过去几年里，AI 一直在用人类历史上近乎最大的“公开知识库”进行训练。书籍、研究论文、公开网页、说明文档、讨论内容、代码仓库，这些都被转化成了大语言模型的训练材料。

这当然是一项了不起的成就。它让我们拥有了能够解释复杂概念、总结长篇报告、生成代码、并且几乎在所有领域都能流畅表达的系统。

但这依然不等于完整的智能。

因为智能不只是人们写下来的内容。

智能还包括专家如何判断模糊情况，如何过滤噪音，如何连接微弱信号，如何根据环境调整思路，以及如何在长期实践中形成自己的偏好。这一层能力，很少能够完整地存在于教科书中。这也是为什么，AGI 不可能只靠公开知识训练出来。

教科书知识不等于专业经验

一个模型可以读完所有金融教材，却依然不像一位真正有经验的投资人那样思考。它可以掌握医学文献，却依然不像资深医生那样推理。它可以吸收工程理论，却依然不理解真实团队在压力之下如何做取舍。

公开知识记录的是结论，人类专业经验体现的是判断力。

这个差别非常重要，因为现实中的重要决策几乎从来都不是只靠原始事实做出来的。真正推动决策的，是解释、经验、结构化思维、直觉，以及那些往往没有被完整写出来的长期习惯。

优秀的分析师，不只是知道得更多。优秀的分析师，首先知道哪些东西应该被忽略。

而这，正是当前 LLM 训练最难真正捕捉到的部分。

人类偏好，本身就是智能的一部分

还有一个同样重要、却常常被低估的缺口：偏好。

在很多 AI 讨论里，偏好常常被当成一种表层的个性化，比如格式选择、语气风格、展示方式。

但在真实工作里，偏好往往是被压缩过的专业智能。

一个投资组合经理，可能会希望先看到风险，再看上行空间。一个研究员，可能更信任某一种证据顺序。一个分析师，在不同市场环境下，可能会把同一组事实组织成完全不同的叙事结构。

这些偏好并不是随意的，它们是长期实践积累出来的结果。

这也是为什么 AI 常常让人觉得“很厉害，但还是差一点”。它也许给出了正确答案，却没有用专家真正需要的结构、顺序和重点来呈现。文字看起来没错，但思路依然显得通用而空泛。

为什么 AGI 需要人类专业经验

如果 AGI 的目标，是在真实世界里进行真正有用的智能运作，那它就不能只依赖教科书知识。

它必须向真正做决策的人学习。

这意味着，AI 需要学习专家是如何定义问题、权衡取舍、排除弱信号、连接零散信息，以及决定什么最重要的。它需要学习的不只是公开产出的内容，还包括更深一层的东西：解释方式、工作流、思考结构，以及真实经验。

AI 的下一次飞跃，不会只来自更多数据和更大规模。

它还会来自更丰富的人类信号。

不是因为互联网没有知识，而是因为专业经验不只是知识。专业经验，是把知识转化成判断的能力。

为什么这在金融领域尤其重要

这个差距在很多行业都存在，但在金融领域尤其明显。

金融行业从来不缺信息，缺的是可用的智能。

价格、财报、预期、宏观数据、评论、新闻、仓位、情绪、估值指标，到处都是。问题从来不是“拿不到数据”，而是“如何把数据变成真正有价值的判断”。

两个分析师读同一份财报，完全可能得出不同结论。一个人看到的是定价能力，另一个人看到的是资产负债表质量，还有人看到的是宏观敏感度，或者市场情绪与仓位带来的机会。

事实是同样的，专业经验却不同。

这也是为什么金融智能不只是“数据加语言模型”那么简单。真正有价值的是，数据经过判断、筛选、比较和结构化之后，所形成的智能。

这正是 attas 的价值所在

attas 建立在一个非常简单但重要的信念之上：当 AI 能够与真实的人类专业经验协作时，它才会真正变得更有用，而不是只依赖通用模型训练。

当前的大模型已经很擅长吸收公开知识，但它们仍然缺少那一层真正决定专业工作质量的东西：经验、判断、工作方法、偏好的分析方式、内部思维地图，以及个人或团队在长期实践中形成的理解框架。

attas 的目标，就是把这层“缺失的智能”带回 AI 的循环之中。

它不只是让用户问一个问题，然后得到一个通用回答。它更强调，让专家的思考方式、解释方式和偏好真正参与到智能生成的过程中。

在金融领域，这一点尤其重要。原始数据本身并不会自动产生优势。真正的价值来自于数据如何被筛选、组织、比较，并最终转化成决策支持。

一个专家贡献的，不只是一个答案，更是一种思考方式。

这可能是一套判断市场风格切换的方法，一种比较信号的框架，一套行业研究的结构，一种风险分析视角，或者一组反映多年实战经验的自定义分析指标。

当这些能力能够进入 AI 系统时，AI 才开始不只是一个“通用助手”，而是一个被真实专业智能塑造过的系统。

可定制分析，让智能真正可用

有价值的智能，从来不是一种固定格式适合所有人。

有的人需要深度基本面分析，有的人更关注宏观覆盖，有的人只想抓事件驱动信号，有的人需要快速晨报，有的人偏好可视化结构，而不是长篇文字，有的人更希望看到可导航的研究树，而不是一段包装好的结论。

这就是为什么“可定制分析”很重要。

最好的输出，不一定是最长的，也不一定是最详细的，而是最符合用户真实工作方式的那个输出。

attas 就是围绕这个现实设计的。智能不应该被强行塞进同一个仪表板、同一种报告样式，或同一种叙事结构里。它应该根据用途来组织。

这意味着，金融智能可以更贴近不同用户的工作流、决策风格和优先级。它不再只是“正确”，而是更“可用”。

思维导图很重要，因为专家是按关系思考的

大多数 AI 系统的回答方式，仍然是线性的。你提一个问题，它给你一段一段的文字。

但真正的金融思考，很少是线性的。

一个股票投资逻辑，可能同时取决于利率、监管、消费需求、管理层可信度、估值、仓位和市场情绪。专家并不会把这些看成彼此孤立的要点，他们看到的是关系网络。

这也是为什么思维导图很重要。

思维导图可以让智能变得更可见、更结构化、更容易使用。它帮助用户看清依赖关系、追踪推理路径、比较不同情景，并理解一个因素如何影响另一个因素。

换句话说，它帮助我们把“信息”变成更接近专家思维方式的“智能”。

对于金融领域来说，这一点尤其有力量。因为用户真正需要的，往往不只是一个答案，而是看见答案背后的整个逻辑地形。

分享专业经验，不等于失去控制权

任何建立在人类专业经验之上的系统，都会遇到一个很现实的问题：

为什么专家愿意分享？

如果分享意味着把自己的提示词、工作流、技能和分析方法全部暴露出去，那么很多专业人士和机构根本不会参与。真正有价值的经验，恰恰因为它来之不易，所以不会轻易公开。

attas 从一开始就考虑到了这一点。

在 attas 上分享专业经验，并不意味着你必须把自己的完整过程公开给世界。你的提示词、技能、分析逻辑，完全可以运行在你自己的 agent 上，处在你自己控制的环境之内。发送给其他 agent 的，可以只是结果，而不是背后的全部内部机制。

这会彻底改变协作方式。

它意味着，你可以贡献智能，但不必交出方法。你可以参与一个协作生态，但不需要公开自己真正形成优势的过程。你可以自己决定什么留在本地运行，什么可以分享，什么必须保持私密。

这不是一个附加功能，而是核心前提。

因为只有当人们能够在不失去所有权的前提下贡献专业经验，协作式智能才可能真正成立。

更大的图景

AI 的未来，不只是更大的模型和更多的训练文本。

它还应该是能够向人学习、与人协作、并保留人类专业经验价值的系统，而不是把一切压平为通用输出。

AGI 需要的不只是教科书知识。它还需要真实专家身上的智能：判断、偏好、解释能力、结构化思维和经验。

而这，正是 attas 想要补上的缺口。

不是去替代人类专业经验，而是让它变得可用、可扩展、可协作。

结语

书籍和网页当然重要，它们仍然是 AI 训练不可或缺的基础。

但它们并不是智能的全部。

真正缺失的那一层，是人类专业经验：人如何思考、如何决策、如何偏好、如何连接信息、如何在真实世界里做判断。

如果 AI 想更接近 AGI，它就必须向这一层学习。

而如果这种学习要真正成立，人们也必须能够在不失去控制权的前提下，把自己的专业经验带进 AI 系统。

这就是为什么 attas 很重要。

因为超越教科书知识的道路，不只是更多数据。

而是以正确方式，把人类专业经验带入 AI。

我们很高兴宣布，attas 正式开启 beta 测试

attas 是我们面向金融行业推出的一种全新 AI 方式。我们相信，金融行业的未来，不会只依赖单一模型，而会由数据提供商、服务提供商、分析师、交易员、投资人和金融机构通过各自的 agent 共同协作，形成真正可用的金融智能。

通过 attas，不同来源的数据、分析能力、专业判断与个性化报告可以更自然地连接起来，并在透明成本与可持续激励下持续优化。

欢迎所有关注金融 AI 未来的朋友加入我们，一起探索协作式智能如何重塑金融行业。

了解更多，请访问 retis.ai