一个做二级市场投资的朋友问了我关于投资、人的价值、学习方式和 AI 实践的四个问题，拖了很久，我觉得可以写篇文章来分享一下。

一、未来五年，投资者应该如何与 AI 协作？

先说结论：

把信息处理交给 AI，把更多时间留给提出问题、寻找预期差、独立判断和风险管理。

未来五年，我觉得AI 会从两个层面改变二级市场投资。

第一个层面是改变行业本身。AI 会重新塑造企业的成本结构、生产效率、产品形态和竞争壁垒，这些变化会带来新的投资机会，也会让一部分原有优势迅速贬值。

第二个层面是改变投资研究的生产方式。过去需要投入大量时间和人力才能完成的研究工作，现在一个人配合 AI，就能完成相当大的一部分。

但研究效率提高，不代表投资就更容易赚钱。

恰恰相反，当每个人都能用 AI 看财报、搜资料、分析行业、生成报告时，过去依靠信息处理建立起来的优势会逐渐消失。

人人都能得到的答案，会越来越便宜。真正值钱的，是别人没有提出的问题。

1. 让 AI 处理资料，把人从信息搬运中解放出来

研究一家公司，要看财报、公告、行业报告、竞争对手、上下游供应链，还要考虑市场环境、技术变化和政策影响。

过去，一个人的时间和精力有限，能够覆盖的行业和公司也有限。大量时间花在找资料、整理数据和交叉比对上，真正用于思考的时间反而不多。

现在，这些工作可以大量交给 AI。

它可以整理一家公司的历年经营数据，比较几家竞争对手的业务差异，梳理一个行业的上下游关系，也可以围绕你的研究问题继续寻找证据、补充信息、发现遗漏。

这样做的目的，不是让 AI 替你研究，而是减少低价值的信息搬运，把更多时间还给真正需要判断的部分。

当然，重要数据仍然要回到财报、公告等原始资料核实。AI 很擅长归纳和组织信息，但它也可能遗漏上下文，甚至生成看似合理、实际错误的内容。

所以边界要说清楚：

AI 可以提高研究效率，但不能替未经核实的信息负责。

2. 让AI杠你

这一点可能比资料整理更重要。

投资研究有一个很大的陷阱：一旦形成某种判断，人就会不自觉地寻找支持自己的证据。

看好一家公司，就容易放大它的优势，忽略它的风险；不看好一家公司，又容易放大它的问题，忽略正在发生的积极变化。

最麻烦的是，当事人往往意识不到自己正在这样做。

所以，AI 不应该只是一个听话的助手。你认为一家公司值得投资，就让 AI 站到你的对立面，尽最大努力反驳你。

增长预测的依据是什么？竞争壁垒真的存在吗？市场需求是否被高估？有没有另一种更合理的解释？哪些事实一旦出现，就意味着整套投资逻辑已经失效？

不要满足于几条礼貌而空泛的反对意见。要让它真正攻击你的核心假设，寻找足以推翻判断的证据。

同时，也不要把这种讨论变成一场必须赢的辩论。如果 AI 提出了有价值的反证，就应该认真对待，必要时修正自己的判断。

投资不是辩论赛。你说赢了 AI，不代表你说服了市场。

AI 最有价值的角色之一，就是成为一个随时可以与你辩论、帮你发现认知盲区的对手。

不要只让它证明你是对的，更要让它努力证明你可能是错的。

3. 用 AI 寻找预期差，而不只是寻找好公司

投资不是简单地寻找好公司。

一家好公司，不代表它的股票一定值得买。因为市场可能早就知道它很好，并且已经给出了很高的价格。

同样，一家暂时经营不佳的公司，也不代表没有投资价值。关键在于未来会发生什么变化，以及这些变化有多少已经反映在当前价格里。

这就是预期差。

对投资者来说，仅仅判断一家企业未来会不会增长还不够。还要进一步研究：市场目前预期它增长多少？当前估值隐含了哪些假设？真实结果有没有可能高于或者低于这个预期？

AI 可以帮助拆解市场共识，分析估值中隐含的增长、利润率和风险假设，也可以寻找那些尚未被充分理解的变化。

比如，一家传统制造企业通过 AI 大幅降低经营成本、提高生产效率，它未来的利润结构可能因此改变。但市场是否已经意识到这种变化？变化有多大？能否持续？

反过来，一家过去拥有强大壁垒的软件公司，如果原来的产品能力因为 AI 而变得容易复制，它的竞争优势和未来利润也可能受到冲击。

这些变化未必会立刻出现在财报里，却可能提前改变企业未来的价值。

这里也要避免一个常见误区：发现了一个市场没有充分讨论的故事，就以为找到了预期差。

不是这样的。

没人讨论的故事，不等于预期差。只有市场定价与你对未来的判断存在偏差，并且你有足够证据，才叫预期差。

AI 可以帮你寻找线索，但最后的判断仍然要由投资者完成。

4. 用 AI 持续跟踪、纠错和复盘

投资不是研究完一家公司、买入股票，工作就结束了。

真正重要的是，随着时间推移，原来的判断是否还成立。

可以让 AI 帮你记录每一笔投资的核心逻辑：为什么买入？预期未来会发生什么？哪些事实支持这个判断？什么情况一旦出现，就说明逻辑失效？

然后，让 AI 持续跟踪公司的经营数据、行业变化和重要事件。当新的事实与原来的判断发生冲突时，及时提醒你重新审视。

把判断过程保留下来，还有一个重要价值：防止事后解释。

人很容易根据结果重新编写记忆。赚钱了，就觉得自己当初判断准确；亏钱了，又会找到各种理由证明自己其实没有错。

但投资结果和判断质量并不是一回事。一次错误的判断可能因为运气赚钱，一次正确的判断也可能因为短期波动亏钱。

真正值得复盘的是：当初的逻辑是否成立？哪些判断有事实依据？哪些只是想象？哪些结果来自能力？哪些来自运气？

盈亏是结果，判断质量才是能力。

用 AI 复盘，不只是为了总结过去，更是为了提高下一次判断的质量。

5. 用 AI 扩大能力圈，但不要高估自己

投资者经常讲能力圈，这当然重要。但能力圈不应该成为拒绝学习陌生领域的理由。

过去研究一个完全陌生的行业，学习成本很高。你可能连这个行业如何运转、上下游是什么、核心技术在哪里都不清楚。

现在有了 AI，可以从最基础的问题开始，一步步建立认识。

看不懂财报中的某项指标，就让它解释；不了解某项技术，就让它从原理讲起；不理解一种商业模式为什么赚钱，就让它拆解整个价值创造过程。

AI 大幅降低了跨领域学习的门槛，也让投资者有机会理解过去很难覆盖的行业。

但必须分清楚几件事：快速了解，不等于真正理解；理解一个行业，不等于具备投资这个行业的能力；AI 给出的解释，也不等于经过验证的事实。

AI 能帮你更快地走进能力圈，但不能替你建立能力圈。

当所有投资者都能使用 AI，未来真正的竞争优势，也就更清楚了。

它不在于谁能让 AI 写出更漂亮的报告，而在于谁能提出更有价值的问题，发现别人忽略的变化，在大量信息中识别出真正重要的部分，并在证据发生变化时及时修正自己。

AI 是研究团队，是辩论对手，也是学习工具。

但决策责任，永远属于投资者本人。

二、AI 越来越强，人还有什么价值？

古人说：君子生非异也，善假于物也。

人的能力，从来不只由自身决定，还取决于能利用什么工具、能调动多少外部资源。

汽车跑得比人快，飞机飞得比鸟高，计算机算得比人快。我们并没有因为这些工具在某些方面超过了人类，就认为人失去了价值。

AI 当然与传统工具不同。

它不只是体力和计算能力的延伸，也开始参与过去需要知识、经验和判断的工作，而且能力还在快速进步。

正因为如此，很多人才会焦虑：如果 AI 越来越聪明、越来越能干，人还有什么用？

我的回答很简单：

为什么一定要和工具比赛？

如果一件工作 AI 做得更快、更好、更便宜，那就让它去做。我们使用工具，本来就是为了突破自身能力的限制，而不是为了证明自己比工具更强。

我很喜欢用赛车来打比方。

一个优秀的赛车手，不会因为赛车性能越来越强而感到焦虑。他只会更加兴奋，因为车的性能越强，他能够挑战的速度和极限就越高。

真正值得关心的，不是赛车会不会跑得比人快，而是自己能不能驾驭这辆车，能不能把它的性能充分发挥出来。

AI 也是一样。

同一个模型，有人拿来写几封邮件、搜索几个问题，有人却能借助它开发产品、经营业务、解决过去难以解决的问题。

工具相同，创造出来的价值却可能相差很大。

这种差别并不只是提示词技巧。更重要的是，你能不能发现值得解决的问题，能不能定义清楚目标，能不能判断 AI 给出的方案是否合理，能不能推动事情真正落地。

这些能力决定了同样的工具到了不同的人手里，会产生什么样的结果。

有人可能会继续追问：如果有一天，AI 连这些能力也超过了人类呢？

这是一个值得讨论的问题，但没有必要把今天的行动建立在对遥远未来的猜测上。

今天能解决的问题，为什么要因为担忧未来而不去解决？今天能创造的价值，为什么要因为 AI 将来可能更强而放弃？

况且，人的价值也不是一张必须通过战胜 AI 才能获得的证书。

你想过怎样的生活，想解决什么问题，想创造什么东西，这些事情本身就有价值。技术的意义，是帮助人更好地实现这些目标。

与其不断追问“还有什么是 AI 永远做不到的”，不如换一个问题：

有了 AI，原来做不到的事情，现在有哪些可以做到了？

原来需要十个人完成的工作，现在能不能用更少的人完成？原来因为缺少专业能力而无法推进的项目，现在能不能尝试？原来需要投入大量时间和金钱才能学习的知识，现在能不能更快掌握？

不要把 AI 的进步理解成对人类价值的不断削减。

对于善于使用工具的人来说，工具越强，个人的能力边界就越大。

车越来越快，是好事。与其焦虑，不如学会驾驶。

三、AI 时代，传统阅读还有意义吗？

当然有。

书籍是教材，AI 是一位好老师。总不能因为有了老师，就认为教材没有价值。

两者不是非此即彼的关系。AI 改变的是学习的方式和效率，而不是知识本身的价值。

过去读一本书，遇到不懂的概念，可能要翻阅很多资料才能弄明白。有时候每个字都认识，却不知道作者到底在讲什么。

这往往不是阅读能力的问题，而是缺少理解这部分内容所需要的背景知识。

现在有了 AI，就可以随时提问。

让它解释概念，让它举例，让它换一种说法，或者把新知识与自己已经掌握的内容连接起来。如果还是不懂，就继续追问。

传统阅读很大程度上是单向的信息接收，而 AI 给学习增加了一种很重要的能力：即时反馈。

你可以随时打断、质疑、追问，也可以根据自己的理解程度调整节奏。这是很大的进步。

但这不代表传统阅读应该被抛弃。

一本好书的价值，远不只是提供几个知识点或者结论。它会把一个领域的知识系统地组织起来，告诉你这些知识之间有什么关系，一个结论是如何推导出来的，以及为什么要这样理解一个问题。

连续阅读本身也是一种思维训练。你要跟随作者的思路，理解上下文，识别论证中的关键环节，再形成自己的判断。

反过来，AI 也有一个明显的风险：它太容易让人产生“我已经懂了”的错觉。

一个复杂问题，被 AI 三言两语解释清楚。你听起来觉得很有道理，好像自己已经掌握了。

但如果关掉 AI，让你自己重新讲一遍，未必讲得出来；让你独立解决一道题、完成一个实际任务，也未必会做。

听懂，不等于学会；知道答案，不等于拥有能力。

所以，真正需要改变的不是要不要阅读，而是如何重新组织学习过程。

读书时遇到问题，就问 AI；与 AI 讨论时发现知识储备不足，就回去找书、找资料；学到一个重要概念，让 AI 从不同角度挑战你的理解；最后，再把学到的东西用到真实问题上。

阅读帮助我们建立知识体系，AI 提供个性化解释和即时交流，实践负责检验我们究竟有没有学会。

这三者放在一起，才能形成一个完整的学习闭环。

学习的顺序也可以发生变化。

过去，我们常常先花很长时间积累知识，等到积累得差不多了，再尝试解决实际问题。现在，可以更多地从真实问题出发，在解决问题的过程中学习，边做边补足需要的知识。

这并不意味着基础知识不重要。

恰恰相反，基础知识越扎实，提出的问题就越有质量，也越有能力判断 AI 的回答是否正确。

AI 降低了获得知识的成本，却没有取消理解知识的门槛。

所以，没有必要在传统阅读和 AI 之间做选择。

该读书就读书，该提问就提问，该动手就动手。

衡量一种学习方式好不好，不看它传统还是先进，而看它能不能真正提高你的理解能力和解决问题的能力。

四、怎样才能把AI真正用好？

这其实也是一个很大的问题，我现在哪些重要的就说哪些吧：

1. 保持求知欲，不懂就问

这是最简单，也最重要的一条。

AI 时代，一个有强烈求知欲的人，获得知识的成本已经大幅下降。

不需要担心问题太基础，也不需要担心表达不够专业。你完全可以说：“我听不懂，请用更简单的方式解释。”如果还是不理解，就继续追问。

人与人之间知识水平的差距，很多时候并不是谁天生更聪明，而是谁对不理解的事情始终保持好奇，愿意多追问几次。

AI 让这种学习方式变得前所未有地便利。

当然，也不能把 AI 的回答当成绝对正确的答案。它讲得再流畅，也可能出错。对重要问题，要追问依据、核实事实、保留自己的判断。

求知欲不是急着得到答案，而是不肯停在似懂非懂。

2. 想学会一个 AI 工具，先问这个工具本身

很多人接触一个新的 AI 产品，第一反应是上网找教程，看别人怎么使用。

这当然没问题，但还有一种更直接的方法：告诉 AI 你的工作和目标，让它介绍相关能力，解释具体操作，帮你设计使用流程。

不需要一上来就研究复杂的提示词，也不需要把所有功能都学会以后才开始使用。

最好的学习方式之一，就是在使用中学习。遇到什么问题，就解决什么问题；需要什么能力，再补什么能力。

当然，工具未必了解自己最新的全部功能，它说能做到的事情，也仍然需要实际验证。

但思路应该改变：既然 AI 已经能够理解自然语言，就不必再完全按照过去学习传统软件的方式来学习它。

3. 如果有条件，尽量使用更好的模型，但不要沉迷模型

截至近日2026年10月13日，最好的大模型毫无疑问是claude,其次是chatgpt。但研究大A,调研用Kimi K3已经是顶配，我们目前应用在复杂商业决策上，Kimi K3是效果最好的。 以上是个人体感，仅供参考。

强模型和弱模型之间，体验确实可能有很大差距。 任务越复杂，对模型能力的要求通常越高；而简单任务，模型强弱体验其实差别并不大。

所以，有条件就使用更好的模型，这没有问题。

但这不意味着没有用上最好的模型，就没有必要学习 AI。

模型像一把菜刀，而真正需要长期积累的，是刀法。

一把不够锋利的菜刀，确实会影响效率。但如果本身不会用刀，给你全世界最好的菜刀，也不会自动让你成为一名好厨师。

反过来，一个刀法熟练的人换上更好的刀，能力才会被进一步放大。

AI 也是一样。

如何提出问题、如何拆解任务、如何判断结果、如何把 AI 融入实际工作，这些能力不会因为换了一个模型就自动获得。

模型还会不断更替。今天领先的模型，过一段时间可能就会被超越。如果把大量时间都花在追逐排行榜上，很容易出现一种状态：每天都在研究 AI，却没有真正用 AI 做成多少事情。

好模型放大能力，但不能替代能力。

能用更好的模型，就用更好的；条件不允许，就先把手上的工具用起来。工具应该服务于任务，而不是成为行动的障碍。

4. 不要只在电脑上用 AI，要让它进入日常生活

如果你还处在AI对话框的阶段，那么先把AI用到自己电脑上。 如果你已经把AI搬到电脑上去了，那么再把AI搬到手机上，让手机和电脑一起共用一套harness。

AI绝对不能只活在你自己的电脑上，移动端的连接才能释放它的能力边界，更深入地影响你的生活。

工作中遇到问题，可以随时拿出来讨论；突然产生一个想法，可以马上让它帮你梳理；需要学习一个陌生概念，可以直接提问；面对难以抉择的问题，也可以让它从不同角度协助分析。

手机端最大的价值，就是把使用 AI 的门槛降得足够低，让这种交流随时发生。

而长期记忆，会进一步改变 AI 的使用体验。

普通问答往往是你问一个问题，它回答一个问题。下次再讨论，又要重新解释背景。

一个拥有有效长期记忆的 Agent，则可以在获得必要授权的前提下，逐渐了解你的工作背景、正在推进的项目、长期目标和使用习惯。

比如，你今天讨论一个项目的商业模式，明天讨论产品设计，后天讨论技术实现。如果每次都要重新解释整个背景，不仅麻烦，也容易遗漏重要信息。

如果 AI 能保留关键上下文，前后讨论就更容易形成连贯的思考过程。它也会从一次性的问答工具，逐渐变成能够持续协作的个人助手。

当然，长期记忆不等于无限记忆，也不代表记住的内容永远准确。记什么、怎么更新、哪些信息不应该保留，都需要合理管理。

但这个方向的价值很清楚：

AI 的价值，不只是回答得好，而是越来越理解你正在做什么。

5. 不要停留在二手信息上，一定要获得一手体验

这是最重要的一条。

现在关于 AI 的内容太多了。每天都有新模型、新工具、新教程和新测评。

看别人介绍产品、分享技巧、展示工作流程，当然可以帮助我们发现方向、节省探索成本。

但别人的经验，不能直接变成你的能力。

别人说一个工具好用，不代表它适合你的场景；别人说某种工作方式能把效率提高十倍，拿到你的工作里可能根本无法落地。

别人展示一个 Agent 自动完成复杂任务，看起来很惊艳。但真正动手后就会发现：让它成功执行一次，和连续十次稳定执行，是两回事；在自己的电脑上跑通，和部署到服务器上稳定运行，是两回事；自己用得顺手，和把它做成产品交给客户使用，也是两回事。

这些差异，不亲自动手，很难真正理解。

而且很多问题，只有在实际使用中才会暴露出来：上下文如何管理，工具调用是否稳定，长期记忆是否可靠，错误发生后怎样恢复，它在真实业务里究竟能承担多少工作。

如果对 AI 的理解全部来自别人，你就很容易跟着别人的结论摇摆。

今天有人说这个模型最好，你相信；明天有人说另一个模型更强，你也相信。今天有人说 Agent 是未来，你跟着兴奋；明天又有人说 Agent 不可靠，你就开始怀疑。

你一直在接收观点，却没有形成判断观点的能力。

而当你真正使用过、实践过、踩过坑、解决过问题以后，情况就不一样了。

你会逐渐知道 AI 真正擅长什么，什么事情它还做不好；什么工具适合你的需求，什么方案只是演示得漂亮，实际成本却高得无法接受。

二手信息可以帮你发现方向，一手体验才能形成独立判断。

不要把看过当成做过，不要把了解当成掌握。

如果真的感兴趣，就亲自去试，去做项目，去解决真实问题。

比起每天研究别人怎样使用 AI，真正拿 AI 做成一件事情，往往能让你学到更多。

最后

这四个问题看起来不同，其实都在回答同一件事：

AI 越来越强，人应该把时间花在哪里？

在投资中，把资料收集和常规分析交给 AI，把更多时间留给发现机会、独立判断和风险管理。

面对 AI 的进步，不必执着于证明人类有哪些能力永远不会被替代。更实际的做法，是先学会利用工具，扩大自己的能力边界。

在学习中，不要纠结传统阅读有没有过时。让阅读建立系统，让 AI 提供反馈，让实践完成检验。

在使用 AI 时，少一点围观，多一点动手；少一点追逐答案，多一点训练判断。

AI 可以降低获得答案的成本，但不能保证你提出了正确的问题。

AI 可以提供大量分析，但不能保证你具备判断分析质量的能力。

AI 可以帮助你制定计划，但不代表计划就一定能够落地。

工具越强，使用工具的方法就越重要。

而方法不是听出来的，是在一次次实践中做出来的。

未来五年，AI 会变得多强，没有人能给出准确答案。但有一件事已经很明确：今天能够用 AI 完成的事情，已经远远超过很多人实际使用它完成的事情。

对大多数人来说，当前最大的机会，不是等待下一代模型，而是把今天已经足够强大的 AI 真正用起来，解决一个真实问题，完成一件真实的事情。