AI 分析股票能做什么，不能做什么

讨论 AI 能不能分析股票，容易陷入两种极端：一种认为它马上要取代分析师，另一种认为它纯粹是玩具。真实情况在中间，而且边界相当清晰。

它擅长的三件事

一、把散落的信息聚拢

一家公司的信息散布在财报、公告、行业数据、新闻里。人工收集要几个小时，而且很容易漏。模型擅长的是跨来源检索与归拢，把"找齐"这件事的成本压到接近零。

二、把非结构化的内容结构化

财报是给人读的，不是给程序读的。把一段管理层讨论拆成" revenue 驱动因素 / 成本变化 / 一次性损益"这样的结构，是模型的强项，也是后续分析的基础。

三、把论证过程摆出来

好的 AI 分析不是只给结论，而是给出"因为 A、B、C，所以 D"，并且标明 A、B、C 各自的数据出处。这让你可以逐条核对——这才是它真正有价值的地方。

它不擅长的三件事

一、判断未来

模型没有预测能力，它做的是基于已有信息的推断与外推。任何"目标价"式的输出都是情景假设，不是预测。

二、理解未被记录的信息

供应链的私下变化、管理层的真实想法、监管的未公开态度——这些不在公开文本里，模型看不到。而它们往往才是关键。

三、为结论负责

模型不会因为你亏钱而承担任何后果，所以它没有谨慎的动机。这个动机只能由你自己提供。

一套可执行的协作流程

1. 用它做信息收集与初步结构化，省下资料工作的时间。
2. 自己提出假设，让它去找支持与反对的证据——重点看它能不能找到反对证据。
3. 逐条核对关键数据的出处。核对不过的，直接判为无效。
4. 自己下结论，并写清楚如果这个结论错了，最可能是因为什么。

第 2 步和第 4 步是不能外包的部分。把这两步也交给模型，你就从"用工具"变成了"信工具"。

一个判断标准

如果一个 AI 分析工具只给你结论、不给依据，它就不值得用。可追溯性不是加分项，是及格线。

般若的设计正是围绕这一点：七个视角分别论证，每个结论都能展开看到它引用的数据与工具。我们相信，把依据摆出来，比把结论说得斩钉截铁更有价值。

提醒

模型幻觉不可避免，AI 生成内容仅供参考，无法替代专业判断，不构成投资建议。