撰文：Alma Li，Techub News
导语：
从交易所 Listing Team 的项目发现、尽调研究到资产上线，Jack 经历过一套服务于平台业务的多维资产评估流程。如今作为独立投资研究者，他尝试将这种“网状思维”迁移至美股、数字资产、宏观与跨资产研究，并用 AI 搭建一套可持续更新、可交叉验证、可复盘的个人投研工作流。在他看来，AI 真正带来的不是“认知平权”，而是知识获取的平权；最终定义问题、判断证据和承担风险的，仍然是人。
在众多“AI+投研”的叙事里，最容易出现的画面，是用户输入一段提示词，系统迅速给出“买入”或“卖出”的结论。Jack 对这种想象保持距离。
核心观点：
“真实的投研不是一个按钮，而是一套系统化的研究工程。”
AI 的价值不在于替人拍板，而在于把原本分散、重复、难以留痕的研究动作，连接成一个可验证、可更新、可复盘的过程。
从 2021 年进入加密行业，到参与项目发现、尽调、商务沟通与资产上线的完整流程，交易所经历让他形成了一种多因子、动态的研究习惯。离开机构视角、开始以个人资金面对市场后，问题变成了另一种形式：资产覆盖更广，信息却更割裂。
于是，他开始为自己搭建一套 AI 原生投研基础设施。它服务的不是一个自动化交易承诺，而是一个更基础的问题：当研究者面对一条市场主线、一个资产或一个突发信号时，如何更快地形成完整逻辑，又不把判断力交给黑箱。
从项目上币到个人投资：研究目标变了，底层思维没有变
TECHUB NEWS：在交易所 Listing Team 的经历，给你今天做独立投研留下了什么？
Jack：当时做 Listing，不是只看一个项目质量好不好、融资额有多少，或者赛道增速快不快。站在交易所的业务场景里，要同时看项目本身、真实用户与市场需求、能否带来新增用户和交易、有没有持续的流动性和资产沉淀，以及它和平台战略、用户风险之间是否匹配。
最终的判断是动态的：它是否适合在这个时间节点上线。研究的对象看似是项目，实际服务的是平台的业务目标。
当研究身份从交易所转向个人投资者，目标随之变化：不是判断一个项目是否适合平台上币，而是判断一个资产是否值得配置、为什么值得配置、在什么条件下又不值得配置。
但 Jack 认为，两者的底层思路是一脉相承的。“价值和价格是两件事。”他说，研究一家公司或一个行业，不能只证明它“好”，还要同时放进基本面、预期、估值、价格、催化剂和市场环境里理解。真正有效的研究，应是一种网状思维，而非从单点信息推导出线性结论。
个人投研的痛点：信息不缺，决策过程却被切碎
TECHUB NEWS：从机构研究转向个人研究后，最大的挑战是什么？
Jack：资产越来越丰富，研究和决策反而变得更复杂。今天的交易平台能提供数字资产、美股、黄金等大量标的，但从“看到一个资产”到“形成投资判断”的过程，往往是割裂的。你要离开交易界面，去看行情、新闻、社交媒体、产业数据和公司信息，再把这些碎片重新拼回自己的逻辑。
在他看来，个人研究者真正消耗的，往往不是缺少观点，而是跨平台搜集、比对和更新信息所产生的决策摩擦。AI 投研系统的出发点，正是降低这种摩擦，把“发现机会—理解资产—验证逻辑—持续跟踪”连成一个工作流。
这套工作流首先要发现市场正在交易的主线：资金、产业趋势、基本面、价格和事件，是否共同指向某一方向；主线确定后，再理解具体资产为什么可能受益，其商业逻辑、项目逻辑和传导路径是什么；之后用独立数据补全证据链；最后将判断放进持续跟踪与复盘，而不是在一次输出后结束。
“它来自真实的研究工作流，不是为了展示 AI 而拼出来的流程。”Jack 说。
AI 不是买卖按钮，而是可复现的研究助理
TECHUB NEWS：能否用一个案例说明，系统如何在真实研究中发挥作用？
Jack：以 AI 和半导体主线为例，长期来看，它们仍可能是未来多年重要的产业方向；但这不意味着任何时候都应该无差别地追高。
他在访谈中回顾，以 AI 和半导体为例，长期产业逻辑依然很强，但长期看好并不意味着每一个时间点都适合配置。7 月和 8 月期间，半导体板块出现了比较明显的回撤和分化。系统识别到的变化，并不是简单地认为“AI 或半导体主线失效”，而是市场开始从此前相对广泛的上涨进入更明显的内部轮动和主线迁移。一方面，半导体内部不同细分方向和公司的表现开始明显分化；另一方面，医药、能源等方向在价格、资金和相对强弱上逐渐得到更多确认。公司和产业长期好不好，是一个问题；市场现在真正交易什么，是另外一个问题。
在 Jack 看来，关键不在于事后为行情编写解释，而在于这些信号在当时是否能够被稳定识别，并对接下来一至三个月提供有价值的判断。这样的模块也必须在持续实践中被修正和迭代。
这正是他为 AI 划定的角色边界：研究者负责定义问题、设计框架、沉淀行业 Know-how，并决定哪些信号值得被纳入系统；AI 负责按照这些定义执行信息处理、逻辑验证和持续更新。AI 可以扩大人的覆盖面、固定研究过程、保留当时可获得的数据与判断依据，但不能替代人承担投资决策。
“我现在更愿意把它定义为助理。”他说，“它让投研过程可以复现：不仅能看今天得到了什么结论，也能回看在当时的信息条件下，系统为什么会形成这样的推断。”
数据分层：先定义证据质量，再让 AI 推理
TECHUB NEWS：AI 系统如何避免被错误信息或单一信源带偏？
Jack：控制 AI 错误不能只从数据源开始，更上游的是问题定义。比如直接问“半导体行业哪家公司最好”，本身就是一个不够严谨的问题——最好是增长最快、技术壁垒最高、资本回报最好，还是当前最值得投资？不同的决策目标会得到完全不同的研究路径。因此，他把整个验证过程拆成五步：问题定义、推理链条、数据来源、交叉验证、反向证据。然后再进入一类、二类、三类数据。
他将监管披露、公司财报和业绩电话会，以及美联储、财政部门、统计部门等直接发布的数据，归为一类数据：这类信息可追溯、可信度最高，应成为推理的优先基础。Bloomberg、Wind 或优质财经媒体等可作为二类信息，用来补充和交叉比对；而社交媒体传闻、论坛讨论等三类数据，最多可作为线索，不应覆盖或替代一类证据。
这种分层并不意味着 AI 自动变得可靠，恰恰相反，它把“数据把关”的责任重新放回研究者手中。模型可以更高效地处理、整理和呈现来源，但哪些数据可用、哪些结论需要被反证，仍需要人来设定规则。
Jack 认为，一个能够被长期信任的 AI 投研系统，至少应满足四项标准：研究过程模块化而非直接输出黑箱结论；每个模块具备清晰的数据逻辑与证据链；结论可以交叉验证，并主动寻找反向证据；当新信息出现时，系统能够持续更新并接受复盘。
AI 带来知识平权，不等于认知平权
随着大模型降低资料获取与学习门槛，“AI 是否会让个人投资者拥有与机构相同的认知能力”成为市场热议的问题。Jack 的答案很明确：AI 可以带来知识平权，但不等于认知平权。
“我们今天可以借助 AI 更快接触顶尖课程、研究论文和专业概念，这当然是一种巨大的知识平权。” 他说，“大家拿到同样的数据、同样的工具，也不意味着会形成同样的投资判断。”
差异来自现实经验，也来自对问题的定义能力。即使拿到相同的数据、使用相同的模型，不同研究者对于产业、风险、验证路径和仓位管理的理解不同，输入系统的结构也会不同，最终结论甚至可能走向相反方向。
对 Jack 而言，真正难以复制的“Edge”并不是一段公开代码或一个看起来成熟的提示词，而是研究者在真实场景里不断发现问题、修正问题、迭代框架的能力。公开展示的选股逻辑往往只是系统的一个切面；如何更早识别尚未被充分定价的变化、如何识别反向风险，才更接近研究能力的核心。
先在自己身上验证，再考虑产品化
目前，这套系统仍处于持续打磨阶段。Jack 将其称为 OPC（One Person Company）式的实践：先服务于自己的研究，再在使用中验证它是否真正解决了投资决策中的现实问题。
考虑到投资是高决策成本、高风险成本的场景，他对商业化保持谨慎。后续规划是，在个人使用足够成熟的基础上，先进行小范围内测；只有当系统能够稳定帮助研究者降低真实痛点，才考虑进一步产品化、商业化，并开放给更多研究者或投资者。
参加 AI 投研精英孵化计划，也为这套系统提供了一个外部校验场。Jack 提到，导师和不同背景学员带来的追问，尤其是关于“这套投研系统的 Edge 到底在哪里”的问题，促使他重新审视产品的差异化与可迭代性。
独立研究最容易陷入路径依赖：一个人可以持续优化自己的流程，却未必意识到盲区。对他来说，孵化计划的价值正在于把隐性的经验拿到外部讨论中，接受质疑，再把反馈带回系统。
当越来越多的人把 AI 想象成一个更快给出答案的工具，Jack 的实践提供了另一种路径：与其追求一个“万能买卖按钮”，不如先建立一套能解释证据、容纳反证、持续更新且可以复盘的研究基础设施。
投资判断最终仍由人承担；但一套被认真设计的 AI 工作流，或许能让这个判断不再只依赖零散信息、即时情绪和难以复述的直觉。
编辑说明：本文根据 TECHUB NEWS 对 Jack 的访谈录音、会议纪要及采访提纲整理。文中关于其个人系统、研究方法、市场案例与后续计划，均以受访者访谈表述及提供资料为基础。文中涉及 AI、半导体、数字资产、美股及其他资产的讨论，仅用于说明研究框架与方法，不代表对任何具体标的、行业或市场走势的推荐、预测或保证。
免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
