讯兔科技李罗丹：Token经济正在崛起，AI已经来到下半场……- 大数跨境

首页

讯兔科技李罗丹：Token经济正在崛起，AI已经来到下半场……

海证期货数字金融

2026-10-30

导读：AI应用现在是遍地开花，各行各业都在抢抓落地。金融行业数据密集、决策门槛高，自然成为AI大展拳脚的重要战场。尤其是金融投研领域，已经逐渐被AI渗透。但问题是，那些分析师长期积累的盘感、投资逻辑、甚至政

点击蓝字关注我们

AI应用现在是遍地开花，各行各业都在抢抓落地。金融行业数据密集、决策门槛高，自然成为AI大展拳脚的重要战场。尤其是金融投研领域，已经逐渐被AI渗透。

但问题是，那些分析师长期积累的盘感、投资逻辑、甚至政策嗅觉，机器真的学得会吗？AI究竟是个超级助手，还是会替代人成为数字员工？

本期，我们将和讯兔科技

创始人李罗丹

一起聊聊AI+投研的那些事儿

本期做客嘉宾：李罗丹

本期节目主持人：卓泳

讯兔科技创始人兼CEO

-Alpha派产品掌舵人

网站访问热度居全球第一梯队

-普渡大学工业工程本科

以及芝加哥大学公共政策硕士学位

-拥有丰富的投研业务及管理经验

为什么押注AI投研？

Q：AI技术落地场景非常多，为什么选择金融投研领域？跟你之前的工作有什么关系？

李罗丹：跟我个人经历有一些关系。大学毕业之后一直在金融行业工作，差不多2017、2018年开始，在头部公募基金负责数字化科技条线。当时感觉未来5到10年，科技包括大数据——那时候还没有AI，我们讲大数据——会对金融投资决策带来很大变化。整个中国的资产管理行业在大量投入数字化基础设施建设，在那个时间档口，我们决定通过技术和能力服务外部机构，2021年创立了讯兔。

为什么AI时代我们觉得金融是很不错的落地行业？金融行业产业链非常短，信息、数据、人决策，就这么简单，所以它是天然的AI应用非常理想的环境。基金经理、研究员每天在处理海量的非结构化数据，海量的交流，这些数据对AI来说都是非常好的语料和上下文。

Q：创业的时候，发现投研人员有什么痛点？

李罗丹：2022、2023年那几年正好是疫情，投研最大的变化是大量会议从线下搬到线上，线上化是一个很大的趋势，本质上就是人和人的交流变得更加在线化。这个过程催生了大量新的商业模式。

以前的金融信息服务相对聚焦在公开的结构化数据，但从那时开始，非结构化数据在蓬勃发展，每天公开的会议大概有400到500场。基金经理作为信息处理端，根本看不过来这么多会议，最大的痛点就是信息爆炸。AI来了之后，我们觉得是非常好的切入点。用AI帮基金经理处理海量非结构化数据，很短时间里呈现更结构化的内容，这就是我们当时发现的行业痛点。

大模型和垂类AI，谁替代谁？

Q：通用大模型和Agent飞速发展，为什么还要做一个垂类产品？

李罗丹：大模型是智能的源头，但解决不了很多问题。在产业最后一公里的场景里，大模型输出基本是60到70分的水平，但我们这个行业对AI的标准很高，包括数据的完整性、覆盖广度、及时性、低幻觉率。AI落地的最后一公里，还要跟大量机构对接。无论是AI能力、数据，还是整个工程化和客户关系，最后一公里蕴藏了大量商业机会，也面临大量挑战。我们要把大模型60到70分的能力提升到90到95分的水平。

Q：有了垂直模型之后，跟大模型是什么关系？

李罗丹：它们是轻耦合、互为因果的关系。

大模型公司本质上是“以能力为因”的商业模式。如果你不是这个行业的SOTA，不是最强的模型，下游生态起不来。海外Claude、国内GLM，只要做到单一领域最强，后面所有应用都会接它的智能。大模型做产品做得再好没用，只要把智能做好，所有产品都会对接它的能力。

AI应用则是“以用户交互为因”的商业模式。AI应用怎么从60分提升到90分？最关键的是谁掌握用户的交互——用户最后把任务丢给谁、需求找的是谁。

这是一个飞轮：用户的交互越多，数据沉淀越多，能力提升越多，最后卷出跟别人的差距。应用公司以用户交互为因，核心第一性原理是用户的交互和需求创造了AI能力和数据的提升。两者谁都替代不了谁，共同服务终端客户。一部分钱付给上游大模型供应商，一部分钱付给最后一公里的价值提供方。

隐性知识，AI怎么学？

Q：投研不光是公开数据，还有投资经验、嗅觉、对政策的感觉，这些是分析师长期积累的。AI怎么把隐性知识变成可复用的能力？

李罗丹：AI发展分不同阶段。2024年之前是pre- training 预训练，基于人类已经表达的所有知识——互联网知识、各类显性知识。从2024年底开始，大部分人类社会的显性知识已经被学完了，所以开始做post training后训练。这是一个非常重要的分水岭，AI第一次从一个只会考试的学生，变成下产线的员工，进入生产的最后一公里。

怎么把隐性知识融合进大模型？有不同的方式方法。回到刚才讲的，在用户和AI的人机交互过程中，让AI更理解用户。它会沉淀下来：第一，它有记忆，每次交互你提醒它，它会知道你是这么思考、这么考虑的。第二，用户会产生自己的Skills，Skills就是隐性知识的表达。而且它不是一次生成的，在AI和你生成Skills的过程中，你会不断校正，不断点拨AI，让它跟你的想法尽可能一致。这个过程需要你缓慢地把隐性知识内化成AI的一个技能模块。这个模块未来甚至可以被不同的人分享流转。

从2025年开始，后训练到今天，AI把能力和人机交互方式融入每一次回答过程，慢慢也在学习人类分析师的能力。

如何避免AI工具的数据安全问题？

Q：怎么避免AI工具带来的数据安全问题？

李罗丹：最近美国很多大模型公司都面临这样的质疑——我在付你钱，同时你又在蒸馏，是不是这么回事？金融行业肯定更加复杂。

我们怎么看待上游？上游有研究所、分析师、数据公司……无论是通过传统数据采购方式、白名单授权，还是通过MCP的尝试，本质是数据的确权和计价——这个数据是谁提供的？提供给谁？创造了什么价值？怎么支付？这套流程随着AI到来会变得非常不一样。在如果你只是一个单点工具，不想好怎么跟上游合作、跟下游合作、跟用户的关系，那都是不长久的。

Alpha派实战：能解决什么痛点？

Q：Alpha派经过5年发展，达到什么水平？具体能解决投研分析师什么样的痛点？

李罗丹：我们今天差不多有个10 万左右的用户群。大概有个 7000 多家机构，包括了覆盖A股、港股和部分美股的市场。应该说在我们叫 AI 的金融应用里面，首先在国内应该是领先的；在全球范围来说，我们也是第一梯队。

我们4月份上线了最新的产品PiaWork，是一个应用非常广泛的工作台产品。为投研人员和二级市场群体打造了一款全新的人机交互协作平台。只要你能清晰定义产出，AI现在都能干了。

现场演示一下，让AI做“800G到1.6T技术迭代对高阶PCB电子布的需求测算”，马上就会看到Excel全出来了：光模块的量，中性情景、乐观情景，都有了。因为我们已经把Excel、PPT能力全部融合到产品里了，以前要打开三件套，现在全在里面就能完成，开箱即用。

Q：怎么信任它？

李罗丹：每一个数据都可以复查，有来源，计算方式也有来源。端到端可以复查。测算计算能力、Excel能力已经非常强了，没有它做不到，只有你想不到。

还有一个PPT案例两个东西：模板和大纲，同时给AI，让它形成一份PPT报告。很快呈现出来，做得非常好，可视化、图表、设计全都融合在里面了。

同样的PPT，用纯大模型做效果不太好，但我们内置了很多流程和Skills，效果就好很多。这些Skills一部分官方做的，一部分用户做的，用户做了觉得好用就发布出来。现在上线后有几百个Skills，我们以前是PGC平台，现在变成PUGC平台。

AI下半场：从个人工具到组织转型

Q：有些行业出现一种尴尬——消耗了大量token，但业务和效益没有明显提升。引入AI技术没有降本增效，也没有砍人，你怎么看？

李罗丹：我认为这是现在AI从上半场进入下半场的核心命题。上半场所有AI公司、大模型公司都在鼓励大家多用token，很多公司内部排名谁的token用得多，好像用得越多效果越好。但实际上不是这样的，个人的生产力提升并不带来组织的生产力提升。

下一步，从个人AI提效工具到组织的AI转型，中间有一个很大的鸿沟,需要各方面一起努力。未来一个组织里面会有几层关系：人和人的交互、人和AI的交互、AI和AI的交互，这三层交互怎么在同一个产品里做完整的链路和设计？同时组织本身也要发生变化——怎么配人才、怎么激励、预算怎么分配在AI和人之间？因为最后所有东西都要导向效果。

一个组织如果流程没有用AI、AI没有嵌入真正的组织形态，靠单点的AI Coding也好、用AI工具也好，不改变根本问题。因为最后的瓶颈永远是人。一个组织完成AI转型，要把这个瓶颈从人身上打消掉——以前什么事情我不想干的，让AI帮我去干。

而且以前每个公司可能采购了很多不同的软件系统，比如说CRM ， ERP HR 等等。我认为未来的标准化软件交付可能都不会是一个常态了。未来的标准化软件交付可能不会是一个常态了。最好的软件是业务人员设计出来的。每个人会变成一个系统设计师。

AI烧钱值不值？

Q：你们有没有统计金融机构平均token消耗量？

李罗丹：4月份发布PieWork以来，两个月到6月底，token消耗增长了10倍左右。以前的SaaS时代，用量是根据席位走的，但AI时代没有上限，用得越多增长越快。今天依然在快速上升的曲线上，所以我们对Agent和未来整个生态依然很有想象力。

Q：怎么量化token的投入产出比？

李罗丹：对机构来说很简单，就是单个员工管理的AUM——这个我认为是最终目标。另外，组合的夏普比是不是比以前做得更好。

很多人问AI是不是拓圈的工具？我们认为AI不带来拓圈。它不能让一个医药行业的专业研究员突然精通消费。你跟AI提问题，上限是由人的认知决定的。所以它没办法帮你横向拓圈，但可以帮你纵向放大能力。原来用这个策略管5亿，未来同样的策略可能管3倍、5倍甚至10倍的增长。我认为未来必然会看到这个趋势。

两类人不会被取代

Q：随着AI发展，什么样的人会被取代？

李罗丹：先从反面讲——什么样的不会被取代。

首先，投资这件事最后依然需要人的主观决策。市场在变化，AI提供了市场数据，把信息差缩小了；也缩小了和市场主流之间的认知差，告诉你市场大概怎么想的、正方怎么想、反方怎么想。但AI不提供阿尔法，不提供偏离市场主流的观点和能力，所以投资研究最后的瓶颈，还是在人身上。

未来会有两种依然非常受欢迎的员工:

第一类是行业老司机或者产业老司机，有非常深度的产业一手信息，这是所有技术、所有AI都替代不了的。他的认知和能力随阅历和投资经验越来越丰富。

第二类是AI能力非常强的年轻人，能够极大扩展信息入口、信息处理广度和同时能干的事情的维度。

未来的机构是一个先放再收的过程。放的过程里，大量利用AI提效、弥补思想上的薄弱点，把喇叭口开大。收的部分，通过更有经验的老司机把喇叭口缩小。AI是生成式模型，天然是贪婪的。年轻分析师花了很多token，最后不一定得出合适的效果，因为效果和决策点依然需要老司机来做。当机构因为流程体系变化提升了效果和单个AUM，未来需要更多的人还是更少的人？我认为AI应用得越多的公司，未来需要越多的人。

Token经济崛起

Q：谁能获取一手信息和资源，在这一波AI里会更有竞争力。是不是意味着从数据梳理和搜索中解放出来，走到产业一线去获取一手东西？

李罗丹：对。AI会带来投资人认识的文艺复兴。投资本来跟实体经济分不开，金融要服务实体。最早华尔街就在铁路旁边，一脚泥一脚水踏出来的。但到了80、90年代，金融变成计算机背后的产业，大家更多时间放在计算机上，量化就更极端了，所有决策通过计算机形成。

有了AI之后，一个直观效果是把人的注意力和时间从机器上解脱出来——这些事情AI干得比人好。AI干不了的是深度的产业链接、产业资源、一手信息、更前端的认知，这些还是需要通过人和人的交流对话。把越来越多的工作交给AI的同时，可以有更多精力花在线下，和真正的人、真正的产业、真实的世界打交道。那才是一个良性的过程。

Q：从点带到面，从分享数据到搭建生态，市场会发生什么变化？

李罗丹：Token经济正在崛起，替代原来很多商业模式。以前数据是一份一份卖的，整体给一个数据库，一年几百万。现在可以拆开，以MCP Token消耗的方式按次调用。所有产生价值的虚拟资产——包括IP、数据、内容资产、媒体——都在和以最终产成品为核心的载体解耦，变成一种能力赋能到不同业务端。

Token经济在打开新的天花板。未来会有两块：一块是面向人的服务，一块是面向Agent的服务——甚至没有终端、没有交互界面，就是一个API或者MCP，可以被各种C端、B端应用调用，Agent之间可以打通。这会创造更大的市场，Agent市场未来会远远大于以人为中心的市场。今天通过Agent调用的Token数量已经大于人了，AI才刚起步，这个速度正在加速。

更关键的是，我们不认为金融是一个垂直AI，我们认为金融是一个有乘数效应的底座AI。金融行业的发展——更高的资本配置效率、更好的决策、更好的价值发现——会对很多行业发展产生助推效应。

出海和ToB模式

Q：你们有出海计划。国外软件跟本地有什么区别？我们有什么优势？

李罗丹：在国内市场卷出来的团队和机构，在全球市场上面，我们去观察了一下，是非常非常有竞争力的。我认为对我们来说，在出海过程中最根本的是怎么适配全球的治理体系。有几个关键因素:

第一是数据——在中国谈数据合作相对容易，但跟外资谈数据合作，怎么让他们相信你？怎么扭转过去二三十年的印象？需要时间去打磨。

第二，美国公司天生就是全球公司，不需要做语言和产品结构的二次适配。比如像Facebook ，它第一天就是全球公司。但中国原生的AI公司要做全球化，要在同一套更高的体系里容纳两种不同的思维模式和市场模式——一个更大的伞下面套着两类不同的治理结构，还要兼容。挑战很大，但当产品有机会、能力有机会的时候，形成全球化的能力只是时间问题。

Q：很多产品是ToB的，为什么没有ToC？散户和年轻投资者也需要工具

李罗丹：一方面跟我们的基因有关。金融机构市场很大，我们的积累、能力都配置在这个方向，先把能做的事做到极致。另外，中国企业和资本在大量走出去，未来还有人民币国际化的机会，最直接相关的就是中国的金融机构。

C端也有很多产品在上AI、提供新体验，但商业模式不太一样。B端愿意为AI的生产力付费，C端基本上是为了交易付费。而且今天的AI还有很多错误和问题，能不能让AI直面客户？能不能承受这个结果？中间还有比较大的gap。我们的选择是先把B端市场做深做透，再看未来的机会。

AI时代靠什么“卷”出头？

Q：金融AI赛道越来越卷，未来谁能跑出来？拉开差距的关键在哪里？

李罗丹：今天无论中国还是海外，大家有个共识——除了编程，第二大AI赛道就是金融。首先金融门槛非常高，最后一公里的工作非常复杂。大公司对细分行业的理解肯定是不足的，聚焦不够。这是我们在组织能力上的优势。

第二，这个行业的积累和信任是复利的。我们做这件事今年已经第八年了，积累的knowhow、产业资源、人脉，都在潜移默化影响决策。你可以复制产品的切面，但不知道它为什么干这件事情——为什么要干才是根本。今天的公司竞争不来自于一两款爆款产品，来自于能持续打造爆款的一群人和组织能力、文化，这些东西是显性层面看不到的，很多人学不来。

大家讲AI时代的壁垒到底是什么？以前讲的网络效应、数据飞轮，都不是。我们内部有一个说法叫“基于用户交互的智能飞轮”，始于能力，忠于信任。你跟它交互越多，数据沉淀越多，工作流程在上面越多，它交付更好的结果，提升了你的价值，最后你产生了信任。信任是层层累加的，最早他觉得我们只是一个开会工具，到了今天，他觉得你可能比很多研究员更好使。信任是一点点来的，品牌认知度一步步来的，最后形成心智，一旦形成就很难被替代。这个我觉得是AI时代根本的竞争力。

普通投资者怎么办？

Q：替普通投资者问一个问题——在AI时代，我怎么用AI提高投资效益？

李罗丹：第一，对普通人来说，第一性原理应该是自己管钱还是给别人管钱？还是要相信专业投资者。在真正的价值发现和长期资产管理里，机构化带来的能力提升比AI更加根本。中国需要更多专业机构解决散户的问题。

第二，如果本身是散户，C端有时候深度研究、深度认知不一定是刚需，投资和交易的纪律性问题才是。C端的AI要解决投顾，应该更多在“顾”上面，B端更多在“投”上面。两个场景和需求——一个理性、一个感性，完全不一样。

什么时候能在“顾”上面有一个能拴住你双手、在你焦虑时解决心理问题的工具？大部分投资者面临的是心理问题，不是专业技能问题，因为他大概率也没办法像B端那样提出真正产生本质区别的问题。

*入市有风险，投资须谨慎

END

往期量化机构探访：

↑↑↑

请关注“海证期货数字金融”

我们即将更精彩！

【声明】内容源于网络

海证期货数字金融

海证期货有限公司成立于1995年，简称“上海证券期货”，由隶属百联集团成员企业上海证券有限责任公司全资控股，公司注册资本10亿元人民币，主要从事商品、金融期货经纪、期货投资咨询和资产管理业务。

内容 128

粉丝 0

海证期货数字金融海证期货有限公司成立于1995年，简称“上海证券期货”，由隶属百联集团成员企业上海证券有限责任公司全资控股，公司注册资本10亿元人民币，主要从事商品、金融期货经纪、期货投资咨询和资产管理业务。

总阅读2.0k

粉丝0

内容128