近期，在 Bloomberg 对 Man Group 的 CTO Gary Collier 和 AI 负责人 Tushara Fernando 的采访播客中，Fernando 提到，自今年 1 月以来，Man Group 的 token 消耗量增长了约 86 倍。
86 倍，它说明一件事：这家大型另类资产管理机构，正在把 AI 放进几乎所有工作流程。不只是量化研究员和工程师，财务、运营、人力团队也开始使用智能体编码工具。Fernando 说，最让他兴奋的，是过去不会编程的人也获得了这种能力。
AI 带来的第一个变化，是让投资机构能处理的另类数据一下多了起来。刷卡流水、招聘变化、网站流量、船舶轨迹、卫星图像，也包括播客和专家访谈——过去这些材料太散、太杂，逐条处理不划算，现在模型可以批量转录、提取、分类和连接。
这和大数据、知识图谱带来的变化有明显区别。大数据首先解决的是把信息存下来、算起来；知识图谱再往前一步，把公司、人物、产品和产业链关系按照预先设计的结构连起来。两者都很依赖事先定义：先确定字段、关系和问题，再编写清洗规则与查询逻辑。每增加一种数据或一类关系，通常都需要增加一套工程处理。
大模型降低了这层预定义的成本。播客、PDF、网页和表格，可以在同一个自然语言任务中被处理；研究员也可以沿着一个问题继续追问、寻找证据、补充信息和调用工具。更长的上下文和 Agent 工作流，让这种跨来源处理变得更连续。
但可处理，离赚钱还很远。一条信用卡记录到底是什么，是真实消费、退款，还是供应商估出来的数字？回测里发现的规律，当时真的看得到吗？扣掉交易成本以后，还剩多少？
另类数据难就难在这里。当所有人都能处理更多数据，差距也就不再只取决于谁有模型。
Key Takeaways
1. 另类数据要变成投资洞察，必须走完“证据、状态、机制、预期、定价、验证”这条链。一场技术播客只能证明某位工程师表达了某种判断，把它映射到具体公司和产业链，才能判断行业处于什么状态；解释瓶颈如何传导到订单、收入和利润，才能形成预测；再与市场一致预期、价格和持仓比较，才可能变成交易。二级市场有个共识：数据本身不产生 Alpha，预期差才可能产生。
2. AI 改变投资研究的边界，捕捉更多弱信号。它把阅读播客、整理信用卡记录、拆解复杂合约等高人力成本工作，变成可以按需扩张的计算成本。直接结果未必是已有策略收益率上升，更可能是研究覆盖扩大：过去因为太麻烦、市场太小而不值得研究的机会，现在第一次算得过账。
3. 数据价值是相对的，关键在于评价体系和判断。独家数据未必有用，泛泛的销售数据也未必没有价值。真正要问的是：它相对机构已有信息增加了什么，能否通过样本外和不同市场状态的检验，扣除交易成本后是否仍可交易，以及优势会以多快的速度被竞争者复制。
4. AI 原生机构的壁垒，是组织学习速度的复利。模型可以买，数据也可能被竞争者买到；更难复制的是机构保存下来的数据版本、失败实验、供应商记录、实体映射和复盘标准。它愿意先为探索付费，再把有效工作流标准化、把无效方法淘汰，让每一次研究都提高下一次研究的起点。
01 / 另类数据如何被 AI 转化为投资洞察
根据播客访谈，Man Group 的相关数据大致可以归纳为三类。
市场数据：逐笔成交、订单簿等高度结构化数据。Man Group 每天仅逐笔行情就接收接近 1TB。
另类与非结构化数据：信用卡消费、播客、券商报告、财报、网页信息等。它们格式混乱、语义各异，需要清洗、标注和关联。
机构知识：把回测方法、研究流程和投资报告阅读方式整理成 AI playbook 或 skill，让模型理解“Man Group 如何做研究”。
三层缺一不可。模型先得读到信息，再把不同信息连起来，最后按照这家机构认可的方式处理。模型是通用的，数据和研究方法不是。这也是为什么同一个模型进了不同机构，最后做出来的东西可能完全不同。
那么，另类数据究竟如何被 AI 转化为投资洞察？
Fernando 分享过一个例子。一位研究 AI 主题的基金经理，想知道产业链的下一个瓶颈会出现在哪里。他通过 Agent 转录总结了某大型云厂商工程负责人的技术播客，对方提到 GPU 依然稀缺，但足够大的数据中心也开始成为约束。再往后，数据中心之间可能需要更强的网络连接。
这类工程人员通常不会参加投资者会议，但 AI 把播客中的行业信息转化成了可以进入投资研究的证据。基金经理接下来会继续追问：瓶颈是在芯片、供电、散热、机房还是网络？哪家公司会先拿到订单？
招聘变化、开发者讨论、云服务价格、供应链交期和工程师访谈，都可以进入研究。AI 没有替基金经理作出判断。它做的事情更朴素：把原本散落在各处、很可能被错过的证据，放到同一张桌子上。
AI 扩大的不只是信息覆盖，还有投资机构愿意研究的资产范围。
复杂的招股说明书、非标准化合约、口头报价和残缺的参考数据，都需要大量人工处理。机会可能存在，但为了弄懂一个小市场，先养一支团队、搭一套数据库，算下来不划算。
据播客中的分享，Man Group 已经在用 AI 从复杂金融工具的 PDF 中提取字段，自动填充参考数据库。对于证券化信贷或加密资产，问题更加明显：有些价格来自口头报价，有些藏在复杂合约里，很难像成熟市场那样直接读取订单簿。
AI 把这笔固定成本压低了，也因此改变了一条更基础的边界：哪些资产值得被研究。过去因为太麻烦而被放弃的机会，现在可能第一次算得过账。
不过，提取出字段，不代表理解了数据。
信用卡数据是个很好的例子。把表格交给模型，它当然看得见行和列。但它不知道一行记录究竟意味着什么：是已经发生的消费，还是一次预授权？退款算在哪里？这批用户能不能代表整个市场？供应商后来有没有改写历史数据？
这些问题不解决，模型读得越快，错得也可能越快。
传统机器学习通常要求人先定义数据口径、整理字段，再把结果交给模型。大模型开始参与处理数据结构的形成和更新。系统保存的不只是一篇文章，还包括谁在什么时间发生了什么，牵涉哪些公司、产品和产业链。机器学习读取被整理好的世界，大模型开始处理尚未整理的世界。
所以，量化研究里更难复制的，不只是某一套数据或更强的模型，而是把不断出现的新材料转化为可靠的研究证据，再接入验证与决策的能力。AI 让机构看见更多信息，研究系统决定这些信息最终成为洞察，还是噪声。
02 / 如何判断一套数据的价值
另类数据行业很喜欢讲“独家”。独家信用卡数据、独家位置数据、独家消费样本，听起来都像护城河。但一套数据是不是独家，和它能不能赚钱，是两回事。
在 The Alternative Data Podcast 对 Natalya Dmitriyeva 的访谈中，她回顾了自己在 Two Sigma 工作 17 年、后来又在 Schonfeld 负责企业数据的经历。她做过数据工程，也搭过采购团队，管过数据科学、治理、运营和供应商关系。这段经历最后指向一个很朴素的结论：数据价值不是供应商报价单上的属性。它取决于谁来用、解决什么问题，以及相对已有信息究竟多带来了什么。
投资问题与经济机制
先定义问题，再寻找数据。目标究竟是预测单店收入、识别市场份额变化、跟踪产品价格、估算用电负荷，还是判断 AI 数据中心的建设节奏？
“数据很新颖”不能代替清晰的研究用途。数据采购之前，机构至少要说清楚两件事：它要解释什么，以及这个变化为什么可能传导到资产价格。只有相关性，没有经济机制，回测再漂亮也不够。
来源、偏差与时间可见性
机构需要理解数据如何采集、样本如何构成、覆盖如何变化、缺失值怎样处理，以及供应商是否会重写历史、补齐记录或修改实体映射。无法说明数据血缘的产品，很难进入严格的投研和合规流程。
尤其重要的是 point-in-time：今天看到的历史记录，是否等于当时投资者真正能够看到的数据？如果回测使用了事后修正的历史，漂亮的结果可能只是未来信息泄漏。
更快的数据，不一定是更好的数据
分钟级更新听起来总比月度更新高级。但如果策略持有半年，分钟级噪声可能只会增加成本。刷新频率、交付延迟和历史深度，要和投资周期放在一起看。还有一个经常被低估的问题：这套数据能不能接进机构已有的体系？
缺少证券代码、实体映射或稳定字段定义，研究员就会把大部分时间花在清洗上。很多数据在试用阶段看起来有趣，最后没有进入生产，不是因为完全没有信号，而是维护起来太麻烦。
增量价值与衰减速度
数据价值不能由单次回测的 Sharpe ratio 决定。机构还需要进行样本外检验、不同市场状态检验、消融测试和交易成本分析，判断新数据相对已有信息究竟增加了什么。
独家数据不一定有价值，广泛销售的数据也不一定无用。关键在于其他投资者是否以相同方式解释和交易它，以及本机构能否通过独有的标签、语义层、组合方法和执行能力形成差异。
这些问题共同构成“数据评价制度”。它不是某个数据猎手的直觉，而是一套跨团队、可复核、能持续学习的组织能力。
03 / 可执行的 AI 数据闭环
数据进入机构以后，不会直接变成信号。它要先回答“发生了什么”，再判断行业和公司的状态，解释变化如何传导，形成对未来的预期，最后才涉及市场是否已经定价，以及这笔判断究竟有没有兑现。
把这条链拆开，大致可以分成六层。AI 贯穿其中，负责搜索、连接、计算、监测和记录；人负责定义问题、校准机制、决定仓位并承担最终责任。
· 证据层：发生了什么？财报、公告、新闻、订单、价格和另类数据，先要成为可以追溯的证据，来源、口径和使用边界都要清楚。
· 状态层：现在处于什么阶段？把多条证据放在一起，判断真实需求、库存、产能利用率、客户验证和产业周期。
· 机制层：变化为什么发生，又会如何传导？解释需求如何形成瓶颈，又如何传导到价格、订单、收入和利润，判断其中的经济机制能否成立。
· 预期层：未来可能怎样？在不同情景下预测需求、产能和盈利，再与公司指引和市场一致预期比较，同时明确什么证据足以推翻假设。
· 定价与博弈层：市场会如何反应？判断信息是否已经被价格反映，继续观察预期、资金流、持仓和拥挤度，再决定是否转化为仓位。
· 验证与学习层：判断兑现了吗，错在哪里？把实际结果与原始假设对照，分清问题出在研究、交易、仓位还是风控，再决定假设是保留、降级还是淘汰。
六层之间并不是一条只能向前走的流水线。新的证据会改变状态判断，价格变化也可能迫使研究员回头检查机制。一条播客信息只是证据，一项盈利预测也不是交易，直到它与市场预期和价格放在一起比较。
这套闭环要真正运行起来，还需要三条贯穿全程的纪律。
第一，摘要不等于事实。大模型可以压缩播客、报告和网页，但也可能忽略限定条件、混淆说话者，或把推测写成事实。任何重要信号都应能追溯到原始片段、时间戳和数据版本。
第二，实验越便宜，研究纪律越重要。AI 可以迅速生成大量特征，也会同时放大多重检验和过拟合。自动化扩大的是实验能力，不会自动提高结论质量。
第三，成本与决策收益一起衡量，但不能成为探索的门槛。模型调用量增长本身不说明成果，也不必要求每一次调用立刻证明收益。更值得跟踪的是：研究覆盖是否扩大，数据接入和策略验证是否加快，错误是否减少，以及成熟工作流能否改善收益、风险或运营成本。
三条纪律指向同一件事：让每次研究留下东西。评估一套数据，会留下测试结果、元数据、失败案例和实体映射；信号进入实盘，还会留下偏差和衰减记录。这些经验重新进入下一轮研究，机构对数据的评价也会越来越快、越来越一致。
AI 原生机构首先是一种组织方式。大模型和 Agent 负责扩大搜索、整理、测试和监测的规模；人负责提出问题、判断经济机制，并为风险和最终决策负责。
两者连在一起，一个个研究项目开始变成持续积累的过程。机构可以更快理解新数据、淘汰错误假设、接入有效信号，也能在信号失效时及时退出。每做一次研究，下一次研究的起点都会高一点。
参考资料
Odd Lots：One of the World's Largest Hedge Funds on Its 86x Growth in Token Spending。
The Alternative Data Podcast：The Natalya Dmitriyeva Episode。
BattleFin 2026 数据供应商评估标准。