Techub News 搜索

专访「AI投研精英孵化计划」学员 Elina —— 当 AI 让配置工具触手可及：个人投资者如何建立长期资产配置系统？撰文：Gandalf，Techub News 导语当市场热点快速轮动，个人投资者很容易陷入一种看似“分散”、实则高度集中的状态：今天买半导体，明天买光模块，账户里产品数量不少，但底层风险可能仍集中在同一类权益资产、同一种行业风格，甚至同一个宏观情景。拥有十年传统金融行业经验、长期从事基金研究和大类资产配置的 Elina，正在尝试把这套原本服务于专业资管场景的方法论，转化为一套面向个人投资者的 AI 辅助全天候资产配置模型。她希望解决的不是“预测下一个热点”，而是帮助用户先明确目标、风险承受能力与投资期限，再据此构建股、债、商品等多资产组合，并在后续通过风险监测和月度回检维持组合纪律。在 Elina 看来，AI 的意义不在于生成一份看似完美的“一键配置”答案，而在于降低工具搭建、数据整理和组合跟踪的门槛；但资产配置中最关键的前提——投资目标、风险预算和长期纪律——仍不能交给模型替人决定。核心观点 “资产分散配置不是多买几种产品，而是分散真正的风险来源。” 所谓“全天候”，并不意味着任何市场环境下都能赚钱，更不意味着保本或稳赚。它所追求的是：通过多元资产、风险预算和动态再平衡，让组合对不同经济周期和市场冲击具备相对更强的适应能力。对 Elina 而言，个人投资者最先要回答的也不是“买什么”，而是三个更基础的问题：希望获得什么样的长期目标、能够承受多大波动、这笔资金可以投资多久。只有这些边界清晰后，资产配置才有实际起点。从“多买”到“分散风险” TECHUB NEWS：普通投资者常把“多买几种产品”理解为分散化。真正有效的分散化，应该分散哪些风险？ Elina：首先要从宏观因子看。经济环境并不只有一种状态，增长、衰退、通胀和通缩等不同阶段，对不同资产的影响并不相同。权益、债券和商品各自可能在不同周期里表现出不同特征，因此，跨资产类别配置是分散化的第一层。但这还不够。在同一类资产内部，也要继续往下看行业、风格和个股层面的集中度。以股票为例，不能因为买了多只基金或多只股票，就认为风险已经分散；如果它们最终都集中于同一批行业、相似的成长风格或同一种市场因子，本质上仍可能面对同一个风险来源。再往外，还要考虑不同国家和经济体之间的分散。真正的分散是一个从宽到窄的过程：先看宏观周期和资产类别，再看行业、因子与个股，最后审视不同经济体之间的风险是否过于同质化。 TECHUB NEWS：在基金研究和资管实践中，你看到个人投资者最常见的配置错误是什么？ Elina：追逐热点、仓位集中、忽略底层风险暴露、缺乏长期再平衡纪律，这些问题经常同时出现。很多人今天看到半导体上涨就买半导体，明天看到光模块走强又去追光模块；买了很多产品之后，表面上看持仓丰富，实际却可能都集中在股票资产和同一类行业风险上。问题不只是追热点本身，而是没有“以终为始”地做投资规划：没有先想清楚收益目标、可承受的波动和投资期限，就很容易凭当下情绪选择产品。这样形成的并不是组合，而是一个由短期市场叙事拼起来的账户。风险穿透：看基金名称不够 TECHUB NEWS：为什么一个表面上持有多种资产的组合，在市场剧烈波动时仍可能一起下跌？投资者该如何理解相关性和风险暴露？ Elina：关键要穿透到底层风险来源。股票和商品通常都可被视为风险资产；债券、货币基金或现金类资产的风险特征则不同。一个组合到底能否分散，不能只看持有了几只基金、产品名称写着什么，而要看这些资产在市场压力下是否会受到相同因素驱动。例如，权益资产要看行业集中度和风格是否相似；债券则还要进一步看久期、信用风险和流动性暴露。市场承压时，若多个产品底层都暴露于相似的行业、相同的风险偏好变化或类似的流动性压力，它们就可能同步下跌。普通投资者往往只看基金名称，但名称未必能够完整反映真实持仓和风险结构。资产配置需要做“穿透式”判断：不是问“我买了几类产品”，而是问“我的组合究竟暴露在什么风险上”。这种视角也决定了 Elina 对“全天候”的理解。全天候不是寻找一种永远上涨的资产，也不是把股票、债券、商品机械地放在一起，而是在不同经济环境下，尽量避免全部资产同时依赖同一种市场判断。一套面向长期资金的配置闭环 TECHUB NEWS：你正在搭建的全天候资产配置模型，最适合哪一类用户？ Elina：它更适合中长期投资者。用户最好能够用两到三年以上、甚至更长时间内暂时不用的资金，作为家庭或个人资产的底仓。这个模型不是用来参与短期风格热点的，更像家庭资产中的“压舱石”。用户需要先识别自己能够承受的是中高波动还是低波动，再判断投资期限是否匹配。模型的目标是服务于长期复利和稳健增值，而不是通过频繁追逐市场热点实现短期博弈。项目按照波动率不同，分为中低波和高波的组合，收益会根据每年的情况有浮动，具体表现仍会受到市场环境、资产价格和执行情况等多重因素影响，并不构成收益承诺，复利的力量是很可怕的，每年 7% 的话 10 年资产就可以翻倍，从长远来看，这类不太用的压舱石资金很适合这样的组合配置。 TECHUB NEWS：对于没有 coding 能力、也没有量化背景的用户，这套工具从使用到跟踪，大致是怎样的流程？ Elina：第一步仍然是用户输入自己的投资目标、风险承受能力和投资期限。例如，用户需要判断自己更适合低波动还是中高波动的组合，并确认资金是否可以进行两到三年以上的长期配置。在这些条件明确后，模型会根据相应的风险档位，给出底层基金以及股、债、商品等资产类别的建议配置比例。用户仍通过自己的交易渠道，按比例完成买入；模型并不替代用户持有资金或直接执行交易。买入之后，系统进入持续管理环节。用户可按月在决策台回检组合，查看实际持仓是否偏离最初设定的比例区间；若偏离超出区间，再将当前仓位输入模型，获得新的调整比例建议，使组合回到相对匹配的风险预算范围。这一过程的重点不是频繁交易，而是在必要时用再平衡对抗市场波动带来的结构性偏移。 Elina 提到，模型还会持续监测宏观环境，例如加息、衰退等重要风险信号是否出现，并将其作为策略调整时需要重点审视的条件。宏观监测不是一个自动预测市场的按钮，而是让组合管理不只停留在静态初始配置上。 AI 降低门槛，但不替代判断 TECHUB NEWS：传统资产管理方法论与 AI 编程工具结合后，AI 最适合承担什么角色？ Elina：对没有量化和 coding 背景的个人投资者而言，AI 可以降低搭建和维护配置工具的门槛。它能够协助处理组合构建、数据整理、风险监测、比例测算、回检提醒和动态优化等重复性工作，让原本需要较强技术能力才能完成的流程变得更容易使用。但 AI 不能替代人做资产配置中最重要的判断。用户仍要确认自己的目标与约束，理解组合使用的假设、数据和适用条件，并对风险承担最终责任。模型给出一个配置比例，并不等于这个比例适合所有人；流动性需求、现金流安排、最大回撤容忍度、投资期限和真实风险偏好，都会影响一套组合是否可执行。因此，“一键配置”只是开始，真正更难的是长期持有、按规则回检、在市场波动中避免情绪化操作，同时也避免为了调整而过度交易。Elina 希望这套模型最终提供的，不只是一组具体的资产比例，更是一套可以被普通投资者理解和持续使用的资产配置方法。在「AI 投研精英孵化计划」的语境中，这也是传统资管经验与 AI 原生工具结合的价值：让专业方法不再只存在于机构流程中，但也不因工具变得更容易获得，就被简化为一个脱离风险边界的自动化答案。结语市场总会提供新的热点，也会不断制造“错过机会”的焦虑。相比于在每一次波动中寻找下一笔交易，Elina 的实践更强调另一种更基础的能力：先建立投资目标和风险边界，再以组合化、穿透式风险管理和长期再平衡纪律，把投资从情绪驱动的产品选择，变成一套可以执行、跟踪和调整的系统。对于没有量化背景、却希望开始长期投资的人，最值得先建立的，也许不是预测市场的能力，而是识别自身风险承受能力、理解底层风险来源，并持续遵守配置纪律的能力。编辑说明：本文根据 TECHUB NEWS 对 Elina 的访谈文本、会议摘要及采访提纲整理。文中关于全天候资产配置模型的定位、目标用户、运行流程、风险监测和后续设想，均以受访者表述及提供资料为基础。模型仍处于搭建与完善阶段，相关内容不构成对任何产品、基金、资产类别或市场走势的推荐、预测或保证。免责声明：本文仅作信息交流与资产配置方法讨论，不构成任何投资建议。证券、基金、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。多元配置与风险管理不能保证盈利，也不能避免损失。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。

专访「AI投研精英孵化计划」学员 Crazyox —— 把投资判断变成可复盘的“证据积木”：AI 如何帮助个人投资者建立研究方法？撰文：Gandalf，Techub News 导语 AI 可以在几分钟内搜集资料、阅读财报、整理数据，甚至生成一篇看似完整的研究报告。但对投资者而言，信息获取变快，并不意味着判断自动变好。真正难以回答的问题往往是：当初为什么看好？后来哪些判断被事实验证，哪些只是碰巧赚钱？下一次又如何避免重复同一种错误？ Crazyox 曾长期从事法律工作，也做过作者，后来进入 Web3，并持续投入 AI 产品与自动化实践。法律训练让她习惯从一个结论反向追问：证据是什么？这是事实还是推断？是否存在相反证据？又有哪些新事实会推翻既有判断？这种证据思维，成为她发起「积木投研」的起点。她想做的不是一个替用户预测市场、输出买卖答案的 AI 工具，而是一套能够帮助个人投资者搭建研究框架、保存决策原点、跟踪证据变化、接受反证并持续复盘的系统。它更像一本“投研错题集”：记录的不只是买卖与盈亏，而是一个人如何思考，以及反复在哪里犯错。核心观点 “信息会越来越便宜，但判断不会自动变得更好。” 在 Crazyox 看来，AI 最适合做的是提高研究和认知效率：整理资料、追踪新事实、找支持与反对证据、提示证据冲突；但最终的判断、证据权重与投资决策，必须由用户自己保留和承担。 “积木投研”的目标也不是提供一套不可质疑的标准答案，而是让用户从一个朴素的观点开始，将其拆解、验证、推翻或重建。用得越久，系统越不应只是产品发起人的方法论，而应逐步沉淀为用户自己的研究框架、投资错题集与认知历史。从律师思维到投研错题集 TECHUB NEWS：请先介绍一下自己，以及为什么会发起「积木投研」？ Crazyox：我的经历比较跨界，做过很多年法律工作，也写过书，后来进入 Web3，现在主要从事 AI 产品和自动化，同时长期关注投资研究。积木投研最早源自我自己的一个痛点。AI 已经能够很快搜资料、读财报、写研报，未来信息生产会越来越便宜；但真正困难的不是“能不能找到资料”，而是如何判断：我当初为什么看好？后来到底哪里对了、哪里错了？下一次能否少犯同样的错误？所以最开始，我只是想做一个“投资错题集”，后来才逐渐发展成积木投研。它不是替人预测市场，而是帮助用户搭建、验证、复盘和迭代自己的投资判断。 TECHUB NEWS：法律工作的习惯，如何影响你的投资研究方法？ Crazyox：律师有一种职业习惯：别人给出一个结论，我的第一反应通常是“证据呢？”接着会问，这到底是事实还是推断？证据来源是否可靠？有没有相反证据？哪些新事实出现以后，原来的结论会被推翻？后来我发现，法律和投资很相似，都是在信息不完整的情况下作出判断。法律训练带给我的，并不是不断找证据证明“我是对的”，反而是让我习惯追问：如果我是错的，我会错在哪里？这也是为什么，积木投研会把证据、反证与证伪机制放进研究流程。研究不是为了替已有立场找更多支持，而是要允许自己的观点被事实挑战。留住决策的原点 TECHUB NEWS：什么是“投研错题集”？它与一般交易记录有什么不同？ Crazyox：传统交易记录通常记的是何时买入、何时卖出、赚了多少或亏了多少，更像一张成绩单。但学生做错题集，不是只记录考了多少分，而是弄清楚这道题为什么错。积木投研希望做两件事。第一，为每一次重要投资决策留下一个原点。无论是买入、加仓、减仓，还是改变判断，用户都可以把这个决策标记在 K 线和时间轴上，同时保存当时的投资逻辑、核心驱动与证据。半年之后重新回看，用户能够回到当时的信息环境，问自己：如果只知道当时这些信息，这个决定做得怎么样？这有点像投资决策的“黑匣子”。它保留的不是今天根据结果重新整理过的解释，而是决策时真实的观点、依据与未知。第二，每一轮研究和复盘都会形成报告，记录观点如何变化、证据是增强还是减弱、收益表现如何，以及最终可以如何归因。未来，这些报告也可以再被 AI 分析。错题集真正积累的并不是“我买过哪些股票”，而是“我过去如何思考，以及我反复在哪里犯错”。 TECHUB NEWS：为什么记录原始判断，是做好复盘的前提？ Crazyox：因为人很容易用今天已经知道的结果，重新解释昨天的自己。所以系统会保存一个 T0，也就是决策原点。T0 记录的不是后来的解释，而是当时真实的观点、依据和未知；之后可以增加新事实，但不能改写最初判断。这样过一段时间再复盘，才有机会区分：当时究竟是判断正确，还是后来恰好赚到了钱。没有原始判断，就没有真正的复盘。用积木搭建研究框架 TECHUB NEWS：为什么叫“积木投研”？这些积木具体指什么？ Crazyox：很多普通投资者并不是没有观点，而是不知道如何研究自己的观点。比如有人觉得“AI 算力需求还会增长”，或者“存储行业进入上行周期”，接下来该研究什么？传统投研往往会给出一整套复杂模板，普通用户很容易因此放弃。积木投研希望从一句最简单的问题开始：“你为什么看好？”随后，将一个观点拆成若干核心驱动因素，例如需求、资本开支、财报、现金流、扩产、价格、库存周期或市场份额。再往下，每一个核心驱动可以挂载不同的 Skill，也就是研究方法积木，例如估值分析、AI 价值迁徙、稀释分析、杠杆风险等。整个逻辑可以概括为：观点 → 核心驱动 → Skill 研究方法 → 证据 → 形成个人研究框架之所以称为积木，是因为它不是固定模板。某个 Skill 不适用可以拆掉；发现漏掉一个关键驱动可以补上；如果整个框架被新事实证明有问题，也可以推倒重来。目标是让一个原本不熟悉系统化投研的人，也能从自己的一个观点出发，一块一块地搭出研究框架，并在真实市场中不断验证、拆除和重建。 TECHUB NEWS：从初步想法到可验证的投资论点，系统如何帮助用户验证？ Crazyox：主观投资很难的一点，是人的观点如何“回测”。假设选中一只科技股，一年上涨 30%，这能否证明研究能力很强？不一定。如果同期 QQQ 上涨 40%，这个 30% 的含义就不同了。因此，积木投研会引入外部基准。研究科技股可以与 QQQ 比较，更广泛的美股可以与 S&P 500 或 SPY 比较，特定行业也可以与对应的行业 ETF 比较。它不只看绝对收益，还会看相对表现。但收益只是一个维度。另一个关键维度是：当初支撑观点的证据，后来变强了还是变弱了？也就是说，系统同时观察研究逻辑是否被事实验证，以及结果是否跑赢相应基准。两者结合后，才有机会逐步区分研究能力、市场 Beta 与运气。让 AI 寻找反证 TECHUB NEWS：如何处理支持证据、反方证据，以及 Skill 和证据的权重？ Crazyox：这里需要区分三个层次：核心驱动回答“什么决定我的判断”；Skill 回答“我用什么方法研究它”；Evidence，也就是证据，回答“事实到底是否支持它”。目前我们不会给 Skill 预设固定权重。比如规定估值分析占 30%、库存周期占 20%，看起来很科学，但不同公司、不同阶段和不同投资逻辑下，同一种研究方法的重要性并不相同。Skill 是尺子，不是事实本身。真正需要被区分权重的是证据。公司财报原文、已经兑现的收入，与市场传闻、管理层对未来的预测，不应有相同的证明力。AI 可以协助寻找证据、提示来源、查找反证和发现冲突，但最终由用户确认一条证据对自己判断的重要程度。至于哪些 Skill 在长期中真正有效，我更希望让复盘结果告诉用户，而不是在一开始人为规定。这也是积木投研未来重要的一层：让研究方法本身接受长期检验。 TECHUB NEWS：新财报、行业数据或公司事件出现后，工具如何帮助用户回到研究逻辑，而不是跟着股价走？ Crazyox：核心只有一句话：不要让价格替你思考。新的财报出现后，系统首先应该回到原来的核心驱动。比如最初看好一家公司，是因为相信资本开支最终会转化成收入和现金流，那么下一次财报就应检查：投入是否增加？收入是否兑现？现金流是否跟上？原有支持证据是在增强还是削弱？是否触发了此前设定的重审条件？而不是因为当天股价上涨 8%，就认定投资逻辑已被验证。价格变化不等于投资论点变化。系统真正持续追踪的，应是事实发生了什么，以及这些事实有没有改变原来的研究逻辑。 TECHUB NEWS：你希望 AI 成为“反方研究员”，主动挑战用户观点吗？ Crazyox：非常希望，而且我认为这可能是 AI 在投研里最有价值的角色之一。投资者很容易产生确认偏误：如果已经买入一家公司，AI 还每天按照既有观点找十条利好，它可能就成了高级版的信息茧房制造机。所以，当我越相信一个东西时，AI 越应该攻击它。你认为需求会增长，AI 应去找需求走弱的证据；你认为公司有护城河，AI 应去寻找正在绕过这一护城河的竞争者；你认为管理层优秀，AI 应检查他们过去的承诺是否真正兑现。我很希望积木投研具备“Attack My Thesis”的能力——攻击我的投资逻辑。它不是为了反对而反对，而是强迫用户看见自己最不愿意看的那部分证据。复盘能力，而非标准答案 TECHUB NEWS：一项投资结论应该如何设置失效条件？ Crazyox：失效条件本质上是在回答：发生什么事实以后，我愿意承认原来的判断需要重审，甚至已不成立？例如，看好一家公司是因为预期收入和利润会持续改善，那么就应提前定义观察指标、验证周期、什么情况算成立，以及在什么条件下必须重新审视。如果收入增长，但毛利率或经营利润持续恶化，原来的核心驱动可能已经出现问题。系统中的验证积木，会围绕“观察指标、成立条件、重审条件、验证周期”保存研究过程。之所以要在作出决策前就写下来，是因为一旦有了仓位，人很容易为自己找理由。先定义什么时候认错，再允许自己下注。 TECHUB NEWS：如果一项投资赚钱了，但研究逻辑其实错了；或者短期亏损了，但研究过程严谨，该如何评价？ Crazyox：不能简单地用“赚了等于判断对，亏了等于判断错”来评价。因此，积木投研尝试采用一个四象限归因框架：一条轴是原有证据在后续事实中变强还是变弱；另一条轴是最终结果是否跑赢对应市场基准。当证据变强但没有跑赢基准时，未必是研究完全错误，可能是行业看对了但标的选错了，也可能是价格或时间的问题；当证据变强且跑赢基准时，重点是继续识别哪些核心驱动与研究方法值得复用；当证据变弱且结果也差时，应进入错题集，反思研究逻辑到底哪里出了问题；最值得警惕的是证据变弱却仍然赚钱，因为这可能只是市场整体上涨或情绪行情奖励了错误方法。赚钱不等于看得准。投资中很危险的一件事，是用错误的方法赚到了钱。四象限希望尽可能把能力、运气与市场 Beta 分开，让复盘不止停留在“有没有赚钱”，而是进一步追问：这一次究竟是研究有效，还是市场刚好奖励了我？ TECHUB NEWS：参与「AI 投研精英孵化计划」后，你最希望验证什么？ Crazyox：我现在最想验证的已经不是 AI 能不能写研报——这件事并没有太大悬念。我真正关心的是，AI 能不能提高人的判断质量，而不只是提高信息生产速度。其次，是这套“观点 → 核心驱动 → Skill → 证据 → 验证 → 复盘”的过程，能否让原本不熟悉系统投研的人真正用起来，让他们从自己的一个观点出发，逐步形成自己的研究框架。最后是产品本身：哪些积木有用，哪些 Skill 有效，哪些设计应该拆掉重来。这也符合积木投研自身的方法——提出假设，接受反证；错了就改，失效了就拆。结语 Crazyox 希望用户长期留下来的，不是一堆研报，也不是一套由产品规定的标准模板，而是三种更长期的资产：属于自己的研究框架、属于自己的投资错题集，以及一部由真实市场与持续复盘写成的个人认知进化史。当用户使用得足够久，系统或许能从其历史判断中发现一些规律：研究某类公司时，哪些核心驱动或 Skill 更有效；哪些方法曾多次导致误判；在何种市场环境中，哪些证据更值得重视。届时，AI 的价值不再只是研究一家公司或整理一份资料，而是帮助用户回看和改进自己。 “用得越久，这套系统越不像我的积木投研，越像你的积木投研。”Crazyox 说。未来，信息、研报和许多标准化分析能力都可能越来越便宜。但个人的判断能力不会自动产生。真正的投资能力，也许不是永远判断正确，而是越来越快地发现自己错了，越来越准确地理解自己为什么错，并让下一次判断比这一次更好。编辑说明：本文根据 TECHUB NEWS 对 Crazyox 的采访终稿及采访提纲整理。文中关于「积木投研」的产品定位、功能机制、研究方法与后续设想，均以受访者表述及提供资料为基础。项目仍处于开发与验证阶段，文中内容不构成对任何证券、基金、资产类别或市场走势的推荐、预测或保证。免责声明：本文仅作信息交流与投资研究方法讨论，不构成任何投资建议。证券、基金、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。文中提及的公司、指数、ETF、研究框架或案例仅用于说明方法，不构成买卖建议。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。

专访「AI投研精英孵化计划」学员小白 —— 从“看见价差”到“验证机会”：AI 如何重构链上投研工作流？撰文：Gandalf，Techub News 导语在链上市场中，看到不同交易场所出现价格差异并不难；真正困难的是判断，这个价差能否在真实条件下被执行，并在扣除滑点、手续费、Gas、资金成本、路径与时间成本后，仍然留下可验证的结果。计算机科班出身、2025 年毕业的小白，曾参与 DApp 开发，目前作为专注于 AI 与 Web3 交叉方向的独立开发者和 Agent 开发工程师，正在搭建 Arbitrage Dashboard——一个集市场观察、链上交易研究与套利机会分析于一体的可视化工作台。项目尝试将交易所行情、链上数据与交易记录集中到一个研究界面中，让用户不只“看见数据变化”，还能够追踪资金从哪里来、经过哪些路径、成本如何构成，以及一笔历史机会是否具有可复现性。在他看来，AI 在链上投研中的作用不应是生成一段看似合理的分析，而应建立在真实数据和确定性计算之上，帮助研究者更快整理复杂信息、形成证据链，并排除那些表面有价差、实际上无法执行甚至会亏损的伪机会。核心观点 “价差只能说明两个地方在某一时刻报价不同，并不代表这就是一个可以获利的机会。” Arbitrage Dashboard 的重点不是直接执行交易，也不是承诺发现套利机会，而是把“市场报价”“候选机会”和“经过验证的结果”明确区分开来。项目目前以只读研究与模拟验证为主要边界，帮助用户从发现线索走向核验条件，而不是把一个瞬时价格差直接包装成结论。对小白而言，AI 最有价值的地方，不只是更快地找到机会，更是更快地回答：这笔机会为什么存在、哪些条件会令它失效，以及在扣除所有成本后，是否仍值得继续研究。从真实痛点出发 TECHUB NEWS：先请你介绍一下自己，以及你正在开发的 Arbitrage Dashboard。小白：我是小白。此前我在 Web3 领域参与过 DApp 开发，现在主要做 Web3 与 AI 交叉方向的独立开发，同时也是一名 Agent 开发工程师。 Arbitrage Dashboard 是一个面向链上研究的套利工作台。它希望把分散的市场数据和链上数据整理起来，形成可组合、可追溯的套利研究结论，让研究者或交易者尽量在一个工作台中完成所需的信息获取、路径梳理与机会验证。这并不是要让系统替用户直接下单，而是希望减少研究过程中的信息切换成本：当用户看到一个价差时，能够进一步理解资金流向、交易路径、成本结构和可执行条件，而不是只停留在一个数字上。 TECHUB NEWS：为什么会将 AI 应用开发与 Web3 链上研究作为重点探索方向？小白：这两个方向与我的兴趣和技术背景相契合。Web3 中很多数据天然存在于链上，过去如果要研究一笔交易或一条资金路径，往往需要人工从不同页面中提取、比对和整理信息，成本很高。 AI 比较擅长处理复杂、分散和非结构化的信息，因此有机会协助研究者处理这些原本需要大量人工完成的工作。但我不希望 AI 只是生成一段读起来很合理的分析，而是希望它建立在真实数据和确定性计算基础上：通过获得足够上下文，帮助用户理解一个套利机会为什么存在、为什么可能无法执行，以及最终为什么可能无法形成利润。把分散数据放进证据链 TECHUB NEWS：市场已经有行情软件、区块链浏览器和 DEX 数据平台。为什么还需要一个新的可视化工作台？小白：这源于我自己的研究痛点。验证一笔链上交易时，通常要在区块链浏览器、交易详情页、Token 转账记录、内部调用信息，以及不同协议页面之间反复切换。现有工具能够告诉用户发生了哪些数据变化，但很难在同一个页面直接回答几个关键问题：资金从哪里来？经过了哪些交易路径？总成本是多少？利润是否能核对上？这是否是一个可以复现的机会？页面之间不断切换本身就有成本，也会让研究过程变得碎片化。Arbitrage Dashboard 希望将这些信息按照交易和资金的逻辑组织在一起，形成一个有顺序、可回溯的研究工作台。可视化不是为了把数据做得更复杂，而是为了帮助人更快看清路径、成本与证据之间的关系。 TECHUB NEWS：从“发现价差”到“确认真实机会”，为什么仍然有很多困难？小白：如果随意打开两个 DEX，或者一个 DEX 和一个 CEX，往往都能发现某一时刻存在价格差。但价差只说明两个场所的报价不同，不代表用户能够以预期规模成交，也不代表最终能够赚钱。还需要进一步验证多个条件：这笔交易会带来多大的价格冲击；两端流动性池是否有足够深度；手续费、Gas 费和资金成本如何计算；交易路径是否可行；如果涉及跨链，跨链时间会不会改变价格条件；账户容量是否足够；以及在竞争激烈的环境中，交易是否能够及时被打包并成功上链。当这些条件和成本被逐一扣除后，许多表面上的机会可能已经变成亏损，或者根本不具备可执行性。因此，项目希望解决的不是“更快发现报价差”，而是“更系统地验证机会是否真实存在”。报价、线索与验证结果 TECHUB NEWS：怎样通俗地区分市场报价、候选套利机会和经过验证的结果？小白：市场报价是最初级的信息：某个资产在不同平台或流动性池中，在某一时点显示出了不同价格。它可以是一个线索，但还不是结论。候选套利机会，是在看到价差后，初步把交易方向、可能路径和潜在收益列出来。此时需要提出假设，例如从哪里买、到哪里卖、需要经过哪些协议或链路、预期规模是多少。经过验证的结果，则必须把可执行条件逐项纳入计算和核验：实际可成交规模、滑点、流动性深度、手续费、Gas、资金成本、跨链或结算时间、交易竞争和路径风险等。只有这些因素都被审视过，才能判断一条线索是否仍具有研究价值。这三者不能混为一谈。若把报价直接当成可实现利润，用户很容易忽略现实执行环境；若把候选路径直接当成已验证结果，就可能在看似有利的数字背后承担未被计入的风险与成本。 TECHUB NEWS：用户在 Arbitrage Dashboard 中，从发现线索到完成验证，理想的研究流程是什么？小白：首先，用户从交易所行情、资金费率、DEX 流动性等市场信息中发现可能存在的价差或异常信号；接着，将其作为候选机会，梳理可能的交易方向和交易路径。之后，研究重点从“价格是多少”转向“是否能执行”：查看对应池子的深度和预期滑点，估算手续费与 Gas，分析资金是否需要跨链、跨链时间和路径会带来什么影响，并结合账户容量和竞争情况评估潜在限制。如果研究对象是历史链上交易，还需要进一步追踪资金从何而来、经过哪些合约或协议、每一段路径产生什么成本、最终资金流是否与结果相匹配。只有当路径、成本、资金流与最终结果可以相互对应时，研究者才有机会形成更完整的证据链。项目目前以研究与模拟验证为主，帮助用户理解和检验这些条件，而不执行真实交易。 AI 是研究助手，不是获利承诺 TECHUB NEWS：作为 Agent 开发工程师，你认为 AI 与 Agent 最适合在产品中承担什么角色？小白：AI 和 Agent 可以帮助做线索发现、数据整理、路径解释、信息比对和待验证假设的提出。面对大量链上交易记录、协议调用和市场数据，机器可以更快地协助把分散信息放到同一条研究路径上，并提示用户哪些数据尚未补全、哪些成本可能被遗漏、哪些地方存在冲突。但最终目标不是让 AI 给出一个“肯定能套利”的答案，而是让它帮助用户建立基于真实数据和确定性计算的判断过程。尤其在链上环境中，数据来源分散、时效不同、交易条件变化很快，AI 更应当帮助用户识别不完整信息和伪机会，而不是把不确定性包装成过度自信的结论。 TECHUB NEWS：在链上投研中，AI 更重要的价值是发现机会，还是排除伪机会？小白：两者都重要，但对研究者而言，排除伪机会同样关键，甚至经常更具现实价值。市场中可以看到很多即时价差，但其中不少在考虑滑点、费用、链上拥堵、时间和竞争后已经没有利润空间。如果 AI 只负责推送更多机会，而没有能力解释其可执行条件、风险和成本，用户的决策负担反而会更重。更有意义的工作流是：AI 协助发现线索，也协助提出反问和核验清单，把“看上去能做”尽可能转化为“为什么能做或为什么不能做”的清晰说明。 TECHUB NEWS：为什么项目选择以只读研究和模拟验证为边界，而不直接执行真实交易？小白：从报价差到真实交易之间存在很多动态条件。真实执行涉及资金、账户安全、交易时效、滑点、链上拥堵以及市场竞争等风险。对于一个研究型工具而言，先把数据、计算、路径和证据链做清楚，比直接把用户带入真实交易更重要。只读研究和模拟验证的定位，也有助于让用户理解产品输出的边界：它提供的是研究支持和条件核验，而不是收益承诺或自动交易指令。通过先把“研究是否可靠”作为重点，项目希望在产品可信度、透明度和用户风险管理之间建立更审慎的基础。结语对小白而言，Arbitrage Dashboard 的价值不在于把瞬时价差包装成一个自动化获利故事，而在于把一条链上研究线索拆开来看：报价是否真实、路径是否可行、资金如何流动、成本能否核对、交易在现实环境中是否具有可执行性。在 AI 与 Web3 加速交叉的背景下，链上数据并不天然等于清晰结论。AI 可以降低人工整理和跨平台核验的成本，但更重要的是帮助研究者建立证据链、识别缺失条件，并区分市场信号与可验证结果。从“看见价差”到“验证机会”，中间并非只有技术连接，更包含对成本、流动性、时间、竞争和风险的逐项审视。对于仍处于开发和验证阶段的 Arbitrage Dashboard 来说，这种对研究边界的强调，也是其希望带给用户的核心价值：先把机会看清，再谈是否值得行动。编辑说明：本文根据 TECHUB NEWS 对小白的访谈文本、会议摘要及采访提纲整理。文中关于 Arbitrage Dashboard 的产品定位、功能设想、数据研究流程与风险边界，均以受访者表述及提供资料为基础。项目仍处于开发与验证阶段，相关内容不构成对任何交易策略、数字资产、协议、交易平台或市场走势的推荐、预测或保证。免责声明：本文仅作信息交流、技术讨论与研究方法说明，不构成任何投资、交易或套利建议。数字资产及相关产品价格可升可跌，链上交易还可能涉及智能合约、流动性、滑点、Gas、跨链、网络拥堵、交易对手及安全等风险。市场报价、历史交易记录、模拟结果和任何分析均不代表未来可实现的交易结果。读者不应仅依赖本文内容作出投资或交易决策，并应根据自身目标、财务状况、风险承受能力及适用法律审慎评估，必要时咨询独立专业意见。

Uweb 新一期AI投研实训营开课，聚焦新一代投研精英培养围绕 AI 时代投研人才的能力建设，香港 Uweb（University of Web 3）商学院同步推进线下实训与线上孵化，将集中授课、产业研究与持续项目实践相衔接，构建覆盖认知提升、方法训练和成果孵化的培养路径。自 2026 年 4 月开课以来，香港 Uweb 商学院的线下 AI 投研实训营已举办四期，累计招生 250 余人；线上 AI 投研孵化营面向具备研究与实践基础的申请者开展选拔，累计吸引 800 余人报名，最终遴选 50 人入营，通过八周课程、导师指导与项目共创，进一步深化专业训练。新一期课程聚焦 AI 在投研中的应用，围绕信息获取、产业分析、价值判断与研究成果表达展开教学。Uweb 将专业投研方法与 AI 工具实践相结合，引导学员运用 AI 梳理市场信息、分析企业与产业变化，并对数据来源和结论依据进行复核，逐步建立适用于自身研究领域的 AI 投研工作流程。香港 Uweb 商学院校长、HKCDAA 学术委员会轮值主席、中国通信工业协会区块链专委会共同主席于佳宁博士表示，“AI 正在同时改变投研的对象与方法。一方面，技术演进不断催生新的商业模式，要求研究者贯通产业逻辑、企业经营与价值判断；另一方面，智能工具正在深入信息处理和研究分析，要求专业人才具备更强的问题定义、证据甄别与人机协作能力。” “AI 投研教育应当帮助学习者建立能够随技术和市场变化持续更新的研究体系，使工具效率与专业判断相互促进。”于佳宁指出，Uweb 希望依托在数字资产与前沿产业研究中的积累，将产业认知、研究方法和真实项目实践贯穿人才培养过程，帮助学员把对技术趋势的理解转化为有依据的研究成果，以及能够持续应用于实际工作的专业能力。将技术演进纳入投研分析，深化 AI 产业认知在本期 Uweb AI 投研实训营中，《卫斯李的投研笔记》主理人 Wesley 在分享里结合历史创新周期与宏观经济分析，讨论企业盈利、估值变化及产业周期之间的关系。 Wesley 还带来了 AI 浪潮的六大关键启示，具体为：一、每一次浪潮都要求大量前置的资本深化，早期浪潮聚焦于实物资本和基础设施，后期浪潮则聚焦于计算机、外设和软件。二、劳动力替代是过渡性的，而非永久性的，过去对大规模技术性失业的担忧并未成为现实。工作构成发生变化，一些岗位消失，另一些出现，但就业持续存在；三、生产率增长是这些浪潮的终极标志。早期扩散往往缓慢且不均衡，但一旦配套投资和组织变革到位，人均产出便会加速；四、创新浪潮反复包含至少一次重大繁荣-萧条，每个浪潮都呈现出狂热的资本形成、投机性融资、杠杆上升，最终导致收缩的相似模式；五、技术变革在提升总体生产率的同时，也在不同技能群体和行业间重新分配收入；六、政策至关重要，反垄断、社会保险和人力资本投资塑造了以往浪潮的结果。制度适应决定了收益是否被广泛共享。围绕 AI 产业的分析与投研方法论，科技投资人 Bill Qian 从能源、芯片、基础设施、模型与应用等层次梳理产业链，并结合企业案例讨论研究框架的更新。其指出，“穿越周期，不变的原则是，回报遵循幂律，而非正态分布；Alpha 在各板块间轮动，分散化尤为重要；波动性是长期回报的必要代价。” 在《抓住 AI 复利的八大认识体系》课程中，智富界创始人 Lester Li 将产业周期、商业模式与个人能力发展联系起来。 Lester 表示，“AGI 之后，只有天赋比 AI 强，AI 会抹平所有靠勤奋维持的能力差距。补认知差有一个具体可执行的办法，就是让 AI 帮你找出你不懂什么，然后帮你补课。找到自己的能力之后，下一步是放大它。放大的方式是从使用者变成管理者，把 AI 当成岗位来配置，而不是当成工具来用。” 获港理工创新中心学术支持，开展八周精英孵化在线下实训之外，Uweb 与 Techub News 联合主办 AI 投研精英孵化计划，由香港理工大学工商管理学院天坤数字稳定币与真实世界资产创新中心提供学术指导。孵化计划于 2026 年 8 月启动，设置八周培养周期，向具备研究基础与 AI 应用经验的入选学员免费开放。目前，一批学员项目已进入路演展示与评议阶段，覆盖投研决策、证据核验、资产配置和市场主线识别等投研环节。孵化计划围绕金融投研方法论、AI 工具实战与专业影响力培养设置课程，组织 10 余位来自产业研究、AI 应用和内容领域的导师参与培养。核心导师包括香港 Uweb 商学院校长、香港理工大学工商管理学院 TGG 稳定币与 RWA 创新中心联合总监于佳宁博士，Uweb 技术合伙人、《成为提问工程师》作者方军，该创新中心发起人邓华程博士，曾任华为、戴尔高管的 AI 训练师曹玲博士，智富界创始人 Lester，CDAA 二级持证人、资深买方分析师 Todd，Web 3 研究员 BTCDayu，以及 W+联合创始人匿名博士等。导师通过案例拆解与作品点评，帮助学员完善研究框架、应用方案和成果表达。 Uweb 通过阶段任务与项目路演，将学员的研究问题、分析方法和工具方案纳入持续评议。根据公布的入选权益，学员可获得 Uweb 投研 Skill 及 Token、API 使用支持，并通过研究报告、图文作品和工具演示呈现成果。根据主办方公布的第三场项目路演排名，crazyox 的“积木式 AI 投研决策闭环”、伯纳德 zkBernard 的“投研证据折扣器”和 Elina 的“全天候资产配置决策台”分列前三。三项作品分别围绕投研判断的可验证性、研究证据的可信度和资产配置流程展开，将课堂中的研究方法转化为可供展示与讨论的项目成果。同场进入榜单的项目还包括 Jack 的“美股市场主线识别系统”、HuiDAO 提出的 AI token 与加密 token 平价指数，以及 Barry Jiang 的“可验证的个人 AI 投研系统”。其他学员的研究任务涉及策略实验归档、回测结果核验、财报解析和多源数据整合，回应投研工作中信息碎片化、研究结论难以复核、策略实验难以积累等具体问题。根据规则，孵化计划的优秀成果有机会入选高校案例库与成果手册，表现突出的学员还可参与后续 AI 助教、AI 讲师及内容共创工作，使项目实践与后续专业协作相衔接。贯通研究方法与项目实践，延伸精英培养路香港 Uweb 商学院是专业的数字资产高端教育机构，立足香港，影响全球，以实现“打造全球 Web 3 顶级学府，赋能十亿人拥抱数字资产”为使命，传承八年的知识积累，拥有业内顶尖的校友网络以及广受赞誉的大咖教师资源。 Uweb 常年开设 Web 3 数字资产分析课程，涵盖现实世界资产（RWA）代币化、稳定币经济与数字资产投研配置，将基本面判断、链上数据分析和宏观经济联动纳入商业教学。今年以来，Uweb 进一步拓展 AI 投研课程，邀请研究人员、量化交易员和技术开发者参与交流，围绕多资产研究、智能体应用与专业人才培养，探讨 AI 进入金融业务的具体路径。 AI 持续进入投研的各个环节，研究人员需要在提高信息处理效率的同时，承担问题定义、价值判断与结论验证的专业责任。Uweb 旨在借助线下实训与线上孵化，将产业认知、投研方法和项目实践纳入持续培养过程，帮助学员把课堂所学转化为有依据的研究成果，并在实践反馈中不断修正和完善自己的方法。随着导师指导、成果展示与后续共创逐步衔接，Uweb 希望为投研人才提供从学习到实践、从研究到专业协作的成长路径，让个人积累的知识与经验能够用于教学、研究和产业交流，为 AI 时代的金融研究与商业创新培养具备独立判断力和实践能力的专业人才。

专访「AI 投研精英孵化计划」学员 Jack – AI 原生个人投研系统撰文：Alma Li，Techub News 导语：从交易所 Listing Team 的项目发现、尽调研究到资产上线，Jack 经历过一套服务于平台业务的多维资产评估流程。如今作为独立投资研究者，他尝试将这种“网状思维”迁移至美股、数字资产、宏观与跨资产研究，并用 AI 搭建一套可持续更新、可交叉验证、可复盘的个人投研工作流。在他看来，AI 真正带来的不是“认知平权”，而是知识获取的平权；最终定义问题、判断证据和承担风险的，仍然是人。在众多“AI+投研”的叙事里，最容易出现的画面，是用户输入一段提示词，系统迅速给出“买入”或“卖出”的结论。Jack 对这种想象保持距离。核心观点： “真实的投研不是一个按钮，而是一套系统化的研究工程。” AI 的价值不在于替人拍板，而在于把原本分散、重复、难以留痕的研究动作，连接成一个可验证、可更新、可复盘的过程。从 2021 年进入加密行业，到参与项目发现、尽调、商务沟通与资产上线的完整流程，交易所经历让他形成了一种多因子、动态的研究习惯。离开机构视角、开始以个人资金面对市场后，问题变成了另一种形式：资产覆盖更广，信息却更割裂。于是，他开始为自己搭建一套 AI 原生投研基础设施。它服务的不是一个自动化交易承诺，而是一个更基础的问题：当研究者面对一条市场主线、一个资产或一个突发信号时，如何更快地形成完整逻辑，又不把判断力交给黑箱。从项目上币到个人投资：研究目标变了，底层思维没有变 TECHUB NEWS：在交易所 Listing Team 的经历，给你今天做独立投研留下了什么？ Jack：当时做 Listing，不是只看一个项目质量好不好、融资额有多少，或者赛道增速快不快。站在交易所的业务场景里，要同时看项目本身、真实用户与市场需求、能否带来新增用户和交易、有没有持续的流动性和资产沉淀，以及它和平台战略、用户风险之间是否匹配。最终的判断是动态的：它是否适合在这个时间节点上线。研究的对象看似是项目，实际服务的是平台的业务目标。当研究身份从交易所转向个人投资者，目标随之变化：不是判断一个项目是否适合平台上币，而是判断一个资产是否值得配置、为什么值得配置、在什么条件下又不值得配置。但 Jack 认为，两者的底层思路是一脉相承的。“价值和价格是两件事。”他说，研究一家公司或一个行业，不能只证明它“好”，还要同时放进基本面、预期、估值、价格、催化剂和市场环境里理解。真正有效的研究，应是一种网状思维，而非从单点信息推导出线性结论。个人投研的痛点：信息不缺，决策过程却被切碎 TECHUB NEWS：从机构研究转向个人研究后，最大的挑战是什么？ Jack：资产越来越丰富，研究和决策反而变得更复杂。今天的交易平台能提供数字资产、美股、黄金等大量标的，但从“看到一个资产”到“形成投资判断”的过程，往往是割裂的。你要离开交易界面，去看行情、新闻、社交媒体、产业数据和公司信息，再把这些碎片重新拼回自己的逻辑。在他看来，个人研究者真正消耗的，往往不是缺少观点，而是跨平台搜集、比对和更新信息所产生的决策摩擦。AI 投研系统的出发点，正是降低这种摩擦，把“发现机会—理解资产—验证逻辑—持续跟踪”连成一个工作流。这套工作流首先要发现市场正在交易的主线：资金、产业趋势、基本面、价格和事件，是否共同指向某一方向；主线确定后，再理解具体资产为什么可能受益，其商业逻辑、项目逻辑和传导路径是什么；之后用独立数据补全证据链；最后将判断放进持续跟踪与复盘，而不是在一次输出后结束。 “它来自真实的研究工作流，不是为了展示 AI 而拼出来的流程。”Jack 说。 AI 不是买卖按钮，而是可复现的研究助理 TECHUB NEWS：能否用一个案例说明，系统如何在真实研究中发挥作用？ Jack：以 AI 和半导体主线为例，长期来看，它们仍可能是未来多年重要的产业方向；但这不意味着任何时候都应该无差别地追高。他在访谈中回顾，以 AI 和半导体为例，长期产业逻辑依然很强，但长期看好并不意味着每一个时间点都适合配置。7 月和 8 月期间，半导体板块出现了比较明显的回撤和分化。系统识别到的变化，并不是简单地认为“AI 或半导体主线失效”，而是市场开始从此前相对广泛的上涨进入更明显的内部轮动和主线迁移。一方面，半导体内部不同细分方向和公司的表现开始明显分化；另一方面，医药、能源等方向在价格、资金和相对强弱上逐渐得到更多确认。公司和产业长期好不好，是一个问题；市场现在真正交易什么，是另外一个问题。在 Jack 看来，关键不在于事后为行情编写解释，而在于这些信号在当时是否能够被稳定识别，并对接下来一至三个月提供有价值的判断。这样的模块也必须在持续实践中被修正和迭代。这正是他为 AI 划定的角色边界：研究者负责定义问题、设计框架、沉淀行业 Know-how，并决定哪些信号值得被纳入系统；AI 负责按照这些定义执行信息处理、逻辑验证和持续更新。AI 可以扩大人的覆盖面、固定研究过程、保留当时可获得的数据与判断依据，但不能替代人承担投资决策。 “我现在更愿意把它定义为助理。”他说，“它让投研过程可以复现：不仅能看今天得到了什么结论，也能回看在当时的信息条件下，系统为什么会形成这样的推断。” 数据分层：先定义证据质量，再让 AI 推理 TECHUB NEWS：AI 系统如何避免被错误信息或单一信源带偏？ Jack：控制 AI 错误不能只从数据源开始，更上游的是问题定义。比如直接问“半导体行业哪家公司最好”，本身就是一个不够严谨的问题——最好是增长最快、技术壁垒最高、资本回报最好，还是当前最值得投资？不同的决策目标会得到完全不同的研究路径。因此，他把整个验证过程拆成五步：问题定义、推理链条、数据来源、交叉验证、反向证据。然后再进入一类、二类、三类数据。他将监管披露、公司财报和业绩电话会，以及美联储、财政部门、统计部门等直接发布的数据，归为一类数据：这类信息可追溯、可信度最高，应成为推理的优先基础。Bloomberg、Wind 或优质财经媒体等可作为二类信息，用来补充和交叉比对；而社交媒体传闻、论坛讨论等三类数据，最多可作为线索，不应覆盖或替代一类证据。这种分层并不意味着 AI 自动变得可靠，恰恰相反，它把“数据把关”的责任重新放回研究者手中。模型可以更高效地处理、整理和呈现来源，但哪些数据可用、哪些结论需要被反证，仍需要人来设定规则。 Jack 认为，一个能够被长期信任的 AI 投研系统，至少应满足四项标准：研究过程模块化而非直接输出黑箱结论；每个模块具备清晰的数据逻辑与证据链；结论可以交叉验证，并主动寻找反向证据；当新信息出现时，系统能够持续更新并接受复盘。 AI 带来知识平权，不等于认知平权随着大模型降低资料获取与学习门槛，“AI 是否会让个人投资者拥有与机构相同的认知能力”成为市场热议的问题。Jack 的答案很明确：AI 可以带来知识平权，但不等于认知平权。 “我们今天可以借助 AI 更快接触顶尖课程、研究论文和专业概念，这当然是一种巨大的知识平权。” 他说，“大家拿到同样的数据、同样的工具，也不意味着会形成同样的投资判断。” 差异来自现实经验，也来自对问题的定义能力。即使拿到相同的数据、使用相同的模型，不同研究者对于产业、风险、验证路径和仓位管理的理解不同，输入系统的结构也会不同，最终结论甚至可能走向相反方向。对 Jack 而言，真正难以复制的“Edge”并不是一段公开代码或一个看起来成熟的提示词，而是研究者在真实场景里不断发现问题、修正问题、迭代框架的能力。公开展示的选股逻辑往往只是系统的一个切面；如何更早识别尚未被充分定价的变化、如何识别反向风险，才更接近研究能力的核心。先在自己身上验证，再考虑产品化目前，这套系统仍处于持续打磨阶段。Jack 将其称为 OPC（One Person Company）式的实践：先服务于自己的研究，再在使用中验证它是否真正解决了投资决策中的现实问题。考虑到投资是高决策成本、高风险成本的场景，他对商业化保持谨慎。后续规划是，在个人使用足够成熟的基础上，先进行小范围内测；只有当系统能够稳定帮助研究者降低真实痛点，才考虑进一步产品化、商业化，并开放给更多研究者或投资者。参加 AI 投研精英孵化计划，也为这套系统提供了一个外部校验场。Jack 提到，导师和不同背景学员带来的追问，尤其是关于“这套投研系统的 Edge 到底在哪里”的问题，促使他重新审视产品的差异化与可迭代性。独立研究最容易陷入路径依赖：一个人可以持续优化自己的流程，却未必意识到盲区。对他来说，孵化计划的价值正在于把隐性的经验拿到外部讨论中，接受质疑，再把反馈带回系统。当越来越多的人把 AI 想象成一个更快给出答案的工具，Jack 的实践提供了另一种路径：与其追求一个“万能买卖按钮”，不如先建立一套能解释证据、容纳反证、持续更新且可以复盘的研究基础设施。投资判断最终仍由人承担；但一套被认真设计的 AI 工作流，或许能让这个判断不再只依赖零散信息、即时情绪和难以复述的直觉。编辑说明：本文根据 TECHUB NEWS 对 Jack 的访谈录音、会议纪要及采访提纲整理。文中关于其个人系统、研究方法、市场案例与后续计划，均以受访者访谈表述及提供资料为基础。文中涉及 AI、半导体、数字资产、美股及其他资产的讨论，仅用于说明研究框架与方法，不代表对任何具体标的、行业或市场走势的推荐、预测或保证。免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。

「AI 投研精英孵化计划」硅谷深度行：从科技现场到产业于投资判断 —— Todd导语过去十年，人工智能完成了从技术突破、产品化爆发到基础设施大规模扩张的跨越。如今，行业正在越过“只要加大投入就能获得估值奖励”的阶段，进入更严肃的经营考验：模型是否能稳定变现？数据中心能否提升利用率？巨额资本开支何时回收？而当 GPU 供给逐步改善，电力、并网、冷却和工程能力又如何成为新的稀缺资源？这篇文章基于一场关于 AI 产业投资逻辑与硅谷见闻的课程分享整理，尝试从产业周期、价值链、存储价格、模型竞争、能源约束与 Physical AI 等维度，梳理 AI 下半场最值得关注的变化。核心摘要 AI 产业可概括为三段演进：2016—2021 年的技术突破与视觉 AI 落地、2022 年的估值出清与 GPT-3.5 产品化拐点，以及 2022 年末以来的 AI 基础设施建设周期。 2025 年末前后成为重要分水岭：市场从奖励“敢于大举资本开支”，转向要求企业证明收入、现金流、利用率和回报周期。 AI 产业链可分为下游模型与应用、中游云与算力服务、上游半导体与能源。模型层的定价权，决定了成本和利润能否向上游传导。存储涨价周期表明，价格上涨并不自动等于长期机会；当终端承受力达到上限，需求收缩、替代方案和新增供给都会反过来压制价格与估值。算力瓶颈正由芯片供给向能源基础设施迁移。未来数据中心的扩张不仅取决于 GPU，还取决于电力接入、输配电、冷却、并网和建设能力。大模型竞争正在分化为极致性能、极致性价比和垂直场景三条路线；真正的胜负手是能否形成可持续的单位经济模型。人形机器人和 Physical AI 仍面临三维世界数据不足与泛化能力有限的问题，短期更适合在标准化、可控场景落地；自动驾驶则更接近规模化商业运营。从 AlphaGo 到大模型：AI 的三次断代回看近十年的 AI 产业发展，可以大致分为三个阶段。第一阶段：技术突破与视觉智能落地 2016 年，AlphaGo 战胜李世石，让公众第一次直观感受到人工智能在复杂任务上超越人类的可能性。随后，AI 产业的关注度迅速升温，但在相当长时间内，商业化落地主要集中于计算机视觉领域。这一时期，商汤、旷视等视觉 AI 公司成为典型代表。市场认可 AI 的技术价值，却仍在寻找更广泛的产品形态与商业场景。可以说，当时的 AI 已经“足够聪明”，但离大规模、低门槛地服务普通用户仍有距离。 2020 年前后，GPT-3 等模型已让研究人员意识到生成式 AI 的潜力，但普通用户尚未真正感知其变化。原因并不复杂：技术能力已有雏形，产品交互却尚未成熟。第二阶段：估值出清与 GPT 时刻 2022 年，全球流动性收紧、风险资产估值回落，市场经历了广泛的“去泡沫”过程。对于 AI 产业而言，这一轮调整并非只是资本市场的降温，也为下一轮产业周期释放了空间。真正的转折出现在 2022 年末。GPT-3.5 以更易用的聊天交互方式进入公众视野，生成式 AI 第一次从研究成果变成了可被大规模体验的产品。技术突破、产品成熟度提升与宏观环境变化在这一时间点叠加，构成了新一轮 AI 周期的重要起点。第三阶段：AI 基础设施扩张与 ROI 考验从 2022 年末开始，AI 进入基础设施建设周期。数据中心、GPU、CPU、存储、网络连接、机柜与配套电力系统，都成为产业链的关键投入方向。在这一阶段的前半段，市场更关注企业是否足够积极地扩大资本开支：建更多数据中心、采购更多芯片、部署更多算力，往往被视为抢占未来的必要动作。但到 2025 年末前后，市场的评价标准开始发生变化。企业不再仅仅因为“投入更多”而获得认可，投资者开始追问更具体的问题：资本开支能否转化为收入？数据中心的利用率是否足够高？设备折旧、融资成本和电力成本能否覆盖？算力租赁的价格是否能够维持？模型服务是否拥有持续提价能力？ AI 由此进入“算账”的下半场。增长仍然重要，但增长的质量、回报周期和现金流能力变得更加重要。重新理解 AI 产业链：模型、云与能源理解 AI 投资逻辑，需要先统一产业链视角。产业环节典型参与者核心职责关键问题下游模型厂商、AI 应用公司面向企业和消费者提供模型能力、应用服务能否形成用户价值与持续付费中游云厂商、算力服务商建设并运营数据中心，提供计算资源利用率、租赁价格、回本周期上游半导体、存储、网络、能源厂商提供芯片、设备、材料、电力等基础能力供需关系、价格、产能与基础设施约束在这个框架中，模型厂商是直接面向用户的一端，包括通用大模型、行业模型和 AI 应用服务商。它们决定了 AI 能力能否转化为真实收入。云厂商则更像“数字时代的商业地产开发商”：先投入资金建设数据中心，再把算力以云服务或租赁的方式提供给客户。其商业模型并不神秘，核心是投入、利用率、租赁价格、折旧与回本周期之间的平衡。一个健康的云业务，需要能够在相对明确的周期内收回资本投入。而半导体与能源构成了产业链的上游基础。过去数年，GPU、存储、服务器、网络设备等硬件成为最受关注的环节；但随着数据中心规模迅速扩大，新的约束已经逐渐显现：芯片未必是唯一稀缺资源，稳定、可接入、可扩容的电力正在成为更重要的瓶颈。 “全产业链通胀”正在被打破 AI 基础设施周期之所以能带来显著的产业机会，本质上依赖于一种类似“全产业链通胀”的机制。以传统地产周期为例：当下游房价和土地价格持续上涨时，开发商可以承受更高的水泥、钢材、设备和人工成本。下游能够涨价，就会将利润和价格空间逐步传导至中游与上游，最终形成整条产业链的盈利扩张。 AI 产业同样如此。如果模型厂商可以持续提高服务价格，或者通过更高价值的产品和更大的调用量扩大收入，那么云厂商能够承受更高的算力建设成本，上游的 GPU、存储、服务器和能源供应商也更容易获得更高的价格与利润。但问题在于：模型服务是否真的具备长期提价能力？随着中国模型厂商加速追赶、开源模型能力提升，以及全球大模型竞争持续加剧，模型层的价格战正在削弱这一前提。若模型能力逐步趋同，服务价格持续下降，产业链就可能从“量价齐升”转向“量增价不涨”。这将直接改变投资判断：需求增长依然存在，但估值扩张和利润率提升未必能够同步发生。存储周期的启示：涨价并不等于长期机会存储行业是理解周期波动的一个典型样本。在周期底部，市场常常表现为价格低迷、交易冷清、投资者缺乏兴趣；而当需求改善、库存下降和供给扩张不足同时出现时，价格会迅速上行。涨价初期，市场通常会给予更高的预期和估值。但价格并不可能无限上涨。课程中以消费级内存为例指出，当终端产品价格涨到用户难以承受的水平时，需求会明显收缩。对于消费者而言，硬件价格过高并不会自动带来更多购买，反而可能让用户延迟换机、减少配置，甚至放弃相关消费。这背后反映的是一个朴素的经济规律：供给端的涨价，最终可能引发需求端的崩塌。对于企业级市场，情况可能有所不同。大型云厂商和数据中心客户对高性能存储有更强的刚性需求，短期内仍可能接受更高价格。但一旦价格过高，也会激励客户寻找替代供应商、优化软件架构、调整采购节奏或推动新产能进入市场。因此，判断周期品不能只看“是否涨价”，更要看三个问题：涨价来自真实需求增长，还是短期供给扰动？下游是否有能力把成本继续转嫁出去？高价格是否会损害终端需求，或吸引新的供给进入？从这一角度看，存储行业未来更可能进入需求稳健、价格趋于理性、回报更依赖分红与回购的阶段，而非持续依靠估值抬升实现高弹性增长。算力瓶颈正在从“卡”转向“电” 过去两年，市场讨论 AI 时，最常见的问题是“GPU 够不够”。而从硅谷一线观察来看，真正的约束正在发生迁移：越来越多情况下，问题不再是有没有芯片，而是有没有足够的电力、变电设施和并网能力让这些芯片真正运行起来。一座大型 AI 数据中心的建设，远不只是采购服务器。它还需要：稳定且规模足够的电力供应。输电、变电和配电基础设施。冷却系统与机房工程能力。土地、审批、并网和建设周期。长期可预测的能源成本。也就是说，GPU 即使已经到位，如果数据中心无法及时接入电网，算力资产就无法转化为收入。这也是为什么 AI 基础设施投资的重点正在从单纯的半导体扩展到能源与电力设备：发电能力、电网改造、变压器、输配电设备、备用电源、冷却系统和数据中心工程能力，可能都将成为影响产业扩张速度的重要变量。对于投资者和产业参与者而言，这意味着一个重要变化：未来 AI 产业链的超额收益，未必只来自“卖算力”，也可能来自“让算力真正插上电”。大模型竞争：性能、价格与工程能力的分化大模型行业正在走向明显分化。一类公司仍然坚持追求最强模型能力，通过更大的训练规模、更高的推理成本和更激进的技术路线来维持领先优势。这类路径需要持续投入巨额资本，也需要依靠更强的性能建立品牌、用户与定价权。另一类公司则更注重工程效率和性价比：不一定每一次都追求参数规模或排行榜第一，而是关注模型是否足够好用、推理成本是否足够低、开发者是否愿意接入、企业是否愿意采购。这两种路线并不存在绝对优劣，关键在于商业模式能否闭环：极致性能路线需要证明，用户愿意为领先能力支付溢价。极致性价比路线需要证明，成本优势可以转化为规模与利润。垂直应用路线需要证明，行业场景能够形成更高的切换成本和付费意愿。真正值得关注的，并不是模型发布时的热度，而是模型能力能否带来可持续收入、留存率和单位经济效益。 Physical AI 仍在早期，自动驾驶更接近商业化 “物理 AI”与人形机器人是当前最受关注的前沿方向之一，但其难点远比训练一个语言模型复杂。语言模型主要处理文本、图片、代码和视频等互联网数据；而机器人需要在真实三维世界中完成感知、理解、规划和执行。这意味着它不仅要“看见”物体，还要理解距离、方向、力度、摩擦、重力、触感、空间关系以及操作后果。例如，一个机器人学会开门，并不代表它就能顺利关门；学会拿起一个杯子，也不代表它能在不同材质、不同重量、不同桌面环境下稳定完成操作。核心挑战在于泛化能力不足，以及高质量三维、多模态、具身交互数据的缺失。因此，机器人短期内更可能先在高度标准化、重复性强、环境相对可控的场景中落地，如工厂、仓储、物流、清洁和特定服务流程，而不是立刻成为可以适应任何家庭环境的通用助手。相比之下，自动驾驶在特定区域、特定天气与特定运营条件下，已经更接近规模化商业落地。其本质同样是 Physical AI，但它拥有更明确的任务边界、更密集的数据来源和更直接的商业化路径。未来，自动驾驶的发展仍将取决于安全性、成本、监管和运营效率，而非单一技术指标。结语：AI 的机会没有结束，只是评价体系变了 AI 基础设施建设尚未结束，但“只要扩张就有价值”的阶段正在过去。接下来的产业机会，更可能集中在能够解决实际约束、创造真实现金流的环节：更高效的模型、更可控的推理成本、更高利用率的数据中心、更稳定的能源供给，以及能够在真实物理世界中长期运行的智能系统。对于产业参与者而言，最重要的能力不再只是讲述技术故事，而是回答一个更现实的问题：这项技术最终如何创造收入、降低成本，并在持续竞争中保持回报？当 AI 进入“算账时代”，真正的分水岭不在于谁拥有更多概念，而在于谁能把概念变成可复制、可交付、可持续的商业结果。说明：本文依据课程录音转写与会议摘要整理，涉及的市场判断、行业观点与案例仅代表分享者的分析框架，不构成投资建议。

已经到底了

AI Web3 ETF 稳定币 Defi RWA

搜索“投研”共有20条相关结果

查看全部

相关发布者

相关发布者

专访「AI投研精英孵化计划」学员 Elina —— 当 AI 让配置工具触手可及：个人投资者如何建立长期资产配置系统？

专访「AI投研精英孵化计划」学员 Crazyox —— 把投资判断变成可复盘的“证据积木”：AI 如何帮助个人投资者建立研究方法？

专访「AI投研精英孵化计划」学员小白 —— 从“看见价差”到“验证机会”：AI 如何重构链上投研工作流？

“宁王”美团鼎晖一起投了一家芯片公司丨投融周报

专访「AI投研精英孵化计划」学员伯纳德 zkBernard – 投研证据折扣器

Uweb 新一期AI投研实训营开课，聚焦新一代投研精英培养

专访「AI 投研精英孵化计划」学员 Jack – AI 原生个人投研系统

专访「AI 投研精英孵化计划」学员小花猫 —— AI 行情助手

「AI 投研精英孵化计划」硅谷深度行：从科技现场到产业于投资判断 —— Todd

从“数据看板”到“决策闭环”：AI 投研产品化的底层逻辑与架构跃迁

「AI投研精英孵化计划」首周战报公布：50 位选手共提出 231 个选题方向

六位入选选手齐聚，共创 AI 投研项目路演课堂

今晚开讲！「AI投研精英孵化计划」导师专题课聚焦小红书金融内容运营

八位入选选手齐聚，共话 AI 投研实践与市场洞察

正式开营！50 位 AI 投研新力量集结，首场导师课本周四开讲

Zack Zhang 确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式

沈忱确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式

「AI投研精英孵化计划」公布报名流程与时间节点，扫码提交报名表即可申请

Jack 确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式

0xTodd 确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式