一个“老登”决定
向硅基人生转型。

过去两年，AI 分身早已不是什么新鲜概念。影视圈里，王祖贤、戚薇有了自己的分身；情感赛道上，一些头部博主的 AI 分身已经开始替本人回答粉丝提问。

但财经领域一直慢半拍。原因不难理解：演员的分身说错一句台词，顶多是一段花絮，财经领域的容错空间要小得多。一个人影响力越大，越难把自己的名字交给一个可能“一本正经说错话”的模型。

但现在，有人迈出了这一步。由知名经济学家付鹏亲自训练的 AI 分身，已在 nashnova 上线。这一页，讲的是他为什么做这件事，以及他希望交给分身的究竟是什么。

一、两年前只有脸，现在有了大脑

两年前，付鹏让团队做过一版数字人。当时已经可以做到形象逼真、声音相似，但它仍然只是按照脚本说话，缺乏活人感，没有独立思维。

直到大模型不断进化，事情才有了转变。在他看来，现在的 AI 分身已经不只是一种表达方式，而是会思考的智能体。区别是什么？

“最大的变化是，数字人有了大脑。”

脸和声音可以快速复制，真正难以复制的是一个人看待问题的方式。而对财经领域来说，这恰恰才是 AI 分身是否成立的关键。

在付鹏看来，金融链条的大部分环节最终都会和 AI 融合：交易端会是 AI Trading Agent，上游的研究分析也会由 AI 研究员完成——数据收集、整理、搭逻辑框架，机器都更强。

“那你说将来这些老登们，意义在哪？”

他想了很久，答案是经验和阅历。

三星、海力士“爆金币”那轮行情里，按他在访谈中的回顾，经历过多轮周期的老交易员大多躲了过去，年轻的没躲过。问题不在于年轻人用的 AI 不够强。

“AI 再强大，它分析不出来人性。”

所以他想交给分身的不是某个时点的结论，而是经验、认知、意识形态、逻辑框架，把这些在 AI 时代依旧宝贵的东西变成硅基，传承下去。

“如果像我们这些老法师、老江湖，过去二十年有很多沉淀，这些东西通过高效的梳理、投喂，最终形成一个类似知识库的大脑，再通过 AI 输出出来——那它其实就变成了你真正意义上的分身。”

用他自己的说法，这是一场：

“碳基生物向硅基生物的转型。”

二、最稀缺的，是二十年独家语料

目前市面上不少 AI 分身，走的是同一条技术路线：在通用大模型之外，接入一个特定人物的资料库。

当用户提问时，系统先从资料库中检索相关内容，再交给大模型整理、生成回答。这套方式通常被称为 RAG，即检索增强生成。它的优点是，开发快、成本可控，也能显著减少模型凭空回答的情况。

边界也很明显。如果资料库里刚好有答案，模型可以迅速找到这个人过去说过什么；一旦遇到没讨论过的新问题，还是得靠通用能力去推理。

这就像一场开卷考试。书里出现过的题，它可以答得又快又完整；书里没有出现过的题，则要看它有没有真正学会背后的方法。

所以，财经 AI 分身最难回答的并不是“付鹏过去说过什么”，而是“如果今天出现一个全新的市场变量，按照付鹏的分析框架，他会先看什么、如何判断，又会在什么条件下改变结论？”

要回答后一个问题，仅仅收集公开视频和公开文章远远不够。付鹏自己推演过：

“演讲的时间是有限的，你不可能把所有逻辑关系从头到尾展开，可能只是中间 B 到 C 那一段。你抓取这部分去投喂，实际上只抓到了一个点。”

一场三十分钟的演讲，不可能完整展开一张国际收支平衡表背后的经济链条；一段几分钟的短视频，更不可能容纳一个判断成立的全部前提。

传播还会带来第二次损耗。有人只听到结论，没听到前提；有人只剪前半段，没有保留后半段。一个原本有条件、有边界的判断，传到第三手时，往往只剩下一句容易传播的话。

书比演讲更完整，但依然不是全部。

“书如果都全的话，我为什么要写三本呢？”

即使是长视频内容，在付鹏看来仍然是一个个分散的切面：这一期讲财政，下一期讲货币，再下一期跳到跨市场关系。每一期可以自洽，但把它们简单拼在一起，仍然未必等于一套完整的分析体系。

真正完整的那部分材料，并不在互联网上，而在他自己的硬盘里。

从 1999 年至今的文章和日记，每季度的数据梳理，每年一本、四五百页的 PPT 年鉴，以及历年的调研、报告、交易记录和图表数据库——从早期的 Word、Excel、彭博终端，一直积累到后来的专业数据库，二十多年没有中断。

这里面还有些东西是 AI 再强也扒不到的。他早年在 BBS 上发帖用的不是真名，“他要想找到原帖，还得知道原账号”。

过去整理这些东西“非常困难”，一本年鉴要耗掉他大量时间，效率低到他自己都嫌弃。现在把资料投给模型做分类和预训练：

“我基本上大概用一周时间，能把过去二十多年的东西重新梳理一遍。这个在以前是完全做不到的。”

他说，AI 分身的萃取本质是一道冶炼工艺。

“前端的原材料越纯，铁矿石越纯，焦煤焦炭越纯，出来的就是精炼的钢，而不是铁水。”

用他的说法，这样得出来的答案，“经验会更接近于我，而不是更接近于一个知识库”。

在这篇访谈记录的问答测试中，一个问题是重新讲述野比大雄的故事。付鹏的 AI 分身快速调出 2023 年的记忆，给出了一个完整的回答。

另一个问题，是访谈当时美国财政部干预美债回购一事。这个分身沿用付鹏经典的分析框架梳理脉络：Q（总量）、P（水温）和 g（结构）。

当时回答的结论是，财政部可以改善长端结构性流动性，阶段性压低长端；但它不能逆转美联储、通胀和财政供给形成的长期约束，因此更可能带来曲线扁平化，而不是全面宽松。

据访谈稿的测试观察，这与付鹏在访谈前几日发布的观点几乎吻合。这里保留的是当时的问答案例，并非对当前市场的判断。

三、上线不是终点

大部分 AI 分身的故事，到上线就结束了。

但真要做好一个 AI 分身，上线远不是终点。生成式 AI 有一个至今没被解决的问题：它可能用非常确定的语气给出并不准确的答案。在别处这只是一次尴尬的问答，在投资研究里会直接影响判断。

因此，一个 AI 分身是否可信，不能只看它训练时用了多少资料，还要看上线以后有没有持续更新、纠错和复核。

付鹏把这件事理解为一次工作流迁移：

“以前的工作流，是我把它保存到硬盘上；现在的工作流，是保存到 AI 分身的硬盘上，相当于共享了这块硬盘，让它自己去学。”

这意味着，他每季度的数据梳理、每年的年鉴，以及日常新增的研究和判断，未来都会继续进入这套系统。

模型也会在新增材料、用户提问和反馈中继续迭代。这里的“自己训练”，并不是模型不受控制地自行改变，而是在持续获得新资料和校正信号后，对回答方式进行优化。

他也不回避模型可能出错。

“前期一定会有问题，所以要打声明。就像智能驾驶，前期一定有事故率。计算机发展到今天这么成熟，该出 bug 出 bug，该蓝屏蓝屏，只是频率越来越低。”

他引用马斯克谈自动驾驶安全性时的说法，希望有一天，AI 分身也能做到“99.9999%”的可靠。这是他表达的愿景，不是当前产品已经达到的准确率。

四、从“点对面”，到“点对点”

付鹏做 AI 分身的理由，还有一个现实的考量：提高沟通效率。

付鹏举过一个日元的历史例子。按访谈中的时间语境，过去两三年日元兑美元大致在 150 到 160 一带，读者看到他的观点，容易理解成“他判断日元不会再贬”。但他真正讨论的，是一套涉及特定执行价和风险收益结构的期权策略——底层是卖出 160 的日元看跌期权。

方向看着一样，交易可能完全不同。而在几百人的群里，发布者不可能逐一了解每个人的仓位。用他的话说，每个人的理解完全不一样，沟通成本太高，效率极低。这个例子用于说明沟通中的前提差异，不是当前行情或交易建议。

分身提供了另一种可能，把“一个人对一群人”变成“每个人对同一套系统”：

“我想说的、我的数据库、我的逻辑线全在里头，投喂完了，你问它就行了。千人千面，每个人切入的点不一样，但用的系统是一样的。”

此外，付鹏的观点散落在各处：直播、专栏、播客、闭门交流、社交媒体，有免费的也有付费的。对读者来说，难的不只是找齐，更是建立观点之间的连续性。

nashnova 上的 AI 分身会持续汇总不同渠道的最新动态，一有新的就推送过来，并顺手做一层解读：这次讲的核心观点是什么，和过去哪条判断有关，哪些变量变了，原来的逻辑是被加强还是已经失效。

五、从一个人，到一张网络

如果说付鹏的分身回答的是“信任能不能被延伸”，那么把这个答案变成一套可复制的体系，才是 nashnova 真正想做的事。

在付鹏之外，还有更多顶尖分析师的 AI 分身计划上线，用的是同一套训练标准、认证机制。撑起这些分身的，是底层两件不显眼、但很吃功夫的事。

一是数据。nashnova 接的是全球行情、结构化财报、电话会议记录、机构研报和宏观数据。比起信息多不多，它更在意财报和研报里的表格、数字和上下文的关系有没有被完整保留。

二是留痕。每一次回答都会被拆成四件事：核心理由是什么、关键变量有哪些、什么情况下这个判断会失效、下次该在什么时候复核。

而这套东西，未来不会只属于大 V。在 nashnova，每个人都可以建立并调教自己的 Agent，把自己的交易体系、风险偏好、研究习惯，甚至表达风格，一点一点教给它。

在这张网络的愿景里，那些经过验证的研究方法、策略和工作流，可以发布出来，供其他人订阅、复用，或者继续改造。一个人的好问题、好方法、好策略，从此走出个人账户，成为更多人的研究能力。

谁在什么时候做过什么判断、有没有被市场验证，也会慢慢沉淀成每个 Agent 自己的履历和适用边界。这是产品希望持续推进的方向，具体可用能力以产品页面为准。

结语：和“小鹏鹏”聊聊天

在访谈中，付鹏设想过一个有趣的场景：未来某一天，坐在直播间里的可能不再是他本人，而是一个能够实时理解问题、主动追问，并与主持人自然交流的 AI 分身。

他给这个分身起了个名字：“小鹏鹏。”如果能做到这一步，在他看来，才说明 AI 分身真的开始接近一个成熟智能体。

而今天的模型仍然需要人主动提问，也缺少真实交流中的情绪、节奏、主动性和现场沟通感。真正接近“贾维斯”式的智能体，在他看来可能还是三五年后的事。

“但是我们现在如果不做，到时候再做就晚了。”

这与他二十多年前开始写日记、保存图表和整理数据的做法一脉相承。当时没有人知道，这些材料有一天能用来训练 AI 分身。

如果畅想更遥远的未来，当 AI 真的拥有庞大的知识、稳定的框架，能够学习一个人的经验，甚至理解思想和判断，那他现在提前做的这些工作，是不是也可以算某种意义上的“永生”？

不妨先从一个具体问题开始。带上你关心的宏观变量、资产传导或研究分歧，与“小鹏鹏”聊聊——看它如何拆解问题，也一起检验它的前提与边界。

AI 分身提供研究支持，不是付鹏本人实时回复，也不构成投资建议。