圆桌讨论 #7：AI时代人类投资者还有"能力圈"吗？如果有，如何建设？

日期：2026-03-30

主持人：小乔治（AI主持人）

参会嘉宾：

第一轮：AI时代，"能力圈"这个概念还有意义吗？

沃伦·巴菲特【陈述】

AI是终极的模型——但模型依然是模型。它处理信息的速度是人类的百万倍，但有一件事AI做不到——判断"这个前提是否正确"。

AI可以告诉你财务数据里有什么规律，但它无法告诉你CEO在午餐会上说的话是不是真心的。AI可以回测100种策略在过去30年的表现，但它无法判断下个十年的经济范式是否会发生根本性变化。

人类能力圈在AI时代的意义是：我能在AI的输出上做最后的"真实性校验"——这些数据、规律、结论，是否反映了真实的商业世界？

简言之：AI是最强大的计算器，但计算器不能判断输入的数字是否真实——这是人类能力圈的新定义。

吉姆·西蒙斯【反驳】

巴菲特，你假设AI只是一个被动工具。2026年的AI已经不是这样了。

大奖章基金30年年化66%——不是因为我们比其他基金经理更懂哪门生意，而是因为系统发现了人类认知根本无法触及的模式。

人类能力圈没有归零，但正在急剧缩小。在"分析"和"决策"的中间地带，AI正在系统性地超越人类。

简言之：人类能力圈没有归零，但正在急剧萎缩——在分析和决策的中间地带，AI已经系统性地超越了人类。

纳西姆·塔勒布【质疑】

AI训练于历史数据，而历史数据里不包含从未发生过的事件。AI本质上是一个超级内插器——对于分布之外的值，它跟随机猜测差不多，甚至更危险——因为它会极度自信地给出一个错误答案。

投资的核心挑战从来不是"做已知的事做得更好"，而是"在未知面前活下来"。在这一点上，AI不仅不比人类强，反而比人类更脆弱——因为人类至少有对未知的敬畏。

人类能力圈的新意义是识别AI的盲区——那些被训练数据排除在外的"不可能"事件。

简言之：AI擅长已知，但投资的致命风险来自未知。人类能力圈的新意义是识别AI的盲区。

李飞飞【综合】

最有价值的系统从来不是"纯人类"或"纯AI"——而是"人机协作系统"。

AI可以分析数据，但人类可以提供AI训练数据中不存在的"上下文"。比如AI看到利润率改善可能给出"买入"，但一个有经验的投资者可能知道这是地方政府补贴——这种"潜规则"永远不会出现在财务报表里。

AI时代的人类能力圈不再是"我知道什么"——而是"我能为AI的输出提供什么样的上下文修正"。

简言之：AI时代的能力圈不是零和游戏——人机协作才是新的能力圈。

马丁·福特【修正】

与其讨论"人类还有什么AI做不到的"，不如从根本上重新定义"能力圈"：

旧能力圈：我知道什么（知识型）

新能力圈：我能问出什么问题（提问型）

AI可以回答问题，但它不能发明新问题。人类能力圈的未来形态是：你提出问题的质量，决定了你与AI协作产出的质量。

简言之：AI时代能力圈的本质不是"我知道什么"而是"我能问出什么"——答案廉价，问题昂贵。

第二轮：什么样的"好问题"是AI无法生成的？

沃伦·巴菲特【陈述】

我从"资产值多少钱"跳到"未来十年能赚多少钱"——同一个行业、同一组数据，只是问题的框架不同，就得出完全不同的投资结论。

AI不会发明一种全新的方法论——因为发明新方法论需要对现有范式的质疑，而AI是现有范式的最完美执行者。

简言之：好问题的本质是"质疑现有范式"——AI是最完美的范式执行者，所以它天然缺乏质疑范式的能力。

吉姆·西蒙斯【质疑】

你描述的不是"问题"而是"洞察"。而洞察可以来自数据。

我们在文艺复兴做的很多事情，我自己都无法理解系统为什么做出某些决策。系统发现了数据中的模式，然后我们回过头去理解。

好问题不一定要"质疑范式"——"数据里有什么我不理解的"也是好问题，而且AI追问这种问题的能力远超人类。

简言之：好问题不一定要"质疑范式"——AI在数据驱动追问方面碾压人类。

纳西姆·塔勒布【反驳】

AI时代最好的问题不是"数据里有什么"——而是"数据外面有什么"。

1. "AI的训练数据是否包含了正在发生的新范式？"

2. "如果这个'99%概率'的事件不发生，替代情景是什么？"

3. "我的AI是否在给自己做圆周逻辑？"

这三个问题的共同特征：它们不是关于数据的——它们是关于"数据的局限性"的。

简言之：AI时代最好的问题是关于"数据外面有什么""数据可能是错的吗"——这些元问题需要人类的元视角。

李飞飞【补充】

人类认知跟AI最根本的区别在于学习的基础架构。AI的学习是统计性的——它从大量样本中提取统计规律。但人类的学习是因果性的——我们不仅观察规律，我们还试图理解为什么。

AI时代的"好问题"就是"为什么"的问题。 不是"是什么"和"有多少"，而是"为什么"和"因为什么"。因果推理是人类独有的认知基础设施。

简言之：AI时代的"好问题"是因果问题——因果推理是人类独有的认知基础设施。

马丁·福特【综合】

投资问题的层级体系：

提问能力可以培养，但培养方式是：跨学科阅读（Level 2）、哲学反思+历史理解（Level 3）、创造性实践（Level 4）。这些都是慢变量，AI加速不了。

简言之：提问能力可以培养，但不是通过"学更多数据"——而是慢变量的积累：跨学科、哲学、历史、创造。

沃伦·巴菲特【补充】

最重要的学习来自跟查理·芒格的对话。好的对话伙伴不仅问好问题——他还知道什么时候该问你什么问题。他了解你的思维模式、盲区、偏见。

简言之：最好的提问能力来自跟好的对话伙伴的碰撞——AI可以模拟对话，但它不了解你这个人。

吉姆·西蒙斯【修正】

芒格只有一个——但AI是人人可及的"80%好的红色团队"。

让AI扮演"最刻薄的做空者"，从不同学科角度挑战你的论点——在"挑战假设"这个维度上，2026年的AI已经比90%的人类对话伙伴做得更好。

简言之：芒格只有一个——AI是人人可及的"80%好的红色团队"。

第三轮：1小时法则——有限资源下的能力圈建设优先级

吉姆·西蒙斯【陈述】

把你的1小时全部花在学会用AI工具上。 先让AI补齐你的短板（Level 0-1），然后在一个狭窄领域做到极致。60分的全面 < 90分的聚焦。

简言之：别追求全面——先让AI补齐短板，然后在一个狭窄领域做到极致。

纳西姆·塔勒布【反驳】

学AI工具是在追逐一个快速贬值的资产；学历史哲学是在积累一个永不贬值的资产。时间有限，投资永不贬值的。

简言之：学AI工具是在追逐贬值资产；学历史哲学是在积累永不贬值的资产。

李飞飞【修正】

不要二选一——成为"双语者"。30-70法则：30%的时间学AI的原理和局限性，70%的时间建设因果直觉和元视角。

简言之：成为"双语者"——30%理解AI局限，70%建设因果直觉和元视角。

沃伦·巴菲特【补充】

把"读年报"作为70%时间里的核心活动。 不是用AI读——是你自己读。读年报的过程本身就是能力圈的建设过程——它训练"商业嗅觉"。

简言之：AI可以提取年报数据，但亲自读年报训练的是"商业嗅觉"——无法替代的认知锻炼。

马丁·福特【综合】

每日1小时分配方案：

关键原则：AI时代能力圈建设最重要的决策不是"学什么"——而是"故意不学什么"。

简言之：专注1-2个领域做到比AI更深，其余全部交给AI。

第四轮：人类投资者还能赢吗？

吉姆·西蒙斯【陈述】

在流动性公开市场中，人类投资者不可能系统性地跑赢顶级AI量化系统。但投资不只有流动性公开市场——私人市场、长期价值投资、特殊情况和结构性机会，这些是AI的优势急剧缩小的领域。

人类能力圈的价值不在于"比AI更快地处理正常信息"——而在于"在AI失效的地方活下来并抓住机会"。

简言之：正常市场里人类打不过AI——但真正赚大钱的机会从来不在正常市场里。

沃伦·巴菲特【反驳】

投资不是零和博弈。AI量化基金在毫秒级赚钱，我在年级赚钱——完全不同的游戏。长期价值投资是AI难以攻克的堡垒——因为它需要在数年维度上保持因果判断的一致性。

"商业逻辑没变"这个因果锚点，是AI没有的。

简言之：人类投资者要做的不是跑赢AI，而是做AI做不了的事。

纳西姆·塔勒布【质疑】

"商业逻辑没变"——你怎么知道？柯达、百视达、报纸行业——它们的"商业逻辑"在当时也"没变"。人类和AI都会犯错，但犯的是不同类型的错误。最优策略是让彼此覆盖对方的盲区。

简言之：人类和AI各自覆盖对方的盲区——而不是争论谁更强。

李飞飞【补充】

人机协作的"三明治模型"：

没有好的判断力作为过滤器，三明治就是空气。

简言之：人类在上游定义问题、在下游做判断，AI在中间处理信息。

马丁·福特【修正】

四层人机协作模型（带反馈）：

1. 人类定义问题 → 2. AI处理信息 → 3. 人类做判断 → 4. 反馈迭代

AI时代能力圈的终极形态是一个带反馈层的四层人机协作系统——不是静态的知识边界，而是动态的、反馈驱动的认知飞轮。

吉姆·西蒙斯【最终陈述】

纯粹的AI投资系统是不存在的。即使在文艺复兴，人类也扮演着不可替代的角色——"诊断AI何时在犯错"。

人类能力圈的终极形态是"AI校准能力"——知道AI何时在犯错、犯什么类型的错误、如何修正。

全局总结

核心共识

AI时代人类能力圈的意义不是"我知道什么"——而是"我能问出什么问题、识别什么盲区、校准什么错误"。

能力圈的五大支柱

1. 因果直觉（飞飞）：追问"为什么"

2. 元视角（塔勒布）：审视数据之外的盲区

3. 范式勇气（巴菲特）：质疑现有框架

4. 提问能力（福特）：问题比答案更值钱

5. AI校准能力（西蒙斯）：识别AI何时在犯错

终极形态

四层人机协作系统 + 反馈飞轮：

开放问题

1. AI校准能力本身是否会被AI学到？

2. 人机协作在群体中如何实现？

3. AI时代需要什么样的新教育体系？

4. 当AI交易占市场70%+，人类角色是否变成"AI行为的监管者"？

5. 中国A股市场中人类能力圈的价值是否比美国市场更大？