第四节

生成式AI：“后袋”模型的一个演进方向

从2022年下半年开始，一个叫作ChatGPT的人工智能（AI）交互系统在国内外社交平台开始小范围传播。当时我并没有很在意，因为此前数年不管是谷歌，还是其他头部IT公司，都曾发布过不少人工智能类的软件或者系统，有些在短期内就引发了较高的话题度，但都不曾让人类进行过如此大范围的集体性讨论，也不曾引起各行各业如此程度的关注。

ChatGPT是一个大语言模型，属于生成式人工智能。其主要的特点是基于天量文本内容的深度学习训练，产生自主处理内容的能力（比如汇编、回答问题以及翻译等）。这一切是基于强大的算力和算法支撑的。对于各行各业以及所有人来说，生成式人工智能与以往人工智能技术最大的不同点是提供了足以媲美人类（甚至可能在某种意义上超过人类）的原创能力。

到了即将完成本书的2024年初，以ChatGPT为代表的大语言模型（生成式人工智能）正在引发一场惊人的全域性变局，称之为一场新的技术革命也不为过。

虽然当前直接利用大语言模型给出投资建议的成功案例鲜有发生，但这个大模型本身能为人们的各种理财需求甚至专业机构的投资策略提供无限的想象力和创造力。比如有报道指出，ChatGPT能在几秒钟内阅读分析完成上千万份财务报表，并从中提取出投资分析师所需要的关键财务信息，计算出风险计量数值，以帮助完成一套有实际操作性的投资组合策略或者估值模型。

上述这种处理方式已经超出了人类能力的极限，也就能保证这套人工智能系统相对人类而言，至少具备了一定的“量化优势”。在处理天量的分析性任务或者极度枯燥的文字汇编工作时，使用者所要做的仅仅是用键盘打几行文字来下达指令即可。这几乎是解放了人们的双手，让人们可以腾出更多时间来思考一些更复杂的问题。

试想一下，如果要将本书十几万字的内容整合成一篇最精要的3000字文章，靠人工来完成的难度是很大的，因为读完本书可能也得花好一阵子时间，更别说提炼精华了。然而，只需在一个主流的大语言模型上打上一句：“请将这本书的精华内容整合成一篇文章，3000字。”它几乎在顷刻间就能完成这项任务。

回到本书的主题，基于生成式人工智能的大语言模型确实能够帮助普通人快速获取基本的理财知识和市场信息，就好比使用了一个能够快速回答“亿万个为什么”的智能小助手。本书前面章节所介绍的很多基本理财知识和概念也很容易从大模型上面获得比较详细的回答。

我们有理由相信，在普通人的理财过程中，后续越来越强大的新人工智能技术将极大提高整个流程的效率。比如，如果搜索引擎上的AI技术得到进一步加强，那么在设计资产配置组合时，人工智能技术或许能够帮助人们快速获得各家头部研究机构最新的各类资产收益预期以及风险预期，而不需要再到一家又一家的官网上去一个一个查阅。

这不得不让我联想到，一旦更高技术等级的AI应用在大众普及开来，将极大缩小个人与专业机构之间的能力鸿沟。以信息不对称为例，虽然随着数十年来互联网和智能手机等设备以及众多应用程序的发展，相比以往，普通人和机构之间的信息劣势已经有所缓和，但是差距始终存在。而在瞬息万变的市场，即便是几分钟的信息差也可能将投资结果完全颠覆。以往华尔街的大投行相对普通个人，拥有极大的信息优势。最明显的是，机构能在年租金数万美元的各类终端上获得普通人没办法接触到的最新、最快、最全的各类信息。

随着生成式人工智能技术逐渐成熟，且其使用门槛逐渐降低，普通人在设计资产配置模型（比如“后袋”资产配置模型）的时候，就有了一个获取更丰富信息和处理各类复杂计算和分析的利器。虽然以2024年这个时间点看，我们利用人工智能技术追上机构投资者信息和能力圈优势的道路还望不到头，但谁都说不准这样的情景何时可能真的会到来。

另外，当前的生成式人工智能技术也存在不少缺陷。

一些机构投资者对人工智能在投资领域的前景保持谨慎。最大的疑虑在于生成式人工智能所提供的信息可能并不完全准确，而在机构投资者眼中，信息准确率的重要性是远高于获取信息的便利性的。另外，利用人工智能进行投资交易的平台还未成熟，很多量化分析师即便可以掌握人工智能设计投资策略的算法，也无法实际操作。

很多与投资相关的预测都需要更多的判断来源，而当前的大语言模型仅擅长从海量文本中寻找答案，对于需要更多元资讯或者需要人类直觉才能做出的预测则可能并不准确。比如，虽然大语言模型可以从数据和互联网文本中得出一家上市企业未来的发展将相当良好，然而没过多久这家企业可能因为主要股东希望出售自己所持的大量股份而发生较大的动荡。而由于这位主要股东的信息在网上几乎找不到，大语言模型就不可能判断出这个动态。然而，一个有经验而且在这家企业有人脉关系的分析师可能早早就判断出了这种不确定性。

从2023年开始，华尔街最大的银行或者最头部的投资机构都已纷纷布局生成式AI的研究，但从这些机构公开披露的报告看，它们仅仅是将人工智能应用于诸如“提高员工检索内部研究资料”等“打下手”的工作中，还没有将其真正植入投资策略和交易的各项过程中。很大的一部分原因是大语言模型在投资决策、资产配置以及选股和择时等具体操作过程中的准确率还非常让人担忧。类似股市这样被错综复杂的消息和大众心理不断影响的市场中，如果当前直接用人工智能技术代替传统的人力分析师或者基金经理，那么这绝对不是什么好主意。

另一个重要的问题是，如果整个投资界的主流分析师都在利用人工智能技术制定投资策略或者交易策略，又或者几乎全民都可以使用AI来进行投资策略的判断，那么很有可能由于使用者数量的增加，在各大资产市场上产生一种AI优势逐渐丧失的趋势（有点类似内卷）。这种观点的逻辑支撑来自现代投资学中的超额回报（Alpha），简单来讲就是当一个超额回报的机会被很多人使用时，这个超额回报就会消失。

综合机构当前的做法以及普通个人的实际情况，我们有理由去思考在“后袋资产配置模型”的构建过程中，如何运用包括生成式人工智能技术在内的最新AI技术来帮助我们提高效率。我认为，新的AI技术无疑将极大提高普通人研究各类资产的效率，或能帮助人们在更短时间内构建更适合自身的资产配置模型。但在当前技术条件下，它们只能起到辅助性的作用。

有一个建议是，在思考出更详细的“后袋”模型演进方向之前，不妨将功能强大、使用方便的AI大语言模型当作个人的虚拟助理来帮助完成以下几项重要任务。

（1）收集资料。比如大范围地收集耶鲁大学捐赠基金的历年资产配置资料或者各类收入信息和宏观经济数据。

（2）更方便地获取各类资产的历史收益和风险计量。比如利用大语言模型可以快速获取沪深300指数的历史收益率和标准差。

（3）随时解疑答疑。比如在构建模型过程中更方便地了解各类资产的细节特征，更全面地了解巴菲特或者芒格等人的详细介绍和财富建议。

2023年英国的一项调查显示，受访者中有大约19%的人声称会考虑应用大语言模型来获取财务方面的建议。然而，在2021年英国的另一项调查中，有大约50%的受访者声称会使用社交媒体上的信息作为投资建议。

读到这里我有个问题想请教各位读者：你是愿意从一个没有资质和任何牌照的社交媒体主播那里获得投资建议，还是愿意从能够处理来自网络的数以百万计数据块并提供量身定制建议的人工智能那里获取理财建议呢？

我认为目前最可能的答案或许是两者都不适合。花时间通过专业的信息来源或有资质的专业机构报告进行独立研究将是更安全、更值得推荐的方法。但这种情况也可能随着AI技术的飞速发展而改变。

受限于当前的生成式人工智能应用还不能有令人完全信服的准确率，很多最先进的AI模型也无法被普通人轻易获取并使用，我们应该更加循序渐进地考虑将AI技术运用进“后袋”资产配置模型中，尤其要规避直接使用任何人工智能技术进行择股、择时和投资决策，而完全不去做个人的思考和独立的研究。

展望未来，从理论上说，一方面，生成式人工智能或将能帮助使用者做任何工作，从编程到设计图片和创作视频，再到写作等。如果技术再上层楼，很难想象它到底能解放人类的双手到什么程度。另一方面，如此程度的技术革新也会带来一定的副作用：影响某些行业人们的就业以及可能帮助违法者生产出非法或者无节操的虚假内容。这些问题能否妥善解决或许才是生成式人工智能能否真正实现“革命”的基础。作为观察者，我们要时刻注意新的变化。