Loading...
Loading...
Uweb 新一期AI投研实训营开课，聚焦新一代投研精英培养围绕 AI 时代投研人才的能力建设，香港 Uweb（University of Web 3）商学院同步推进线下实训与线上孵化，将集中授课、产业研究与持续项目实践相衔接，构建覆盖认知提升、方法训练和成果孵化的培养路径。
自 2026 年 4 月开课以来，香港 Uweb 商学院的线下 AI 投研实训营已举办四期，累计招生 250 余人；线上 AI 投研孵化营面向具备研究与实践基础的申请者开展选拔，累计吸引 800 余人报名，最终遴选 50 人入营，通过八周课程、导师指导与项目共创，进一步深化专业训练。
新一期课程聚焦 AI 在投研中的应用，围绕信息获取、产业分析、价值判断与研究成果表达展开教学。Uweb 将专业投研方法与 AI 工具实践相结合，引导学员运用 AI 梳理市场信息、分析企业与产业变化，并对数据来源和结论依据进行复核，逐步建立适用于自身研究领域的 AI 投研工作流程。
香港 Uweb 商学院校长、HKCDAA 学术委员会轮值主席、中国通信工业协会区块链专委会共同主席于佳宁博士表示，“AI 正在同时改变投研的对象与方法。一方面，技术演进不断催生新的商业模式，要求研究者贯通产业逻辑、企业经营与价值判断；另一方面，智能工具正在深入信息处理和研究分析，要求专业人才具备更强的问题定义、证据甄别与人机协作能力。”
“AI 投研教育应当帮助学习者建立能够随技术和市场变化持续更新的研究体系，使工具效率与专业判断相互促进。”于佳宁指出，Uweb 希望依托在数字资产与前沿产业研究中的积累，将产业认知、研究方法和真实项目实践贯穿人才培养过程，帮助学员把对技术趋势的理解转化为有依据的研究成果，以及能够持续应用于实际工作的专业能力。
将技术演进纳入投研分析，深化 AI 产业认知
在本期 Uweb AI 投研实训营中，《卫斯李的投研笔记》主理人 Wesley 在分享里结合历史创新周期与宏观经济分析，讨论企业盈利、估值变化及产业周期之间的关系。
Wesley 还带来了 AI 浪潮的六大关键启示，具体为：一、每一次浪潮都要求大量前置的资本深化，早期浪潮聚焦于实物资本和基础设施，后期浪潮则聚焦于计算机、外设和软件。二、劳动力替代是过渡性的，而非永久性的，过去对大规模技术性失业的担忧并未成为现实。工作构成发生变化，一些岗位消失，另一些出现，但就业持续存在；三、生产率增长是这些浪潮的终极标志。早期扩散往往缓慢且不均衡，但一旦配套投资和组织变革到位，人均产出便会加速；四、创新浪潮反复包含至少一次重大繁荣-萧条，每个浪潮都呈现出狂热的资本形成、投机性融资、杠杆上升，最终导致收缩的相似模式；五、技术变革在提升总体生产率的同时，也在不同技能群体和行业间重新分配收入；六、政策至关重要，反垄断、社会保险和人力资本投资塑造了以往浪潮的结果。制度适应决定了收益是否被广泛共享。
围绕 AI 产业的分析与投研方法论，科技投资人 Bill Qian 从能源、芯片、基础设施、模型与应用等层次梳理产业链，并结合企业案例讨论研究框架的更新。其指出，“穿越周期，不变的原则是，回报遵循幂律，而非正态分布；Alpha 在各板块间轮动，分散化尤为重要；波动性是长期回报的必要代价。”
在《抓住 AI 复利的八大认识体系》课程中，智富界创始人 Lester Li 将产业周期、商业模式与个人能力发展联系起来。
Lester 表示，“AGI 之后，只有天赋比 AI 强，AI 会抹平所有靠勤奋维持的能力差距。补认知差有一个具体可执行的办法，就是让 AI 帮你找出你不懂什么，然后帮你补课。找到自己的能力之后，下一步是放大它。放大的方式是从使用者变成管理者，把 AI 当成岗位来配置，而不是当成工具来用。”
获港理工创新中心学术支持，开展八周精英孵化
在线下实训之外，Uweb 与 Techub News 联合主办 AI 投研精英孵化计划，由香港理工大学工商管理学院天坤数字稳定币与真实世界资产创新中心提供学术指导。孵化计划于 2026 年 8 月启动，设置八周培养周期，向具备研究基础与 AI 应用经验的入选学员免费开放。目前，一批学员项目已进入路演展示与评议阶段，覆盖投研决策、证据核验、资产配置和市场主线识别等投研环节。
孵化计划围绕金融投研方法论、AI 工具实战与专业影响力培养设置课程，组织 10 余位来自产业研究、AI 应用和内容领域的导师参与培养。核心导师包括香港 Uweb 商学院校长、香港理工大学工商管理学院 TGG 稳定币与 RWA 创新中心联合总监于佳宁博士，Uweb 技术合伙人、《成为提问工程师》作者方军，该创新中心发起人邓华程博士，曾任华为、戴尔高管的 AI 训练师曹玲博士，智富界创始人 Lester，CDAA 二级持证人、资深买方分析师 Todd，Web 3 研究员 BTCDayu，以及 W+联合创始人匿名博士等。导师通过案例拆解与作品点评，帮助学员完善研究框架、应用方案和成果表达。
Uweb 通过阶段任务与项目路演，将学员的研究问题、分析方法和工具方案纳入持续评议。根据公布的入选权益，学员可获得 Uweb 投研 Skill 及 Token、API 使用支持，并通过研究报告、图文作品和工具演示呈现成果。
根据主办方公布的第三场项目路演排名，crazyox 的“积木式 AI 投研决策闭环”、伯纳德 zkBernard 的“投研证据折扣器”和 Elina 的“全天候资产配置决策台”分列前三。三项作品分别围绕投研判断的可验证性、研究证据的可信度和资产配置流程展开，将课堂中的研究方法转化为可供展示与讨论的项目成果。
同场进入榜单的项目还包括 Jack 的“美股市场主线识别系统”、HuiDAO 提出的 AI token 与加密 token 平价指数，以及 Barry Jiang 的“可验证的个人 AI 投研系统”。其他学员的研究任务涉及策略实验归档、回测结果核验、财报解析和多源数据整合，回应投研工作中信息碎片化、研究结论难以复核、策略实验难以积累等具体问题。
根据规则，孵化计划的优秀成果有机会入选高校案例库与成果手册，表现突出的学员还可参与后续 AI 助教、AI 讲师及内容共创工作，使项目实践与后续专业协作相衔接。
贯通研究方法与项目实践，延伸精英培养路
香港 Uweb 商学院是专业的数字资产高端教育机构，立足香港，影响全球，以实现“打造全球 Web 3 顶级学府，赋能十亿人拥抱数字资产”为使命，传承八年的知识积累，拥有业内顶尖的校友网络以及广受赞誉的大咖教师资源。
Uweb 常年开设 Web 3 数字资产分析课程，涵盖现实世界资产（RWA）代币化、稳定币经济与数字资产投研配置，将基本面判断、链上数据分析和宏观经济联动纳入商业教学。今年以来，Uweb 进一步拓展 AI 投研课程，邀请研究人员、量化交易员和技术开发者参与交流，围绕多资产研究、智能体应用与专业人才培养，探讨 AI 进入金融业务的具体路径。
AI 持续进入投研的各个环节，研究人员需要在提高信息处理效率的同时，承担问题定义、价值判断与结论验证的专业责任。Uweb 旨在借助线下实训与线上孵化，将产业认知、投研方法和项目实践纳入持续培养过程，帮助学员把课堂所学转化为有依据的研究成果，并在实践反馈中不断修正和完善自己的方法。
随着导师指导、成果展示与后续共创逐步衔接，Uweb 希望为投研人才提供从学习到实践、从研究到专业协作的成长路径，让个人积累的知识与经验能够用于教学、研究和产业交流，为 AI 时代的金融研究与商业创新培养具备独立判断力和实践能力的专业人才。
专访「AI 投研精英孵化计划」学员 Jack – AI 原生个人投研系统撰文：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。
专访「AI 投研精英孵化计划」学员小花猫 —— AI 行情助手撰文：Alma Li，Techub News
导语：
从早年听说比特币挖矿、数次与机会擦肩而过，到 2017 年正式进入加密市场；从依赖经验判断周期，到尝试将链上成本、矿工成本、衍生品与市场情绪等信号结构化，小花猫正在搭建一套 AI 行情研究系统。
他不把系统定位为“买卖按钮”，而是希望它帮助使用者把分散信息转为可复盘的评分框架，在高波动市场中减少由不确定性带来的犹豫与恐惧。对他而言，AI 是提升效率和放大经验的工具，最终定义问题、理解风险并承担决策结果的，仍然是人。
核心观点：
“AI 不会替你承担风险，但它可以让你在做决定之前，知道自己究竟在依据什么。”
从早期接触到真正入场：不是先知先觉，而是认知发生变化
TECHUB NEWS：先请你介绍一下自己。你是什么时候开始接触比特币和 Web3 市场的？
小花猫：小花猫：我在上海，日常工作主要是做企业数字化系统落地，在制造工厂数字化系统方面做了十多年产品经理。比特币我接触得比较早，2011 年朋友就喊我去挖矿，但当时没有认真研究它的价值，所以错过了。其实更早在 2009 年前后，我在一些电脑杂志和海外论坛看到过相关讨论，不过当时也不太懂。
小花猫：2013 年那轮牛市，比特币涨到一千多美元，媒体报道很多；后来市场下跌，加上外部环境的影响，我也没有继续关注。直到 2015 年，一位大学同学问我数字货币该怎么买，我才开始认真查资料，研究比特币白皮书、运行机制和价值逻辑。真正进入行业是 2017 年。当时百度玩客云等硬件和挖矿话题很热，我本身学计算机，也喜欢折腾硬件，于是研究矿机、加入 QQ 群，慢慢真正进入这个市场。
TECHUB NEWS：从“知道比特币”到愿意把它作为长期研究对象，你的认知发生了什么变化？
小花猫：小花猫：早期大家很容易把它当成类似 Q 币的东西，觉得没有价值。那时中文资料很少，想研究要去海外论坛看英文资料；节点同步、钱包使用也比现在困难得多。很多人即使拿到比特币，也未必知道怎样保存。
小花猫：后来我逐渐理解，比特币不是突然出现的。此前加密朋克和数字货币领域已经做过很多探索，只是在密码学、基础设施等条件成熟，加上金融危机后的时代背景下，比特币才真正有机会跑出来。理解了这些历史与机制后，我才开始把它当作一个值得长期研究的方向。
TECHUB NEWS：2017 年入场后，你为什么没有选择高风险、高仓位的方式？
小花猫：小花猫：我个人的风险偏好比较保守。如果我觉得一项风险超过一半，通常就不愿意承担。所以我基本以 BTC、ETH 这类主流资产为主，山寨币会买一点，但更多是试错。
小花猫：我也有遗憾，比如 BNB 当时买得很低，但没有一直拿住。不过我不认为这意味着应该放弃风险控制。主流币未必带来最高收益，但相对稳妥。对我来说，先把自己留在市场里，比追求每一次最高收益更重要。
市场手感：长期靠认知，短期靠周期判断
TECHUB NEWS：你想把自己的市场经验转成 AI 行情系统。在你看来，所谓“市场手感”到底是什么？
小花猫：小花猫：要先区分长期投资和短期交易。长期投资的核心，是对资产价值的认可，以及使用闲钱。身边有朋友很早买入比特币，买完放进冷钱包多年不看，最后获得较高回报。要么是他对比特币有坚定信念，要么是这笔钱对他而言可以承受损失，不会因为短期波动被迫卖出。
小花猫：短期交易则不同，更多是对行情和周期的判断。比特币过去有比较明显的周期特征，投资者需要识别顶部、底部以及市场所处阶段。如果想做高抛低吸，但对周期的判断不够准确，很容易踏空，或在剧烈波动中被甩下车。
TECHUB NEWS：你怎么看近期热门的 Meme 币或高波动资产？AI 能否替投资者找到下一个机会？
小花猫：小花猫：我会把 Meme 币当作买彩票。市场里经常有谁赚了很多倍的故事，但这很容易产生幸存者偏差：那么多人参与，最后真正赚钱的可能只是少数。更不用说频繁交易中还有 Gas 费、平台费用等损耗。
小花猫：不能因为看到几个成功案例，就认为它是一条可以轻易复制的路径。投资一定要有自己的体系。我的观点一直是，财富是认知的变现。你在一个领域短期赚到钱，不代表能在另一个你不了解的市场继续赚；没有对应认知，可能又会把收益亏回去。
把经验做成系统：用评分对抗信息碎片和决策恐惧
TECHUB NEWS：为什么会想到做这套 AI 行情助手？它最想解决的是什么问题？
小花猫：小花猫：以前我判断周期行情，主要依赖自己的经验。但加密市场波动很大：今天你觉得像低点，买入后明天可能又跌 10%，或者突然出现黑天鹅。即使从指标上判断接近适合买入的位置，真要下重仓决策时，内心还是会恐惧。
小花猫：这种恐惧很大程度上来自信息没有被量化。过去我会在微信群、X 平台和不同网站上看数据，每个人都有自己擅长的指标，但信息很碎片，没办法综合判断，最后还是靠感觉。于是我想，如果把重要指标收集起来、设定权重、形成明确分数，至少能让判断更可量化，减少犹豫。它有点像一个帮助你下决心的工具或朋友，但不是替你做决定。
TECHUB NEWS：系统主要参考哪些数据？顶部与底部的判断是否使用同一套逻辑？
小花猫：小花猫：不是同一套。底部判断上，链上成本是一个比较核心的指标，矿工成本在过去几轮周期中也比较有效；200 周均线或周线等，也会给一定权重。顶部判断则更看衍生品数据和市场情绪。
小花猫：系统不是挑一个指标说了算，而是把多个指标合起来。权重也不是永远固定的：一个指标在过去有效，不代表在所有阶段都有同样的重要性，所以需要根据市场结构变化持续调整。
TECHUB NEWS：你如何设计系统的评分机制？
小花猫：小花猫：系统每天会打分，但不是简单用一个单向分数。我设计了“牛顶分”和“熊底分”，可以理解为看多和看空两组证据在博弈，像正方和反方同时提出依据。
小花猫：最后根据两组分数的差值，判断市场处于顶部偏向、底部偏向还是中性。这样系统不会因为一个指标强烈看多或看空，就直接给出绝对结论；当两边证据接近时，系统的“中性”状态本身也是一个结论，说明当前方向还不够明确。
市场结构变了：指标权重也要持续迭代
TECHUB NEWS：本轮市场机构化程度更高，宏观因素也更复杂。过去有效的周期指标，如何确认今天仍然适用？
小花猫：小花猫：不能说历史指标一定失效，也不能机械照搬。比如链上成本仍有参考意义，但判断低点本身不可能精确到某个绝对价格。若系统提示进入底部阶段，我认为更合适的做法通常是分批、定投，而不是试图一次性抄在最低点。
小花猫：矿工成本也是这样。过去它比较重要，但现在新增挖矿产出占整体市场的影响相对变小，权重就可以下调。同时，机构资金进场等变化，也需要被纳入新的权重体系。市场变了，系统的权重也要跟着变。
TECHUB NEWS：系统如何验证？目前得到的回测结果是什么？
小花猫：小花猫：我回测了 2018 年至今的数据。按系统自己的分类，底部偏向的判断准确率约为 90%，顶部偏向约为 70%。系统上线运行二十多天以来，也给出两次阶段性顶部和底部转向的判断，都命中了。
小花猫：但我要强调，这些是系统内部的历史回测和阶段性观察，不代表未来，也不是收益承诺。市场环境会变化，系统仍要持续迭代和验证。
TECHUB NEWS：置信度在系统里扮演什么角色？
小花猫：小花猫：我后来加入了置信度机制。多个指标产生共振时，系统的置信度会更高；如果指标之间没有形成共振，置信度就会下降。
小花猫：这不是说高置信度就必然正确，而是让使用者知道：当前结论背后的信号是否一致。它相当于又增加了一层辅助判断，提醒我们不要只看一个结果，也要看这个结果的证据基础。
AI 是放大器，不是替人拍板的机器
TECHUB NEWS：在受访当时，系统对于市场状态给出的结论是什么？
小花猫：小花猫：当时系统判断是中性，但顶部相关分数略高，属于中性里的偏顶部。此前市场处于约 82,000 美元附近时，系统曾显示偏顶部；随后下跌后，状态回到中性。
小花猫：对于具体点位，我只能说那是当时基于系统与个人观察的看法，不应被理解为投资建议。市场如果出现强烈宏观冲击或超级黑天鹅，走势可能完全改变。系统更重要的作用是识别阶段性倾向，而不是精确预测每一个价格。
TECHUB NEWS：系统使用的是付费数据还是免费数据？AI 在其中承担什么角色？
小花猫：小花猫：K 线等基础数据主要来自公开可获得的数据源，其他指标也通过公开网站信息获取。底层开发使用了 GPT、Codex 等 AI 工具。
小花猫：但我认为，AI 本身不是核心壁垒。大家可能用到相近的模型和数据，结果却不一样，区别在于你怎么定义问题、选择什么指标、如何设权重、怎样理解市场变化。AI 更像能力的放大器：它能提升开发和迭代效率，但不能自动替你形成正确的投研逻辑。
TECHUB NEWS：这套系统未来会直接面向个人投资者开放吗？
小花猫：小花猫：目前我更倾向于先自用或和机构合作。个人投资者的认知、风险承受能力和使用方式差异很大。如果把系统简单包装成买卖信号，很容易被误用。
小花猫：按系统的回测和策略设想，如果一年能捕捉到若干阶段性波段，可能有约 20% 至 30% 的年化目标区间；但这只是内部回测和策略设想，不是实际业绩，也不构成任何投资建议。商业化之前，更重要的是继续验证系统、明确适用边界，并把风控放在前面。
从孵化营到产品落地：不要只留下 PPT
TECHUB NEWS：AI 投研精英孵化计划给你带来了什么收获？
小花猫：小花猫：孵化营让我重新关注数据可靠性、未来函数和验证方法的问题。做投研系统不能只看回测曲线是否漂亮，也要确认有没有使用当时不可能获得的未来数据，数据质量如何，市场结构改变后策略是否仍然有效。
小花猫：从开发效率上，AI 工具确实帮助我快速做出很多系统和原型。但我更看重把它们真正做成可以验证、可以迭代、可以商业化的作品。
TECHUB NEWS：你对后续孵化营有什么建议？
小花猫：小花猫：我觉得最重要的是鼓励大家真正把项目做出来。很多项目容易停留在 PPT 或概念阶段，但只有进入真实使用场景，才会遇到数据、逻辑、用户体验和风险控制的问题，才有机会不断迭代。
小花猫：另外，AI 应用也不应该只集中在金融。制造业、医疗和企业数字化等传统行业同样有很多值得做的场景。希望之后可以有更多跨行业的项目和讨论。
编辑说明：本文根据 TECHUB NEWS 对小花猫的访谈录音、会议纪要及时间轴文本整理，有删节。文中关于其个人经历、系统功能、数据来源、回测表现、市场判断和商业化计划，均以受访者访谈表述及提供资料为基础；其中涉及历史回测、准确率、目标收益区间和市场观点的内容，尚未经独立第三方审计、验证或复核。
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、投资招揽或对任何资产的买卖推荐。证券、期货合约及虚拟资产价格可升可跌，虚拟资产属高风险投资，投资者可能损失部分或全部本金。过往表现、历史回测及受访者观点不代表未来结果。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。
「AI 投研精英孵化计划」硅谷深度行：从科技现场到产业于投资判断 —— Todd导语
过去十年，人工智能完成了从技术突破、产品化爆发到基础设施大规模扩张的跨越。如今，行业正在越过“只要加大投入就能获得估值奖励”的阶段，进入更严肃的经营考验：模型是否能稳定变现？数据中心能否提升利用率？巨额资本开支何时回收？而当 GPU 供给逐步改善，电力、并网、冷却和工程能力又如何成为新的稀缺资源？
这篇文章基于一场关于 AI 产业投资逻辑与硅谷见闻的课程分享整理，尝试从产业周期、价值链、存储价格、模型竞争、能源约束与 Physical AI 等维度，梳理 AI 下半场最值得关注的变化。
核心摘要
AI 产业可概括为三段演进：2016—2021 年的技术突破与视觉 AI 落地、2022 年的估值出清与 GPT-3.5 产品化拐点，以及 2022 年末以来的 AI 基础设施建设周期。
2025 年末前后成为重要分水岭：市场从奖励“敢于大举资本开支”，转向要求企业证明收入、现金流、利用率和回报周期。
AI 产业链可分为下游模型与应用、中游云与算力服务、上游半导体与能源。模型层的定价权，决定了成本和利润能否向上游传导。
存储涨价周期表明，价格上涨并不自动等于长期机会；当终端承受力达到上限，需求收缩、替代方案和新增供给都会反过来压制价格与估值。
算力瓶颈正由芯片供给向能源基础设施迁移。未来数据中心的扩张不仅取决于 GPU，还取决于电力接入、输配电、冷却、并网和建设能力。
大模型竞争正在分化为极致性能、极致性价比和垂直场景三条路线；真正的胜负手是能否形成可持续的单位经济模型。
人形机器人和 Physical AI 仍面临三维世界数据不足与泛化能力有限的问题，短期更适合在标准化、可控场景落地；自动驾驶则更接近规模化商业运营。
从 AlphaGo 到大模型：AI 的三次断代
回看近十年的 AI 产业发展，可以大致分为三个阶段。
第一阶段：技术突破与视觉智能落地
2016 年，AlphaGo 战胜李世石，让公众第一次直观感受到人工智能在复杂任务上超越人类的可能性。随后，AI 产业的关注度迅速升温，但在相当长时间内，商业化落地主要集中于计算机视觉领域。
这一时期，商汤、旷视等视觉 AI 公司成为典型代表。市场认可 AI 的技术价值，却仍在寻找更广泛的产品形态与商业场景。可以说，当时的 AI 已经“足够聪明”，但离大规模、低门槛地服务普通用户仍有距离。
2020 年前后，GPT-3 等模型已让研究人员意识到生成式 AI 的潜力，但普通用户尚未真正感知其变化。原因并不复杂：技术能力已有雏形，产品交互却尚未成熟。
第二阶段：估值出清与 GPT 时刻
2022 年，全球流动性收紧、风险资产估值回落，市场经历了广泛的“去泡沫”过程。对于 AI 产业而言，这一轮调整并非只是资本市场的降温，也为下一轮产业周期释放了空间。
真正的转折出现在 2022 年末。GPT-3.5 以更易用的聊天交互方式进入公众视野，生成式 AI 第一次从研究成果变成了可被大规模体验的产品。技术突破、产品成熟度提升与宏观环境变化在这一时间点叠加，构成了新一轮 AI 周期的重要起点。
第三阶段：AI 基础设施扩张与 ROI 考验
从 2022 年末开始，AI 进入基础设施建设周期。数据中心、GPU、CPU、存储、网络连接、机柜与配套电力系统，都成为产业链的关键投入方向。
在这一阶段的前半段，市场更关注企业是否足够积极地扩大资本开支：建更多数据中心、采购更多芯片、部署更多算力，往往被视为抢占未来的必要动作。
但到 2025 年末前后，市场的评价标准开始发生变化。企业不再仅仅因为“投入更多”而获得认可，投资者开始追问更具体的问题：
资本开支能否转化为收入？
数据中心的利用率是否足够高？
设备折旧、融资成本和电力成本能否覆盖？
算力租赁的价格是否能够维持？
模型服务是否拥有持续提价能力？
AI 由此进入“算账”的下半场。增长仍然重要，但增长的质量、回报周期和现金流能力变得更加重要。
重新理解 AI 产业链：模型、云与能源
理解 AI 投资逻辑，需要先统一产业链视角。
产业环节
典型参与者
核心职责
关键问题
下游
模型厂商、AI 应用公司
面向企业和消费者提供模型能力、应用服务
能否形成用户价值与持续付费
中游
云厂商、算力服务商
建设并运营数据中心，提供计算资源
利用率、租赁价格、回本周期
上游
半导体、存储、网络、能源厂商
提供芯片、设备、材料、电力等基础能力
供需关系、价格、产能与基础设施约束
在这个框架中，模型厂商是直接面向用户的一端，包括通用大模型、行业模型和 AI 应用服务商。它们决定了 AI 能力能否转化为真实收入。
云厂商则更像“数字时代的商业地产开发商”：先投入资金建设数据中心，再把算力以云服务或租赁的方式提供给客户。其商业模型并不神秘，核心是投入、利用率、租赁价格、折旧与回本周期之间的平衡。一个健康的云业务，需要能够在相对明确的周期内收回资本投入。
而半导体与能源构成了产业链的上游基础。过去数年，GPU、存储、服务器、网络设备等硬件成为最受关注的环节；但随着数据中心规模迅速扩大，新的约束已经逐渐显现：芯片未必是唯一稀缺资源，稳定、可接入、可扩容的电力正在成为更重要的瓶颈。
“全产业链通胀”正在被打破
AI 基础设施周期之所以能带来显著的产业机会，本质上依赖于一种类似“全产业链通胀”的机制。
以传统地产周期为例：当下游房价和土地价格持续上涨时，开发商可以承受更高的水泥、钢材、设备和人工成本。下游能够涨价，就会将利润和价格空间逐步传导至中游与上游，最终形成整条产业链的盈利扩张。
AI 产业同样如此。
如果模型厂商可以持续提高服务价格，或者通过更高价值的产品和更大的调用量扩大收入，那么云厂商能够承受更高的算力建设成本，上游的 GPU、存储、服务器和能源供应商也更容易获得更高的价格与利润。
但问题在于：模型服务是否真的具备长期提价能力？
随着中国模型厂商加速追赶、开源模型能力提升，以及全球大模型竞争持续加剧，模型层的价格战正在削弱这一前提。若模型能力逐步趋同，服务价格持续下降，产业链就可能从“量价齐升”转向“量增价不涨”。
这将直接改变投资判断：需求增长依然存在，但估值扩张和利润率提升未必能够同步发生。
存储周期的启示：涨价并不等于长期机会
存储行业是理解周期波动的一个典型样本。
在周期底部，市场常常表现为价格低迷、交易冷清、投资者缺乏兴趣；而当需求改善、库存下降和供给扩张不足同时出现时，价格会迅速上行。涨价初期，市场通常会给予更高的预期和估值。
但价格并不可能无限上涨。
课程中以消费级内存为例指出，当终端产品价格涨到用户难以承受的水平时，需求会明显收缩。对于消费者而言，硬件价格过高并不会自动带来更多购买，反而可能让用户延迟换机、减少配置，甚至放弃相关消费。
这背后反映的是一个朴素的经济规律：供给端的涨价，最终可能引发需求端的崩塌。
对于企业级市场，情况可能有所不同。大型云厂商和数据中心客户对高性能存储有更强的刚性需求，短期内仍可能接受更高价格。但一旦价格过高，也会激励客户寻找替代供应商、优化软件架构、调整采购节奏或推动新产能进入市场。
因此，判断周期品不能只看“是否涨价”，更要看三个问题：
涨价来自真实需求增长，还是短期供给扰动？
下游是否有能力把成本继续转嫁出去？
高价格是否会损害终端需求，或吸引新的供给进入？
从这一角度看，存储行业未来更可能进入需求稳健、价格趋于理性、回报更依赖分红与回购的阶段，而非持续依靠估值抬升实现高弹性增长。
算力瓶颈正在从“卡”转向“电”
过去两年，市场讨论 AI 时，最常见的问题是“GPU 够不够”。而从硅谷一线观察来看，真正的约束正在发生迁移：越来越多情况下，问题不再是有没有芯片，而是有没有足够的电力、变电设施和并网能力让这些芯片真正运行起来。
一座大型 AI 数据中心的建设，远不只是采购服务器。它还需要：
稳定且规模足够的电力供应。
输电、变电和配电基础设施。
冷却系统与机房工程能力。
土地、审批、并网和建设周期。
长期可预测的能源成本。
也就是说，GPU 即使已经到位，如果数据中心无法及时接入电网，算力资产就无法转化为收入。
这也是为什么 AI 基础设施投资的重点正在从单纯的半导体扩展到能源与电力设备：发电能力、电网改造、变压器、输配电设备、备用电源、冷却系统和数据中心工程能力，可能都将成为影响产业扩张速度的重要变量。
对于投资者和产业参与者而言，这意味着一个重要变化：未来 AI 产业链的超额收益，未必只来自“卖算力”，也可能来自“让算力真正插上电”。
大模型竞争：性能、价格与工程能力的分化
大模型行业正在走向明显分化。
一类公司仍然坚持追求最强模型能力，通过更大的训练规模、更高的推理成本和更激进的技术路线来维持领先优势。这类路径需要持续投入巨额资本，也需要依靠更强的性能建立品牌、用户与定价权。
另一类公司则更注重工程效率和性价比：不一定每一次都追求参数规模或排行榜第一，而是关注模型是否足够好用、推理成本是否足够低、开发者是否愿意接入、企业是否愿意采购。
这两种路线并不存在绝对优劣，关键在于商业模式能否闭环：
极致性能路线需要证明，用户愿意为领先能力支付溢价。
极致性价比路线需要证明，成本优势可以转化为规模与利润。
垂直应用路线需要证明，行业场景能够形成更高的切换成本和付费意愿。
真正值得关注的，并不是模型发布时的热度，而是模型能力能否带来可持续收入、留存率和单位经济效益。
Physical AI 仍在早期，自动驾驶更接近商业化
“物理 AI”与人形机器人是当前最受关注的前沿方向之一，但其难点远比训练一个语言模型复杂。
语言模型主要处理文本、图片、代码和视频等互联网数据；而机器人需要在真实三维世界中完成感知、理解、规划和执行。这意味着它不仅要“看见”物体，还要理解距离、方向、力度、摩擦、重力、触感、空间关系以及操作后果。
例如，一个机器人学会开门，并不代表它就能顺利关门；学会拿起一个杯子，也不代表它能在不同材质、不同重量、不同桌面环境下稳定完成操作。核心挑战在于泛化能力不足，以及高质量三维、多模态、具身交互数据的缺失。
因此，机器人短期内更可能先在高度标准化、重复性强、环境相对可控的场景中落地，如工厂、仓储、物流、清洁和特定服务流程，而不是立刻成为可以适应任何家庭环境的通用助手。
相比之下，自动驾驶在特定区域、特定天气与特定运营条件下，已经更接近规模化商业落地。其本质同样是 Physical AI，但它拥有更明确的任务边界、更密集的数据来源和更直接的商业化路径。未来，自动驾驶的发展仍将取决于安全性、成本、监管和运营效率，而非单一技术指标。
结语：AI 的机会没有结束，只是评价体系变了
AI 基础设施建设尚未结束，但“只要扩张就有价值”的阶段正在过去。
接下来的产业机会，更可能集中在能够解决实际约束、创造真实现金流的环节：更高效的模型、更可控的推理成本、更高利用率的数据中心、更稳定的能源供给，以及能够在真实物理世界中长期运行的智能系统。
对于产业参与者而言，最重要的能力不再只是讲述技术故事，而是回答一个更现实的问题：这项技术最终如何创造收入、降低成本，并在持续竞争中保持回报？
当 AI 进入“算账时代”，真正的分水岭不在于谁拥有更多概念，而在于谁能把概念变成可复制、可交付、可持续的商业结果。
说明：本文依据课程录音转写与会议摘要整理，涉及的市场判断、行业观点与案例仅代表分享者的分析框架，不构成投资建议。
从“数据看板”到“决策闭环”：AI 投研产品化的底层逻辑与架构跃迁撰文：TECHUB NEWS 记者 Alma Li 香港报道｜2026年8月27日
曹玲博士解构四层架构，深剖紫金矿业“算法罗生门”
【核心观点】
AI 投研正经历从“数据看板”向“闭环决策产品”的质变。在 AI 工具平权的时代，简单的可视化看板已失去护城河，真正的价值在于将专业经验模块化为“Skill”，构建从数据处理到决策复盘的五段正向循环。通过“四层架构”与商业级工程标准的约束，分析师正从工具使用者进化为系统架构师。在算法与逻辑的博弈中，数据一致不代表洞察一致，专业经验沉淀的逻辑框架（Framework）才是捕获阿尔法（Alpha）的核心壁垒。
1. 淘汰赛半程：AI 投研孵化营的残酷与进化
在 AI 浪潮的席卷下，金融投研领域正经历一场无声的“物种进化”。2026年8月27日晚，由 Uweb 与 Techub News 联合推出的 AI 投研精英孵化营迎来了关键的第三周。这不仅是一场知识分享，更是一场残酷的生存竞争。
主持人 Uweb 在开场中透露，由于严格的评分与淘汰机制，直播间的人数虽因学员被裁汰而减少，但这反而意味着“精华”的留存。Uweb 犀利地指出，目前市场上几乎没有真正跑通的 Web Coding 付费产品，大多数应用仍停留在私域分享的“小打小闹”阶段。本次直播课的核心任务，正是要解决这一行业痛点：引导投研人员跨越从“作品”到“产品”的鸿沟，在充斥着“套壳工具”的市场中构建具备商业价值的金融资产。
2. 视角跃迁：从“可视化汇报”到“架构师的价值闭环”
曹玲博士在课上提出了一个引发深思的观点：大多数投研人员对数据的处理止步于“看板”，这种行为本质上与用 PPT 汇报工作无异。要实现商业化，必须完成从“展示视角”向“架构师视角”的跃迁。
数据应用的四层递进架构
曹玲将金融数据应用系统拆解为四个严密的层级：
数据层（原始性）： 整个链路的基础，强调数据的稀缺性与准确性。
信息层（可视化）： 将数据规整为图表。曹玲指出，绝大多数看板停留于此，仅解决了“好看”的问题。
洞察层（算法动因）： 产生高价值的核心。它解释了“为什么涨跌”及底层逻辑动因，是架构师关注的重点。
决策层（行动判断）： 最终目标，直接输出买卖或风险规避的可落地建议。
拒绝“黑盒”，拥抱溯源
曹玲强调，决策层如果没有洞察层的“证据链”支撑，对投资者而言就是危险的“黑盒”。投资者不仅要看结果，更要看到逻辑的可追溯性。为此，她推导出了金融应用必选的**“五段正向循环”**：
获取数据 - 整理计算 - 可视化分析 - 洞察推导 - 决策复盘
在金融领域，“复盘”与“回测”不是可选项，而是必选项。只有通过复盘，才能将 AI 的黑箱操作透明化，验证决策逻辑的有效性。
3. 拒绝“草台班子”：商业级金融产品的十项硬指标
一个脆弱的脚本如何转化为可商业化交付的金融资产？曹玲博士提出了严苛的工程底线，这是获得用户信任的基础。
架构五要素：产品的骨架
拆得开（模块化）： 能够像微服务一样解构功能。
改得动（配置化）： 无需重写核心代码即可调整策略（如 JSON/YAML 配置）。
放得下（自动化）： 减少人工干预，实现常态化、计划性任务运行。
查得清（可观测）： 出现异常时能快速定位根源。
走得稳（版本化）： 支持模型对比、回测与平滑升级。
商业级产品 10 项最低标准自检清单
为了避免将 Demo 当作交付，开发者必须满足以下标准：
数据源可替代性： 具备多个数据源（如腾讯、雅虎、东方财富）的交叉验证与备选。
配置化： 逻辑与参数分离，支持外部配置。
时间戳追溯： 所有输出结果必须附带精确的时间戳。
失败重试机制： 具备完善的报错捕获与自动重试功能。
异常定位： 能够精确识别是 API 故障、模型幻觉还是代码 Bug。
Token 消耗控制： 具备成本监测，防止盲目消耗。
内存与上下文管理： 确保长周期运行下系统不崩溃。
模块化 Skill 沉淀： 专业的分析经验必须封装为可复用的模块，而非一次性脚本。
证据链引用： 所有结论必须标注原始数据来源。
环境隔离： 开发、测试与生产环境必须分离。
曹玲指出，在多智能体（Multi-Agent）系统中，**“微服务理念”**是核心。专业分析师的经验应被视作一个个“微服务”，通过模块化的 Skill 插入系统，从而实现专业能力的倍数放大。
4. 实战复盘：从教育平台到博士之路的“产品化”路径
曹玲通过两个亲手开发的案例，展示了如何利用 Cursor 工具并坚持 PRD（需求文档）先行 的方法论。
案例一：智慧教育平台（PC 端）。 基于“妈妈开发者”的痛点，该项目利用 PRD 严密拆解系统。通过后台的**“知识库管理”**功能，解决了香港教材差异化的商业逻辑。开发者只需上传 PDF 教材，即可自动生成针对性题库。这种精准的垂直定制，证明了“利己”痛点向“利他”产品转化的可行性。
案例二：港理工博士之路（微信小程序）。 针对博士生入学信息不对称的痛点，曹玲选择了移动端形态。该项目集成了 Tencent MCP（腾讯地图组件插件） 实现校园导航，并设计了导师分配、作业提交等场景化功能。曹玲强调，小团队的护城河在于“为什么是你做”——只有走过博士之路的人，才能沉淀出如此不可替代的专业 Skill。
5. 火热辩论：当算法碰撞框架——紫金矿业与美光的“罗生门”
课堂最精彩的环节是关于“阿尔法来源”的深度辩论。学员 Bruce 挑战了行业共识：“既然基本面数据是客观一致的，为何不同 AI 会对紫金矿业或**美光（Micron）**得出截然不同的分析结果？”
这场辩论火药味十足，揭示了 AI 投研的深层逻辑：
Jack 的犀利反驳： 就像炒菜，食材（数据）虽同，但下锅顺序、火候（分析逻辑链条）不同，菜的味道（结论）天差地别。
岳瑞 Ryan 的回应： 简单的对话窗口只是信息收集，只有加载了专业框架（Framework）的 Agent 才能输出具有信号意义的洞察。
曹玲博士的总结： 差异化源于分析框架的选择与算法权重的配置。在分析紫金矿业时，某套框架可能给予基本面 70% 权重，而另一套可能更侧重舆情或非结构化信息（如管理层变动）。
结论： 数据一致不代表洞察一致。在 AI 时代，分析师的壁垒不再是获取数据，而是那套沉淀在 Skill 里的专业经验。
6. 未来预见：AI 时代的人类创造力与教育演化
在技术爆炸的背景下，曹玲博士认为 AI 虽能覆盖“知识点”和“知识面”，但在构建“知识体系”与“人类创造力”层面仍有天然局限。
未来，高等教育将从“讲授制”转向“项目驱动”与“学以致用”。AI 不会取代分析师，而是作为“放大镜”，将专业经验的效能提升十倍百倍。分析师的工作重心将从海量阅读转向形成洞见、审核关键变量以及最终决策。
7. 结尾：编辑说明与免责声明
编辑说明： 本文由 Techub News 记者基于 AI 投研精英孵化营 2026 年 8 月 27 日直播课堂字幕及时间轴整理。内容旨在客观还原导师与学员的观点碰撞，未经发言人本人审核。
免责声明： 文中涉及的所有标的（如紫金矿业、美光等）及相关分析仅作为学术讨论和产品逻辑演示，不构成任何投资建议。
AI 投研进入本地智能时代：AMD 携手创造进化AInvestor 打造端侧 AI 投研解决方案，提升投资决策效率在人工智能快速迈向智能体（Agentic AI）时代的今天，AI 正从辅助工具演进为能够协同完成复杂工作的“数字员工”。对于投资机构而言，项目筛选、尽职调查、风险分析、投资建议书撰写等工作涉及大量非结构化数据和专业判断，传统投研模式越来越难以满足投资机构对于高效率、高质量和数据安全的需求。
AMD 携手 创造进化（北京）科技有限公司AInvestor 推出的AI 投研一站式解决方案，基于AMD 锐龙AI Max+ 395 Mini AI 工作站打造，将本地大模型、多智能体协作（Multi-Agent）、私域知识库（RAG）融合端侧 AI 能力，为一人基金、小型 GP、VC/CVC、家族办公室等机构带来一套完整的 AI 原生投资分析与决策解决方案，实现从项目筛选、信息核查、风险识别到投研报告生成的全流程智能化。
破解传统投研痛点，让 AI 成为数字化投研团队
投资机构每天需要面对海量商业计划书（BP）、行业研究、财务数据、法律文件、访谈纪要及公开信息。传统模式下，大量工作依赖投资经理人工阅读、交叉验证和经验判断，不仅效率有限，也容易受到个人经验差异影响。
AInvestor 将 AI 能力深度融入投研流程，重点解决四大行业难题：
海量项目材料难以及时完成初筛，优质项目容易被遗漏
尽职调查信息来源分散，人工交叉验证耗时耗力
投资经验难以形成组织资产，优秀方法难以复制
BP、财务数据、法务资料等敏感信息不适合上传公网 AI 平台，存在合规与安全风险
AMD 锐龙 AI Max+ 395：为端侧 AI 投研提供强大算力
相比传统云端 AI 方案，AInvestor AI 投研一站式解决方案采用 Mini AI 工作站形态，具有低功耗、小体积、易部署等特点，可直接部署于办公桌、会议室或路演现场，让 AI 能力真正走进投资工作的每一个场景。
它采用AMD 锐龙 AI Max+ 395处理器，16核32线程，NPU 算力至高可达50 TOPS，支持最高128GB 统一内存，其中最高96GB 可作为 GPU 显存使用，内存带宽约256GB/s，能够支撑122B 参数级MoE本地大模型运行以及长上下文推理任务，为复杂投研分析提供充足算力。
多智能体协作，让 AI 模拟真实投研团队
AInvestor基于AMD 锐龙 AI Max+ 395 Mini AI 工作站，围绕真实投资流程构建了多个专业 Agent，包括市场 Agent、技术 Agent、业务 Agent、财务 Agent、法务 Agent、风险 Agent以及报告 Agent，各智能体按照真实投资团队分工协同工作，对同一项目开展交叉分析，并最终形成统一输出，包含量化评分、定性判断、核心结论、关键验证点及下一步尽调建议的标准化投资分析结果，为投资经理提供更加全面、高效的决策支持。
私域知识库，让机构经验持续沉淀
对于投资机构而言，真正有价值的，不只是完成一次尽调，而是不断积累机构自己的知识资产。
AInvestor 支持构建本地 RAG 私域知识库，将历史投资项目、行业资料、投资偏好、风险标签、案例库及尽调模板持续沉淀，形成属于机构自己的“数字大脑”。随着项目不断积累，系统能够持续优化分析能力，使优秀投资经验转化为可复用、可继承的标准化工作流程。
这种能力不仅提升了团队协同效率，也有效降低了因人员流动带来的知识流失风险。
端云协同脱敏机制，兼顾本地安全与云端智能增强
更重要的是，商业计划书、财务资料、法律文件、访谈记录以及投资建议书均可在本地完成处理，有效降低敏感数据上传公网带来的风险。对于需要结合公开信息和外部数据的客户，AInvestor 也可根据机构安全策略提供端云协同模式，在本地处理基础信息，完成敏感信息的识别、分类和脱敏处理，之后再用云端进行增强分析。这使投资机构既能利用端侧工作站处理高敏感材料，又能在可控范围内调用云端模型进行公开信息检索和分析，从而在数据安全、合规管理与 AI 分析效率之间取得更好的平衡。
AI 投研，助力投资机构迈向智能化未来
目前，AInvestor 已在中关村资本、衍至基金等国资和市场VC 基金等机构开展应用与验证，主要用于真实项目分析、基金内部投研辅助、AI 投资工作站测试以及早期项目评估。
随着 Agentic AI 持续发展，AI 正逐步成为投资机构的重要生产力。依托 AMD 锐龙AI Max+ 395 处理器的强大端侧 AI 能力，AInvestor 将大模型、多智能体协作和私域知识管理深度融合，为投资行业打造更加安全、高效、智能的 AI 投研新范式，让 AI 真正成为投资机构的长期可信赖的数字伙伴和基础设施。
AI投研精英孵化计划首批入选名单公布（第二批）50 位未来 AI 投研人才集结，第二批 25 人正式亮相。
当 AI 重塑产业、金融与研究方法，投研能力的边界也正在被重新定义。经过报名审核与面试筛选，AI 投研精英孵化计划现已确定 50 位入选者。今天，我们正式公布第二批 25 位入选学员名单。他们来自不同专业背景与实践领域，却因对 AI、投资研究和创新实践的共同热情汇聚于此。
本计划由 Uweb 商学院与 Techub News 联合主办，由香港理工大学工商管理学院—天坤数字稳定币与真实世界资产创新中心提供学术指导，受到多家机构和媒体全力支持，面向全球招募具备实践基础、成长潜力与探索精神的 AI 投研人才。未来 8 周，学员将通过系统课程、项目共创、工具实操、成果点评与研究实践，探索 AI 时代投资研究的新方法、新工具与新表达。
多元背景汇聚，AI 投研新力量正在集结
本次招募吸引了来自不同领域的优秀实践者报名，并从中遴选出具备学习热情、研究基础与创新潜力的学员。第二批入选者中，部分来自国内大厂、头部基金、知名高校、卓越资管机构及优秀开发者社区，覆盖科技、金融、研究、产品与开发等多元背景。
他们有的身处产业一线，关注 AI 技术落地与商业演进；有的长期深耕资本市场、资产管理和行业研究；也有来自学术与开发者生态的探索者，持续投入前沿技术、智能体应用与创新产品实践。多元经验的交汇，将为本次孵化营带来更丰富的研究视角、更真实的实践议题，以及更具活力的协作网络。
我们相信，AI 时代的优秀投研人才，不仅需要理解技术趋势和市场逻辑，更需要具备跨学科思考、工具应用、独立判断与持续输出的能力。本次入选的 50 位学员，将在接下来的 8 周里共同探索 AI 如何重构研究工作流、提升投研效率，并推动研究成果向实际场景落地。
现公布第二批 25 位入选者名单（以下排名不分先后）：
从“关注 AI”到“用 AI 做研究”
这不是一场单纯的课程学习，而是一次围绕真实研究场景展开的能力进化。
在接下来的 8 周中，学员将围绕 AI 技术与产业理解、投研方法论、AI 工具应用、研究工作流搭建、内容影响力与商业化表达等关键方向持续实践。计划强调以成果为导向：从研究框架、案例分析到工具工作流与项目方案，让每一次学习都沉淀为可复用、可验证的能力资产。
AI 的价值不止在于提升信息处理效率，更在于帮助研究者建立更敏锐的洞察、更清晰的判断和更具行动力的研究体系。我们期待全体学员在这一过程中形成各自的研究方法、实践成果与行业影响力。
一群同行者，共同探索新边界
每一位入选者的加入，都代表着一次面向未来的主动选择：不止于使用 AI，更尝试理解 AI；不止于关注市场，更尝试构建自己的研究框架；不止于获取信息，更努力输出有价值的判断与成果。
未来，AI 投研精英孵化计划将持续记录学员的学习进展、项目实践与阶段成果，并通过课程、共创、峰会展示等形式，为优秀研究与创新实践提供更多展示机会。
恭喜第二批入选学员！
至此，AI 投研精英孵化计划 50 位入选学员已全部正式亮相。让我们共同期待，这 50 位 AI 投研新力量在接下来的旅程中，将思考转化为成果，将探索沉淀为能力，并以更扎实的研究与实践回应 AI 时代的机遇与挑战。
AI投研精英孵化计划首批入选名单公布（第一批）50 位未来 AI 投研人才集结，首批 25 人正式亮相。
当 AI 重塑产业、金融与研究方法，投研能力的边界也正在被重新定义。经过报名审核与面试筛选，AI投研精英孵化计划现已确定 50 位入选者。今天，我们正式公布首批 25 位入选学员名单。他们来自不同专业背景与实践领域，却因对 AI、投资研究和创新实践的共同热情汇聚于此。
本计划由Uweb 商学院与 Techub News 联合主办，由香港理工大学工商管理学院-天坤数字稳定币与真实世界资产创新中心提供学术指导，受到多家机构和媒体全力支持，面向全球招募具备实践基础、成长潜力与探索精神的 AI 投研人才。未来 8 周，学员将通过系统课程、项目共创、工具实操、成果点评与研究实践，探索 AI 时代投资研究的新方法、新工具与新表达。
多元背景汇聚，AI 投研新力量正在集结
本次招募吸引了来自不同领域的优秀实践者报名，并从中遴选出具备学习热情、研究基础与创新潜力的学员。首批入选者中，部分来自国内大厂、头部基金、知名高校、卓越资管机构及优秀开发者社区，覆盖科技、金融、研究、产品与开发等多元背景。
他们有的身处产业一线，关注 AI 技术落地与商业演进；有的长期深耕资本市场、资产管理和行业研究；也有来自学术与开发者生态的探索者，持续投入前沿技术、智能体应用与创新产品实践。多元经验的交汇，将为本次孵化营带来更丰富的研究视角、更真实的实践议题，以及更具活力的协作网络。
我们相信，AI 时代的优秀投研人才，不仅需要理解技术趋势和市场逻辑，更需要具备跨学科思考、工具应用、独立判断与持续输出的能力。本次入选的 50 位学员，将在接下来的 8 周里共同探索 AI 如何重构研究工作流、提升投研效率，并推动研究成果向实际场景落地。
现公布首批 25 位入选者名单（以下排名不分先后）：
入选学员
马俊杰
Callina
Barry Jiang
Yanyee He
谢成
Miki Xu
Sam Ong
Mark
Jack
Elina
Ryan
CHEN XIAN
Costa
Tracy Cui
Saul
李姗姗
刘鑫 Hing Lau
Andy Liu
Tom
覃昊
郄逸飞
Andi Wang
Lulu
张垲甜Angel
Helen Liu
从“关注 AI”到“用 AI 做研究”
这不是一场单纯的课程学习，而是一次围绕真实研究场景展开的能力进化。
在接下来的 8 周中，学员将围绕 AI 技术与产业理解、投研方法论、AI 工具应用、研究工作流搭建、内容影响力与商业化表达等关键方向持续实践。计划强调以成果为导向：从研究框架、案例分析到工具工作流与项目方案，让每一次学习都沉淀为可复用、可验证的能力资产。
AI 的价值不止在于提升信息处理效率，更在于帮助研究者建立更敏锐的洞察、更清晰的判断和更具行动力的研究体系。我们期待首批学员在这一过程中形成各自的研究方法、实践成果与行业影响力。
一群同行者，共同探索新边界
每一位入选者的加入，都代表着一次面向未来的主动选择：不止于使用 AI，更尝试理解 AI；不止于关注市场，更尝试构建自己的研究框架；不止于获取信息，更努力输出有价值的判断与成果。
未来，AI投研精英孵化计划将持续记录学员的学习进展、项目实践与阶段成果，并通过课程、共创、峰会展示等形式，为优秀研究与创新实践提供更多展示机会。
恭喜首批入选学员！
其余 25 位入选者名单将于后续陆续公布，敬请关注。让我们共同期待，这 50 位 AI 投研新力量在接下来的旅程中，将思考转化为成果，将探索沉淀为能力，并以更扎实的研究与实践回应 AI 时代的机遇与挑战。
从扫码到正式开营——「AI投研精英孵化计划」报名流程与时间节点全指南导语
为了让有潜力的投研人顺利加入这期「AI投研精英孵化计划」，主办方设计了一套兼顾效率与专业性的报名与筛选流程。 从扫码提交报名表，到线上面试、录取通知，再到工具准备与 8 月正式开营，每一步都围绕「确保合适的学员获得充分的孵化机会」这一目标展开
核心摘要
本期孵化营采用「扫码报名 → 资料初筛 → 线上面试 → 录取通知 → 工具准备 → 正式开营」六步流程，报名截止日期为 2026 年 7 月 31 日。 报名后 3 个工作日内完成线上面试，面试后 1 个工作日内发放录取结果，成功入选的学员将于 8 月正式进入为期 8 周的公益孵化营，全程免费参与课程与项目实践。
报名截止7月31日，欢迎填写报名表参加: https://wj.qq.com/s2/27192951/851f/
一、六步报名流程：从意向到正式入营
1. 扫码提交报名表：进入孵化营的第一步
申请者可通过海报或官方渠道提供的二维码扫码，进入报名表页面并填写个人基本信息、研究领域、AI 工具使用情况以及报名动机等内容。 报名表是主办方了解申请者背景与意愿的关键入口，也是后续筛选与匹配的重要依据。
2. 资料初筛：确保基础与潜力匹配项目目标
主办方将根据报名资料进行初步筛选，重点关注申请者在投研实践、AI 工具使用与内容输出方面的基础和潜力。 初筛环节旨在保证后续面试与课程资源能够更集中地匹配到愿意投入且适合孵化路径的申请者。+1
3. 线上面试：在对话中确认投入度与成长空间
通过初筛的申请者将在报名后 3 个工作日内安排线上面试，围绕学习目标、过往实践与未来规划进行交流。 面试不仅考察基础能力，更关注申请者的学习意愿、时间投入与对共创环境的适应度。
4. 录取通知：在一个工作日内给出明确结果
面试结束后，主办方将在 1 个工作日内通过邮件或指定渠道发放录取结果与后续指引。 成功入选的学员将获得详细课程安排、社群邀请与工具准备清单，为正式开营做足准备。
5. 工具准备：为 8 周实战搭建基础环境
入选学员在开营前需要完成必要的工具准备，包括账号注册、API 及 Skill 使用环境配置等，以便在正式课程与项目实践中无缝投入。 主办方会提供指导说明与支持，降低技术门槛，让学员把精力集中在方法与研究内容上。
6. 8 月正式开营：进入为期 8 周的公益孵化期
根据整体安排，孵化营将于 2026 年 8 月正式开营，连续 8 周开展课程、研讨与项目实战。 作为公益孵化项目，全程对入选学员免费开放，学员可在导师与同侪的陪伴下，系统升级自己的 AI 投研能力与成果体系。
报名截止7月31日，欢迎填写报名表参加: https://wj.qq.com/s2/27192951/851f/
二、关键时间节点提示
报名截止：2026 年 7 月 31 日。
线上面试：报名后 3 个工作日内完成安排与进行。
录取通知：面试结束后 1 个工作日内发放结果。
正式开营：2026 年 8 月，进入 8 周孵化阶段。
报名截止7月31日，欢迎填写报名表参加: https://wj.qq.com/s2/27192951/851f/
站在投研与 AI 一线的人，来为下一代投研人授课——「AI投研精英孵化计划」核心导师阵容全解析导语
一场好的孵化营，真正决定上限的不是课时长短，而是站在讲台和共创环节的人是谁。 在「AI投研精英孵化计划」中，核心导师阵容由高校学者、资深投研人、内容与产品创作者以及 Web3 研究者共同组成，覆盖从方法论、工具实践到产业与内容影响力的完整链路。
报名截止7月31日，欢迎填写报名表参加: https://wj.qq.com/s2/27192951/851f/
核心摘要
本期孵化营的核心导师包括：来自香港理工大学与 Uweb 商学院的多位博士与学术负责人，长期深耕稳定币与 RWA 研究的投研实践者，以及拥有丰富交易、科技投资和内容影响力的机构与个人。 他们将通过主题课程、案例拆解与项目共创，带领学员从理解 AI 与投研逻辑，到构建个人工作流与作品，再到在真实市场与用户场景中验证成果，实现「从认知到实战再到影响力」的立体升级。
报名截止7月31日，欢迎填写报名表参加: https://wj.qq.com/s2/27192951/851f/
一、学术与产业桥梁：高校博士与中心负责人
核心导师团队中，来自香港理工大学工商管理学院及 TGG 稳定币与 RWA 创新中心的多位博士与负责人，将负责搭建孵化营的理论与方法论框架。 他们在稳定币、真实世界资产（RWA）以及金融研究领域拥有长期积累，将帮助学员以更系统的视角理解 AI 如何与金融、产业和资产研究深度结合。
这类导师不仅参与课程设计，也会在案例拆解与项目评估环节中，为学员的研究路径与工具应用提供学术与行业的双重反馈。 对希望将研究成果纳入高校案例库、成果手册或后续学术合作的学员而言，这是一次难得的对接机会。
二、工具与工程视角：技术合伙人与实战讲师
来自 Uweb 的技术合伙人与在工程与工具实践领域具有深厚经验的导师，将重点负责孵化营中的「工具训练」与「工作流搭建」部分。 他们会从工程思维出发，讲解如何把大模型、API 与各类工具组件组合成可运行的投研流程，并在项目共创课堂上指导学员完成实际 Demo。
这部分导师尤其擅长把复杂的技术拆解成可实操的步骤，让学员在 8 周内不止学会「用工具」，而是能构建自己的 AI 投研 Skill、调用 Uweb 的 Token 与 API，在真实环境中验证工作流的效率与稳定性。
三、投研与内容影响力：资深投资人和 KOL 导师
孵化营特别邀请了拥有多年科技投资、交易与内容运营经验的资深投资人与知名 KOL，负责帮助学员从研究成果走向内容表达与影响力塑造。 他们熟悉多平台内容生态、投资人视角与用户反馈机制，将通过选题设计、账号运营与内容复盘，指导学员打造具有专业度和传播力的个人品牌。
这类导师在交易所、全球机构以及 Web3 研究领域有着丰富经历，同时拥有可观的社交平台粉丝基础，能够为学员提供真实的传播通路与合作机会。 对希望在小红书、X 等平台构建个人影响力的投研人来说，这将是从幕后走向台前的重要一步。
四、跨界与共创：多元背景导师带来的视野延展
除了高校与机构导师外，核心阵容中还包含来自 Web3 社区、内容创作与产品共建的多元背景合作者。 他们将参与项目共创课堂与成果展示环节，从用户、社区与产品视角为学员的方案与内容提出反馈，帮助项目在真实场景中更具可行性与吸引力。
正是这套「学术 + 工程 +投研+内容+社区」的组合，使得「AI投研精英孵化计划」不仅能教会学员如何研究，更能引导他们把研究变成作品，把作品变成机会。
报名截止7月31日，欢迎填写报名表参加: https://wj.qq.com/s2/27192951/851f/「AI投研精英孵化计划」首周战报公布：50 位选手共提出 231 个选题方向Techub News 消息，「AI 投研精英孵化计划」首周战报正式发布。本计划由 Uweb 商学院与 Techub News 联合主办，由香港理工大学工商管理学院—天坤数字稳定币与真实世界资产创新中心提供学术指导。
首周期间，50 位入选选手围绕 AI 投研展开密集探索与内容共创，累计提出 231 个 AI 投研选题方向；Token 消耗量合计达 578 亿 3343 万 1633 个；并通过小红书及 X 平台累计发布 228 条 AI 投研内容。
上述数据展现了学员在研究选题、AI 工具使用及内容传播方面的初步实践成果。后续，孵化计划将持续推动选手围绕真实市场场景深化研究、开展项目共创，并将阶段性成果转化为可交流、可验证的 AI 投研实践。六位入选选手齐聚，共创 AI 投研项目路演课堂Techub News 消息，「AI 投研精英孵化计划」项目路演共创课堂将于 8 月 23 日（周日）晚 20:00 举行。本计划由 Uweb 商学院与 Techub News 联合主办，由香港理工大学工商管理学院 — 天坤数字稳定币与真实世界资产创新中心提供学术指导。
本次课堂将由香港中资基金业协会创始副会长白海峰博士、前人才认证高级培训练师曹玲博士、Stratified Capital Co-Founder Roger Sheng、W+ 联合创始人匿名博士、Conflux 联合创始人张元杰共同参与，并邀请入选选手 Jack、华子、伯纳德 zkBernard、捡尸人 PIN、小花猫及 Henry 进行项目路演与交流。
活动将围绕 AI 投研实践、研究工具应用、项目展示与市场洞察等议题展开，呈现学员在真实投研场景下的阶段性探索与共创成果。今晚开讲！「AI投研精英孵化计划」导师专题课聚焦小红书金融内容运营Techub News 消息，8 月 20 日晚 20:00，「AI投研精英孵化计划」导师专题课程将正式开讲。本期课程由小红书商业化全链路操盘手、前小红书商业部策略师及品牌运营专家王宁主讲，主题为《小红书金融内容运营实战课》。
课程将围绕金融内容在小红书平台的运营策略与实战方法展开，结合平台内容生态、商业化路径及品牌运营经验，分享如何打造更具传播力与转化价值的金融内容，为 AI 投研领域的内容创作、个人品牌建设与商业化探索提供实践参考。本计划由 Uweb 商学院与 Techub News 联合主办，由香港理工大学工商管理学院 — 天坤数字稳定币与真实世界资产创新中心提供学术指导。八位入选选手齐聚，共话 AI 投研实践与市场洞察Techub News 消息，由Uweb 商学院与 Techub News 联合主办，由香港理工大学工商管理学院 - 天坤数字稳定币与真实世界资产创新中心提供学术指导的「AI 投研精英孵化计划」选手内部分享课堂将于 8 月 15 日（周六）晚 20:00 举行。
本次分享汇集华子、Jack、Henry、小花猫、捡尸人 PIN、伯纳德 zkBernard、明灿安泰及 Mu Lee 等多位入选选手，围绕 AI 投研实践、工具应用、研究方法与市场洞察展开交流，呈现孵化计划学员在真实投研场景中的探索与阶段性成果。
活动获得智富界、Gonka | GonkaRouter、123X、CADA 数字资产分析师、AgentOn、新火集团、Tokign 通擎等机构关注与支持。正式开营！50 位 AI 投研新力量集结，首场导师课本周四开讲Techub News 消息，8 月 8 日晚 8 时，AI 投研精英孵化计划线上开营仪式顺利举行。仪式上，主办方正式公布了课程、活动及阶段任务安排，并介绍积分、投票与晋级规则，50 位入选学员将开启为期 8 周的系统学习、项目共创与投研实践之旅。计划将围绕 AI 投研方法论、工具应用、研究工作流、内容影响力及商业化表达等方向，推动学员从“关注 AI”走向“用 AI 做研究”。
本周四（8 月 13 日）20:00，孵化计划将迎来首场导师专题课程。W+ 联合创始人匿名博士将带来《AI 自动化盯盘策略：如何通过 Agent 识别潜在交易机会》主题分享，聚焦如何借助 Agent 优化市场信息追踪与交易机会识别，为学员带来贴近真实投研场景的实战思路。Zack Zhang 确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式Techub News 消息，「AI投研精英孵化计划」组委会宣布：Zack Zhang 确认担任「AI投研精英孵化计划」指导老师，并将在活动期间进行专题分享与现场交流。
Zack Zhang 现任 NiuStock co-founder。
他的加入，将为本期孵化计划注入更加鲜明的专业视角，也为学员提供与一线专家面对面交流的难得机会。
嘉宾详细介绍与分享主题将于近期陆续公布，敬请关注后续公告。沈忱确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式Techub News 消息，「AI 投研精英孵化计划」组委会宣布：沈忱确认担任「AI 投研精英孵化计划」指导老师，并将在活动期间进行专题分享与现场交流。
沈忱现任上海理财专修学院区块链研究所所长，系中改基金数投委专家。
他的加入，将为本期孵化计划注入更加鲜明的专业视角，也为学员提供与一线专家面对面交流的难得机会。
嘉宾详细介绍与分享主题将于近期陆续公布，敬请关注后续公告。「AI投研精英孵化计划」公布报名流程与时间节点，扫码提交报名表即可申请Techub News 消息，由香港理工大学工商管理学院 TGG 稳定币与 RWA 创新中心主办的「AI投研精英孵化计划」，现已开启本期报名通道，并公布详细报名流程与时间安排。 本期孵化营采用「扫码报名 → 资料初筛 → 线上面试 → 录取通知 → 工具准备 → 正式开营」六步流程。
申请者可通过海报或官方渠道二维码扫码进入报名表页面，填写个人信息、研究领域与工具使用情况，提交后进入资料初筛阶段。 主办方将根据报名资料在 3 个工作日内安排线上面试，通过对话了解申请者的学习意愿、实践基础和成长空间。
面试结束后，录取结果将在 1 个工作日内通过邮件或指定渠道通知，入选学员将收到课程安排与工具准备说明，为 8 月正式开营做好准备。 本期孵化营为公益项目，全程免费，报名截止日期为 2026 年 7 月 31 日。
报名截止7月31日，欢迎填写报名表参加: https://wj.qq.com/s2/27192951/851f/Jack 确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式Techub News 消息，「AI 投研精英孵化计划」组委会宣布：Jack 确认担任「AI 投研精英孵化计划」指导老师，并将在活动期间进行专题分享与现场交流。
Jack 现任 Gonkarouter Tech Lead 。
他的加入，将为本期孵化计划注入更加鲜明的专业视角，也为学员提供与一线专家面对面交流的难得机会。
嘉宾详细介绍与分享主题将于近期陆续公布，敬请关注后续公告。0xTodd 确认担任「AI投研精英孵化计划」指导老师，携手共探下一代投研范式Techub News 消息，「AI 投研精英孵化计划」组委会宣布：0 xTodd 确认担任「AI 投研精英孵化计划」指导老师，并将在活动期间进行专题分享与现场交流。
0xTodd 现任 Nothing Research 合伙人，系前火币研究院首席研究员。
他的加入，将为本期孵化计划注入更加鲜明的专业视角，也为学员提供与一线专家面对面交流的难得机会。
嘉宾详细介绍与分享主题将于近期陆续公布，敬请关注后续公告。