内容提要
文章以2025全美投资大赛为例,指出AI尚未在投资上独立战胜人类。作者按输入与输出的简单、复杂程度划分四类活动:简单输入到简单输出已被机器人解决;简单输入到复杂输出(如围棋、编程、数学)已被AI攻克;投资属于复杂输入到简单输出,人类凭直觉排除无关信息、在极少样本下察觉异常而占优;复杂输入到复杂输出(如人生规划、公司治理)仍难以托付给AI。
延伸解读
四象限框架:输入复杂度决定AI边界
作者按输入与输出的简单/复杂程度划分四类活动,解释AI能力差异。简单输入到简单输出已被机器人解决;简单输入到复杂输出(围棋、编程、数学)被AI攻克;投资属于复杂输入到简单输出,人类凭直觉排除无关信息、在极少样本下察觉异常而占优;复杂输入到复杂输出(人生规划、公司治理)仍难托付给AI。这一框架把讨论从“AI是否聪明”转向“输入能否被离散化编码”。
投资案例:AI辅助不等于独立决策
2025全美投资大赛前六名中,仅J Law公开承认用AI做投研,但核心决策仍靠自己;Steve McIntosh的基金明确不用算法/AI执行。作者也提到有参赛者大量使用AI,如Dr. Terry Potter和Dr. Tom Doub,但2026年结果未定。文章强调“AI还没有在投资上打败人类”指类似AlphaGo的独立端到端操作,而非每个环节都弱于人类——信息搜集、量化信号发掘等方面AI已领先。
人类优势:直觉与尾部风险感知
文章指出,当输入不再有限,人类优势显现:不依赖真实状态离散化;能通过经验和直觉排除大量无关信息;能在样本极小的情况下注意到异常,从而规避尾部风险。作者引用Frame problem说明智能系统如何只关注相关信息、忽略无关变化仍是核心难题,这对把预测下个token当作基石的AI现状仍有意义。
务实路径:限制输入类型让AI落地
作者对未来保持乐观,认为或许不需要完美理论或真正解决复杂输入问题,只需限制输入类型,让AI在特定场景下较好工作,比如像Dr. Terry Potter那样只使用价格行为。这提示读者:评估AI应用时,应关注输入是否可被有效离散化编码,而非笼统期待端到端替代人类判断。
Q&A
为什么AI在投资领域还没有独立战胜人类?
投资属于“复杂输入到简单输出”的活动。输入(量、价、基本面、新闻、宏观等)无法穷尽,而人类能凭经验和直觉排除大量无关信息,并在样本极少时察觉异常以规避尾部风险,因此目前AI还无法像AlphaGo那样端到端独立操作并战胜人类。
文章如何划分人类活动的四个象限?
按输入和输出的简单/复杂程度分为四类:①简单输入→简单输出(如打螺丝、翻译);②简单输入→复杂输出(如围棋、编程、数学);③复杂输入→简单输出(如投资);④复杂输入→复杂输出(如规划人生、公司治理)。
为什么围棋、编程、数学这类活动能被AI彻底解决?
因为这些活动的输入是简单的:围棋规则简单,编程只需键盘字符,数学已符号化且有严格公理体系。输入简单意味着容易将真实状态离散化编码,一旦完成编码,只要有充足数据和算力,就能训练出足够好的模型。
人类在哪些方面比AI更有优势?
在输入复杂且无法穷尽时,人类不依赖真实状态离散化,能通过经验和直觉排除大量无关信息,并且能在样本极少的情况下注意到异常,从而规避尾部风险。
什么是Frame problem,它与AI处理复杂输入有何关系?
Frame problem是智能与认知研究中的核心问题:如何让智能系统只关注相关信息、忽略无关变化,并预见自身行为的后果。文章认为,尽管该问题源于AI基于规则的早期时代,但对当前以预测下个token为基础的AI仍有意义,尤其若想让物理AI真正落地,必须提升处理复杂输入的能力。
文章对AI在复杂输入场景下的未来应用有何建议?
作者持乐观态度,认为或许不需要完美理论或真正解决复杂输入问题,只需限制输入类型,让AI在特定场景下较好工作即可,例如只使用价格行为进行交易。