夜雨聆风日期: 2026-04-11\ 议题: AI 替代下的金融从业者：资管行业的职业未来\ 标签: #roundtable #AI #金融 #职业发展 #资管
参会人物
| 瑞·达利欧 (Ray Dalio) | |||
| 迈克尔·刘易斯 (Michael Lewis) | |||
| 李开复 | |||
| 纳西姆·塔勒布 (Nassim Taleb) | |||
| 苏姿丰 (Lisa Su) |
第一轮：定义 AI 替代
核心问题
我们应当如何定义「AI 替代」？它的核心要素是什么？
发言记录
【瑞·达利欧】【陈述】
AI 替代的本质是决策权的转移——从人类直觉向数据驱动算法的转移。我在 Bridgewater 花了 40 年构建的 "原则"，本质上就是将投资逻辑系统化、算法化。
核心要素有三：
1. 信息密度：AI 能实时处理千万级数据点 2. 模式识别：机器学习在识别非线性关系上已超越人类 3. 执行纪律：算法没有恐惧和贪婪
但请注意——我说的是替代决策执行，而非替代决策框架的设计者。
简言之：AI 替代的是"如何做决定"，而非"为何如此决定"。
【迈克尔·刘易斯】【质疑】
Ray，你的 Bridgewater 确实成功了，但你忽略了一个关键问题：金融市场的价格是由什么决定的？
是信息吗？不完全是。是预期。而预期是由人的信念、恐惧、叙事构成的。2008 年金融危机不是信息处理失败，而是信任崩塌——人们不再相信彼此，不再相信评级机构，不再相信"房价永远上涨"的故事。
AI 可以分析数据，但它能创造信任吗？能在危机时刻安抚客户吗？能理解为什么一个家族愿意多付 50bps 管理费给"他们认识的那个人"？
金融的本质是中介信任。只要人类还在做决策，只要资本还由人类控制，关系、声誉、故事就永远有价值。
简言之：AI 替代不了"我信任你"这四个字。
【李开复】【补充】
两位的观点我都部分认同，但让我提供一个更系统的框架。
AI 替代不是"全有或全无"，而是任务级别的替代。根据我的研究，金融工作可以拆解为：
资管行业的结构性失业将发生在"分析员-经理"层级——那些以数据处理为核心价值的人。但顶级投资经理（如 Ray）和客户关系经理将保留价值。
核心要素是：创造力、同理心、复杂决策——这三者构成人类的护城河。
简言之：中低端分析师最危险，顶级决策者仍安全。
【纳西姆·塔勒布】【反驳】
开复的框架很 neat，但犯了卢德谬误——假设我们可以预测哪些工作会被替代。历史证明，技术革命创造的岗位往往是我们今天无法想象的。
更重要的是，你们都在讨论"替代"，却忽略了系统性风险。当整个资管行业都依赖相似的 AI 模型时，会发生什么？
• 同质化交易 → 流动性突然枯竭 • 模型相关性 → "闪崩"频率增加 • 黑箱决策 → 无法解释的风险积累
这就是反脆弱的反面——越优化，越脆弱。2008 年的 CDO 模型、2020 年的风险平价策略，都是前车之鉴。
真正的生存之道不是"找到 AI 替代不了的工作"，而是构建反脆弱性——能从波动和混乱中获益的能力。
简言之：过度依赖 AI 会让整个行业更脆弱，幸存者将是那些保持"冗余"和"选择权"的人。
【苏姿丰】【综合】
各位的观点让我想到 AMD 的转型。10 年前我们濒临破产，今天我们是 AI 芯片的核心供应商。关键不是"抵制变化"或"预测变化"，而是成为变化的驾驭者。
对金融从业者而言，这意味着：
1. 技能重构：从"分析数据"转向"定义问题"——AI 擅长回答，人类擅长提问 2. 人机协作：把 AI 当作杠杆，而非竞争对手——1 个善用 AI 的分析师 > 10 个传统分析师 3. 终身学习：技术半衰期越来越短，适应性本身就是竞争力
资管行业的未来不是"人 vs AI"，而是"会用 AI 的人 vs 不会用 AI 的人"。
简言之：与其担心被替代，不如成为驾驭变革的人。
第一轮核心争议
AI 替代是"任务替代"还是"能力重构"？护城河究竟在"人性特质"还是"适应性学习"？
┌─────────────────────────────────────────────────────────────────┐│ AI 替代的两种叙事 │├─────────────────────────────────────────────────────────────────┤│ ││ 【替代叙事】 【增强叙事】 ││ (李开复/Dalio) (苏姿丰) ││ │ │ ││ ▼ ▼ ││ ┌─────────┐ ┌─────────┐ ││ │ 任务拆解 │ │ 人机协作 │ ││ │ 概率评估 │ │ 能力杠杆 │ ││ │ 风险分层 │ │ 持续学习 │ ││ └────┬────┘ └────┬────┘ ││ │ │ ││ ▼ ▼ ││ "哪些工作会消失" "如何成为驾驭者" ││ ││ ◄────────────────────────────────────────────────────────► ││ 【张力维度】 ││ ││ 刘易斯(人性不可替代) ◄────────────► 塔勒布(反脆弱生存) ││ │ │ ││ ▼ ▼ ││ "信任/叙事" "系统脆弱性" ││ 是终极护城河 是最大风险 ││ │└─────────────────────────────────────────────────────────────────┘第二轮：人才金字塔的重构
核心问题
如果 AI 确实能替代 70% 的分析工作，资管行业的"人才金字塔"将如何重构？初级分析师的晋升路径是否被切断？
发言记录
【瑞·达利欧】【陈述】
我直接说一个残酷的事实：Bridgewater 的初级分析师岗位在过去 10 年减少了 60%。不是因为裁员，而是因为我们不再需要那么多"数据处理员"。
传统资管行业的人才金字塔是：
┌─────────┐ 投资总监 (决策) │ 5% │ ├─────────┤ │ 15% │ 投资经理 (判断) ├─────────┤ │ 30% │ 高级分析师 (分析+判断) ├─────────┤ │ 50% │ 初级分析师 (数据处理) └─────────┘AI 正在铲平金字塔底部。50% 的初级分析师工作——数据收集、财报整理、基础建模——已经被自动化。
新的金字塔可能是：
┌─────────┐ 投资总监 (战略+关系) │ 10% │ ├─────────┤ │ 20% │ 投资经理 (复杂判断) ├─────────┤ │ 30% │ "AI 训练师" (人机协作) ├─────────┤ │ 40% │ 客户关系/募资 (人性技能) └─────────┘晋升路径确实被切断——如果你从"整理数据"起步，你永远学不会"判断局势"，因为 AI 已经接管了中间环节。
简言之：金字塔变窄了，底部的人更难爬上去。
【迈克尔·刘易斯】【质疑】
Ray，你的金字塔模型有一个致命缺陷：它假设"判断"是可以被教授的。
我在《大空头》里写的那些人物——Michael Burry、Greg Lippmann、Steve Eisman——他们不是靠"一步步爬上去"成为顶级投资者的。他们靠的是独特的思维方式、对共识的质疑、在孤独中坚持信念。
问题是：AI 能培养出这种思维吗？
如果初级分析师不再做基础分析，而是直接操作 AI 工具，他们失去了什么？他们失去了在数据中浸泡的直觉——那种"这个数字不对劲"的第六感。
我担心的不是"晋升路径被切断"，而是整个行业失去培养"异类"的土壤。当所有人都用同样的 AI 工具，思考方式会趋同，而市场的超额收益恰恰来自与众不同的思考。
简言之：AI 让"正常"更高效，但"异常"才是超额收益的来源。
【李开复】【补充】
刘易斯说得对，但让我补充一个更宏观的视角。
资管行业的人才结构变化，不是孤立现象。看看其他被 AI 冲击的行业：
关键洞察：新岗位不是"旧岗位的升级版"，而是全新的职能。
对资管行业而言，未来的高价值岗位可能是：
• 提示工程师 (Prompt Engineer)：设计向 AI 提问的框架 • 模型解释师：向监管和客户解释 AI 决策逻辑 • 人机交互设计师：优化投资经理与 AI 工具的协作流程
晋升路径不是"从下到上"，而是"横向跳跃"——从被替代的领域跳到新兴领域。
简言之：未来属于"跨界者"，而非"深耕者"。
【纳西姆·塔勒布】【修正】
开复的"横向跳跃"听起来很美好，但忽略了一个结构性问题：谁来承担培养成本？
传统资管行业的隐性契约是：初级分析师接受低薪和枯燥工作，换取学习机会和晋升通道。当 AI 替代了初级工作，这个契约就破裂了。
结果是：
1. 入行门槛飙升：没有"从基础做起"的路径，新人需要自带技能 2. 阶层固化：只有能负担昂贵教育/培训的人才能进入 3. 知识断层：资深经理失去"带人"的机会，经验无法传承
这不是技术进步的问题，这是制度设计的问题。
我建议的解决方案是"学徒制 2.0"——公司需要主动投资培养新人，即使短期没有产出。否则，整个行业将面临人才枯竭。
简言之：AI 节省了成本，但可能摧毁了人才培养的生态系统。
【苏姿丰】【综合】
各位的担忧都很真实，但我想提供一个建设性的视角。
AMD 在转型时面临同样的问题：旧技能过时，新技能需求激增，员工恐慌。我们的解决方案是"技能再投资"计划：
1. 识别可迁移技能：分析能力、逻辑思维、沟通能力——这些在 AI 时代更有价值 2. 设计"混合岗位"：让老员工与 AI 协作，在实践中学习 3. 建立内部流动机制：鼓励跨部门、跨职能的轮岗
对资管行业的启示：
• 初级分析师不应被裁掉，而应被"升级"——从"做分析"转向"验证 AI 分析" • 资深经理的新角色：不是"决策者"，而是"AI 教练"——教会机器，也教新人 • 晋升路径的重定义：从"年限累积"转向"能力认证"
人才金字塔不会消失，但会变形——从"层级制"变成"网络制"，从"线性晋升"变成"能力组合"。
简言之：变革不是威胁，而是重新定义"价值"的机会。
第二轮核心争议
人才培养的责任归属：是个人"自救"还是机构"兜底"？以及，"技能再投资"的成本由谁承担？
┌─────────────────────────────────────────────────────────────────────┐│ 人才金字塔重构的三种力量 │├─────────────────────────────────────────────────────────────────────┤│ ││ 个人层面 ◄────────────────────────────────────► 机构层面 ││ │ │ ││ ▼ ▼ ││ ┌──────────┐ ┌──────────┐ ││ │ 终身学习 │◄───────────────────────────────►│ 培训投资 │ ││ │ 横向跳跃 │ 【博弈空间】 │ 学徒制2.0 │ ││ │ 能力认证 │ │ 混合岗位 │ ││ └────┬─────┘ └────┬─────┘ ││ │ │ ││ └──────────────────┬───────────────────────────┘ ││ ▼ ││ ┌──────────────┐ ││ │ 市场/监管 │ ││ │ (外部压力) │ ││ └──────────────┘ ││ ││ ═══════════════════════════════════════════════════════════ ││ 【核心张力】 ││ ││ 塔勒布: "制度必须兜底" ◄────VS────► 苏姿丰: "个人必须适应" ││ ││ 刘易斯: "异常思维被扼杀" ◄──VS──► Dalio: "效率就是正义" ││ │└─────────────────────────────────────────────────────────────────────┘第三轮：大师的诞生
核心问题
如果初级岗位消失、晋升路径重构，未来的"投资大师"将从何而来？AI 时代还需要"大师"吗？
发言记录
【迈克尔·刘易斯】【陈述】
让我先回答第二个问题：AI 时代当然需要大师。
大师的价值不在于"知道更多"，而在于"看得更深"。Buffett 的价值不在于他能读更多财报，而在于他能看透商业模式的本质；Soros 的价值不在于他能处理更多数据，而在于他能感知市场情绪的转折点。
这些能力从何而来？
• 在数据中浸泡的直觉 • 在失败中积累的教训 • 在孤独中坚持的信念 • 对人性的深刻理解
如果 AI 接管了"数据浸泡"的过程，新人如何获得直觉？如果"失败"被算法优化掉，如何积累真正的智慧？
我担心的是：我们正在用效率杀死深度。
简言之：大师不是被训练出来的，而是在混沌中淬炼出来的。
【瑞·达利欧】【补充】
刘易斯说得对，但让我提供一个不同的视角。
Bridgewater 的"原则"系统，本质上就是把我的决策过程编码化。我不是在消灭"大师"，而是在复制大师。
未来的"大师"可能不是一个人，而是人机协作的系统：
• AI 负责广度：处理海量信息，识别模式 • 人类负责深度：提出正确的问题，做出最终判断
大师的价值将从"个人智慧"转向"系统设计智慧"——如何构建、训练、优化 AI 系统。
简言之：大师不会消失，但形态会改变——从"独奏家"变成"指挥家"。
【纳西姆·塔勒布】【质疑】
Dalio，你的"复制大师"理论有一个根本问题：它假设大师的智慧是可编码的。
但真正的智慧往往是隐性知识 (tacit knowledge)——无法言说、无法编码、只能通过实践获得。就像骑自行车，你可以写 1000 页说明书，但不亲自骑，永远学不会。
更重要的是，大师的价值在于"例外处理"——当模型失效、当历史不再重复、当"这次不一样"真的发生时，谁能站出来？
如果整个行业都依赖 AI，谁来培养能在例外时刻做出判断的人？
简言之：可编码的是知识，不可编码的是智慧。
【李开复】【综合】
各位的观点让我想到一个更根本的问题：什么是"大师"？
在传统定义中，大师是信息的垄断者——他们拥有别人没有的数据、知识、经验。但在 AI 时代，信息不再是稀缺资源。
新的"大师"定义可能是：
• 问题的定义者：在信息过载中识别真正重要的问题 • 价值的判断者：在噪音中识别信号 • 意义的赋予者：为数据赋予叙事和意义
这些能力不是从"初级岗位"一步步爬上去的，而是跨领域、跨学科、跨经验的综合。
未来的大师可能是：
• 一个懂心理学的程序员 • 一个会写代码的哲学家 • 一个理解 AI 的艺术家
简言之：AI 时代的大师是"跨界整合者"，而非"领域专家"。
【苏姿丰】【反驳】
开复的"跨界整合者"听起来很美好，但忽略了一个时间问题。
大师不是一天炼成的。Buffett 读了 60 年财报，Soros 经历了 50 年市场周期。这种时间深度如何获得？
如果 AI 让"入门"变得更难（因为初级岗位消失），让"成长"变得更慢（因为经验积累被中断），我们如何保证时间足够长，让新一代大师成长起来？
我的建议是：行业需要主动创造"慢成长"的空间——
• 强制性的"无 AI 训练期" • 导师制的深度传承 • 容忍失败的实验文化
否则，我们可能会面临一个"大师断层"的时代。
简言之：大师需要时间，而 AI 正在加速一切——包括大师的消失。
第三轮核心争议
"大师"的本质是可编码的知识还是不可编码的智慧？AI 时代如何培养需要时间淬炼的直觉？
┌─────────────────────────────────────────────────────────────────────┐│ 大师的本质：两种理解 │├─────────────────────────────────────────────────────────────────────┤│ ││ 【可编码派】Dalio/李开复 【不可编码派】刘易斯/塔勒布 ││ ││ │ │ ││ ▼ ▼ ││ ┌──────────┐ ┌──────────┐ ││ │ 系统复制 │ │ 隐性知识 │ ││ │ 人机协作 │ │ 例外处理 │ ││ │ 跨界整合 │ │ 时间淬炼 │ ││ └────┬─────┘ └────┬─────┘ ││ │ │ ││ └────────────────┬────────────────────────┘ ││ ▼ ││ ┌────────────────────┐ ││ │ 【苏姿丰的警告】 │ ││ │ 时间断层 · 大师断层 │ ││ └────────────────────┘ ││ ││ ═══════════════════════════════════════════════════════════════ ││ ││ 核心问题：AI 加速了一切，但大师需要时间——这个矛盾如何解决？ ││ │└─────────────────────────────────────────────────────────────────────┘全局总结
核心发现
| 替代本质 | |
| 护城河 | |
| 风险盲区 | |
| 生存策略 | |
| 结构困境 | |
| 未来形态 | |
| 大师命运 |
未解决的开放问题
1. 制度设计：人才培养成本由个人还是机构承担？ 2. 认知多样性：AI 工具趋同化是否会扼杀"异类思维"？ 3. 大师的诞生：未来的投资大师将从何而来？ 4. 监管框架：如何监管"黑箱 AI"的投资决策？ 5. 时间悖论：AI 加速一切，但大师需要时间——如何解决？
完整知识网络
┌─────────────────────────────────────────────────────────────────────────┐│ AI 与金融从业者：知识网络 │├─────────────────────────────────────────────────────────────────────────┤│ ││ ┌─────────────────────────────────────────────────────────────────┐ ││ │ 【核心议题】 │ ││ │ AI 替代下的金融从业者命运 │ ││ └────────────────────────────┬────────────────────────────────────┘ ││ │ ││ ┌───────────────────┼───────────────────┐ ││ ▼ ▼ ▼ ││ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ││ │ 替代叙事 │ │ 增强叙事 │ │ 风险叙事 │ ││ │ (Dalio) │◄───►│ (苏姿丰) │◄───►│ (塔勒布) │ ││ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ ││ │ │ │ ││ ▼ ▼ ▼ ││ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ││ │ 任务拆解 │ │ 人机协作 │ │ 反脆弱性 │ ││ │ 决策权转移 │ │ 技能重构 │ │ 系统风险 │ ││ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ ││ │ │ │ ││ └───────────────────┼───────────────────┘ ││ │ ││ ▼ ││ ┌────────────────────────────────┐ ││ │ 【人性维度】刘易斯 │ ││ │ 信任 · 叙事 · 关系 · 异类思维 │ ││ └────────────────┬───────────────┘ ││ │ ││ ▼ ││ ┌─────────────────────────────────────────────────────────────┐ ││ │ 【结构困境】 │ ││ │ ┌───────────┐ ┌───────────┐ ┌───────────┐ │ ││ │ │ 金字塔变窄 │◄──►│ 晋升断裂 │◄──►│ 人才枯竭 │ │ ││ │ └───────────┘ └───────────┘ └───────────┘ │ ││ │ │ │ │ │ ││ │ └──────────────┼──────────────┘ │ ││ │ ▼ │ ││ │ ┌─────────────────┐ │ ││ │ │ 解决方案博弈 │ │ ││ │ │ 个人自救 vs 机构兜底 │ │ ││ │ └─────────────────┘ │ ││ └─────────────────────────────────────────────────────────────┘ ││ ││ │ ││ ▼ ││ ┌────────────────────────────────┐ ││ │ 【大师命题】 │ ││ │ 可编码 vs 不可编码 │ ││ │ 独奏家 vs 指挥家 │ ││ │ 效率 vs 时间淬炼 │ ││ └────────────────┬───────────────┘ ││ │ ││ ▼ ││ ═══════════════════════════════════════════════════════════════ ││ 【未来图景】 ││ ││ 从"层级制金字塔" ─────► "网络制生态" ││ ││ ┌───┐ ┌───┐ ││ / \ / | \ ││ / 5% \ / | \ ││ /─────────\ /────┼────\ ││ / 15% \ / | \ ││ /─────────────\ /──────┼──────\ ││ / 30% \ / | \ ││ /─────────────────\ /────────┼────────\ ││ / 50% \ / | \ ││ /─────────────────────\ /──────────┼──────────\ ││ └───────────────────────┘ └───────────┼───────────┘ ││ │ ││ 【能力节点】 ││ 分析 · 判断 · 关系 · 创新 ││ │└─────────────────────────────────────────────────────────────────────────┘对资管行业从业者的建议
短期（1-2 年）
• 掌握 AI 工具：把 AI 当作杠杆，提升个人产出 • 强化人际技能：客户关系、沟通表达、信任建立 • 跨领域学习：了解技术、心理学、行为经济学
中期（3-5 年）
• 转型"人机协作"角色：AI 训练师、模型解释师 • 建立个人品牌：在专业领域建立不可替代的声誉 • 培养"异类思维"：保持对共识的质疑，寻找非共识机会
长期（5-10 年）
• 成为"跨界整合者"：融合技术、人文、商业的复合能力 • 投资"时间深度"：在特定领域积累无法被 AI 复制的经验 • 构建反脆弱性：保持冗余、选择权、从波动中获益的能力
生成时间: 2026-04-11 16:47\ 工具: ljg-roundtable Skill\ 模型: bailian/kimi-k2.5
