AI时代宏观研究员的护城河在哪里?我的研究感悟与思考

前一阵有一篇文章很火，大意是在AI时代，研究员不能提供承担决策的职能，因此更容易面临被AI替代的风险。作为一个宏观研究员，天然在处理公开同质信息的工种上，在处理信息的广度和速度上，我们似乎永远无法跑赢AI，所以我想我可以谈一谈我的感悟。

AI时代，研究员的竞争力在哪里？那篇文章只提到了一点——承担判断，但我想或许还有另外两点：问对问题和保留深层思考的能力。问对问题自不必多说，从来提出问题的能力比解决问题更重要，我想重点谈的是第三点：

如何在AI时代保留深层思考的能力。

举个例子，宏观研究中有一类研究叫做“今年像是历史上的哪一年？”，而AI的出现让“找历史类比”变得过于容易。借助各个图书馆或新闻媒体的历史语料库接口，我可以被瞬间引导到历史上的某一年、某一天。如果此时再给AI一个观点，它能瞬间返回五个”历史上类似的时点”，并给出五条看起来合理且博学的论证。

它在量化里有更精确的名字：data snooping bias（数据窥探偏差/过度拟合）：”在历史里挑挑拣拣，直到挑到好看的那段”，事后诸葛亮的另一种说法，这也是很多人经常诟病宏观研究在解释起历史来头头是道，但是在预测起周期时盲人摸象。

而这落到大模型身上则更隐蔽：AI不是”故意”在挑，而是它的”直觉”本身就是这种偏差蒸馏出来的产物。LLM天生容易犯这样的错误——它训练时已经见过所有历史，等于人类几十年累积的选择性叙事偏差全压缩进了模型里。

让AI建议一个主线/alpha——大概率是样本内抄答案；

让AI解释这次为什么反弹/央行为什么转鸽——它会编一个看起来合理的事后故事；

让AI挑出最像的历史类比/最优参数——它会朝着我已经在想的那个框架调。

AI使得获取信息变得更加容易，但在茫茫的信息中，对抗懒惰的天性，鞭策自己保留深层思考的能力，则变得更为困难。团队首席周博的话令我印象深刻，不要通过后视镜去看历史。

但确实，AI时代，研究员的工作将发生翻天覆地的变化。AI可以迅速读完几十年来美联储会议纪要，把期限溢价按照你想要的各种模型都跑一遍，自动监测新闻或盘面，甚至可以手搓一个适合自己工作流的“轻量版彭博”。我们或多或少都会有被AI替代的焦虑，但同时对于想要学习和拥抱新事物的研究员来说，AI时代又是一个格外友好的时代。

我在2017年毕业进入一家外资行开始从事宏观研究的工作，彼时英国脱欧、特朗普上台，2018年鲍威尔就任美联储主席。在某一次美联储的新闻发布会上，他说：“自从就任联储主席，每一年都有新的惊喜。”今年5月，在司法部的官司下，他即将离任。这八年，他留下了一个“消防队长”式联储主席的标签，这个标签或许不像格林斯潘“领先曲线”那么传奇，但我从一个宏观研究员的视角去看，“数据依赖”也是一种坦白自己不知道的诚实。

从业八年，宏观研究员好像需要学习的越来越多，财政、货币、地缘、科技、特朗普，每一块都是研究宏观的重要版图，但组在一起似乎也很难拼凑出周期的全貌，但我始终保持对宏观研究的敬畏和热爱，每一次对世界多一分新的理解，都还会让我感到兴奋。

很荣幸分享下我的研究感悟与思考，祝大家假期愉快，拥抱AI！