资产定价长期在一个高度结构化、由会计变量与经济解释约束的空间中完成，大语言模型显著提高了搜索效率与系统性。这篇以Claude Opus 4.6为例，探讨在一个由人类预先设计好的金融实验室里，具备长链推理能力的智能体能否自主完成实证资产定价中的核心研究流程。结果是大部分初步成功的信号在经过更严格的检验后，不同程度地收敛到既有因子结构之中，只有一小部分信号确实包含有价值的增量信息。
追问这些生成的新结果在多大程度上是真正的新知识，一种解释来自经验金融本身的发展路径，资产定价领域经过数十年的累积，核心维度形成的高度密集的因子结构网络如果已被充分开采，那么任何进一步的搜索是由人类完成还是由AI完成，都可能表现为对既有机制的细化、重组或再表达。这种视角下的AI表现只是更高效地重复一个接近完成的探索过程。另一种解释是聚焦方法本身。大语言模型的能力建立在对既有语料的学习之上，其内部表示空间本身已经被各种金融文献中的概念结构所塑形。当模型在一个受约束的系统中进行搜索，它更容易生成那些在语义上接近既有理论框架的组合形式。所以，即使输出在形式上呈现出新意，其生成路径仍可能被现有的知识束缚，这些新结果在统计意义之外很难摆脱既有因子的影响。
现实是这两种解释在当前研究设计下只能部分被准确区分，论文用新颖组合VS直接再发现来试图论证模型具有真实的创造性，其实忽略了人工标注本身嵌入了研究者对既有文献结构的理解。还有就是模型训练数据与研究对象共享同一知识来源，这使得从数据中发现模式与从训练中调用模式之间的边界也很模糊。分类工具与被分类的对象之间存在本就理不清的认识循环，只要知识的来源不能被结构性地区分，任何关于AI发现能力的结论都不可避免地混入记忆与重组的成分。而且，无论收敛是源于信号空间本身的枯竭，还是源于模型搜索的内生偏向，其结果都会在实践层面表现为研究输出的集中化。搜索效率的显著提高也伴随有效多样性的下降。
虽然同质化压力并非来自生成工具本身，但当直接作用于金融市场时，超额收益的空间确实在加速收敛，是不是可以说AI不仅加速既有alpha的消耗，也使得寻找新alpha的压力越大。工具是拿来的用的，真正问题还是人类普遍使用相似的工具进行发现时，知识本身在如何演化，以及这种演化又如何作用于人类所试图刻画的市场结构。真正稀缺的还是人类能够打破路径依赖的能力与魄力。#读文献#