近期AI使用的一些感受：

1、大模型有一个基准初始水平。从我的使用感受看，大概在一个知识储备丰富但社会经验欠缺的博士生的水平。如果你的智力或阅历水平低于它，你会觉得它很聪明——而且选择相信它来指导自己行动可能比你相信自己会更好一点，因为它比你聪明。但如果如果你的智力或阅历水平高于它，你就最好不要被它牵着鼻子走，而是要仔细审视它的观点和逻辑，找到其中正确的地方吸收成自己的，错误的地方让它改——不要担心你被它蒙骗，如果你比它聪明，那你犯错的唯一可能性就是你过分相信它而没有检查它的工作成果。如果你仔细检查了觉得它的成果没问题，那只说明你不如它聪明。你就当它是对的，等你发现错了再说吧，大概率好过你自己独立的判断。

2、你不用为大模型存在基准初始水平上限就感到沮丧（或庆幸）。大模型的水平不会一成不变，它就像是一面镜子，会随着使用者的水平变化而变化。之前我只跟大模型讨论具体分析内容和策略问题，这些问题都是偏操作实务轻系统完备度的，用下来我觉得大模型就是一个知识储备丰富的研究员或顾问，思维方式也就是研究员或顾问。自从我带着大模型用学术研究级的方法论框架研究财政议题后，我明显的感受到大模型跟我说话的风格和思维框架比之前要偏学术得多——即使是在完全独立的新研究中，大模型也会主动用学术级的研究框架来设计整个研究流程，这极大的提升了研究的质量和效率（因为学术级的研究框架往往非常完备，不会出现研究到一半发现框架有重大遗漏被迫重构的情况）。此时的大模型，更像是一个兼具学术功底和一定实操经验的机构经济学家的水平，比之前那个写蹩脚卖方研报的研究员要专业得多——唯一的缺点就是太TM爱蹦学术词汇了，甚至越来越中夹英，估计是这方面的语料还是以英文为主。我想大模型会出现这种变化是因为研究的内容会激发大模型不同的专家板块，你讨论的问题越深，它激发的专家板块就越强。研究生问题就激发研究生专家，博士生问题就激发博士生专家，脑残问题就激发脑残专家。

3、但大模型在社会经验方面仍然是菜鸟级的。这大概跟真实有用的社会经验往往都是非成文的潜规则有关——大模型根本没有足够的语料去学习。我现在的解决办法是把一些我认为多多少少包含了社会运行规则的电子书喂给它，让它提炼出其中的原则，写进长期记忆中。目前看这个方法还是有那么一点用，但重大决策还是得我自己审然后告诉它我的观点——跟大模型对谈有一点好，哪怕你觉得它社会阅历不如你，但它总是能提出一些有启发性的观点让你能思考得更全面一点。

4、自从掌握让大数据使用学术级方法论做研究后，我发现市面上的很多所谓专家、首席的研究工作质量还不如研究生。

5、一个有趣的结论，当然不一定对——我跟AI深入的讨论了为什么市场机构研究人员在AI的辅助下已经可以解决质性研究的工作量问题和时效性问题的情况下，仍然不使用这种完备的研究流程而继续坚持使用那种粗糙的跳大神式的喊口号研报体系（比如“存储需求将长期上涨所以股价也将继续上涨”），AI的回答非常耐人寻味：A、机构追求的是赚到代理费而不是投资收益最大化；B、机构寻求责任边界清晰，而AI辅助的质性分析会导致责任划分困难（人可以推锅给AI）；C、机构潜在客户研究生学历比例低，太学术的研究无助于说服他们出钱还有可能让他们不爽。

就，很难评。

6、我发现在WB下，DSV4FLASH也很强，比HY3强。KIMI真的就只适合CODING，做质性分析类课题傻得没边，我怀疑是做过针对CODING的特殊优化。之前KIMI发了一个什么如何用KIMI帮助投资的广告，好些网友@ 我叫我看。我看了，再一次证明了KIMI里负责投资板块的人都没在投资这行待过两年——这个广告展现出来的内容，大致相当于向学校推销教师辅助系统，但给出来的场景是帮老师擦黑板和整理粉笔盒。豆包真的就是商K小姐姐，脑袋空空但你说啥她都能接上话而且还会让你觉得很开心。

7、最近的使用让我渐渐找到了用AI来提炼整套投资逻辑并且可以将任何语料仍进去做逻辑验证和逻辑补充的系统性方法（使用了质性分析框架和编码技术）。讲得很复杂，其实直白的说就是：A、将自己脑袋中的投资逻辑显性化系统化，然后发现整套逻辑里的缺陷并补足；B、建立了一套规则和流程，把日常看研报、雪球大V文章、各种数据后形成自己的观点的过程交给AI来做，任何一条语料下去，都能清洗成标准化的要素，与已经显性化的投资逻辑去比对验证，最终输出结论。我怀疑这条路大概是量化公司将来（或者已经）用来进行非量化因子抓取的途径。这条路如果能走通，就意味着我不仅可以蒸馏自己或任何我想蒸馏的人，且蒸馏的质量要远远好于“帮我蒸馏巴菲特的投资逻辑并做成SKILL”。而一旦能够高质量的蒸馏投资逻辑，就意味着我可以建立起真正有效的AGENT投委会和执行层。我得努力把这套东西建立起来，这样我就不用每天苦哈哈的看一堆的东西然后自己思考了——AI不仅比我更能坚持我的投资理念，而且也不会像我这么健忘，总忘记之前的教训。