文章核心观点 - 人工智能技术正驱动资产管理行业从“人脑经验驱动”向“人工智能驱动”演变，行业价值面临重构 [1] - 国内资管机构正加大AI投入，应用加速落地，预计2027年相关投资将飙升至415.48亿元，相比2024年增幅达111% [1][3] - 行业发展面临模型幻觉、资金人才瓶颈及行业特征限制等问题，需通过完善治理、探索共享、培养人才及渐进式推广等措施稳步推进 [5][6][7][8][9][10][11][12] AI在资产管理业务中的发展现状 国家政策与地方扶持 - 2025年国务院《关于深入实施“人工智能+”行动的意见》明确在金融等领域推动新一代智能终端、智能体等广泛应用 [2] - 上海打造“AI+资产管理”示范区，提供专项财政补贴、税收优惠，鼓励本地资管机构在智能投研、智能风控等方面试点 [2] - 通过“AIAM认证”、“AIAM专项人才库”以及高校项目向资管机构输出复合型人才 [2] 机构投入与技术合作 - 资管机构对新兴技术接受度高，DeepSeek等国产大模型契合其降本增效、安全合规及开源灵活迭代的诉求 [3] - 资管机构普遍倾向于与科技公司、大学/科研机构合作，发挥各自优势联合开发 [3] - 合作案例包括工银瑞信联合工银科技、恒生聚源、智谱AI共同打造FundGPT，国泰君安与财跃星辰、阶跃星辰合作开发“君弘灵犀大模型” [3] 业务应用与价值提升 - 提升运营效率，降低操作风险：利用AI规模化自动化处理大量重复性、规则性任务，实现清算及数据校验自动化，减少人工环节 [4] - 改善客户体验，提供个性化服务：利用AI实现智能化深度“理解客户”，构建精准画像，洞察客户需求，实现业务办理零等待 [4] - 提升投研效率，拓展研究新路径：大模型能够对海量结构化和非结构化数据信息进行实体识别、关系抽取和向量化存储，构建动态知识图谱 [4] - AI展现出处理政策文本信息、社交媒体情绪等另类数据的优势，为量化投资破解“因子困境”拓展新路径 [4] 发展中面临的主要问题 模型幻觉与同质化风险 - 金融大模型强化学习训练存在数据过度拟合风险，对缺少历史样本的“黑天鹅”事件更容易输出缺乏逻辑的结论 [5] - 仅基于市场主流数据投喂训练模型，输出结果往往偏向“共识性结论”，导致投资策略同质化风险，可能加剧市场波动 [5] 资金与人才瓶颈 - 算力资源、数据治理、模型训练均需巨额投入，模型部署复杂导致成本进一步上升 [6][7] - 既懂人工智能技术又具备资产管理实战经验的复合型人才稀缺 [7] 行业特征限制推广深度 - AI面对缺乏数据案例的商业新阶段、新变化时往往无能为力，难以替代人类对商业本质的洞察 [8] - 部分投研人员担心过度依赖AI会导致批判能力下降或削弱个人优势，对全面融入AI持保留态度 [8] - AI深度运用还处在早期，更多仅是在信息处理的效率提升任务中使用 [8] 建议与展望 完善模型管理与数据治理 - 按照模型复杂度、对市场影响力实施分类管理，技术发展同时完善监管政策，建立统一评估标准 [9] - 建立规范完整的数据治理架构，制定数据标准，完善数据安全法规和版权保护，细化数据脱敏、使用授权规则 [9] 探索数据共享与提升利用效率 - 探索数据共享收益机制，建立数据共享平台，突破多模态数据采集，丰富数据来源 [10] - 面向专业场景的大模型训练，聚合高质量私有金融知识库，提升训练效果 [10] - 国投证券利用DeepSeek模型开发“慧研”投研助手，打通“企业+个人+内置知识库”，提升模型在专业领域应用能力 [10] 多渠道培养与加强人才建设 - 资产管理行业机构之间搭建沟通平台，获取前沿技术与管理经验 [11] - 通过联合建设实验室培养复合人才，企业内部提供更大容错空间，并在考核与晋升上予以倾斜 [11] - 对顶尖人才提供有竞争力的薪酬和有效激励，扩大高校专业硕士班及双学位项目范围 [11] 渐进式平台化发展路径 - 从容错率较高的场景先行试点，采用检索增强+思维链技术提升可靠性 [12] - 在低容错业务环节部署轻量化小模型，将AI定位为辅助性角色，实现快速落地 [12] - 通过微调与持续完善逐步向投研、产品开发等核心环节渗透，最终搭建全业务链AI平台 [12] - 人工智能将成为价值重构核心驱动因素，专业知识积累深厚、数据治理规范、模型开发能力强的机构将在未来行业竞争中占据优势 [12]