（原文刊发于中国基金报）

作者简介：汇添富基金总经理张晖。

这个环节原本设定的主题是“AI重构资管：范式变革与能力跃迁”，其实很难讲。因为我自己感觉，今天在行业里所应用的AI，实际上还没有真正改变资产管理的“范式”。

什么叫“范式”？范式就是一个专业共同体所共同接受的底层共识与准则。比方说，我们做价值投资的底层共识是什么？是寻找优秀的企业伴随其价值创造，是在面对未来不确定性时，你要求多少风险补偿。选股之后，构建组合还要回答怎么分散、怎么控制回撤、怎么在风险约束下追求收益最大化——这些传统的组合管理理论，也没有变。无论你今天用不用AI、工具怎么变，这些底层的投资范式实际上并没有发生变化。

当然了，未来是不是会变化，在后面的分享中会结合人工智能的发展脉络进行探讨，但在当前这个阶段，AI带来的更多是资产管理全流程的重塑。所以，我把今天演讲的题目改成了“AI重构资产管理行业的思考”，没有轻易使用“范式变革”这样的词。

我自己其实算是一个“技术狂热者”。2025年春节期间，DeepSeek R1刚出来不久，我想做个尝试，把我过去公开发表过的文章和观点喂给DeepSeek，生成一篇观察文章。这个尝试在媒体上发布后，意外获得了“10万+”的阅读量。从那以后，我们团队加快推进AI大模型的研究和建设工作，做了一系列有价值的探索。

一、AI究竟在重构什么？

首先，我认为资产管理的本质并没有变化，依然是“受人之托、代人理财”，是在既定的风险约束下，把客户的资金配置到合适的资产上去，真正被“重构”的是完成这件事的方式和底层的成本结构。

在这里，我想提出两个核心概念：AI替代的是“认知执行”，而人类保留的是“认知责任”。

什么叫“认知执行”？比如读研报、算财务模型、跑策略回测、写基础材料，这些在明确目标函数下处理信息的工作，现在已经是AI的绝对主场。但为什么投资这件事很特殊，机器难以替代人去承担“认知责任”？这里面有两个非常本质的问题：

第一个问题，风险定价与风险补偿，高度依赖于“人”的心理与经历。

现在的模型算得非常快，可以在极短时间内把一个行业所有公司的财报全部读完，把各类信息归纳得清清楚楚，甚至对企业未来的现金流和盈利增长，机器都可能算得很好。但是，做投资光算清楚增长是不够的，你还要回答：面对市场的不确定性和剧烈波动，你到底要求多少风险补偿？你在极端行情下敢不敢逆势操作？这种对风险的定价与承受力，跟投资经理的心理素质、过往穿越周期的经历是高度绑定的，绝不是冷冰冰的算法可以替代的。

第二个问题，是人的“认知结构”决定了你能否承担责任——我常在公司内部讲一个“手电筒理论”。

假设今天让AI把生物医药行业里各种复杂的临床靶点、分子结构研究得非常清晰，最后机器可以直接输出一个投资决策。但实际上，我们是没有办法就这样做出决定的。因为你看到什么，不取决于世界本身是什么样的，而取决于你的认知结构。一个人的认知结构就像一把“手电筒”，它只能照亮你看得懂的那一小片区域。在手电筒光束之外的黑箱里，如果你完全不懂它底层的推演逻辑，一旦市场出现波动，你就根本拿不住，最后也完全没有办法为这个投资结果去承担“认知责任”。

所以，我们必须厘清“认知执行”和“认知责任”的边界。在“认知执行”层面，AI的赋能确实是惊人的。我们公司有一位做有色的基金经理，前段时间借助AI，系统性地把中国矿业大学的九本专业教科书全部学习了一遍，又高效地把海外主流的矿业公司全部梳理研究了一遍。这种效率在过去靠人工阅读是不可想象的，AI极大拓宽了他手电筒照亮的范围；但无论学习有多快，最终拍板下决心、为投资结果承担的“认知责任”，依然必须由人来扛，这是资管行业不可动摇的底线。

基于上述理解和判断，我把资管行业的智能化演进划分为三个阶段：

第一阶段是智能助手阶段。也就是被动应答、单点辅助的“副驾驶”。主要是人提出问题、发出指令，AI作出回应，帮助完成某个具体任务，比如读研报、写材料。目前各家机构都已经普及了，属于行业标配，不再构成差异化优势。

第二阶段是智能体协同阶段。这是当前各家资管机构角力的主战场。多智能体工作流开始接管各个业务场景，但在关键节点上仍然保留人类的判断，这一步带来的效率飞跃是量级上的。

第三阶段是AI原生组织阶段。我认为，前两个阶段其实都还没有改变投资范式，只有到了第三阶段，才真正可能发生范式转移。

为什么这么说？我想借“AI原生”这个词，分享一点我跨界思考的感悟。

熟悉人工智能历史的朋友都知道，符号主义和连接主义是AI发展中被反复提及的两种技术思路：前者强调由人显式定义规则、符号和分类，再让机器推理；后者强调让模型从海量数据中学习表征和连接。需要说明的是，AI的发展并不是简单的“前者失败、后者成功”——今天的大模型，仍然结合了大量的工程规则、人类反馈与约束条件，符号这一层并没有消失，反而在严肃应用里被重新补了回来。我借这两个词，只想说明一种组织知识的差异：知识是先由人写好、再交给机器执行，还是让机器自己从数据里发现结构、人负责设定目标与边界。

借用这个类比来看，我们现在的投研组织体系、价值判断标准、因子框架乃至管理模式，仍主要是人类先定义分类、规则和因子，AI更多是在这个既有框架内跑得更快。所以我说现在还谈不上范式变革——变的是速度，不是框架。

那未来会不会不一样？如果模型能够从海量数据中自行发现结构，人只设定目标、约束和责任边界，一种更接近“AI原生”的方式有没有可能成立？海外已经有一些私募和对冲基金在探索类似模式，但这里面还存在不少约束和制约因素，有待进一步去思考与探索。

但即便在当前阶段，传统公募投研与AI赋能下的投研体系正在拉开明显差距。过去受限于人力，传统投研深度跟踪的往往只有几百只核心标的，研究员大部分的宝贵精力都消耗在数据收集、清洗和基础建模这些案头工作上，真正留给深度思考的时间被严重挤压。而在AI接管案头工作后，全市场、跨资产的实时动态扫描成为常态，人的精力得以真正释放到商业逻辑推演和逆向思考上去。

这就引出了一个问题：当“读得快、算得全”被AI商品化，浅层信息搬运优势消退，资管机构的护城河到底在哪里？

我给大家讲一个我自己做过的实验。前段时间我收集了大量公开数据，设定了写作主题和框架要求，然后把同样的一批公开资料同时喂给国内外的好几个主流大模型，让它们各自生成一篇深度报告。最后出来的结果令人震惊——不管是国内模型还是国外模型，它们生成的文章不仅核心观点高度一致，甚至连篇章结构、部分段落的表述都是几乎一模一样的。

这个实验提示我们，如果全行业都用大模型、分析相同的公开数据，最后得出的结论可能是高度同质化的，这里面就很难产生超额收益。我认为，未来资管机构的护城河，会向三个高阶维度集中：

第一，是私有知识的沉淀。公开语料大家都有，但非公开的一线深度产业调研、买方专有的知识图谱是机器凭空算不出来的。

第二，是反共识判断与组合表达。面对同样的信息，你有没有穿透表象识别出市场隐含假设的预期差？在极端行情下有没有逆向投资的勇气？更关键的是，如何把研究观点转化为最优风险收益比的持仓久期管理与组合构建？

第三，是受托信任与长期陪伴。穿越周期的战略定力，以及基于“人”的受托责任担当所建立起来的深度客户信任，这是算法难以替代的温度。

二、AI重构资管的路径与边界是什么？

看清了重构的本质，接下来第二个问题：AI在资管机构到底该怎么落地，边界又划在哪里？

在投研端，我们用一把带有三个刻度的“尺子”来拆解所有投研工序，这三个刻度分别是：可验证性、后果严重性、责任归属。用这把尺子一量，整个投研流程就可以清晰地解构为三层——越往上走，AI替代的程度逐层递减，而人类的责任逐层递增：

第一层是“信息吸收层”，包括研报检索、会议纪要结构化、上市公司公告跟踪等，这一层可验证性强、容错度相对高，AI已经近乎全面替代，信息收集相关的案头工作效率大幅提升。

第二层是“建模与因子层”，在财务建模、因子挖掘和历史回测上，机器具有天然的算力优势；但这里面埋伏着三个陷阱——回测式伪发现、过度拟合、以及策略拥挤，所以这一层的核心机制必须是“AI生成+对抗性校验+人工审核上线”。

第三层是“判断形成层”，AI非常擅长总结“历史数据说了什么”，但它还不擅长判断“当前的市场价格已经反映了什么”。在这一层，AI的角色是帮我们推演市场隐含假设、搜集正反两方面的博弈证据；但最终判断哪些反共识机会值得出手、给多少风险预算，必须由基金经理来主导并承担责任。

因此，当我们将投研系统重构成一个包含数据解析、估值建模、情绪分析等分工明确的“多智能体协作网络”并接入买方私有知识库后，最终呈现在人类基金经理面前的，是一套“决策看板”。看板给基金经理的，不是一个黑盒式的“买入”或“卖出”指令，而是一套可检验、可追溯、可审计的完整论证：潜在的预期差在哪里，支持与反对的关键证据分别是什么，这个投资逻辑在什么边界条件下会失效？

除了投研端，销售端与服务端的重构同样非常深刻。

销售端的重构，在于以买方投顾式服务赋能销售，低成本实现“超个性化”配置。

整个行业一直希望给客户提供真正的买方投顾式服务，因为每个客户的财富状况、风险承受能力、流动性诉求都不同，理应进行千人千面的精准匹配。但过去受制于服务成本，这种定制化配置只能覆盖极少数高净值大客户；面对海量的普通零售客户，人工定制的成本就非常高，往往难以真正落地，最终还是以标准化产品的销售为主。

现在有了AI，情况大不一样了。我们可以利用AI资产配置引擎——也就是“多约束求解器”，把宏观市场的实时数据流，与每一个客户的风险偏好、流动性约束、收益目标放在一起进行动态求解，面向海量客户生成千人千面的“1+N”专属资产配置方案。这不仅能把投顾人员从繁琐的报告生成与合规材料准备中解放出来，还可以让“超个性化”的资产配置，以极低的边际成本向普通大众规模化下沉。

服务端的重构，在于客户陪伴从“单品推销”转向“买方投顾式”情绪陪伴与信任构建。

我们一直在讨论“基金赚钱、基民不赚钱”的行业痛点。为什么基民不赚钱？原因有很多方面，其中投资者的行为偏差是重要一环。市场稍微一波动，投资者的心态就容易失衡，这背后反映的是客户的“心理久期”太短，总是频繁关注短期波动；同时，客户的“考核久期”也太短——经常拿自己持有的基金，去跟短期涨得快的基金做比较，却忽视了产品本身的风格特征，由此带来的情绪起伏，也让长期投资很难真正坚持下去。现在，我们可以通过“AI行为感知器”，在客户授权与合规框架内，实时识别客户的非理性交易信号并提前预警；由机器提供理性的底层算法支撑，人类投顾则负责情绪疏导、长期陪伴与信任构建，把投顾的核心价值从“解答市场发生了什么”真正转移到“在市场动荡中维持客户的战略定力”。

当然，讲了这么多落地场景，为什么我一开始还是强调“范式很难改变”？因为横亘在我们面前的，还有风险与底线的“三道刚性边界”：

第一道边界，是技术的边界——数据幻觉的硬伤至今没有根除。

尽管如今大模型能力已经大幅跃升，但即便是顶尖的模型，在面对复杂财务推演与多步计算时，“高阶幻觉”依然顽固。在严肃的金融场景里，面对幻觉，我们不能消极等待模型自己升级，必须靠扎实的工程手段去克制它：

一是靠私域数据筑底。严格要求模型以我们自己经过校验的调研底稿、内部会议纪要和业务数据为依据；即便使用公开信息，也只采信公告、财报等权威来源，不允许它在良莠不齐的网络语料里自由发挥。

二是最核心的工程基建——建立全公司统一的“知识本体”（Ontology）。这是一个知识工程术语，指把一个领域里的概念、属性以及它们之间的关系，用标准化的方式显式定义出来。我们要为AI绘制一张极其严密的知识地图，把全公司的产业链分析语言、公司评估语言、财务指标、因子口径，以及它们彼此之间的层级结构和因果关系，全部用标准化的语言定义清楚。让公司所有的Agent都必须在同一套标准口径下说话——只有通过知识本体把模型的“自由度”降下来，AI在金融应用中的“可靠性”才能真正提上去。

第二道边界，是市场的边界——必须高度警惕“算法共振”。

刚才也有嘉宾提到了这一点。正如我前面做的那个实验，当全市场都共享相似的底层模型与公开数据时，交易信号的同质性会被大幅抬高。过去的“羊群效应”来自人类的情绪传染，而未来的“羊群效应”很可能来自算法的同频共振。这意味着我们未来的风险管理体系，不能仅依赖波动率等传统风险指标，还必须将“信号同质性”、“交易拥挤度”以及潜在的“流动性压力”进一步纳入日常风险监测视野。

第三道边界，是责任的边界——受托责任永远不可外包。

一个“没有人类责任主体的全自动基金”，在资管行业里不会成为主流——客户不会买单，也难以符合监管对受托责任的要求。人类在资管链条中最核心的价值，就是判断与担当。真正的智慧，在于清醒地知道什么时候该放手让AI辅助，什么时候必须由人站出来亲自负责。