在投资活动中，有三种能力至关重要：信息的获取能力、信息的处理能力，以及创新能力。因为投资是用现在的确定性交换未来的不确定性，是在不完全信息、不对称信息下对未来的概率性押注，谁获取有价值信息的成本更低、或对信息的理解更深更准，谁就更有可能建立投资优势。由于投资市场的交易成本比较低，有很强的同质化竞争倾向，即使一个投资者能够获得数据，能够正确地处理数据，如果他看问题的角度没有独特性，想法没有创新性，他的投资策略就会与众多的投资者趋同，因此虽然能获得大盘的收益（贝塔），而无法获得超额收益（阿尔法）。
投资的方法有很多种，但万变不离其宗。我们能看到一些华尔街对冲基金斥巨资购买商业卫星图像、航运数据等“另类数据”，以捕捉对企业经营有指向性的独家线索；也看到一些量化投资机构铺设专用光纤线路，只为压缩关键信息的传输时间。与此同时，巴菲特则在宁静的奥马哈，凭借深厚独到的商业洞察力---也就是更强的信息处理优势---创造了长期卓越的投资回报。 无论是这些对冲基金、量化交易平台，还是巴菲特，都必须走别人不走的路，因此才能长期超越股指大盘。
AI对投资的影响广泛而深远，覆盖研究、交易、风控、合规与投顾等链条，但对信息的获取与处理的影响是其中的关键。AI并不会改变投资的基本经济学逻辑，但会重塑投资者在产业链不同环节的相对优势。
AI的优势：提升投资中信息获取与处理的能力
AI正在深刻地改变投资领域的信息获取与信息处理模式，首先是显著提升处理信息的速度和宽度。
过去投资中可利用信息可以分为两大类：一类是人类分析师可以利用计算机高效处理的信息，比如公司财务数据（营收、利润、增长率等）、市场交易数据（价格、成交量、波动率等）、宏观经济数据（GDP、通胀、利率等）等，即结构化数据：这类信息可以直接存入关系型数据库表格，字段明确、格式统一，传统的数据分析技术很擅长应对，计算的速度也非常快。
另一类信息是主要依靠人类分析师处理的信息，如新闻报道、研究报告、管理层的访谈语音、产业介绍的视频资料、实地的走访和调研等，这些文本、语音、图像、视频、亲身体会的信息被称作非结构化数据，传统计算机技术不擅长处理，主要依赖人类分析师来筛选、判断、利用这些信息的价值。但人和计算机相比有个显著的缺点：处理信息的带宽低、速度慢。
以大模型为代表的AI，恰恰在语言与多模态理解上具有优势，带来非结构化数据处理的“效率跃迁”。它可以在极短时间内完成跨语言资讯梳理、长文档提炼、电话会要点捕捉与语气变化识别，把原本需要团队数天的“翻文件”工作压缩到分钟级，并为后续的人类判断提供更高质量的候选线索。
业内产品与实践已开始雨后春笋般落地。例如，2025年彭博在 BloombergGPT 等能力基础上推出“AI 文档洞察”等功能，允许分析师将成批研报、公告、监管文件交由系统自动提取关键段落、风险点，并用自然语言回答诸如“过去三年主要监管风险是什么”“成本控制表态是否出现变化”等问题。又如，安联全球投资（Allianz Global Investors）相关量化团队披露使用词向量等方法实时解析财报电话会文本，将语气、关键词与情绪变化转化为可用因子，把“阅读数小时”压缩为“即时信号”。
第二，AI的这种高通量信息处理能力使其在处理高维信息时得心应手，而我们人类很难建立对高维信息空间的直观理解。人类在考虑一个事情的因素时或者进行传统建模时会用较为有限的变量规模（1956 年心理学家乔治・米勒提出米勒定律，当变量到达7个左右，人脑会陷入认知过载）；但AI驱动的模式识别可能动辄成千上万个特征维度，关联海量的、可以是多源异构的角度进行多模式识别，这是人脑无法进行、甚至无法理解其细节的工作，潜在可发现人类无法察觉的跨维度相关性、以前难以利用的“弱信号”。
例如一家晶圆厂近几个月的用电负荷略微高于过去同季节的常态波动；与之相关的几家设备和材料供应商，在招聘网站上发布的质检与工艺工程师岗位数量，比上一季度多了两三成；与此同时，一些与该公司关键工艺相关的技术论文，在学术数据库里的引用次数开始加速，但新闻和公告层面并没有任何“大动作”可以解释这些变化。对单个分析师来说，这些信号往往散落在不同系统和部门，很难在脑海里拼成一个完整故事。但AI模型可能识别出一个模式：当这几类弱信号同时出现时，往往预示着相关企业正接近一次重要的工艺突破或产能爬坡，随后一段时间内收入和市场关注度有较大概率明显上升。于是，在人类还没有明确直觉之前，系统已经把这一“跨维度弱信号组合”标记为值得重点跟踪的机会。
第三，AI和人类（包括利用计算机）在模式识别上存在根本差异：以深度学习为代表的前沿AI通过非线性建模来实现复杂模式识别，而人类对此不擅长。现实世界（当然包括投资）中的很多关系不是线性的，例如利率、通胀、情绪、地缘政治等因素的交互效应不是简单相加。但传统的金融模型往往假设线性关系（如线性回归、CAPM模型），原因是人类受限于大脑带宽，很难处理复杂非线性关系；传统统计学为了数学上的可计算性和可解释性，一般也偏好线性关系模型。深度学习理论上可以逼近任意非线性函数，AI从数据中学习，可以捕捉到数据中隐蔽、复杂的非线性关系，这有潜力为投资分析等领域带来巨大价值。
人类的相对优势
基于AI最新的进展和技术范式，人类仍有一些AI目前还不能颠覆的信息获取和处理优势，我们可以从五个角度讨论。
首先，创新能力是投资的一个核心能力。目前的大语言模型可以模拟人思考，可以生成虚拟内容，但这些都是对人类数据的重新排列组合。即使是获得诺贝尔化学奖的蛋白质预测模型ALPHAFOLD，也需要用科学家长期积累的实验数据为基础来训练，从科学发现的角度看，并非真正的原创。到目前为止，AI在应用人类知识上取得了前所未有的成绩，但在原始创新上仍然非常局限。AI能不能用牛顿看到的数据发现万有引力？能不能用爱因斯坦的知识和经验发明相对论？能不能用80年前的资本市场数据自创价值投资？至少目前不行。如果可以，将会对人类智能产生压倒性优势。
第二，相对AI来讲，人类在投资中有一定的数据获取的优势。人类分析师可以通过实地调研（如考察工厂、门店）、产品体验等方式，获取无法被数字化描述的多感官、高质量信息。人类分析师还能够建立和利用复杂的人际网络，通过深度沟通、谈判、建立信任来获取和验证信息。这种依赖于人类具身感知和社交特征的信息获取，在具身智能取得更大的进展前，人类分析师还无法被取代；即便将来具身智能可以做到更直接的在物理世界中获取信息，其是否能够模拟人类社交在那些基于人际互动、深度信任甚至情感交流的信息获取上做好还是个问号，如人类分析师通过多年的行业网络获得的非公开但合法的信息：核心高管之间的权力结构、供应链里“不上台面”的变化、地方政府真实执行态度等。
目前，AI的“知识“主要来自“学习”由人类记录和处理的信息，比如人类写的访谈纪要、行业研究报告等作为训练语料。但这里就有个问题，人类是否会把重要的信息都记录下来？人类记录下来的信息总会有压缩损失，而有些信息的损失会很大甚至无法被恰当的记录，比如有经验的分析师基于多年的经验、交流时的微妙氛围、行为细节等可以相对准确的判断管理层是否靠谱，但他很难把这种直觉背后的逻辑准确的记录下来作为语料供模型训练，那AI就很难习得相关能力。这种“隐性知识”对AI的挑战是投资中存在一些信息难以被高质量数据化：难以完整标注，难以形成训练样本。
第三，AI的智能往往依赖大数据，有时是超大数据（比如语言大模型），而人类智能只需要非常小的数据量。由于投资信息经常是稀疏低频的，这就导致AI很难掌握和应对，比如产业技术路线切换、新兴产业出现、前所未有的疫情这种黑天鹅事件的冲击等。类似这些问题样本少、现象新，会大幅限制以大样本统计规律为主的模型优势。
第四，目前前沿模型的能力来自于对人类知识的压缩，还没有真正意义上的因果分析能力，对逻辑推理也只能模拟。人类本性上对事物或世界需要有一套解释机制（如古人对自然现象需要一套神话解释体系），习惯构造因果假设，擅长在没有充分样本时用理论压缩复杂性；因为人脑带宽的限制和能耗的约束，练就了抓住“少数关键变量”的本领。而AI依赖于统计相关性，从大量历史模式中拟合获得“理解”。
这种智能范式上的差异令有些复杂、高阶的投资信息处理依然依赖人类独特的能力，因为投资中的很多高价值判断来自对底层机制的理解，而不是历史拟合。例如“为什么这个行业会出现赢家通吃？”或者“为什么同样的政策在中国和美国会有大相径庭的效果？”这些问题，有洞察能力的分析师往往依靠对经济学、社会学、产业知识、组织行为、制度差异的综合分析来理解其背后底层逻辑，而AI对这些机制的“理解”能力目前受限于AI的智能模式和训练数据质量，往往不够稳定。
第五，投资中的信息处理以及相关的决策不只是需要从质量角度衡量，还面对治理和责任的约束。投资决策要面对监管、合规、客户的审视，黑箱模型即便预测力强，也可能因为不可解释而无法大规模使用。
AI也不会承担声誉损失、职业后果和法律责任，而投资中最困难的决策常常是在信息不完备下拍板，在共识很强时选择不做，在模型和人类判断冲突时选择信谁。这背后是权力和责任的匹配，不只是算法问题，最起码当前的社会制度仍要求人类作为最终责任主体，未来不确定。
总结：人机协同，但AI起到越来越大的作用
综合以上讨论，我们可以勾勒出AI对投资领域影响的基本图景：AI正在从根本上重塑投资中信息获取与处理的格局，但并未取消人类判断的核心地位，而是将人机协作推向了一个新的、对人要求更高的阶段。
在效率层面，AI对非结构化数据的处理能力突破了传统技术的边界，将过去需要团队数天完成的信息筛选、梳理工作压缩到分钟级别；在广度层面，另类数据的大规模利用、跨语言跨市场的信息覆盖正在成为现实；在深度层面，AI基于高维非线性模式识别的能力，为投资分析开辟了人类认知难以触及的新维度。这三重变化叠加在一起，意味着投资行业的信息处理基准线正在被大幅抬高。
这一基准线的抬高带来了一个重要的结构性影响：AI对投资领域初级研究人员的价值构成了显著冲击。 传统上，初级分析师的核心工作---搜集整理公开资料、阅读和摘要研报与公告、跟踪财务数据变动、撰写基础的行业综述---恰恰是AI能够高效完成甚至表现更优的领域，初级研究人员赖以立足的"信息搬运"和"基础加工"价值被大幅稀释。过去，这些基础工作是年轻分析师进入行业、积累经验的阶梯；现在这个阶梯正在被AI抽走，行业对初级人员的需求规模可能显著缩减，入行的门槛和路径都将发生深刻变化。
但人类的创新能力、在具身感知与关系网络驱动的信息获取、隐性知识的运用、深刻底层逻辑分析、以及承担决策责任等方面目前仍然拥有AI难以替代的优势。这意味着未来投资领域真正稀缺的人才，是那些能够站在AI能力之上、发挥人类独特智能的高阶从业者---他们需要具备深厚的产业洞察力和商业判断力，能够提出正确的问题而非仅仅处理已有的信息，擅长在不完备信息下做出有担当的决策，并且能够熟练地驾驭AI工具来放大自身的认知优势。创新能力将是他们最后的护城河。
（作者介绍：刘劲，大湾区人工智能应用研究院理事、特聘专家，长江商学院会计与金融学教授、投资研究中心主任；段磊，大湾区人工智能应用研究院研究总监；安妮，大湾区人工智能应用研究院高级研究员。本文仅代表作者观点。责任编辑邮箱：tao.feng@ftchinese.com）