买方判断力受制于碳基大脑的物理上限，AI 的价值不在于替代判断，而在于扩张可判断的半径。

26 年 5 月底，Third Point 创始人 Dan Loeb 做客了《Invest Like the Best》最新一期的播客。这位在管规模 240 亿美元、经历过三十年市场周期的老牌对冲基金经理，开门见山谈到的第一个话题是关于心智模型与信息过载。提到团队过去两年低估了 AI 对信息服务类公司的冲击，尤其是他们曾以为某些公司拥有 proprietary data 护城河，结果 AI 改变了这类判断。

主持人提问 Loeb：在信息多到读不完的时代，他的一天怎么决定浏览哪些信息，怎么跟上所有投资机会。Loeb 的第一反应是，他希望 Claude Code 把所有的信息汇总到一起之后，集中过一遍。AI 让信息处理和观点生成的成本大幅降低，但是对管理真金白银的买方来说，它并不等同于可以自动生成 Alpha。观点通胀已是既成趋势，能不能从中转换出可下注假设导向的研究，并把原本一个碳基大脑物理约束外的 Alpha 半径打开，是一个成熟买方团队接下来最关心的事情。

是的，当前市场里的信息、变量、关联关系和潜在机会，已经远远超过一个碳基大脑可以稳定处理的边界。

Loeb 在访谈里提到，Third Point 过去两年低估了 AI 对部分信息服务类公司的冲击。他们曾经认为，一些公司拥有 proprietary data，护城河足够坚固。但 AI 改写了这个判断。更重要的是，他谈到团队正在鼓励每个人真正使用 AI，有人开始 overnight running agents，有人用 Claude 做查询和研究，还有原生计算机科学背景的人被引入团队，专门推进 AI 项目。

这看似是一个基金经理开始用聊天机器人故事。

实则冰山下未被言明但正在发生的是，这是一个买方判断系统正在重新布线的信号。

Man Group 于其旗下官方研究院发布的论文《What AI Can (and Can't Yet) Do for Alpha》中有一个鲜明的观点：现代量化研究面临的最大挑战之一，是数据和分析可能性的爆炸；而人的带宽始终是常数。无论研究员多有经验，在任何一个时间点上，他都只能覆盖有限的可能性子集。

这句话几乎命中了所有投资管理的核心瓶颈。

很多时候，基金经理判断力的约束并不在于判断力本身，而在于碳基大脑能覆盖到的最大半径。一位优秀的基金经理可以有很好的产业直觉、风险嗅觉、赔率感和仓位感，但他每天能读多少公告、听多少会议、追多少产业链、验证多少假设、回看多少历史结构，终究受限于时间、精力、记忆和注意力。

碳基大脑再强，也会疲劳，也需要休息。

但金钱永不眠。

AI 对买方来说显然正在形成新的杠杆趋势，不久的未来，当有判断力的基金经理借助各种 Agent 实现突破物理边界，在原本的 Alpha 池之外，看见更多本来被遗漏的候选机会，市场结构会因此发生何种变化？

我们更愿意将其视为：Alpha 半径的扩张。

传统买方研究很像一盏手电筒。PM 和研究员的能力越强，光越亮；团队越大，灯越多。但灯光照到哪里，仍然取决于人的注意力分配。一个团队今年主攻 AI 算力链，可能就会天然少看传统电子复苏；一位基金经理长期擅长半导体，可能就会迟钝于底部价值投资或某些交叉产业链的异动。很多机会不是不存在，而是没有进入可判断区域。

AI-native active management system 希望未来可以实现的，是把这盏手电筒升级成一套雷达。

它不是替 PM 做最后判断，而是持续扫描、持续归档、持续追踪、持续把可能值得判断的对象推到面前。公告、财报、调研、产业链事件、价格行为、卖方观点、市场叙事、X 上的早期讨论、论坛里的产业信号，都可以被系统接入同一个假设池。每一个投资假设都有自己的生命线：最初为什么被提出，核心变量是什么，最近有没有证据增强，是否进入可下注区间，是否只是一段噪音。

AI-native active management system 的核心，不是做一个更大的资料库，也不是把所有公告、财报和研报都塞进一个万能检索框。买方真正需要的不是资料堆积，而是判断对象的生长。

在我的理解里，它更像一层投资假设操作系统。新闻、研报、财报指标、市场一致预期、价格行为、产业链事件和 PM 的主观标注，可以围绕一个个 Hypothesis 形成动态证据链。一个假设最初为什么成立，核心变量是什么，哪些证据正在增强它，哪些信号正在削弱它，什么时候只是观察，什么时候进入可下注区间，什么时候必须降级或删除，都应该被持续记录下来。

这才是 AI 对主动管理真正有杠杆的地方：它不是替基金经理“读完所有东西”，而是帮基金经理把分散的增量信息组织成一套会生长的决策记忆。

基金经理不再从零开始翻信息，而是在系统过滤后的候选中判断：这是不是值得提升优先级的机会？它处在产业节奏的哪一段？赔率和胜率是否同时改善？和现有组合暴露是否冲突？如果市场先跌 8%，是逻辑被破坏，还是赔率变好？如果三天涨完，是趋势启动，还是短期拥挤？

这才是 AI 工具和 AI 杠杆的分水岭。

工具提升效率。杠杆扩张能力边界。

当观点生成的成本越来越低，市场势必会进入观点通胀。AI 可以让每个人快速生成十条看多理由、五段产业链分析、三版估值框架。研究文本会越来越多，表面逻辑会越来越顺，普通观点会越来越不值钱。

真正稀缺的东西会发生在投研交易决策链的后端，所有研究动作指向的是可下注假设，可以从逻辑链出发，也可以回归到估值原本的维度。

可下注假设有几个特征。它有明确的因果链，有可跟踪的证据和失效条件，指向最终仓位含义和时间窗口，同时受制于组合风险的约束。分析可以漂亮，但结果必须直接指向进入交易系统的路线图。

这也是为什么 AI-native active management 不应被理解成纯技术项目。一个只懂代码的人，可以搭出数据管道、向量库、agent workflow、自动摘要和回测脚本。但买方真正需要的系统，必须长在投资判断的土壤里。

它要知道什么是产业主线，什么是伪催化；什么是基本面加速，什么只是估值修复；什么是趋势里的正常回撤，什么是逻辑破坏；什么信号只值得观察，什么信号值得建仓，什么信号需要加仓，什么信号必须撤退。

这套系统的核心，不是硅基智能取代碳基直觉，而是碳基直觉获得硅基外骨骼。

主观判断负责方向感、审美、优先级、赔率和风险边界；量化系统负责纪律、扫描、验证、执行和记忆；AI agent 负责把碎片化信息转化成可追踪的假设，把人的注意力从低价值重复劳动里解放出来，让 PM 把更多精力留给真正靠近 P&L 的判断。

Bridgewater 的 AIA Labs 已经把这条路径说得很清楚：AI 系统产生的洞见会反哺人类投资流程，而经验丰富的人类投资者的反馈，也会继续打磨 AI 系统。最终边界会变得越来越模糊，人类和机器不再是两套割裂的研究机制，而是一套持续互相增强的投资智能。

这件事对主动管理尤其重要。

过去几年，市场反复讨论主动管理是不是失效。这个问题本身就有点粗糙。主动管理的价值从来不只是“人脑比机器聪明”，而是在复杂、非线性、低信噪比的市场里，能否更早识别主线，更好理解因果，更稳控制仓位，更快切断错误，更敢抓住真正陡峭的净值曲线。

AI 让这套能力有机会被系统化、记录化、放大化。

未来的主动管理，不会只靠一个基金经理燃烧注意力，也不会变成一台冷冰冰的全自动下注机器。更有生命力的形态，是 PM 的产业判断、交易审美、风险意识和系统工程结合在一起，形成一套会生长的 Alpha 生产网络。

它可以同时维护多个假设池，可以不断校准主线强弱，可以记录每一次判断为何成功或失败，可以把过去靠灵感闪现捕捉到的机会，逐步沉淀成可复用的研究结构和决策记忆。

这才是 AI-native active management 的真正叙事利益。

它不把基金经理降级成工具使用者，也不把 AI 神化成自动印钞机。它重新定义买方组织的能力边界：让有判断力的人，看得更远，覆盖更广，反应更快，犯错更早暴露，正确时更敢扩张。

当信息变得无限，真正稀缺的不是信息本身，而是把信息转化为 Alpha 的结构化能力。

AI 打开的，不只是效率。

它打开的是基金经理的第二套神经系统。