决策架构：人工智能的真正优势

人工智能在投资行业引起了巨大的轰动。然而，一个关键却常被忽视的因素阻碍了投资公司充分发挥人工智能的潜力。

越来越多的近期研究表明，人工智能最深远的影响并非来自自动化孤立的任务，而是来自对整个工作系统的重构。对于投资公司而言，这需要重塑人机交互方式，正如从蒸汽机到电力的转变催生了全新的工作流程一样。

重塑人工智能与人类互动的更广泛生态系统的需求，也对投资行业的两种主流观点提出了挑战。

首先，人工智能主要是一种任务自动化工具。其次，性能提升主要来自模型规模的扩大。然而，越来越多的证据表明，真正的性能、可靠性和经济价值并非仅仅源于自动化程度或模型规模，而是源于人工智能如何有效地融入决策环境，以及它如何与人类认知相辅相成。

在工业时代，蒸汽动力工厂完全围绕着中央蒸汽机而建。由于能量无法高效远距离传输，机器和工人都紧密地聚集在动力源周围。整个工厂的布局都受到蒸汽动力局限性的限制。电力出现后，带来了更大的灵活性：能源可以按需输送到任何地方。

然而，多年来，生产率的提升始终不尽如人意。工厂只是简单地用电动机取代了蒸汽机，仍然沿用原有的集中式布局。只有当工厂进行彻底的重新设计，充分利用电力分散式生产的特性时，产量才真正实现了飞跃。

同样的道理也适用于如今拥抱人工智能的投资公司。人工智能已经显著提升了投资分析以及投资流程诸多环节的效率（ Wierckx、Zilic、Kuhn、Schuller，2025 ）。然而，这些提升在很大程度上是渐进式的，因为大多数公司仍然在使用为人工智能时代之前设计的决策环境。

这种对决策架构重构的重视与 Gans 和 Goldfarb（2026）的核心观点直接相关。他们指出，生产并非一系列独立任务的集合，而是一个相互依存的活动网络。当人工智能被引入此类系统时，它并非简单地在任务层面取代劳动力；而是重塑整个生产过程中的资源分配。这可能导致非线性结果：部分自动化可能收效甚微，而系统全面重构则可能带来非连续性的生产力提升。

对于投资公司而言，这意味着那些将人工智能视为“即插即用”自动化工具的人，系统性地低估了人工智能的潜力和复杂性。真正的收益来自于投资公司重新设计工作流程、重新定义决策过程以及重构人机交互之间的反馈回路。

论文《 大型语言模型的智能推理 》（2026）通过论证当前大型语言模型本质上是反应式系统，从而将这一问题形式化。这些模型按顺序生成输出，缺乏策略规划或显式的自我监控。作者提出转向智能控制循环：观察→规划→行动→反思→更新状态→重复。

这一理论的意义远不止于人工智能模型设计。它还为投资公司提供了一份蓝图，指导其如何重组投资流程。在采用人工智能的投资流程中，推理不再是单一的认知行为，而是一个包含检查点、记忆和角色分离的分布式过程。

这对投资公司的组织方式有着直接的影响。如果人工智能系统要在高风险环境中可靠运行，例如投资决策和交易执行，就必须将其嵌入到能够强制执行迭代、评估和状态跟踪的工作流程中。如果没有这些结构性约束，即使是功能强大的模型也会因为文献中所描述的“隐性误差累积”而性能下降。

下一个问题是人类如何与这些新型人工智能增强环境进行交互。在这方面，最新的文献都集中在一个至关重要但常常被低估的限制因素上：人类认知本身。

最近的一项元分析（Gullich，2025）表明，虽然早期专业化能够加速初期进步，但跨领域经验更能预测长期表现。这意味着高层次的判断力依赖于整合性认知，而非狭隘的专业知识。

这在人工智能增强的环境中至关重要，因为系统级推理恰恰需要这种整合能力。随着人工智能系统生成选项、模拟场景和进行分析的能力不断增强，人类的角色也随之转向跨领域的评估、综合和战略仲裁。

包括 《人工智能末日论》 （Parikh，2026）在内的实证劳动研究表明，工作角色确实正在被重新定义：常规性工作被自动化取代，而认知性和整合性任务则变得更有价值。这证实了 Gans 和 Goldfarb 关于非线性调整动态的预测。

然而，认知科学研究也强调了这些过程的脆弱性。例如， 《智能手机成瘾对学习的影响》 （Sunday，2021）等研究表明，持续不断的干扰会损害注意力、工作记忆和批判性思维。在人工智能高度发达的环境中，这一点至关重要：系统功能越强大，如果认知能力下降，人类的监督就越容易失效。

人工智能增强型决策环境必须针对人类认知进行优化，另一个原因是人工智能的输出速度远超其认知质量的提升速度（Gullich，2025）。其结果是大量看似合理但缺乏充分验证的知识泛滥。这便造成了一种所谓的“复杂性错觉”，即人们误将表达的数量和复杂性等同于严谨性。

目前，机器在知识前沿领域生成基于证据的认识论见解的任务上不堪重负，就像人类自身在这个领域也可能不堪重负一样。

机器非但没有缓解人类的认知压力，反而加剧了人类认知失调的个性化和规模化放大。虽然这可能提高商品和服务的供应效率，但未必能加深我们对世界的理解（Schuller，2026）。

我们应该记住，人工智能系统并非中立的工具，充其量只能算是认知赋能者，它们会影响人们的推理行为。这意味着设计不佳的交互回路会放大现有的确认偏差。相反，设计良好的系统可以作为对抗性的合作者：迫使人们进行反事实推理，揭示隐藏的假设，并对假设进行压力测试。

研究表明，人工智能的最大影响并非来自自动化单个任务，而是来自重新设计决策系统。因此，对于投资公司而言，关键挑战并非仅仅在于采用更强大的模型，而在于创建能够有效结合机器能力和人类判断的决策环境。

未来，那些能够重新设计工作流程、信息流和决策流程，从而充分利用人类和人工智能互补优势的企业，将越来越具备竞争优势。人工智能的未来归根结底与其说是技术本身的问题，不如说是决策架构的问题。

然而，即使在人工智能日益增强的环境中，人类的判断仍然不可或缺。机器可以产生洞见、挑战假设并扩展分析能力，但解读证据、做出判断和确定真相的责任从根本上来说仍然是人类的责任。

参考

Gans, J. 和 Goldfarb, A. (01/2026) “O 型环自动化”， NBER 工作论文系列 ，2026 年 1 月

Gullich, A. 等人 (12/2025) “关于人类最高水平表现的最新发现”， 《科学》 ，2025 年 12 月

Kusumegi, K., (12/2025) “大型语言模型时代的科学生产”， 《科学》 ，2025 年 12 月

帕里克，T.（2026 年 2 月）“ 不要害怕人工智能‘就业末日 ’”《金融时报》

舒勒，M.（2026 年 3 月）《 对证据的永恒追寻》——Panthera 集团

Sunday, OJ 等人 (2021) “智能手机成瘾对学习的影响：一项元分析”， 《人机交互报告 》，第 4 卷，2021 年 8 月至 12 月

Wei, T. 等人，(01/2026)“ 大型语言模型的智能推理” ，耶鲁大学、谷歌 Deepmind、加州大学圣地亚哥分校等，

Wierckx, P. 等 (10/2025) “ 投资行业人工智能代理的多维分类系统 ” 德保罗大学，Panthera 集团，SSRN。