金融生产力范式的跃迁 · 未知山科技深度思考
发表于 2026年1月29日
在适应性市场假说（AMH）的框架下，AI 的引入不是让市场「变得有效」，而是让市场「进化得更快」。随着 AI 从「工具」进化为「主体」，市场将经历一场 Alpha 捕获权的重新分配。
AI 带来的本质变化，是从「传统信息处理（数字与文本）」向「理解世界」的进化。这种进化体现在三个核心维度。
传统量化模型受限于数据结构，本质上是在处理「被压缩的世界」。世界被折叠为二维表格（价格、成交量、财务指标），大量非结构化的上下文信息在压缩中丢失。而 AI 原生视角可以直接处理非结构化全模态信息——它阅读新闻不是为了统计词频，而是抽取构建世界状态的高维信息，理解市场价格形成机制。
结果是什么？在价格信号形成之前，AI 已经通过世界状态，理解了市场价格形成机制。
从我们的实践来看，如果把 Journal of Finance、Journal of Asset Management 过去三年的量价文章全部接入，让 AI 生成因子——造 3000 个量价模型，没问题。
传统量化依赖的是 System 1（概率统计）——「历史数据显示，A 与 B 高度相关」。这种方法的局限在于依赖历史样本的重复性，难以应对结构性突变（Regime Switch）。当市场发生结构性转变，你不知道背后的经济学原理，模型就失效了。
而 AI 原生引入的是 System 2（因果推理）——「尽管历史未发生，但基于逻辑推演，A 事件会导致 B 后果」。这引入了 Agentic Workflow（自主决策流），具备了逻辑规划与反事实推理能力，能捕捉到统计模型无法识别的 Alpha。
一个有趣的实验：给 AI 一个剧本杀故事，不告诉结局，让它判断谁是杀手。这个人的名字没出现过，故事也没出现过——但 AI 的准确率比人类高得多，不是一个量级。
这意味着 AI 已经具备某种因果推理能力。
Attention 机制不是简单的「概率最高」，而是在上下文中建立了某种逻辑链条。
在旧范式中，人是指令的发出者，机器是执行者（Human → Machine）。但在 AI Native 架构中，这一关系发生了质变。Agent 不再仅仅是执行代码，它们能够基于全域信息反向启发人类，甚至主动修正专家的偏见。这不再是使用工具，而是两个物种思维方式的深度融合与共生。
这是金融史上第一次，人类专家的直觉可以被无损地规模化。
人类专家提供一颗「逻辑种子」（如：通胀预期下的资产轮动逻辑），Agent Swarm 瞬间将其裂变为数万个独立的逻辑探针，同时在 50 个国家的 4000 只标的上进行因果验证与策略演化。
我们不再受限于人类的脑力带宽。一个人，就是一个军团。
这种将非线性直觉（Art）瞬间转化为工业级覆盖（Scale）的能力，才是 Alpha 爆发期最强的挖掘机。
从我们的实践来看，现在人给的指令，也是机器在给我指令。元思考其实就是那个种子，我扔了一些很重要的种子扔给他——这个种子可能就是一个范式，某种思维范式——然后他瞬间把它打开。
在适应性市场框架下，市场由无数竞争者、策略和技术共同构成的复杂生态系统：因子像基因，策略像物种，机构像群体。AI 原生机构的进入，是向整个 alpha 生态注入了一种全新的「进化压力」。
AI 原生系统凭借 10–100 倍的信息处理效率，将挤出那些依靠「信息时差」或「简单统计」赚钱的中游量化与传统基本面基金，同时追赶原有头部机构的差距，完成存量 Alpha 的再分配。
受影响的是那些依靠「信息时差」或「简单统计」赚钱的中游量化与传统基本面基金，它们的 Alpha 将被迅速抽干。
但 AI 原生机构并非旨在取代 Blackrock 或 Berkshire Hathaway。主观头部机构提供的是信任溢价与长期陪伴，这是 AI 难以替代的人性价值。量化头部机构作为基础设施提供流动性与 Beta 增强，拥有极低的费率与极高的容量。
从我们的观察来看，基本面投资者总体在下降，但基本面投资的大师能力会有增强。巴菲特在加了 AI 之后会变得更强，因为他的核心竞争力是 mental model（思维模型）。
AI 带来的不仅是分蛋糕的刀法更准，更是做大蛋糕的炼金术。
我们正在见证一种全新资产类别的诞生——认知型 Alpha（Cognitive Alpha）。传统市场只能给「结果」（财务数据）定价，AI 能够给「原因」（商业逻辑、管理层质量、技术壁垒）定价。通过深度语义理解，AI 将以往被视为「不可量化噪音」的软信息转化为可交易的硬信号。
从我们的实践来看，基本面现在我们有 500 列，但是这 500 列人类对它的挖掘很浅。为什么？数据质量不够，它缺失，而且它之间的关系——一列和另一列你到底是加还是乘还是减，原来没有一个人能把它梳理清楚。现在 AI 可以把它梳理清楚。500 列，列和列之间谁是分母、谁应该是分子、谁可以加、谁可以乘、谁可以除。
金融市场的本质是处理信息熵。AI 原生系统通过将海量非结构化信息（高熵）转化为有序认知（低熵），这一过程本身就在创造巨大的新 Alpha。
在 Alpha 爆发期，市场将呈现「双轨制」——基于统计套利的旧 Alpha 在快速枯竭，而基于认知盈余的新 Alpha 正在井喷。这将是一次剧烈的市场新陈代谢。
当存量收割与增量开采同时发生时，将涌现出极高线性回报的投资机构。旧生态的特征是高收益伴随高波动（Sharpe ~1.0，回撤 20%+）。而新物种的特征是近线性回报曲线：年化 40% + 回撤 < 10% + Sharpe > 3.0。
原因是：AI 的进化速度（迭代周期 < 24h）超过了市场环境的变异速度。
西蒙斯用世界级数学家干了二十年，夏普曾在 6 左右。我不知道这个事儿持续多久，但有些机构在几年内保持近直线回报是有可能的。
这符合典型的「创新者窘境」。传统机构把 AI 当作辅助（Copilot），效能提升 1–3 倍。而 AI 原生机构是系统即 Agent，全流程由 AI 自主闭环，效能提升 10–100 倍。
技术债与组织摩擦是传统巨头的致命弱点。巨头的 PB 级数据湖要重构为向量数据库与知识图谱架构，面临巨大沉没成本。传统机构的合规与风控流程天然排斥「黑盒」风险。而 AI 原生团队能以极简组织架构进行 7×24 小时激进迭代，迭代周期远超市场环境变异速度。
我们预测，未来三年将是信息代际差最大的时期。
一个刺眼的结论：普通人没有活路，不要当普通人。
那个词儿叫 Out of Distribution Human。LLM 目前为止它的一个核心假设是它是一个统计模型，它需要数据量。它在新的世界模型建立起来之前，不可能自己突破自己的 data distribution。所以如果你有某种 out of distribution 的东西——元思考能力（Meta Thinking）、极强的适应性（Adaptability）、对人类有某种特别的理解、活在某一个行业的先锋上——那么这时候你可能是有活路的，否则的话你没有活路。
提问的能力比解决问题的能力更值钱。
AI 能给 90 分的标准答案，但它不知道该问什么问题。
查理·芒格说他的核心竞争力是「思维模型」（Mental Model），有 100 多种。普通人不经专业训练，常用的思考模式不超过三种。这就是差距。
所谓的溢出效应也好、边际效应也好、边际收益也好——money making 最重要的事情是你关注那个「边」在哪。
一个金融智能重新定价人类价值契约的新时代已经揭开了序幕。当 Alpha 的来源从数据的统计规律转向世界的逻辑本质，固守旧范式的机构将被时代的洪流无情抛下。市场正在呼唤一种全新的物种：它能理解非结构化的复杂世界，能在新范式下飞速进化，能以纯粹的理性注视深渊。
感觉风已经吹到脸上了。
以前混到行业前 10%–30% 就够吃饭了，现在可能混不到前 3% 就没饭吃。新物种会出现，金融领域也会有。
回到开头那个实验：AI 写了五天的模型代码，而人需要用五个月——30 倍效率差。那一刻的「无力感」，现在想来，或许不是挫败，而是觉醒。
这场游戏才刚刚开始。但如果你还在用旧的方式思考，你可能已经出局了。