过去几十年，投资研究的分工一直相对稳定：人负责提出假设、建立框架、判断风险；模型负责计算、回测和执行。
大模型和 Agent 的出现正在打破这种分工。AI 不仅能读研报、写代码、挖掘 Alpha，还开始参与提出研究假设、验证策略，甚至影响投资决策。
问题没有标准答案，但一线实践者正在给出阶段性回答。GIM 算法负责人 Kyle 在近期的交流中分享了他的观察：AI 如何提出人类没有尝试过的研究思路、为什么大量样本内表现优异的因子最终会失效、以及未来的投资体系也许会分层——量化系统产生稳定信号，AI 承担越来越多主观判断，而人守住最终责任。
本文根据 AI Trading 直播交流内容整理，经编辑后发布。
“AI 没有发现新原理，但它探索了人类想不到的组合”
Q：在 GIM 的实践中，有没有 AI 做出了人类不会想到、但后来证明是正确的决策？
Kyle：先简单介绍一下 GIM。我们是一家 AI-native 投资科技公司，希望通过 Agent 和大模型帮助基金经理完成投资研究，长期目标是让量化研究流程尽可能实现自动化。团队一半来自大模型领域，另一半来自量化投资行业。此前我们发布的 CogAlpha，就是利用大模型 Agent 配合遗传进化算法，自动完成“提出研究想法—构建因子—验证迭代”这一整套研究流程。
让我印象最深的一次，是我们在用 CogAlpha 做因子挖掘时，遇到过一个很有意思的案例，后来也作为 case study 写进了论文。在优化一个已有因子的过程中，系统需要选择一个非线性函数。通常在量化研究里，大家会很自然地使用 sigmoid，这几乎已经是一种默认选择。CogAlpha 在迭代过程中，却主动尝试用 arctan 函数替代 sigmoid，去改进这个因子。
这其实是一个典型的“灯下黑”例子。arctan 大家都知道它存在，但很少有人会想到把它用在这个具体的位置。后来实验验证发现，这个改动确实提升了该因子的表现。
这不是说 AI 从逻辑上发现了什么新原理，更多是从发散思维的角度——它探索了人类没有想到的组合。
“样本内漂亮的因子，样本外会失效，解法是进化 + 自动化验证”
Q：AI 自动发现的因子，有多少最终其实是无效的？你们如何解决？
Kyle：这个问题确实存在，而且比例并不低。很多通过大模型结合遗传算法生成的因子，在样本内表现非常漂亮，但一到样本外就迅速失效，本质上还是过拟合的问题，尤其是在数据量不足的时候。
目前我们有两种解决思路。第一，是用量去筛选，遗传进化本身就是一个模拟自然选择的过程，会产生大量候选因子，其中绝大多数都会被淘汰。只要生成和筛选的规模足够大，最终仍然能留下那些经受样本外检验的因子。
第二，是把验证过程也逐步自动化。现在从提出 idea 到生成代码，基本已经能够自动完成。真正仍然依赖人的，是后续的 validation（验证）——包括解释性分析、有效性验证，以及研究员基于先验知识对因子的分析与判断。
接下来，我们希望把这些经验不断沉淀到 memory 中，让模型自己学习“哪些思路更容易成功、哪些容易失败”。这个过程更像一个孩子慢慢学会走路，而不是像学骑自行车那样，可能一瞬间突然掌握。它是一个持续 bootstrap、自我迭代的过程。
“未来的投资体系会分层：量化出信号，AI 做判断，人定义责任边界”
Q：遇到极端行情时，AI 能做到灵敏感知和及时修正吗？
Kyle：目前，在我们内部，人仍然承担着最后一道安全保护的角色。模型出现重大异常时，最终还是需要人来拍板。原因很简单：一方面模型掌握的信息始终有限；另一方面，真正需要对资金负责的人，仍然是基金经理。
不过，我也想分享一个可能有些争议的观点。我认为，人在投资决策中的角色，会越来越小。
举个例子。特朗普发一条推文，就可能直接改变市场走势。传统量化 Pipeline 很难第一时间捕捉这种事件，因为历史数据里根本不存在类似模式。但大模型越来越擅长处理语言信息，它能够理解新闻、社交媒体、KOL 的影响，分析舆论如何改变市场预期，这其实已经开始进入过去属于主观投资的领域。
所以，我更看好的未来，是一个分层的体系。最底层仍然是量化系统，持续产生稳定信号；上一层是 AI，承担越来越多过去属于主观基金经理的分析和判断；最顶层，人类依然负责最终决策。
就像今天很多大型投资机构一样，真正重要的决定最终还是由负责人拍板。未来可能变成，每位基金经理下面都有一批 AI 在工作，负责研究、分析、提出建议，而人更多承担最终责任。当然也不会永远如此，这个边界未来还会继续变化。
“AI 的渗透不会是线性的，可能比我们想象得更快”
Q：五年之后，AI 在交易中会扮演什么角色？
Kyle：我觉得它的发展不会是线性的。AI 很可能在某一个时间点突然完成能力跃迁，然后快速普及。也许某一天开始，大量普通投资者都会习惯用 AI 辅助交易。
ChatGPT 出现之后，仅仅四年时间，AI 写代码能力就已经发展到了今天这个水平，这种速度其实远远超过了大多数人的预期。所以五年后的变化，很可能也会比我们今天想象得更快。
“Prompt 本质是资源分配，人决定把筹码押在哪个问题上”
Q：当知识不断沉淀进 AI，人的价值会不会越来越低？如何让研究员毫无顾忌地贡献想法？
Kyle：这是我们自己也一直在思考的问题。某种意义上，我们正在经历一种新的存在主义危机。AI 不睡觉、不拿工资，而且能完成越来越多工作，那人怎么定义自己的价值？
我觉得至少还有几个层面。首先，是发散思维和创造力。很多时候，AI 会沿着一个错误方向不断尝试，而人可能一眼就能发现真正的问题。
其次，是决定 AI 把能力用在哪里。我一直觉得，Prompt 本质上是一种资源分配，可以把 Token 想象成赌桌上的筹码。真正重要的不只是模型能算多少，而是这些筹码应该押在哪一个问题上。这种判断，依然更多依赖人的直觉、长期经验，以及跨领域思考能力。
对团队来说，我们更希望建立一种开放分享的文化。一个人最有创造力的时候，往往不是时时想着“这个想法是不是属于我”，或者“这个成果最后算谁的”，而是能够没有包袱地去探索、交流和碰撞。AI 可以沉淀知识，真正推动创新的，依然是人与人之间不断产生的新想法、新视角，以及共同思考带来的创造力。
About GIM
在 GIM（Grace Investment Machine）我们相信，AI 技术正处在重塑资本市场的关键节点。我们致力于融合最前沿的 AI 与大模型技术，打造新一代智能投资范式——不仅是量化方法的升级，更是投资决策逻辑的重构。
我们希望通过智能分析师与交易系统，将金融市场洞察与执行效率提升至全新量级。我们核心团队来自全球顶尖对冲基金、DeepMind、Meta、微软等前沿 AI 实验室，以及牛津、清华、北大、港大等知名高校。目前团队已完成由文艺复兴联合创始人管理基金领投的 A 轮融资。核心技术论文 CogAlpha 获 ACL 2026 主会收录。
我们相信，真正理解技术本质的人，才能更快捕捉变化最陡峭的机会。
如果你也相信 AI 将重塑资本市场的未来，欢迎加入我们，成为这场变革中的重要推动者！
如果你对我们团队感兴趣，请将你的简历投递至：talents@graceim.ai
其他合作咨询：contact@graceim.ai
投资者关系：investor@graceim.ai