正从主观策略私募投研的“边缘地带”挺进“核心腹地”。

　　然而在技术狂飙之下，分化同样显著。基于对多家代表性主观私募及第三方机构的深度调研，中国证券报记者发现，行业内部已形成明显的“三层梯队”：头部机构建起完整的“AI+投研”体系，中型机构将AI作为效率工具，小微机构则大多仍在观望。有的将其视为“效率插件”，有的已升级为“数字同事”，还有的开始探索AI原生基金。一场关于人机关系的重新定义，正在主观私募行业拉开帷幕。

　　信息处理的效率革命

　　在AI介入之前，主观投资研究是一项高度依赖人力的手艺活。研究员需要手工翻阅年报与公告、摘录数据、整理纪要和外部研报，一家上市公司的深度研究往往耗时数周。这一作业方式的“慢”，曾是主观投资注重深度、强调长期主义的代名词。

　　如今，这道工序正在被重新定义。在张锐的办公室里，他演示了公司的AI系统：以AI和量化方法，每天为约200只处于股票池之中的个股进行多维度客观打分，同时梳理A股同一产业链上中下游的板块联动关联性，以及投资组合内个股之间的相关性。“过去人肉跟踪产业链联动，费时费力还不全面。现在系统一键输出，哪个环节有异动，整个链条的传导逻辑一目了然。”

　　梁力则透露，他的团队已将AI代理深度整合到以飞书和AI模型为核心的协作平台中。研究任何一家公司，系统会根据预设的工作流自动抓取历年的全部公开信息，同时读取团队通过调研和专家访谈获取的私有数据，按模板生成完整研报。“AI的预测并非凭空产生。”梁力解释，它会综合考量市场业务增长趋势、公司竞争优势和历史市场份额变动、管理层公开指引等信号去做预测，同时汇总主流券商的最新跟踪报告，将市场一致性预期制成表格供团队对照。

　　效率提升不仅体现在“生成”上，更体现在“穿透”上。过去回顾一家公司管理层历年说法的变化，需要研究员逐份翻阅年报。现在，AI可以直接提取历年管理层表述的差异点，从细微的表述差异去挖掘管理层真实想法。甚至回答“管理层的哪些承诺已经兑现或者超额兑现、哪些还没有兑现”这类跨时间维度的问题，通过横向对比评估管理层的可信度。

　　复胜资产董事长陆航对此深有同感。作为百亿级头部私募掌舵人，他告诉中国证券报记者，公司很早就开始将AI应用于研究报告和会议纪要的信息归纳，“基础的信息收集整理工作通过AI已经能很好地完成，研究员有了更多时间去思考”。

　　但他也坦言，推动过程中的最大挑战不是技术本身，而是“内部现有的流程可能要被打破”。“同事们已经有了很成熟的工作流和习惯，为AI重新设计可能会有一个适应过程，甚至短期内提高工作成本。如何在重塑和改善之间取得平衡，是主要挑战。”

　　这种“效率与惯性”在行业中普遍存在。格上基金研究员毕梦姌观察到，当前主观私募的AI应用呈明显梯次分化：百亿级头部机构已搭建起完整的“AI+投研”体系；20亿至50亿规模的中型私募主要将AI作为效率工具，用于研报速读、财报分析等场景；5亿规模以下的小微私募大多仍在试用阶段，应用场景零散。好买基金研究员蔚立柱则提示了更深层的瓶颈：私募数据的私密性、AI技术迭代过快带来的选择困难，以及人力成本考量。“对私募而言，每位同事的时间是第一生产资料，如何高效转化为劳动成果，是首要考量。”

　　从“效率插件”到“数字同事”

　　如果说信息处理提效是AI渗透的开始，那么“数字同事”的登场，则标志着剧情进入深水区。

　　止于至善投资创始人何理，是这一理念的坚定倡导者。公司内部的投研体系有一个响亮的代号——“AI赛博坦”。这套从2023年初持续迭代的系统，目前已实现研究、交易、风控、回溯的一体化。

　　“效率插件和数字同事的本质区别，在于AI是否参与共识形成。”何理解释，“效率插件只是帮人更快完成既定任务；数字同事则会进入投研全流程，帮助团队提出问题、验证假设、记录观点、暴露偏差，最终推动共识的形成。”

　　一个典型案例来自回溯系统。去年3月，何理提醒团队关注NAND存储芯片的涨价苗头并记录在案。4月月度回溯时，他发现该观点未被充分落实到研究与交易中，便再次提醒。团队迅速响应，加大存储仓位，甚至将一只产品转为纯粹投资全球存储领域的基金。“主观投研容易遗忘自己说过什么，或者误解自己说过什么。”何理说，逐笔回溯体系正是为解决这一痛点所设。

　　在这个维度上，张锐的做法提供了另一种参照。“AI打分不等于买卖指令，但它提供了客观坐标系。当我的主观判断和打分严重偏离时，我会停下来想一想为什么。”在他看来，AI的价值不是给出答案，而是帮助人更好地思考问题。

　　尽管如此，何理划定的边界仍然清晰：“AI可以参与尽可能多的思考环节，但最终责任仍要由人承担。”这一红线在受访机构中几乎形成了共识。

　　陆航的态度更为审慎。公司内部实验发现，AI存在“信息幻觉”，有时会输出看似合理但错误的结论。因此公司划出了两条红线：第一，AI不可以触及生产环境，交易执行中不能介入；第二，AI不可以替代人脑做出判断。“投资本质上是基于历史信息去推断未来。如果过分依赖AI，一方面历史信息可能有误，另一方面事物发展往往是跳跃性而非线性的。我们会利用AI收集归纳信息，但最后解读数据、做出判断，一定由人脑来完成。”

　　梁力则描述了“AI预测-人工校准-AI学习”的协作模式：AI基于历史和逻辑做出基准盈利预测，人工根据对行业和公司的深度理解进行校准，并将调整逻辑反馈给AI。“它更多是辅助的角色，最终拍板做判断的，必须是人。”

　　在“可辅助”与“不可介入”之间，行业正摸索出一条共识：AI负责广度与速度，人负责深度与温度；AI提供参照系，人承担最终责任。

　　“AI原生”的诱惑与陷阱

　　在这场进化中，止于至善走得尤为激进。何理透露，公司正在开发“AI赛博坦3.0”版本，并尝试衍生出AI原生基金——真正以AI决策为主，人负责监督与担责。他将这一探索比作阿尔法狗之于围棋：“它获胜的方式，不再是人类下围棋的策略，很有可能打开投资的新境界。”不过他也透露，这只AI原生基金仍处于内部测试阶段。

　　对于这类前沿探索，第三方机构给出了冷思考。蔚立柱认为，“AI原生基金”具有里程碑意义，但必须警惕多重盲区：模型黑箱及幻觉、责任归属模糊、过度自动化下对极端情景的应对不足。“保持‘先人后机、人机协同’的安全阈值，是行业必须时刻自省的底线。”毕梦姌补充了另一层担忧：“AI可能挖掘出看似有效、实则是‘历史拟合’的伪因子。市场适应性陷阱也要警惕——特定环境下表现好的模型，在极端行情里可能失灵。”

　　技术的渗透，最终必然触及人与组织。在止于至善，AI的深度应用伴随着一场组织进化。公司为每人提供每年5万元AI使用额度，研究员必须超过这一数字。“我想要实现的不是简单的降本增效，而是一种跃迁。”何理说。

　　复胜资产则代表了更稳健的适应路径。陆航告诉中国证券报记者，公司对研究员的考核标准并未改变——仍以研究-投资转化成果为核心。“考核标准不变，压力更大了。”变化主要体现在招聘环节，“更看重好奇心、对新生事物的接受度，也更关注应聘者对AI工具的熟练程度。”

　　梁力则看到了组织形态变化的可能：“AI让精干的小团队可以拥有媲美大型机构的覆盖广度和研究深度。原来管100亿规模的资产可能需要20个人，现在8到10个人就够了。组织可以更扁平、更灵活。”

　　这种技术平权效应是否会重塑行业格局？毕梦姌的判断是“双向强化”：头部机构凭借数据、算力和人才壁垒，马太效应更突出；中小私募则可能在垂直赛道深耕、策略创新和灵活组织方面找到超车机会。

　　回望这场投研革命，主观投资的“慢变量”并未被动摇：价值投资的信仰没有变，深度研究的追求没有变，对风险与责任的敬畏没有变。正如何理所言：“AI没有改变我们的价值投资信仰，但彻底重塑了我们的投研方式。”变化的是工具与效率，不变的是内核与底线。在这场人机协奏中，拥抱变化与守好边界，是这个时代的投资者必须同时修习的课程。

（文章来源：中国证券报）