📰 研报摘要
查看全文 ➔摘要： 本文探讨了 AI 投研在模型和数据之外面临的瓶颈，指出核心问题在于缺失的“方法论层”，并提出了将研究能力通过工具化、技能化和经验化三个阶段进行“炼化”的路径，旨在构建一个能够持续演进的 AI 研究能力体系。
核心观点：
AI 投研的瓶颈不在于模型能力或数据开放度，而在于研究团队沉淀的框架、口径和经验记忆尚未系统化为 AI 可调用的能力。研究能力智能化的核心在于建立“反馈 $\rightarrow$ 记忆 $\rightarrow$ Skill”的闭环，使研究员的角色从执行研究上移至治理 AI 的记忆与方法论体系。
论据支撑：
- 能力炼化三阶段：工具化（解决“会不会算”，如 MCP/API 封装）、技能化（解决“会不会解释”，如规则库和校验清单）、经验化（解决“会不会积累”，如建立长期记忆和反馈闭环）。
- 专业型幻觉与隐性知识：AI 容易将工具返回的“研究线索”直接误读为“研究结论”，这是因为场景判断、边界识别等隐性知识难以一次性编码，需通过真实任务的纠错来积累。
- 自动化分级（L1-L5）：提出投研自动化能力阶梯，认为从初级 L3 走向成熟 L3 的关键在于能否实现研究记忆的沉淀与复用。
局限性/风险：
- 专业型幻觉短期难以根除：AI 生成材料仍需人工审核，不宜直接作为投资决策依据。
- 记忆折旧的复杂性：金融市场环境切换会导致经验失效，需精准区分经验是“暂时休眠”还是“永久失效”。
- 工程化落地难度：研究能力外化涉及大量知识工程工作，实际推进节奏可能慢于预期。