ARTICLE · 1040796
从工具到判断:一次AI主题对话的学习笔记
AI工具的差距是一回事，但更重要的变化发生在另一个层面——如何应用到你的真实场景中，这个判断是本周一个重要收获。
市面上主流的AI工具，大致可以分三类来看。第一类是海外前沿模型，GPT-6 Astra编程能力强到"变态"，支持代码执行和计算机操作，适合复杂编程和量化开发；Grokbot是马斯克旗下的，擅长数据爬取和接口突破。第二类是国产模型，WorkBuddy在国内白领群体中有一批稳定用户，基础文字处理和编程能用，胜在合规安全；Kimi有付费套餐，早期算力不足的反馈较多，近期新版本已有改善，但整体速度仍不如海外前沿模型；豆包使用率高但能力有限，日常问答够用。第三类是垂直工具，比如Minimax做视频生成，能产短剧。
工具的差距是一回事，但更重要的变化发生在另一个层面：岗位经验的沉淀。
所谓"沉淀岗位Skill"，就是把一个岗位的重复性工作经验整理成一套AI能理解的工作流，让它批量处理同类工作。听起来抽象，但一旦落地就很具体。比如合规岗位，可以做宣传材料审核skill、制度审核skill、合规培训skill，甚至合规考试题目生成skill。具体操作是这样的：给AI喂40个法规加100多个制度，让它晚上自己跑，一觉醒来生成100多份合规考试题。
这件事的真正意义不在"省了出题的时间"，而在于它揭示了一个规律：一两件事看不出AI的价值，一百件、一千件批量交给AI，效率提升才惊人。会议材料整理、批量出题、重复性琐碎工作——AI干这些事"简直无敌"。关键不在单点能力有多强，在于你能不能找到那些密集重复的场景，把它整个端掉。
从"会用工具"到"沉淀skill"，认知往前走了一步。但这一步还停留在办公效率层面。再往前走一步，就到了一个更直接的领域：用AI作为你的教练，提升你的工作、学习、生活，方方面面。
二、量化：门槛消失之后
传统量化的路径是这样的：有一个交易思路→自己会编程→写代码→回测→跑出结果。链条上每一环都卡人。思路不缺，缺的是把思路变成代码的能力。所以量化长期是程序员的领地，或者是有钱请程序员的人的领地。
AI把中间那几环干掉了。现在的路径变成：有思路→告诉AI→AI直接生成程序→回测。编程这个门槛，实质上消失了。
具体怎么操作？五步。第一步，把交易思路用自然语言写清楚，策略逻辑、进出场条件、风控规则，越细越好。第二步，把思路喂给GPT-6 Astra这类有编程能力的模型，让它生成Python代码。第三步，用AI配的虚拟机跑回测，拿到结果。第四步，根据回测结果调整策略，再让AI改代码。第五步，跑通的策略接入实盘。整个过程基本不需要手写代码。
门槛消失意味着什么？意味着量化从"少数人的手艺"变成了"有思路就能干的事"。这对金融行业的人来说冲击尤其大——做投资的人最不缺的就是思路，最缺的恰恰是把思路变成可验证策略的工具。现在工具免费了，卡你的只剩思路本身。
但这里有个微妙的地方：门槛消失是双向的。你能用AI写策略，别人也能。当所有人都能快速把思路变成策略，量化的竞争就从"谁会编程"变成了"谁的思路更对"。编程壁垒消失后，真正值钱的还是对市场的理解。AI拉平了技术门槛，但没有拉平认知门槛。
所以一个判断自然浮出来：编程门槛消失后，普通人做量化几乎没有门槛了。而在其他领域的知识壁垒被AI抹平的同时，量化因为需要实时决策、持续迭代，AI难以完全替代人对市场的理解，反而保留了人的认知价值。不是量化好做，而是它刚好卡在AI还够不着的地方。
三、前沿：正在发生的事
如果说工具和量化还是"当下能用"的范畴，那下面这些事已经踩在"下一步"的门槛上了。
第一个方向：基金经理的Skill开源。行业交流中了解到，有人把张坤过去十年的公开资料——季报、年报、访谈、路演——喂给AI做训练，生成了一个"张坤Skill"。效果怎样？问它"怎么看待消费板块的估值"，它回答的逻辑框架、用词习惯，跟张坤本人在季报里的表述高度相似——先谈商业模式，再谈竞争壁垒，最后落到长期持有的理念。这不只是一个技术演示，它意味着一种新的可能：任何一个公开输出足够多的投资人，他的投资框架都可以被提取、复制、甚至开源。当明星基金经理的方法论变成人人可调用的Skill，"跟着张坤买"这件事就从"看他的持仓"变成了"直接用他的思路跑策略"。
第二个方向：计算机操作能力突破。GPT-6 Astra和Grokbot都具备了较强的计算机操作能力，这不是简单的"云端电脑"。关键在于，AI能通过计算机操作接口操控几乎所有桌面软件——只要电脑能打开的页面，它就能操作。"只要电脑能打开，我就有接口"，这句话听着像极客的口头禅，但它指向的是一个事实：AI不再只是一个聊天框，它能动手干活了。爬数据、跑程序、操作软件、生成报告，一条龙。
第三个方向：个人专属投研模型。用GPT-6 Astra训练自己的投研模型，喂入自己的研究框架、行业认知、投资逻辑，AI就能按照你的思路去处理信息、生成判断。这和用通用大模型问问题不一样——通用模型回答的是"通用的正确"，你的专属模型回答的是"符合你框架的判断"。对做投资的人来说，差异在于：通用AI告诉你"市场怎么看"，专属AI告诉你"按你的逻辑应该怎么看"。
短剧生成是另一个值得关注的垂直应用。用Minimax这类工具，输入一个故事大纲，AI能生成完整的短剧剧本和视频。内容生产的成本被压缩到接近零。这对内容行业的冲击是结构性的，但对金融从业者来说，更直接的启发是：如果连短剧都能自动生成，那研报、路演材料、投教内容的生产方式，离被改写还有多远？
这些前沿方向，每一个单看都像技术新闻，放在一起看，指向的是同一件事：AI正在从"回答问题的工具"变成"执行任务的助手"。回答问题是替你查资料，执行任务是替你干活。这个转变一旦完成，影响的就不是效率，而是岗位本身。
岗位本身会被改变——那行业会走向哪？这是比"AI能干什么"更重的问题。
四、判断：AI会把行业带向哪
第一个判断：细分领域的AI创业，会很艰难。
逻辑很简单。通用大模型的能力在持续膨胀，每更新一代，就吞掉一批原来需要垂直工具才能做的事。你花半年做了一个垂直领域的AI应用，大模型一更新，你的功能变成了它的基础能力。这不是假设，是正在发生的趋势——法律咨询、医疗问诊、财税申报，这些垂直AI应用都面临同一个问题：通用大模型每更新一版，它们的存在理由就少一分。更极端的是，有人整理了数万个skill，每一个都是某个岗位的具体工作流——审核材料、生成报告、处理数据——这些skill一旦开源，零成本就能复制。你做的细分应用，别人用通用大模型加一个开源skill就替代了。
这意味着什么？做AI应用，如果你的壁垒只是"我比通用大模型多懂一个细分领域"，这个壁垒会随着大模型的能力膨胀而消失。今天它不会的，明天它就会了。你跑在它前面的窗口越来越短。
第二个判断：投资认知被拉平，知识变得廉价。
这是冲击最大的一条。几十年的行业积累——看过的周期、踩过的坑、积累的判断框架——AI用几秒钟就能调出来。张坤十年的公开资料可以训练成一个Skill，任何一个分析师的研究框架可以喂给AI变成专属模型。当经验可以被提取、复制、调用，"我干了二十年"这句话的含金量就在下降。
不是说经验没用了，而是经验的形态变了。以前经验是私有的、不可复制的，所以值钱；现在经验可以被AI提取和扩散，所以单纯的经验积累不再构成壁垒。知识变得廉价了，这不是危言耸听，是正在发生的事。
第三个判断：AI应用的终局，可能就是大模型本身。
这一步比前两步更远，但方向已经可见。业界认为，大模型正在向世界模型演进——不只是理解语言，而是理解物理世界、因果关系、行动后果。从大模型到世界模型，从世界模型到AGI，从AGI到具身智能（机器人），这是一条可能的路径，每一步都有人在走。
如果终局是大模型本身，那现在做的大量AI应用——套壳的、封装的、中间层的——都可能没有长期价值。用户最终不需要你的应用，他直接跟大模型对话就行了。大模型越来越强，中间层越来越薄。
这三个判断叠在一起，指向一个让人不安的结论：纯软件能力不值钱。你能写代码，AI也能；你能做分析，AI也能；你能生成内容，AI也能。当这些能力都被拉平，什么还值钱？
有壁垒的组合仍然值钱。
什么叫有壁垒的组合？不是单一技能，而是技能之间形成了别人难以复制的结构。比如：合规风控的专业判断+AI工具的批量处理能力+对监管趋势的预判——这三样单独拿出来，AI都能做，但组合在一起，需要人在具体场景里长期磨合，AI短时间替代不了。再比如：对行业的深度理解+量化的实时迭代能力+自己的专属投研模型——这是一个"人+AI"的协作结构，AI是工具，人是引擎。
值钱的不是单一能力，是能力的组合方式。
五、行动：现在该干什么
既然纯软件能力不值钱，有壁垒的组合才值钱，那现在该做什么？
第一，打信息差。AI工具的渗透率远没有看上去那么高。身边大部分人还停留在"跟AI聊聊天"的阶段，真正用AI跑量化、沉淀岗位Skill、搭建专属投研模型的人极少。这个窗口不会一直开着。信息差就是：你知道AI能干什么，别人还不知道；你会用AI批量处理工作，别人还在手工干。趁AI渗透率不高，利用信息差去赚——这不是投机的说法，是实实在在的认知红利。
第二，用前沿模型。国产模型在合规安全上有优势，但能力上确实差一截。做文字处理、日常问答，国产够用；做量化编程、虚拟机操作、训练专属模型，还得用前沿模型。能用就用最好的，别让工具的差距变成能力的差距。
第三，每天跟AI对话一小时。这不是"练习使用AI"的意思。每天跟AI对话一小时，是在磨合一种人+AI的协作结构——你给AI框架，AI给你选项，你在选项上做判断。时间长了，你的思维方式会变：从"我自己从头想"变成"我先让AI给我选项，再做选择"。这个结构磨合得越久，AI越懂你的判断框架，你也越知道怎么给AI下指令。人和AI的默契，就是有壁垒的组合的起点。
第四，批量应用。不要一件一件地用AI。找你工作中那些密集重复的场景——出题、整理材料、审核文件、生成报告——把它们整个端掉。但端掉之后，真正值得想的问题是：这些场景里，哪些AI能完全替代，哪些需要你的专业判断来把关？那个"AI干活+你判断"的结合点，就是你岗位中AI替代不了的那个组合点。找到它，守住它。
第五，学量化。编程门槛已经消失，做量化唯一的门槛是思路。做投资的人最不缺的就是思路。用AI写策略、跑回测、调参数，整个流程不需要写一行代码。这不是未来的事，是现在就能做的事。
五条建议，核心就一句话：对愿意先动手的人来说，现在是一个窗口期。AI的能力已经到位，但大部分人的认知还没到位。谁先把AI用起来、用深、用成习惯，谁就拿到了这一轮的先手。等所有人都反应过来，信息差就消失了。
从工具到判断，认知升级的路径其实很清楚：先会用，再会用深，然后看到前沿，看清终局，最后知道该干什么。路径不长，但每一步都需要自己走一遍。