1. 一场对谈引发的认知迭代从“替代”到“重塑”最近参加了一场关于AI与未来经济的闭门对谈嘉宾是几位深耕一线的技术研究者和宏观策略分析师。去之前我脑子里塞满了各种“AI替代论”的碎片化信息比如“AI会让XX岗位消失”、“AI炒股将取代基金经理”等等。我原本带着三个相当固化的判断去的第一AI对劳动力的替代是线性的、可预测的第二AI在股票投资领域的应用核心价值在于预测精度最终会导向“无人化”交易第三这波技术浪潮对资本市场的冲击会像过去几次一样主要由几个龙头公司主导。两个多小时听下来我发现自己之前的想法过于简单甚至有些天真。这场讨论没有停留在技术炫技或危言耸听的层面而是深入到技术实现逻辑、经济系统反馈以及资本周期的嵌套关系中。我当场就默默在心里把那三个判断全改了。这篇文章就想把我听到的、想到的以及结合最近观察到的现象系统地梳理一遍。这不是一篇预测报告更像是一个从业者认知框架的更新笔记希望能帮你跳出那些过于喧嚣的讨论看到一些更底层的脉络。2. 劳动力替代从“岗位消亡”到“价值流重构”我们最容易陷入的误区就是把AI对劳动力的影响想象成一台更高效的机器替换掉流水线上的工人——一个萝卜一个坑替代完了事。但现实要复杂得多AI更像是一种“价值流重构剂”它改变的不是某个点而是整条价值创造和传递的链条。2.1 “任务解构”与“能力重组”替代的逻辑变了过去的技术自动化替代的是明确的、重复性的“岗位”。而生成式AI和大模型替代的是非结构化的“任务”尤其是那些依赖经验、模糊判断和创意组合的任务。比如一个初级分析师写行业简报这曾经是一个完整的岗位。现在AI可以快速完成信息搜集、数据整理和初稿生成分析师的工作重心则转向了提出更刁钻的问题、设计分析框架、验证AI输出的逻辑以及进行最终的策略研判。岗位名称可能还在但里面的“任务包”被彻底拆解和重组了。这意味着单纯讨论“哪些岗位会被替代”意义不大。更关键的问题是在一个具体的工作流中哪些任务变得极其廉价近乎免费哪些任务的价值因此被凸显甚至放大AI把“信息处理”和“内容生成”的成本打了下来那么“问题定义”、“逻辑校验”、“审美判断”和“复杂决策”这些能力就变得相对更稀缺了。劳动力市场不是在消失而是在进行一场剧烈的“能力价值重估”。2.2 实操观察Agent工作流与人的新角色最近接触了不少企业在尝试的AI Agent智能体工作流这提供了一个绝佳的观察窗口。比如一个市场营销团队他们搭建了一个“内容Agent”能自动根据热点生成社交媒体文案、设计海报初稿。一开始团队很恐慌但很快发现Agent产出的东西虽然快但同质化严重缺乏品牌独特的“网感”和切入角度。这时人的角色就从“内容生产者”转变为了“AI策展人”和“提示词工程师”。团队里一位资深策划的工作变成了第一深入研究平台算法和用户心理设计出更能引发共鸣的“元指令”或系统提示词框架第二像导演一样将多个Agent的输出进行筛选、拼接和二次创作注入灵魂第三处理所有非标和突发的需求比如应对一次突发的公关危机。他的时间价值不仅没降低反而因为能驾驭更强大的工具提升了产出杠杆。这个过程里淘汰的不是人而是那些无法完成角色转换、只会执行标准化任务的工作模式。2.3 一个被忽略的陷阱技能折旧速度与学习成本这里有一个非常现实的坑。传统职业技能的折旧周期可能是5到10年但在AI渗透的领域这个周期可能被压缩到1-2年。你今天刚熟练掌握的某个AI工具的最佳实践明天可能因为模型的一次重大更新或一个新插件的出现而变得低效。这就要求从业者必须具备极强的“学习如何学习”的能力以及构建自己“方法论工具箱”的意识而不是仅仅绑定在某个具体工具上。举个例子之前很多设计师学习用Midjourney生成图片记了大量具体的“咒语”提示词。但后来发现当类似工具遍地开花且模型理解能力增强后比记“咒语”更重要的是掌握“视觉语言拆解”的能力——能清晰地将想要的风格解构成模型能理解的元素如光影、构图、材质、艺术流派并能跨平台应用。这背后的学习成本和学习方式与过去截然不同。对企业来说培训体系也需要从“技能培训”转向“认知框架和适应性训练”。3. 股票投资从“预测神器”到“决策增强系统”谈到AI和股票很多人的第一反应是“预测股价”。各种“Kronos股票预测”、“AI股票预测”的搜索词热度不减仿佛找到了圣杯。但这场对谈彻底打破了这个迷思试图用AI精准预测短期股价波动在可预见的未来仍然是一个“炼金术”般的幻想。AI在投资领域的真正价值发生了根本性的转移。3.1 为什么“预测股价”是条死胡同核心原因在于市场的反身性和有效市场假说的局部有效性。股价是所有市场参与者基于现有信息包括对他人行为的预测博弈出来的结果它本身就是一个巨大的、不断变化的“模型”。当你用一个AI模型去预测这个“总模型”的输出时你的预测行为本身就可能成为影响市场的新信息从而让之前的预测失效。这是一个经典的“测不准”场景。更重要的是影响股价的因子无穷多且关系非线性。除了财报、宏观经济数据这些“硬信息”还有市场情绪、政策预期、行业叙事、甚至社交媒体上的突发传闻等“软信息”。大模型虽然能处理海量文本信息但对这些信息如何被不同市场参与者解读、并最终形成合力的过程建模难度极高。那些宣称高精度预测的要么是过度拟合了历史数据在回测中表现完美实盘一塌糊涂要么是在玩统计游戏。3.2 AI在投资中的四个务实应用层那么一线机构到底在用AI做什么讨论下来主要集中在四个层面离“预测”很远但离“赚钱”更近信息萃取与知识管理这是目前最成熟、最普适的应用。研究员和基金经理面对的是浩如烟海的财报、研报、新闻、会议纪要。利用NLP技术AI可以快速提取关键数据如毛利率变化、管理层指引、总结观点分歧、构建知识图谱比如将公司、产品、竞争对手、上下游关系可视化。这相当于给投研人员装了一个“外挂大脑”极大提升了信息处理广度。像利用akshare、tushare获取数据只是第一步更重要的是后面的信息结构化。另类数据挖掘通过分析卫星图像计算停车场车辆数、工地开工情况、港口物流数据、供应链信息、消费平台评价等形成对上市公司经营状况的另类洞察。AI特别是计算机视觉和时序数据分析模型在这里是处理这些非传统、大体量数据的必备工具。它提供的不是结论而是高价值的“证据”。交易执行优化在既定策略下AI可以用于优化交易执行比如预测短期流动性将大单拆分成小单以降低市场冲击成本。或者监控市场微观结构捕捉短暂的套利机会。这属于“战术级”应用不负责“买什么”只负责“怎么买更好”。风险因子管理与组合构建运用机器学习模型更精细地识别和管理投资组合的风险暴露比如对某种市场风格的敞口或者基于更复杂的优化目标来构建投资组合。这帮助基金经理更好地理解自己“赚的是什么钱”控制不希望承担的风险。3.3 从“全自动”到“人机协同”基金经理的新工作台未来的投资决策很可能是一个“人机协同”的增强系统。基金经理的角色从“信息的最终处理器”和“信号的唯一判断者”转变为“AI系统的设计者”、“交叉验证的仲裁者”和“极端情景的应对者”。一个典型的场景可能是AI系统7x24小时监控全球信息流自动生成数百份“事件简报”和“数据异动警报”并附上初步的相关性分析和历史类比案例。基金经理每天早上看到的不是一个预测股价的数字而是一个经过初步整理的“决策仪表盘”。他的核心工作变成第一判断哪些警报是噪音哪些是真正的信号这需要超越数据的历史经验第二将多个AI提供的、可能矛盾的证据进行综合权衡第三对AI无法建模的“黑天鹅”或重大政策转折保持警惕并制定预案。那些试图用股票自动交易脚本实现完全无人值守的“圣杯”追求者往往忽略了市场环境的结构性变化。而善用TrafficMonitor看股票、用adll.dll处理大智慧股票池预警的资深交易员如果能将经验与AI的信息处理能力结合反而可能构建更稳固的优势。4. 技术浪潮与资本周期谁在真正受益每一次大的技术浪潮都会催生新的资本故事。但这次AI浪潮与资本周期的互动呈现出一些新特点它可能不会简单重复互联网时代“赢家通吃”的故事。4.1 基础设施层盛宴与隐忧毫无疑问算力英伟达等和云平台微软Azure、AWS、谷歌云是这波浪潮最确定的早期受益者它们卖的是“铲子”。资本市场也给予了极高的估值溢价。但这里存在一个周期性问题当前天量的资本开支投入到AI算力建设中未来是否可能出现阶段性产能过剩当模型优化和推理效率提升对算力增长的需求曲线可能会放缓。投资这一层需要紧密跟踪技术演进路径和资本开支的节奏其波动性可能比想象中更大。4.2 模型层从“通才”到“专才”的价值迁移OpenAI的ChatGPT点燃了市场对基础大模型的热情。但长期看通用大模型可能会像操作系统一样成为基础设施的一部分其直接商业化和盈利模式面临挑战高昂的成本与用户付费意愿之间的平衡。而基于通用模型微调、或在特定领域从头训练的垂直模型、行业模型其商业价值可能更早、更清晰地体现出来。比如在生物医药、材料科学、法律、金融等领域能真正理解专业术语、遵循行业规范的专用模型会成为企业和机构的“私有知识引擎”创造出可衡量的生产力提升。资本会逐渐从追逐“最强大的通才”转向寻找“最有用的专才”。4.3 应用层场景的深挖与“隐形冠军”这是最分散、但也可能诞生最多机会的层面。AI的价值最终要通过应用落地来体现。除了显而易知的AI编程如GitHub Copilot、AI图像生成、AI视频制作工具外更多机会藏在企业工作流的重塑中。比如利用AI辅助进行专利文献检索与分析专利相关辅助链接 ai辅助、AI产品经理用AI快速进行用户调研和原型测试、AI测试工程师用AI生成测试用例等。这些应用往往不直接面向消费者而是作为B端企业的效率工具。它们可能不会成为市值千亿的巨头但能在细分赛道成为不可或缺的“隐形冠军”拥有稳定的现金流和深厚的护城河。对于投资者而言在这里挖掘需要更深的产业洞察而不是追逐热点名词。4.4 资本周期的嵌套短期叙事与长期价值的错配资本市场总是提前反应预期。当前AI相关股票的估值很大程度上包含了对于未来数年甚至十年增长空间的透支。这导致股价波动会异常剧烈任何技术进展、政策风向、巨头财报的细微变化都可能被放大。这形成了一个“资本周期”乐观时资金涌入推动研发和基建遇到瓶颈或业绩不及预期时资金撤出估值回调。对于个人投资者关键是要分清自己是在交易“技术进步的叙事”还是在投资“公司创造现金流的能力”。前者是趋势和波段游戏需要对市场情绪有敏锐把握后者则需要深入研究公司的技术壁垒、产品化能力和客户粘性。用股票筛选软件时如果只加入“AI概念”标签风险是极高的。更需要看的是公司的研发费用占比、客户构成、营收增长的质量是否来自AI产品等硬指标。5. 改掉的三个判断与行动启示回顾开头我改掉的三个判断现在可以更清晰地表述为新的认知关于劳动力判断从“AI将线性替代劳动力”改为“AI正在重构价值流引发劳动力市场的能力价值重估”。未来的职业竞争力在于驾驭AI完成复杂任务的能力以及拥有AI难以替代的批判性思维、跨领域整合和人性化交互技能。关于股票投资判断从“AI的核心是提高预测精度最终实现无人交易”改为“AI的核心是增强信息处理和决策支持能力未来是人机协同的增强模式”。投资研究的效率边界被大幅拓展但最终的决策权重和道德责任仍然在人类手中。关于技术浪潮与资本判断从“浪潮由少数龙头主导”改为“受益结构将更加多层和分散基础设施、模型、应用层将演绎不同的资本故事且周期波动会更剧烈”。机会不仅在于“铲子股”更在于能深入产业、解决真问题的“工具股”和“服务股”。基于这些无论是作为从业者规划职业还是作为投资者观察市场或许可以朝这些方向想想别只学工具操作要构建自己的“元能力”别迷信预测要善用增强别只看明星要深挖场景。技术浪潮滚滚向前但潮水退去后能留下的永远是那些解决了真实问题、创造了具体价值的“压舱石”。这场对谈给我的最大启发或许就是让我们把目光从对“替代”的恐惧和对“神话”的追捧中移开更冷静地看向“重构”与“增强”发生的真实地带。