过去靠明星基金经理“单打独斗”的投研模式，正在被公募基金行业颠覆。

　　近日，中欧基金透露，其AI系统每晚能处理超万份研报和公告，白天则快速迭代投资策略，仅转债策略一年就升级了四次。这并非孤例——随着监管层明确推动“平台式、一体化、多策略”投研体系建设，头部基金公司正全面拥抱金融科技，将投研从“个人经验”推向“工业化流水线”。

　　在这场变革中，AI成了研究员最得力的助手。招商基金每天自动产出约30篇访谈纪要、覆盖31个行业的财报点评；中欧基金的投研Agent集成上百个技能模块，让研究员信息检索效率提升六成以上。从数据抓取、财务建模到报告撰写，机器承担了繁琐的“脏活累活”，让人类分析师能把精力留给深度判断。

　　投资决策环节同样脱胎换骨，广发基金、富国基金等公司已实现权益、固收、量化等多策略的模块化管理，交易端的自动化水平大幅提升，甚至考核管理也从定性转为系统可追溯的量化指标。

　　更关键的是，合规风控被硬性嵌入全流程——持股集中度、投资限额等规则由引擎刚性控制，AI无法绕过，确保“先合规、后投资”。

　　这一系列的信息放在一起，构成了怎么看都是公募基金全面拥抱人工智能的趋势，虽说效率确实在提升，而且提升得很明显，不过，如果所有机构都在同一时间、用同一类系统、阅读同样的公告、提取相似的因子、得出趋同的结论，那这市场会变成什么样？

　　万份研报一夜被消化

　　市场还剩下多少错误定价

　　先从一个基础的概念说起：有效市场假说。

　　这个假说认为，如果信息能够被快速、充分、无成本地反映到价格中，那么没有人能够持续获得超额收益。

　　亦即是市场越有效，主动管理越难跑赢指数，Alpha越稀缺。

　　AI投研系统在做什么？

　　它实际上，是在把信息处理效率推向极限。

　　过去一个研究员一天读不完十篇深度研报，现在AI一晚上处理一万份公告；过去财报点评需要人工撰写，现在AI覆盖31个行业；过去研究员需要手动填写各种模板，现在“五要素模型”自动完成，效率提升约50%。

　　但这些效率提升并不创造Alpha，它在消灭Alpha。

　　因为，Alpha是零和博弈，你赚到的每一分超额收益，都来自市场上其他参与者对信息的错误定价。当所有机构都用AI快速消化公告、研报、调研纪要，并且用相似的模型提取相似的盈利预期因子、情绪因子时，错误定价会被迅速套利消失。

　　信息处理得越快，价格反映信息的速度就越快，市场就越有效，主动管理就越难获取超额收益。

　　这就是公募基金AI军备竞赛的第一个悖论，每一家机构都不敢不投入，否则就会在信息处理速度上落后；但所有机构都投入之后，整个行业的超额收益反而被系统性压缩。

　　AI投研变成了一种昂贵的公共品，它提高了市场有效性，却无法为单个机构带来可持续的竞争优势。

　　有人可能会反驳，AI不仅能处理公开信息，还能挖掘非结构化数据、寻找另类因子、捕捉市场情绪，这些能力可以创造新的Alpha。这个反驳它忽略了另一个问题，也就是另类数据和另类因子一旦被多家头部机构同时使用，其超额收益同样会迅速衰减。

　　数据供应商会把同一套另类数据卖给多家基金公司，算法工程师会在不同机构之间流动，模型架构和因子逻辑也会通过行业交流、论文发布、人才跳槽扩散。AI挖掘出来的新Alpha，生命周期比以前更短。

　　过去一个优秀的基金经理可以依靠信息处理能力领先市场三到五年，现在这个领先窗口可能缩短到三到五个月，甚至更短。

　　当信息处理速度成为所有头部机构的基础能力时，它就不再是竞争优势，而是生存门槛。

　　行业整体投入大幅增加，但行业整体的超额收益能力并没有同步提升，成本却转嫁给了持有人。

　　这正是主动管理行业面临的结构性困境，技术进步让市场更有效，而市场更有效让主动管理更难做。

　　AI没有让主动管理变得更强，它让主动管理的生存环境变得更为恶劣。

　　流水线消灭了什么？

　　要注意，金融市场还有一个基本功能——价格发现。

　　价格发现依赖什么？依赖异质信念。

　　有人看多，有人看空；有人关注长期价值，有人关注短期交易情绪；有人做配置，有人做套利。正是因为参与者之间存在不同的信息、不同的模型、不同的判断逻辑，市场才能形成一个相对合理的价格。

　　如果所有人都用同一套方法、得出同一个结论，价格发现就失效了。

　　过去我们批评“明星基金经理”模式，认为它过于依赖个人英雄主义，个人离职或状态波动会带来巨大风险。

　　可是，当平台化、工业化投研走向另一个极端时，问题可能会变得更严重，因为它消灭了市场最需要的异质性。

　　头部基金公司都在强调“数据、算法、算力”三位一体，都在建设“一体化投研平台”，都在用AI做因子挖掘、组合优化、风险控制。

　　可它们的底层数据源高度趋同。

　　全市场就那么几个金融数据终端，研报公告都是公开信息，另类数据供应商也就那么几家，NLP模型架构大同小异，因子库越来越标准化。

　　若所有机构的AI系统阅读同样的公告，用相似的模型提取相似的特征，最终输出的投资信号就会变得越来越一致。

　　这是工业化生产的必然结果，标准化生产线的核心就是消除差异、保证输出的一致性。

　　但金融市场的稳定性，正好依赖于参与者之间的不一致。

　　一旦环境发生剧烈变化，所有AI系统可能同时发出相同的卖出信号。

　　所有风控系统都设置了相似的流动性约束、集中度限制、波动率阈值。

　　当市场下跌触发预警，所有系统同时减仓，流动性螺旋就会出现越卖越跌，越跌越卖这样的情况。2024年初小盘股的流动性危机，已经预演过类似的机制了，当时量化策略的趋同交易加剧了市场波动，监管层随后也对程序化交易加强了约束。

　　平台化投研把过去分散的个人错误，变成了集中的系统性错误，明星基金经理会犯不同的错，而AI流水线会犯同一个错，一个基金经理看错了某只股票，亏损是局部的、可分散的；所有机构的AI系统同时看错了某种市场结构，亏损就是全局的、难以分散的。

　　从金融稳定的角度看，机构行为的同质化本身就是一种风险。

　　国际清算银行和各国监管机构在过去十几年里反复强调，金融机构之间的关联性和同质性会放大系统性风险。

　　AI投研系统的普及，正在公募基金行业内部制造一种新的同质性。

　　这种同质性在正常市场环境下看不出问题，但在极端市场环境下会集中爆发。

　　还有另一个代价，我想应该是市场会逐渐失去了价格发现的反向信号。当大多数机构都朝着同一个方向交易时，反向投资者变得越来越少，价格修正的机制就会弱化。市场需要一些“错的人”来提供流动性、提供反面观点，否则一旦共识逆转，价格就会出现跳跃式下跌，而不是渐进式调整。

　　工业化投研追求的是效率和一致性，但金融市场需要的恰恰是适度的低效率和多样性。

　　这两者之间的张力，是公募基金AI化过程中必须正视的问题。

　　可复用的方法论最终会成为什么？

　　我看中国基金报刊载的文章里还有一个特别的战略表述，说是广发基金把投研系统定位为“将投资经验沉淀为可复用的方法论”，推动“个人经验”汇聚为“组织资产”。

　　听起来似乎是知识管理的巨大进步，而放在金融投资领域，其实还是有相悖的地方的。

　　投资的本质是对未来的判断，而未来不是历史数据的简单外推。

　　当一种投资方法论被标准化、系统化、广泛复用时，它的有效性会迅速衰减。因为一旦某个规律被大量资金使用，市场就会提前定价，该规律的超额收益就会消失。

　　这是一个非常经典的现象，任何公开的、可复制的Alpha，都会在短期内变成Beta，然后变成负Alpha。

　　所以，把“可复用的方法论”当作组织资产来沉淀，很可能沉淀下来的不是Alpha，而是Beta，甚至可能是已经过时的Beta。

　　一个规律被写入系统、推送给所有基金经理的那一刻，它就已经开始贬值。

　　更危险的是路径依赖，AI系统从历史数据中学习，天然倾向于把过去有效的规律外推到未来。当市场结构发生变化时，AI系统往往是最晚察觉的，因为它的整个训练集都来自过去。中欧基金说转债策略一年迭代超过4次，表面上是快速适应市场，但反过来看，高频迭代也可能意味着对噪声的过度反应。

　　我们可以以“过拟合”这一概念去理解，模型在历史数据上表现越好，越可能捕捉到了数据中的噪声而非真实规律，未来表现反而越差。一年迭代4次，研究员效率提升60%，这些数字值得警惕，因为它们可能意味着系统越来越擅长解释过去，而不是预测未来。

　　我举一个通俗的例子。

　　如果一个模型发现过去三年里，某些财务指标与股价表现之间存在稳定的统计关系，它会把这种关系写成策略。

　　但如果这种关系本身就是那三年特定市场环境下的产物，比如流动性宽松叠加风格偏好，那么当环境改变时，策略就会失效。

　　AI系统的高频迭代，往往是在用新的历史数据去修正旧的过拟合，而不是真正识别出结构性的变化。

　　真正的投资洞察，往往来自对慢变量的理解、对市场结构的判断、对人性周期的把握。这些东西恰恰最难被标准化、最难被沉淀为“组织资产”。

　　一个资深基金经理对某个行业拐点的直觉，可能来自于十年间对产业周期的观察、对管理层行为的判断、对政策意图的揣摩，这些经验很难被拆解成可复用的模块。

　　组织资产管理有一个隐含假设，那就是知识可以被显性化、标准化、转移。

　　可是，投资知识中真正值钱的部分，往往是隐性知识。

　　能写进系统里的是公开信息处理流程、常规风控规则、标准化因子计算，这些东西本来就不稀缺。

　　真正稀缺的判断力，应该是那些难以言传、难以量化、难以复用的部分。

　　当机构把大量资源投入“方法论沉淀”时，它可能在系统化地保存那些正在贬值的知识，而无法保存那些真正值钱的判断力。

　　当基金过度依赖AI

　　嘉实基金在报道中提出了一个非常重要的观点，他们说公募AI建设的关键是明确能力边界、任务边界和责任边界。

　　话是这么说，不过真正落地，却是极为困难的。

　　当AI从后台工具升级为前台战斗力，当基金经理的决策越来越依赖系统输出的信号、评分、组合建议，人的角色会发生微妙但深刻的变化。

　　这和自动化偏差和算法厌恶有极大关联。

　　自动化偏差是指人过度依赖自动化系统，即使系统出错也倾向于跟随。算法厌恶则是反过来，人因为不信任算法而拒绝合理的建议。

　　这两个倾向在AI投研系统中会同时存在，而责任边界决定了它们如何演化。

　　如果AI系统给出了一个错误的建议，基金经理采纳了，亏损了，责任算谁的？是模型开发者？是数据供应商？是基金经理？还是合规部门？如果AI系统给出的建议是对的，但基金经理没有采纳，亏了，又算谁的？这些问题目前没有清晰的答案。

　　中国基金报文章说“合规风控规则优先于模型判断，AI不能自行修改、绕过或替代”。

　　但风控规则本身也是人写的，也可能有漏洞。

　　真正的问题不是AI会不会违反规则，而是当模型本身存在偏差、当数据本身存在质量问题、当算法出现不可解释的误判时，谁有能力发现？谁有权力否决？谁最终负责？

　　在当前的制度安排下，基金经理仍然是投资决策的最终责任人。

　　可当一个基金经理每天面对系统推送的几十条信号、几十个评分、几十个组合建议时，他实际上很难逐条验证每一条背后的逻辑。

　　他只能选择信任系统，或者选择性地忽略系统。

　　这两种行为都可能导致责任边界的模糊，信任系统出错了，可以说“系统误导了我”；忽略系统出错了，可以说“系统其实早就提示了风险”。

　　责任在人和机器之间来回滑动，最终无人真正负责。

　　另外，监管层面也需要穿透。

　　现在的穿透式监管主要针对持仓、交易、关联关系，但未来必须穿透到算法层面，比如模型是否可解释？是否经过压力测试？是否存在数据泄露和模型风险？这些都不是传统合规框架能覆盖的。

　　如果监管要求基金公司披露AI系统在投资决策中的参与程度、模型的主要逻辑、失效时的应对机制，那么行业将不得不投入更多资源来保证算法的可审计性。

　　当然，还有更现实的挑战，比如行业马太效应。

　　这场AI军备竞赛正在加剧公募基金行业的分化，中国基金报报道调查的是近20家头部基金公司，它们有足够的资源投入数据采购、算力建设、算法团队。但中国有上百家公募基金公司，大量中小机构根本无力承担这样的投入。

　　AI投研系统的固定成本极高，边际成本却很低，一旦建成，管理规模越大，分摊成本越低。这意味着头部机构会越来越强，中小机构在信息处理、策略迭代、风控效率上会被全面拉开差距。

　　如果AI投研能力成为公募基金的核心竞争门槛，行业集中度会进一步提高。而资产管理行业和普通制造业不同，它需要生态多样性。

　　不同规模、不同风格、不同策略的机构共同存在，才能保证市场的流动性和价格发现功能。如果行业只剩下几家技术巨头，市场会变得更加脆弱。

　　数据终端集中在少数几家供应商手中，算力资源也向头部机构倾斜，这种不对称如果持续扩大，会影响整个金融市场的公平竞争。

　　所以，在我看来，公募基金的AI革命应该是真实的生产力变革，它对效率的提升、对个人依赖的降低、对合规风控的强化，都有积极意义。不过金融不是制造业，制造业的工业化流水线可以生产出标准化、高质量的产品，而金融市场的工业化流水线，可能生产出标准化的错误。

　　当所有机构都在用AI处理同样的信息、训练相似的模型、输出趋同的信号，市场就失去了最宝贵的东西——异质性。

　　而金融市场的价格发现，恰恰依赖于异质性。

　　没有异质性，就没有交易；没有交易，就没有流动性；没有流动性，市场就会在关键时刻崩溃。

　　那么，若基金公司集体拥抱AI，我们最需要的可能不是更强大的模型，而是保留一些“不智能”的异质性，如一些不同源的数据、一些不同假设的模型、一些不依赖AI的独立判断、一些对算法输出的人工否决权。

　　建设有责任边界的AI认知生产体系，这个方向是对的。

　　不过责任边界不仅包括AI能做什么、不能做什么，更包括人类在AI时代必须保留什么，保留怀疑、保留否决、保留异质、保留在所有人都在用同一套系统时，敢于走另一条路的勇气。

　　否则，公募基金AI化的终点，可能不是更强的Alpha，而是集体平庸，以及一场由所有AI同时触发的系统性踩踏。

　　作者 | 东叔

　　审校 | 童任

　　配图/封面来源 | 腾讯新闻图库

　　编辑出品 | 东针商略

　　©2026 东针商略 版权所有。未经授权同意，禁止任何形式的转载或使用。

　　*本文基于公开资料分析推测，纯属个人观点，仅供参考，不构成任何决策或投资建议。