What AI Is Bad at?

最近我在思考一个问题:为什么 AI 几乎统治了所有智力活动,却还没有在投资上打败人类?

本着「先问是不是,再问为什么」的精神,我们看一下全美投资大赛 (USIC) 2025 的成绩,并且把前6名的风格列出来。其中只有 J Law 公开承认用 AI 做投研,即便如此他依然靠自己决策。

排名 交易者 风格 是否使用AI
1 J Law +252.3% Minervini风格 VCP + Multiple Edge Trading System。中期摆动/仓位交易,重技术(70%)+基本面催化剂与主题(30%)。 用多个 AI 交叉验证催化剂与新闻,帮助持仓 conviction。核心决策仍是自己做。
2 Christian Flanders +167.5% 前职业扑克玩家转交易。成长股摆动,事件驱动(episodic pivot)、阶段分析、严格风控与 progressive exposure。 无公开证据使用AI做核心决策。
3 Clement Ang +140.4% 香港交易者,受 Minervini、Gil Morales、Oliver Kell、Qullamaggie 等影响。成长股摆动转向仓位交易,强调主题/相对强度 + 严格回撤控制。 无公开证据。
4 George Tkaczuk +86.3% RCM Wealth Advisors 组合经理。技术分析 + 宏观/微观趋势,适合 choppy market 的快速止损与轮动。2020年该组别冠军。 无公开证据。
5 Tong Wang +73.5% 公开信息极少,ViZen Management 相关。 未知。
6 Steve McIntosh +70% 动量/成长股摆动(受 Qullamaggie、Minervini、Roppel 影响)。基金明确表示不用算法交易,依赖人工“感觉市场温度”。 明确不使用算法/AI执行。

实际上 USIC 的确有参赛者大量使用 AI 决策,比如我搜到的这两位:

  • Dr. Terry Potter(AI Trading Academy,香港) 2026年 Q1 Enhanced Growth 组别($20k+)领先,+1,678.8%,创该赛事任何组别三个月新纪录。官方新闻稿标题即为“AI Aided Trader Sets Record”。他主要交易商品,依赖价格行为。

  • Dr. Tom Doub(Arcadia Analytics,田纳西) 2026年 Stock 组别表现极强(例如中期曾领先,+880.7%等)。他公开表示交易完全系统化,策略与参数由自己设计,所有入场由系统自动执行。同时大量使用 AI 做研究、写代码和 agent 辅助。

2026 年还没结束,我们不知道 AI 选手是否会在任何组别中夺冠。但不论如何,在 2026 年末的这个时间点,我们可以说「AI 尚未在投资上打败人类」。当然,这里的「没有打败」指的是类似 AlphaGo 这种「独立端到端操作」,而非投资中的每个环节都弱于人类——比如搜集整理信息、发掘量化信号等方面,AI 早已把人类甩在身后。

投资只是一个引子,我真正想探讨的是,AI 究竟擅长和不擅长哪些工作?

为此,我把人类活动按「输入/输出」「简单/复杂」分成四个象限:

input-output-combinations.jpg

属于每个象限的活动举例:

  • ① 简单输入 ➜ 简单输出:打螺丝、翻译
  • ② 简单输入 ➜ 复杂输出:围棋、编程、数学
  • ③ 复杂输入 ➜ 简单输出:投资
  • ④ 复杂输入 ➜ 复杂输出:规划人生、公司治理

① 在 LLM 之前已经被解决了,工业机器人早已接管很大一部分制造业,传统 CV 也足够应付大部分工业场景。

② 在过去十几年间从神经网络 + 强化学习开始,到现在被 LLM + Agent 彻底解决了。为什么说这几项活动的输入简单?围棋五岁小孩都能学会,编程也只需要输入键盘上的字母和符号。数学看起来复杂,但它早已被符号化且有严格的公理体系,这些输入在 AI 看来都是简单的。

③ 的代表就是投资了。很多人说「投资不就是高买低卖么」,的确,投资的输出就是这么简单,简单到人人都以为自己能掌握。然而,这种简单的背后却依赖复杂的输入:量、价、基本面、新闻、宏观,无法穷尽。

④ 即便排除掉物理上的不可行而将其视为智力活动,目前也还无法将它们完全委托给 AI。

在「简单输入 ➜ 复杂输出」这组里,不论是曾被视作智力巅峰的围棋,还是自然之母的数学,AI 完全吊打人类。为什么输入简单是关键?因为训练任何 AI 模型,首先需要把真实状态离散化编码。比如棋盘状态本来就有限,因此 AlphaGo 提取特征很容易;语言模型则需要先用 embedding 将词和概念映射成向量。而一旦完成了离散化编码,从第一性原理出发,只要训练数据和算力充足,训练出足够好的模型便是可能的(当然,需要花时间找到 Attention 这种机制)。讽刺的是,人类过往最推崇的那些智力活动,比如计算、逻辑、搜索,既是人脑的短板,又恰好是 AI 的特长。人类在演化中不依赖这些能力,大脑自然也没往这块儿进化,物以稀为贵的我们便去推崇那些碰巧能干的大脑。现在 AI 解决了②,也促使我们重新审视「智力」这件事,比如八种智能中过往不被重视的那些,从这个角度看或许是一件好事。

说回第三类活动。当输入变得不再有限,人类便逐渐展现出优势。首先,人不依赖真实状态离散化;其次,人可以通过经验和直觉排除掉大量无关信息;最后,可能也是最关键的,人可以在样本极小的情况下,注意到某些“异常”,从而规避掉一些尾部风险。这里必须要提一嘴 Frame problem(说起来我还是当年玩 Steins;Gate 0 第一次知道这个概念的,感谢 Maho🙏),它描述了智能和认知研究领域的一个核心问题:如何让智能系统如何只关注相关信息、忽略无关变化,以及预见自身行为的后果?尽管这个问题的背景是 AI 尚基于规则的蛮荒时代,但对于当下把预测 next token 作为基石的大模型和 agent,我认为仍然是有意义的。尤其是,如果想让物理 AI 真正落地,那么处理复杂输入的能力势必要提升。我对未来保持乐观。或许我们并不需要完美的理论,甚至不需要真正解决复杂解决输入的问题,只需要限制输入的类型 + 足够多的 guardrail,让 AI 能在特定场景下较好地工作(比如像前文提到的 Dr. Terry Potter 那样只使用价格行为),也就足够了。

comments powered by Disqus

top