最近看了一篇前 Citadel 高管谈 AI 与金融的文章。里面有一句话很容易被记住：AI 最不该干的活，就是算数。
这句话当然不是说 AI 不适合算数。恰恰相反，算数正是它最擅长、也会越来越便宜的部分：整理数据、跑回测、扫价差、做估值表、生成指标、复述一套看起来完整的结论。
问题是，金融里最昂贵的错误，通常不发生在算错一个小数点的时候。
它发生在你一开始就问错了问题，把不可比的数据放在一起，忽略了交易无法执行的成本，或者把一个看似漂亮的历史结果，当成了未来可以复制的优势。
有数据，不等于有判断
今天很容易做出一个“数据驱动”的界面：有图表，有因子，有回测，有 AI 生成的结论。它会给人一种事情已经被理解的错觉。
但数据回答的是：在你定义的口径下，过去发生了什么。
判断回答的是另一件事：这个口径是否值得相信；变化从哪里来；哪些条件一旦失效，结论就不成立。
前者越来越自动化，后者仍然需要人承担。
所以 AI 最适合的位置，也许不是替人给出“买还是卖”的答案，而是把人的判断过程变得更难偷懒：它可以找候选、补证据、列反例、检查遗漏；但不能替你决定什么算证据、什么风险值得承受、什么机会根本不该参与。
交易不是发现价差，而是验证它能不能被你拿走
最近我在整理链上套利的研究框架时，对这件事感受尤其深。
如果只让 AI 扫数据，它很快就能找出大量“套利机会”：某个池子的价格不同，某个路径的收益率更高，某个历史区间里策略表现很好。
但在真正讨论机会之前，有一串更无聊、也更重要的问题：
- 这是不是同一个资产，而不只是同一个 ticker？
- 报价是不是来自同一条链、同一个区块状态？
- 在固定交易规模下，滑点、Gas、手续费、MEV 和失败成本之后，还有没有利润？
- 这条路径能否真实执行，还是只是两个不同时间点的页面价格被拼在了一起？
没有这些约束，所谓 alpha 往往只是数据处理的幻觉。
AI 在这里可以是一个很强的研究员，甚至是一个很烦人的审计员：不断追问资产身份、时间戳、成本和反例。但它不该被当作一个会自动产生优势的交易员。
真正稀缺的是问题的设计权
当“算”变得便宜后，价值会往更上游移动。
不是谁的模型把一个公式算得更快，而是谁能先定义一个更接近现实的问题：知道要观察什么，什么应该被排除，什么需要人工确认，以及失败时到底应该归因给数据、模型、执行，还是原本的假设。
这也不只适用于金融。
做产品时，AI 可以让你更快地生成页面、分析访谈、整理指标；但它不能替你判断用户真正卡在哪里，更不能替你决定一个产品应当拒绝服务谁。做内容时，它可以写出流畅的段落，但不能替你形成一个值得被写下来的观察。
我们会越来越容易得到平均意义上正确的答案。
而真正拉开差距的，可能是你有没有能力在答案出现之前，提出一个不那么平均的问题。
> AI 可以替你计算；但不能替你决定什么值得计算。
本文受「前 Citadel 高管：AI 最不该干的活，就是算数」一文启发，结合我对 AI、研究流程与链上执行的延展思考。不构成投资建议。
