随着国内开源大模型的爆发，AI赋能投研正成为资管行业关注的焦点。2025年5月《推动公募基金高质量发展行动方案》提出强化核心投研能力建设等要求，引导资管行业持续强化数字化资源投入，加快“平台式、一体化、多策略”的投研体系建设。

南方基金权益研究部周期组组长、基金经理助理朱伟豪和南方基金数智科技部资深经理连荣忠、牛志遥共同在《北大金融评论》发文表示，AI技术从人工神经元迈向通用大模型，以“通用智能底座+行业垂类适配”能力，推动资管行业从工具升级走向组织进化。

本文完整版刊登于《北大金融评论》第25期。

随着国内开源大模型的爆发，AI 赋能投研正成为资管行业关注的焦点。文章着眼AI 技术的发展，探讨智能化对未来行业生态的影响，大模型“通用智能底座+ 行业垂类适配”的能力，将如何助力资管行业走向新的发展阶段。

AI技术演进：从人工神经元到通用大模型

“单细胞”时代：感知机—人工神经网络的起点

1957 年弗兰克· 罗森布拉特（Frank Rosenblatt）提出了感知器（Perceptron）算法，这种能够迭代权重的模型，开创了模式识别的新纪元，并在之后发展出组织层级结构的能力；受限于时代硬件条件，其前馈结构能够支持的任务很有限。直到反向传播结构的提出，解决了层级结构中参数训练的效率问题，多层感知机模型开始能够实用化，这种融合统计学、线性代数、高等数学的建模算法的学习潜力被逐步验证，并被学界赋予其一个贴切的名字——人工神经网络（Artificial Neural Network）。

随着硬件算力发展，神经网络层级加深，卷积结构（CNN）、循环结构（RNN）等开始涌现。随后AlexNet的激活函数革新以及ResNet 的残差连接设计，提供了深层网络梯度消失解决方案，使神经网络首次突破百层规模限制，平铺的网络开始折叠、异构。随后卷积神经网络CNN 在空间特征提取领域持续突破，并在图像识别领域率先破局；与此同时，循环神经网络RNN在时序数据分析领域显露出处理长程依赖关系的潜力，并逐步孕育了注意力机制的雏形。深度学习的多线发展使得AI 进入“有丝分裂”般的快速进化。

2017 年Attention Is All You Need 论文提出的Transformer 架构，通过自注意力机制彻底重构了AI 的认知范式，结合Encoder-Decoder 结构使模型能够并行处理全局信息，突破单一深度网络的多种依赖限制；自此，模型开始越来越大，AI 进入“多细胞生物”时代。

一方面在自然语言领域，BERT 通过双向Transformer 编码器实现上下文理解，推动NLP 从传统统计模型向预训练范式转移。这一突破席卷自然语言领域，标志着NLP 领域从传统模型向基于Transformer 的全面转型。

另一方面在专家判别领域，对抗生成网络（GAN）持续发展的过程中，注意力机制融入生成器（Generator）和判定器（Discriminator）的对抗博弈训练，使得小样本输入也能获得较好的细节识别与判定能力。该框架与集成模型的产业应用，共同推动AI 在垂类专业领域判定能力的持续突破。此外GAN 判定器的样本放大机制催生了多种奖励模型及优化机制，为人类反馈强化学习（RLHF）奠定理论基础。

技术的融合进化使得算法能够有效管控越来越复杂的模型结构，指数级增长的参数能够顺着“注意力”有序地传递梯度信息，如同生物器官般协同运作，并在推理环节逐步呈现出类似人类思考的决策痕迹。这标志着AI 进化的新阶段，也为后续大模型爆发埋下伏笔。

近年来GPU 算力的指数级增长成为大模型进化的加速器， 其并行计算特性与Transformer架构形成完美互补。2018 年后，基于V100/A100 等高性能GPU 的分布式训练系统，使千亿参数模型的训练周期从数月缩短至数周。这种硬件—算法协同进化在2020 年后进入爆发期：代表模型是GPT-3 参数突破1750 亿，并开始展现零样本学习的能力；而2023 年后大模型在图片、声音、视频方面的突破进一步打开了AI 的感知边界，跨模态的推理与生成，让大模型的谈吐才思兼具、绘声绘色。

当前大模型正沿着能力专业化与成本集约化双轨演进，既通过模型微调适配细分场景，又借助知识蒸馏等技术降低部署门槛，为各行业数字化转型提供底层能力支撑。

在大模型技术的推动下，企业数字化转型正经历着深刻变革。其中，RAG（检索增强生成）、MCP（模型上下文协议）和Agent 工作流成为推动企业智能化升级的三大核心方向：RAG 通过结合外部知识库与大模型，显著提升了信息处理的准确性与实时性；MCP 打破数据孤岛，实现跨系统的高效协同；Agent 工作流则重塑了业务流程的自动化与智能化。

这些技术不仅解决了传统数字化转型中的信息碎片化、响应滞后等难题，还在金融、制造、医疗等行业催生出智能投研、供应链优化、辅助诊断等创新应用。随着技术持续演进，它们正从单点突破走向深度融合，共同构建企业数字化的智能基座。

RAG检索增强生成

RAG 的核心是将大语言模型的生成能力与外部知识库的精准检索相结合，形成动态知识补充机制。其技术流程包括：

• 向量化处理切片：将企业知识、研究报告等文档转化为大量高维向量索引，存入向量数据库；

• 语义检索：通过将用户问题转化为查询向量，基于语义相似度召回最相关的知识片段；

• 生成融合：大模型结合检索结果与用户输入，生成兼具准确性和上下文连贯性的回答。

这一能力被看做早年动画片中“孙悟空吃书速学”想象的具象化呈现。在实践中：金融领域，投研团队可实时整合市场数据和历史案例，快速检索资料与数据，形成分析材料；客户服务中，企业通过连接产品手册和FAQ 库，实现即时精准答复。