2026年開始，AI智能體的發展在“小龍蝦”（AI智能體OpenClaw昵稱）帶領下突飛猛進，不養上一只會有掉隊的焦慮感，公募基金等資管行業概莫能外。以OpenClaw為代表的AI智能體，其核心價值在于填補了從海量數據到實際投研應用的“最后一公里”，讓我們近距離感知了工作效率的極致提升。以核心投研崗位為例，AI智能體能夠7×24小時自動抓取數據、清洗信息、挖掘因子、生成報告，將投資者從繁重的重復勞動中解放出來，聚焦于更高維度的策略思考。
然而，每一位從DeepSeek、元寶、豆包，一直應用到“小龍蝦”的人，都可能對某些時候AI模型“一本正經地胡說八道”，記憶猶新且心有余悸。在受人之托、代客理財的資管領域，這些“胡說八道”很可能就會給投資者帶來真金白銀的損失。頗具黑色幽默意味的是，當前AI工具和用戶之間法律責任的邊界還是模糊地帶。個人或者機構投顧給出的建議，如果不滿意，投資者還有地方去說理。但投資者被自己下載的AI工具“弄傷”，似乎就只有吃“啞巴虧”的份。相比讓人容易立刻識別出的“胡說八道”，一些似是而非但邏輯自洽、表述專業，需要時間才能驗偽的投研結論，傷害性更強。業內較為警惕的“黑箱風險”便是其中的代表，也是AI模型目前公認“最核心、最需要警惕的風險”。
實事求是地說，當前大多數先進的AI模型，尤其是深度學習模型，其運行邏輯還是“不可解釋”的。我們只知道輸入了什么數據，輸出了什么結果，但對于模型內部如何進行推理并得出結論的過程，幾乎一無所知。這種“黑箱”特性可能會在投研領域衍生出致命風險。例如這些AI模型在“學習”海量互聯網文本和數據時，不可避免地繼承了其中存在的認知偏差、市場噪音甚至錯誤信息。許多被挖掘出的“神奇因子”不過是統計上的偶然現象，卻給人一種發現“圣杯”的錯覺。令人遺憾的是，當AI給我們生成一份具有上述特點的投資分析報告或建議時，缺乏專業知識的投資者很難識別其中的謬誤。即便是專業的投資經理，如果盲目依賴此類建議，也可能作出災難性的投資決策。
對AI模型而言，更深層次的挑戰來自于金融市場本身的復雜性。市場并非一個靜態的實驗室，而是一個所有參與者行為相互影響、不斷演化的復雜自適應系統。吊詭的是，用于訓練AI模型的歷史數據，本身就包含了過去所有市場參與者的行為。而模型一旦開始依據其發現的規律進行交易，其交易行為本身又會成為市場新的數據，從而影響并改變市場未來的走勢。這就形成了一個自我指涉的反饋循環。暫不論模型有沒有被“投毒”，AI這種“自適應”特性導致了一個殘酷的現實：任何基于公開數據、能被AI快速挖掘出的有效規律，其超額收益的生命周期都極其短暫。沒有獨家的洞察及被市場理解的深層邏輯，妄想依賴AI工具大家一起發財，豈非癡人說夢？
雖然AI與投研的深度融合已不可逆轉，但對于資管行業而言，緩解焦慮的關鍵不是在于養了幾只“小龍蝦”，而是在于建立一套平衡效率與風險、深度整合人機能力的新生態。當前無論是頭部金融機構還是網絡監管部門，都對在公司設備及內網中安裝、使用開源的OpenClaw等AI智能體持謹慎態度。對于資產管理規模成百上千億級別的金融機構而言，一個行為不可控的“黑箱”工具，是風控體系無法容忍的威脅。
資管行業不在于有沒有用AI，而在于誰能把AI和研究、數據、工程、風控更深更好地結合起來。不論是現在的“龍蝦”，還是將來其他AI新物種，堅守人的核心判斷權，成為AI策略群的“指揮官”和“風險開關”的掌管者才是重中之重。
本版專欄文章僅代表作者個人觀點
