花重金 " 蒸馏 " 某位投资大佬的大脑，把他几十年的研报、发言、专著全部喂给 AI，效果会如何？
光大证券王开告诉你：方向可能错了。
不是技术不够好。而是你把一个人 20 岁、30 岁、40 岁不同阶段的自己，全部搅在了一起。它们会互相打架。
王开，光大证券研究所首席资产配置分析师、FinAI Street 金融 AGI 沙龙联席主席。过去两年，他和团队几乎经历了金融机构 AI 部署的每一个典型阶段：从 2024 年探索 AI 对不同工作流的取代程度，到 2025 年搭建多 Agent 协同的金股模拟流程，再到 2026 年落地 " 六位一体 " 资产配置 Skill。他是业内少数带着完整实战经验、并且愿意公开分享 " 踩坑记录 " 的研究者。
近日在 FinAI Street 金融 AGI 沙龙启动礼结束后，万得对王开进行了专访，他没有重复 "AI 赋能投研 " 的行业套话，而是把实际部署后暴露出来的边界问题，往前推了一步。
核心观点
" 蒸馏 " 最怕的不是资料太少，而是把一个人不同阶段的自己混在一起。解法是把知识库拆成 " 主干 " 和 " 切片 "，让 AI 寻找与当前环境最接近的历史语境。
AI 越擅长形成共识，越容易走向平均收益。 AI 基于公开信息整理，获得的共识天然滞后。真正决定超额收益的，恰恰是尚未形成文本共识的部分——而 AI 拿不到。
AI 没有情绪是双刃剑。 右侧交易中它能帮你避免追涨杀跌，但在左侧——市场还没形成共识时—— AI 不会告诉你这里有机会。从 0 到 1 的判断，AI 做不到。
AI 正在制造 " 认知卸载 "。 第一次就用 AI、没有自己走过完整分析链条的人，会逐渐失去判断 AI 输出正确与否的能力。这不是 AI 会犯错的问题，而是人失去发现错误的能力。
AI 读不懂生产线上的灰尘。 超额收益的关键信息——管理层表情、厂房灰尘厚度、生产线流转节奏——永远不会出现在文字纪要里。
" 蒸馏 " 最怕的不是资料太少
问：很多机构现在都在尝试 " 蒸馏 " 资深投资经理的决策逻辑。您团队也做过类似探索，来 " 蒸馏 " 分析师过去的自己，结论是什么？
王开： AI 擅长的是对历史的回溯，做历史上已经有比较完整语料和记录的事情。但它很难直接做预测。
如果让它做预测，时间窗口过短会有问题。如果按照过往过长的时间去外推，也会有问题。因为很多产业周期的经验——从地产周期、消费升级，到后来的科技产业变化——中间会有很多噪声，不一定和当前市场状态完全一致。
所以我们把知识库打上标签，沿着不同时间线，分成主干和切片。
主干是相对稳定、长期有效的部分。比如我们当前使用的思维框架，究竟是用 PB-ROE，还是用美林时钟、高股息投资，或者其他投资范式。
切片则是在每一个时段里，投研人员对市场的判断。有些阶段可能适合用价值风向体系、高股息逻辑；下个阶段，我们又会结合自己的微观调研和自上而下的一些体会，转向推演高成长经济赛道的逻辑。
然后，让 AI 去对标和当前历史最相近的语境进行学习。这样找出来的看似是切片，实际上是更加精准的样本。
这个思路，直接对应到很多人关心的 " 蒸馏 " 问题。
经常有人问我们，能不能把某个投资经理，或者某个资深投资大佬的大脑蒸馏出来。我们的体会是，如果只是用传统研报、公开发言，或者他写过的专著作为蒸馏材料，那只是徒有其表，没有办法获得投资精髓。
一个投资经理在 20 多岁和 40 多岁时，对产业赛道的体悟是不一样的。他的框架也是随着产业周期变化和投资策略演绎，在不断进化和迭代。所以，把他历史上所有信息都喂给 AI，信息越全，效果未必越好。
机构不是缺历史知识，而是历史知识互相打架。20 年前有效的投资范式、5 年前的框架、去年形成的经验，可能都 " 正确 "，但它们未必同时适用于今天。很多机构现在做专家知识库、历史研报库，容易犯的错误就是：把所有历史文本无差别塞进去，以为语料越全，模型越像这个人。
AI 只是对他已经讲过的话、发表过的言论做高效检索，把这些话抽离出来。但其中的灵魂，有时候在他的交易里，在灵光一现里，在对事实的应对里。有些长期在市场里积累出来的过程经验，是只可意会不可言传的。
如果说 " 蒸馏 " 有更好的方式，首先是在和 AI 持续对话中沉淀成持续的记忆文件，更重要的是，把我们的思维框架体系给它，让它沿用到当前市场环境中，去选择相应的资产和风格。
它最终复刻的不是我们讲过的那些话，而是把我们自上而下的货币信用体系，用来判断当前货币和信用的交叉结构。比如，现在资本市场交易逻辑是不是由货币政策引导，再传导到信用环境，最后落实到利润端？这个逻辑现在是否适配？如果适配，对应哪些风格？
我们会不断把这些逻辑通过对话或编程喂给 AI，让它去学习，然后在一个全新的环境里应对。这才是比较好的蒸馏，或者比较好的投研范式。
我们很难指望人完全偷懒，然后让 AI 直接提供有投资和交易价值的策略。更多的是，它帮我们节省时间，把时间放到深度思考上。
超额收益在哪里？
问：您之前提过 AI 投研是 " 辅助驾驶 "。但这次您谈到了一个更具体的判断—— AI 在左侧交易中几乎无能为力。能展开讲讲吗？
王开：对。我们把 AI 能够挖掘的信息分成三个维度。
第一，已知的已知。市场已经充分交易的信息，AI 能够快速发现和整理。
第二，未知的已知。它看似是未知信息，实际上是散落在各地的碎片化公开信息。AI 可以大范围提炼，比如从上市公司数百份公告、同一类信源里，把信息像拼图一样拼接起来，为我们提供一些超出市场一致预期的线索。但它仍然来自公开信息。
第三，未知的未知。这个是 AI 无法攻克的。它只能通过线下调研、一线感受，以及我们自己的私域知识和对领域长期跟踪体悟来获得。这一点才是创造超额收益的关键。
AI 最大的优点是没有情绪。没有情绪意味着它不会被市场节奏带着走。这一点在右侧交易时非常重要——当可能出现追涨或杀跌时，AI 可以提示典型风险信号。
但是在左侧，特别是主题交易的左侧，如果市场还没有发酵出共识，AI 检索不到足够的文本语料，或者语料很少，它就不会提示我们：这里可能是一个左侧布局的机会。
这就需要人类，尤其是资深分析师，基于自己对产业赛道的长期理解，形成一些左侧判断。从 0 到 1 的事情，需要行动的勇气。AI 更擅长做的是从 1 到 100、到 1000。
这里有一个更深层的经济含义。AI 基于公开信息整理，获得的共识一定是滞后的。它越擅长形成共识，也越容易走向平均收益。真正决定超额收益的，恰恰是尚未形成文本共识的部分——而 AI 拿不到这部分。
还有一个容易被忽略的维度：AI 能帮我们发现 " 名义分散、实际抱团 "。
传统分类里，建材和电子可能被视作两类资产，一个周期、一个成长，似乎可以起到分散作用。但现在覆铜板、陶瓷基板等建材细分已经进入电子、半导体产业链，两类资产背后的风险因子可能重新高度相关。表面分散，并不意味着真实分散。人很难持续观察到全部产业链的这类变化，AI 可以动态重画资产之间的真实关系。
另外，大语言模型毕竟是按照文本语义中最大概率的方向去做下一步推导，不是按照程序化、完整严密的工作流做零容错推导。金融市场里，特别是交易环节，是零容错的。
所以王开把边界划得很具体：研究和组合管理可以高度辅助，但真正涉及交易执行，必须设置人工确认和复核节点。
举个例子。 如果我们用 AI 总结上市公司的调研纪要，要求它总结 " 一致信息 "，它可能会把 6 份纪要中都提到的内容——比如 " 公司管理层非常尽职尽责 " ——列为一致预期。
但有一份纪要里可能提到，董事长亲自下沉到生产一线，非常关注供应链行为，并亲自进行产业链上下游调研。这看似也是公开信息或一致共识，但透过这些微观行为，我们能看出他对具体业务细节、公司和行业的理解，以及尽责程度到底到了哪个层面。
这些对于投资研判非常重要。AI 可能会把它识别成一致共识，但对我们而言，它具有非常高的交易含金量。
AI 风险不只是 " 会犯错 "
问：您提到了一个行业很少公开讨论的问题—— AI 正在制造 " 认知懈怠 "。能具体说说吗？
王开： 现在不乏出现刚进入某个领域的新人，在使用 AI 工具时，遇到一个很明显的投研常识性错误，但他不会发觉。
如果第一次就直接用 AI，没有打底稿，没有自己写作，没有经历分析链条和知识图谱的构建过程，就很容易被 AI 欺骗。AI 风险不只是 " 它会犯错 "，而是人逐渐失去发现它犯错的能力。
因为我们强调，AI 更适合给熟手使用。熟手在校验时知道它的过程有没有错误。如果给一个完全没有学过、没有接触过这个知识面的新人来做，AI 犯错了他也不知道。AI 交给他的内容还可能形成错误的记忆沉淀，那就很麻烦——一开始地基就错了。
这再往下推一层，就是人才断层。熟手是从生手一步一步培养起来的。如果用 AI 替代了很多基础岗位，一旦出现人才结构交替，而新手又没有经过相应的投研训练，企业组织就会出现经验断层。
所以，虽然 AI 能够做很多基础工作，但从长期价值视角来看，还是要给新人机会，让新人不断成长，真正体会业务。这对企业长期竞争力是必要的。
划出一块 " 飞地 " 做 AI 培育
问：对机构决策者，您最想提醒的是什么？
王开： 有 3 点提醒。
第一，现在我比较担心两种路径。
第一种是完全抵触 AI，觉得它有随机游走、过程黑箱、数据幻觉等问题，就完全隔离它。这对提质增效是不利的。你不用，同行也一定会用，而且会在组织架构里做一些变革式调整。
第二种是完全信赖 AI，这也有问题。AI 能做的事情很多，不能做的事情也很多，需要把边界确定好。比如流程式工作很适合用 AI 做，能够节省大量人力物力。我们只需要在关键流程节点做人为的信息确认、复核和审批。至于 AI 如何处理信息、梳理信息、归纳信息，可以交给它做。
第二，多给年轻人机会。 我们发现，00 后群体在 AI 应用上比我们更成熟。我们可能有经验，但年轻人在技术层面对 AI 的想象力非常强。比较好的方式，是让年轻人和有经验的人配合——有经验的人提供方向、路径和框架，年轻人掌握的新技术又日新月异。
第三，AI 发展不是简单把 AI 嵌入传统业务流程。 很多机构 AI 部门成立了、工具也买了、培训也做了，但传统审批链、研究链、责任链一项没变，最后 AI 只是多了一个入口。
我们的体会是，比较好的方式，是划出一块 " 飞地 " 做 AI 培育，让新的 AI 工作方式先完整跑起来，再反过来重构组织。而不是把 AI 作为一个独立板块，与传统业务并联，只给传统业务做提质增效。
分析师 " 护城河 " 在哪里？
问：如果 AI 能处理成百上千份调研纪要，资深分析师未来的护城河在哪里？
王开： 首先，所处行业领域内的知识积累，越充分越好。
AI 在大量公开信息和部分私域知识积累上，看起来已经掌握了不少信息。但实际上，很多东西是在脑子里的，AI 拿不出来。 这些是长期形成的经验。我既没有在和 AI 对话时全部体现出来，也没有通过文字或文档形式沉淀下来。
第二，是对公司商业逻辑的理解。 越资深的分析师，看问题的视角越独特。比如同样分析一家酒企，从业两三年的年轻分析师，可能更关注短期提价、利润提升或一次结构变化。但资深分析师会站在宏观大势、人口结构、供需匹配，以及政策联动性等更高层面看这个问题。这种透过现象看本质的能力，AI 目前还不具备。
第三，体现在一线调研上。 AI 可以读调研纪要，同一时间处理上百份、上千份。过去一个分析师覆盖 6 到 10 家公司已经不容易，现在可以覆盖上百家。但很多对场景的感受，是需要线下亲身接触的。
比如我们和上市公司领导交流时，通过对方的表情和语调变化，也能获得对这家公司的理解。
很多年前，我们听会计师事务所的朋友说，有经验的分析师不会只看审计报告或公开信息。他们去现场调研时，会看一些细节。比如看厂房生产线上有没有灰尘。如果用手一擦真的有灰尘，对他们来说就是一个悲观的信号，一个提示风险的信号。
这些信息只能通过线下调研、走访和观察获得，没有办法通过文字沉淀的形式让 AI 直接分析。
所以，一线调研，特别是有经验的细节调研和线下交流场景，是不可缺少的。AI 能把案头研究能力扩大十倍，资深分析师反而要把更多时间从案头搬到现场——通过调查研究获取尽可能真实、尽可能贴近一线的感知，进而在投资中形成超额收益。
学 AI 慢一点，可能不是坏事
问：最后，对金融行从业者使用 AI，您有什么建议？
王开： 首先是不需要对 AI 有焦虑。
现在 AI 方面的情绪，不仅体现在投研上，也体现在投资交易里。过去三年，AI 板块无论上中下游，都出现过快速上涨的行情。大家会焦虑：为什么 AI 配置得少？
对于 AI 的学习，也不需要担心学得太慢。学得过早、过快，可能会遇到很多开源项目修复 Bug、调试、试错的问题。我们在一线试错是职责所在。对大多数从业者来说，等到商业模式更成熟时再使用，也没问题，还能省去很多调试成本。
第二，还是要尽可能多用 AI。 看公众号文章，或者听别人讲，对 AI 可能只是表观理解。只有亲自下场使用，才知道它到底能解决什么问题。
第三，要注意本地化信息的保密性。 投资经理的交易数据、本地化私域知识库，以及个人积累的纪要等，一定要非常注意安全性。在投资场景里，要在非常严苛的语境下执行相关操作——交易环节要避免犯错，分析过程中也要防止信息外流。
本地化应用和本地化大模型，是一个比较好的抓手。如何对信息进行脱敏，如何把涉密信息隔离，避免上传到云端，这些都值得深入思考。对组织机构和相关负责人来说，这一点非常关键。
________________________________________
（本文根据万得对王开专访内容整理。文中观点仅代表受访者个人，不构成投资建议。）
在 AI 与投研深度融合的时代，边界感比全能感更重要。如果你也在探索 AI 如何融入自己的投研工作流，不妨在万得 AI Alice（https://alice.wind.com.cn/）中亲自试一试——哪些它能帮你加速，哪些必须你亲自判断，用过才知道。
点 " 阅读原文 "，体验 Wind Alice
