大模型商业演进 · #4

战争与投资：Agentic AI 的两种极限形态

战争和投资的伦理后果绝不等价，但二者在系统工程上共享同一种高风险决策结构：不完整信息、主动对手、有限时间、有限资源、昂贵错误。真正成熟的 Agentic AI 因此会收敛为自适应决策控制系统：固定结构保证可靠，反馈机制积累认知，边界管理风险。

张飞17 分钟阅读 · 5960 字
微博

TL;DR

战争与投资不是同一件事，伦理后果也绝不等价。但从 Agentic AI 架构看，它们代表两种高风险决策系统的极限形态：一个配置任务、空间、时间、资源和生命风险；一个配置资本、流动性、风险预算和受托责任。两者都会从“LLM 更聪明”走向同一种自适应决策架构：Data 表达当前世界，LLM 生成假设和解释，专业模型完成计算，Harness 管住工具、权限、模拟、执行和审计，人类对高影响决策负责。更关键的是，这套系统不能只完成一次任务，还要把每次状态变化、行动结果、人工修正和失败案例回写成下一轮判断能力。最终竞争的不是模型智商，而是现实状态、推理质量、执行纪律、反馈学习和责任体系的乘积。

核心论点

  1. 战争与投资的相似性不在伦理后果，而在高风险连续决策结构：不完整信息、主动对手、时间窗口、资源约束和高昂错误成本
  2. 成熟 Agentic AI 不应让 LLM 独自决策，而应让 LLM 生成假设，专业模型计算，Harness 控制执行，Data 校验现实
  3. 战争场景的核心是共同态势、情报融合、后勤保障、情景推演和受控指挥流程，不是自主武器目标选择
  4. 投资场景的核心是市场状态、投资假设、风险限额、流动性、授权和交易后反馈，不是单一 AI 交易员
  5. 自适应系统工程的关键不是让系统自由生长，而是固定结构保证可靠性、反馈机制积累认知、明确边界控制风险
  6. 两类系统都会走向 bounded autonomy：自动处理信息、监测和低风险流程，高影响动作保留人工责任
  7. 这类架构真正解决的是状态漂移、反馈丢失、流程脆弱、模型幻觉、责任不可追溯和策略退化
  8. 真正的决策优势来自状态准确度、假设质量、Harness 执行纪律、反馈学习和治理可靠性的乘积

一、先给结论：相似的是决策结构，不是伦理后果

战争与投资看似分属两个世界。

战争管理任务、空间、资源、时间与生命风险；投资管理资本、流动性、收益、风险预算与受托责任。二者的伦理后果绝不等价，也不能用同一种道德语言处理。

但从系统工程角度看，它们共享一种高风险决策结构：

共同约束 战争中的表现 投资中的表现
信息不完整 无法完全知道对手状态、意图和真实部署 无法完全知道其他参与者持仓、动机和未来行为
环境持续变化 地形、天气、通信、资源和对手动作持续变化 价格、流动性、政策、新闻和风险偏好持续变化
存在主动对手 对手会欺骗、隐藏、诱导和反制 市场参与者会学习、拥挤、反身性定价和抢先交易
时间窗口有限 延迟会改变行动价值 延迟会改变价格、滑点和可交易容量
错误代价高 可能产生物理、生命和国家安全后果 可能造成资本损失、客户损失和系统性风险

因此，战争中的 Agentic AI 和投资领域的 Agentic AI，最后都会从“模型中心架构”收敛到“决策控制系统”。

核心公式不是：

谁拥有最聪明的 LLM。

更接近：

决策优势 = 现实状态的准确度 × 推理与假设质量 × Harness 的执行纪律 × 反馈学习能力 × 治理和责任体系的可靠性。

LLM 负责理解和假设；Data 负责表达当前世界；Harness 负责工具、流程、权限、模拟、执行和审计；人类负责高影响、不可逆、强责任动作。

本文只讨论战争环境中的情报融合、态势理解、战略分析、后勤保障、风险监测和受控决策支持，不讨论自主武器的目标选择或打击控制。投资部分也只讨论系统架构，不构成任何投资建议。

二、共同架构：Agentic AI 不是模型，而是决策控制系统

用三模块框架看，战争和投资会变成同一种系统，只是数据对象不同、动作后果不同。

模块 战争中的角色 投资中的角色 本质
LLM 理解情报、提出假设、解释态势、比较方案 阅读材料、形成投资观点、构建情景、解释风险 认知与推理引擎
Harness 融合传感器、调用模型、运行模拟、控制权限和指挥流程 调用行情、估值、风控、回测、交易和合规系统 行动、编排与治理系统
Data 地理空间、传感器、资源、后勤、天气、规则和结果 行情、财报、订单簿、宏观、持仓、风险、流动性和结果 对现实状态的机器化表达

成熟闭环应当是：

环节 系统动作
感知 Data 捕捉当前世界：状态、事件、约束、来源、置信度
理解 LLM 把状态转成假设、问题、解释和候选方案
验证 Harness 调用预测模型、优化器、回测、仿真或规则系统
约束 Harness 检查权限、限额、法律、政策、客户授权和人工门槛
执行 低风险动作自动执行，高影响动作提交审批
监测 系统观察真实结果、滑点、失败、异常和副作用
学习 结果、人工修正和复盘进入新的 Data

真正成熟的 Agentic AI 不是“LLM 自己做决定”。

更准确的分工是：

LLM 产生假设，专业模型完成计算，Harness 控制执行，Data 校验现实，人类承担最终责任。

这也是战争和投资会收敛的原因。越高风险，越不能把智能理解成“会说话”。智能必须被放进受控流程里，能追踪、能复盘、能暂停、能解释，必要时能拒绝行动。

三、真正的工程机制：固定结构保证可靠，反馈机制负责进化

如果只把 Agentic AI 看成 LLM、Harness 和 Data 的组合，还不够。

这只是静态架构。

真正能在战争和投资这类环境中长期工作的系统，必须再加一层自适应系统工程观：

固定结构是可靠性的来源，反馈机制是进化的来源，边界是安全的来源。

早期系统必须有清楚的流程、角色、权限、规则和质量标准。没有这些东西，Agentic AI 很快会变成一组不可控的工具调用。

但长期系统不能完全依赖固定流程。战争态势会变，市场结构会变，对手会学习，数据质量会漂移，原来有效的策略会失效。系统如果只会按旧流程执行，就会在变化环境里变得越来越脆。

因此，高风险 Agentic AI 的工程循环应该是：

环节 工程含义 系统能力
固定结构 权限、流程、模型边界、审批规则、质量评估、审计日志 保证系统不会乱动
任务执行 感知、理解、模拟、方案比较、受控行动 完成当前决策任务
反馈回写 结果、异常、人工否决、失败案例、市场影响、后续验证 把任务结果变成资产
认知沉淀 更新状态模型、风险规则、偏好约束、经验模式 让下一轮判断更准确
边界治理 权限边界、数据边界、风险边界、质量边界、责任边界 允许系统进化但不失控

这个机制的重点不是让系统“自己想做什么就做什么”。

更准确地说，它让系统从“完成任务”升级为“理解场景”。每一次任务结束后，系统不只留下一个输出，还留下判断依据、行动路径、真实结果、人工修正和失败原因。

这就是 Agentic AI 与传统自动化的分界线。

传统自动化追求把一条流程跑通。自适应 Agentic AI 追求的是：流程跑完后，系统是否更理解这个环境。

四、这种架构真正解决什么问题

这套机制不能消除战争的不确定性，也不能保证投资收益。

它解决的是另一类更基础的工程问题：在持续变化、高风险、高噪声的环境里，如何让系统不只更快行动，还能更少失真、更少遗忘、更少越界。

问题 没有自适应机制时的表现 这套架构如何处理
状态漂移 系统按旧世界做判断，现实已经变了 Data 持续更新对象、关系、事件、来源和置信度
反馈丢失 每次任务结束后只留下报告，不留下学习资产 结果、人工修正、异常和后续影响回写成下一轮判断依据
流程脆弱 固定流程遇到异常就卡死，人工只能临时补救 Harness 用状态机、异常触发、升级规则和回滚机制接住变化
模型幻觉 LLM 用叙事填补事实空白 来源、置信度、引用、专业模型和规则系统限制模型自由发挥
模拟误用 把沙盘、回测或压力测试当成现实证明 系统记录假设、敏感变量和失效条件，让模拟只服务于方案比较
责任断裂 事后不知道谁看了什么、模型用了什么、动作为何发生 Decision lineage 记录数据版本、模型输出、规则、审批和结果
策略退化 对手适应后，旧策略继续被机械执行 通过结果监测、反例积累和人工否决信号识别策略失效
过度自治 系统在不该行动的地方行动 权限、风险、数据、质量和责任边界决定哪些动作必须停下来

所以，战争与投资里的 Agentic AI 不是为了制造一个“永远正确的决策者”。

它更现实的价值，是把高风险决策从个人经验和碎片系统中，迁移到一个可感知、可解释、可模拟、可执行、可复盘、可持续修正的系统里。

这类架构能解决的问题，往往有四个共同特征：

问题类型 典型特征 为什么适合自适应 Agentic AI
连续状态问题 世界不是静态输入，而是持续变化 需要实时状态模型和事件驱动更新
多约束问题 资源、风险、权限、时间同时存在 需要 Harness 把约束显式化并强制执行
高反馈价值 每次结果都能改善下一次判断 需要把结果和人工修正沉淀成 Data
高责任问题 错误需要追溯、解释和复盘 需要决策血缘、审计和人工责任边界

相反，如果一个问题规则稳定、结果可验证、风险较高，就不应该强行追求自适应。它应该使用固定流程、强规则和强评估。

真正的工程判断是分层：高风险部分要稳定，复杂变化部分要能学习；不能把所有事情都写死，也不能让所有事情都自由变化。

五、战争 Agentic AI：极限在物理世界、对抗环境和指挥责任

美国国防部 JADC2 战略把未来指挥控制能力概括为三件事：sense、make sense、act。它强调跨域感知、数据融合、自动化、AI、安全韧性基础设施和人类指挥体系。

这已经不是聊天助手逻辑，而是高强度连续决策系统。

战争场景中三层的重量不同：

层 关键要求
Data 多源、实时、带来源、带置信度、可分级共享、能在通信受限环境下工作
LLM 多模态理解、长上下文、矛盾识别、假设生成、态势解释
Harness 数据融合、GIS、仿真、优化、权限、审批、审计、降级运行和责任留痕

第一类任务是多源情报融合。信息可能来自地理空间、遥感、传感器、公开信息、通信状态、资源状态、天气和历史事件。它们可能不同步、相互矛盾，甚至包含故意欺骗。

LLM 的价值不是把这些材料做成摘要，而是区分事实、推断和未知；提出多个竞争性解释；指出判断为什么改变；把新的状态放回历史和战略背景。

Harness 的价值是更硬的：数据接入、时间对齐、实体匹配、来源标记、权限过滤、地理空间展示、异常检测和持续更新。Data 层必须记录信息来源、时间、置信度、处理链路、被哪些判断引用，以及后来是否被证实。

第二类任务是方案比较。LLM 适合提出“应该检查什么”和“可能存在什么解释”；预测模型、优化模型和仿真系统负责回答“在明确约束下什么更可行”。Red-team / Critic Agent 的作用，是寻找反例、隐藏假设和方案漏洞。

第三类任务是后勤和战备。库存、维修、燃料、医疗、运输、人员和装备可用性，本质上是动态优化问题。LLM 不应直接算答案，它应把人类意图翻译成约束，解释异常，调用调度、路径、库存和模拟系统。

第四类任务是防御性网络和信息环境监测。系统可以汇总安全告警，关联不同系统事件，追踪信息来源，识别异常传播和操纵性叙事，再把风险解释和响应建议提交给人。

NATO 2024 修订版 AI 战略强调负责任使用原则，包括合法性、责任与问责、可解释与可追溯、可靠性、可治理性和偏差缓解；同时强调质量数据是可靠 AI 系统的基础，并要求保护 AI 技术、管理风险、防范对手使用 AI。

这说明战争 Agentic AI 的核心不是“把人替掉”，而是提高态势理解、方案比较和资源配置能力，同时把高风险动作关进更严格的责任系统。

六、投资 Agentic AI：极限在资本、流动性和受托责任

投资领域面对的是另一种动态世界。

价格持续变化，流动性会消失，新闻会改变预期，参与者会对彼此行动作出反应，历史关系会突然失效。一个策略被广泛采用后，收益可能衰减，甚至反向伤害使用者。

金融市场 Agent 的循环可以写成：

市场与公司数据 → 信息融合 → 投资假设 → 情景与压力测试 → 配置或交易建议 → 风险、合规与授权检查 → 受控执行 → 收益、风险、滑点和市场影响 → 反馈学习。

在这个系统里，LLM 适合读财报、公告、电话会议和新闻；连接公司、行业和宏观信息；生成牛市、基准和压力情景；识别论证矛盾；写投资备忘录；解释组合变化。

但它不应替代收益预测模型、估值模型、波动率模型、相关性模型、组合优化器、流动性模型、交易执行算法和风险限额系统。

Harness 才是投资 Agent 的关键底座。它要连接行情、订单簿、财报、监管文件、新闻、宏观数据、估值模型、因子模型、回测系统、组合优化器、OMS/EMS、合规流程、审批、日志和紧急停止机制。

Data 则是投资记忆：实时价格、成交、订单簿、财报、宏观、新闻、持仓、成本、风险敞口、客户授权、历史交易、滑点、市场影响、投资经理否决理由和事后结果。

FINRA 2026 年报告已经把 GenAI 与 Agent 风险说得很具体：使用 GenAI 仍受既有监管规则约束，涉及监督、沟通、记录保存和公平交易；AI Agent 还带来自治、授权范围、可审计性、数据敏感性、领域知识不足和奖励函数错配等风险，需要人类复核、行动追踪和控制机制。

BIS 2026 年关于 AI 与数字金融稳定性的讲话也指出，AI 会加快交易和组合调整，压力期可能放大短期价格波动；集中依赖少数硬件、云、数据和模型提供者会造成运营韧性风险；相似模型、相似数据和相似决策规则可能让机构对冲击作出类似反应，放大传染和顺周期。

所以，投资 Agent 的目标不应是打造一个“全自动天才交易员”。更现实的目标是 bounded autonomy：自动整理信息、监测风险、准备方案、执行受限低风险任务；重大配置、高杠杆、高流动性冲击和法律责任动作仍然需要人类批准。

七、为什么两者会收敛：五个同构

第一，都是部分可观测环境。

战争无法完全知道对手状态和意图；市场无法完全知道其他参与者持仓、动机和未来行为。系统只能在不完整信号上形成概率性判断。

第二，都存在主动适应的对手。

战争对手会欺骗、隐藏、诱导和改变策略。市场参与者也会学习、拥挤、抢先交易或反向利用公开信号。任何静态规律，一旦被大规模使用，都会改变环境本身。

第三，都是多时间尺度决策。

战争有战略层、运营层和边缘执行层。投资有长期资产配置、中期行业风格、短期头寸调整和毫秒级订单执行。同一个 LLM 不适合直接控制全部层级。

层级 战争 投资 技术重点
战略层 数小时至数天的方案比较 长期配置与主题判断 强推理、多方案、人工决策
运营层 分钟至小时的资源重规划 仓位、风险、流动性调整 事件触发、预测、优化、审批
执行层 边缘状态与本地约束 订单执行与风控阈值 低延迟、确定性、故障安全

第四，都是受约束的资源配置。

战争配置人员、装备、时间、空间和后勤；投资配置资本、风险预算、杠杆、流动性和交易容量。核心不是找到抽象最优解，而是在资源、时间、风险和权限约束下找到当前可执行方案。

第五，都必须把模拟与现实分开。

战争中的沙盘推演不等于真实环境。投资中的回测也不等于未来收益。模拟的作用是暴露脆弱假设，不是证明某个方案一定成功。

八、关键差异：同构不等于同后果

结构相似不意味着后果相同。

维度 战争 Agentic AI 投资 Agentic AI
最终目标 任务、安全、保护、威慑和资源目标 风险调整后收益、资本保全和委托目标
失败后果 可能产生生命、国家安全和物理世界后果 资本损失、客户损失、市场和系统性风险
反馈方式 可能延迟、缺失、被干扰或难以验证 损益反馈更频繁，但噪声大且可能误导
可逆性 大量决策高度不可逆 部分头寸可平仓，但流动性和冲击成本会制造不可逆
运行环境 可能断网、低带宽、通信受干扰 通常连接充分，但低延迟和基础设施依赖极强
规则体系 国际法、国内法、授权、指挥链和行动规则 受托责任、投资授权、市场规则、监管与合规
系统性风险 错误可能沿指挥链扩散 相似模型可能造成拥挤交易、同步行为和市场共振

这些差异决定了两件事。

第一，战争系统必须把人类责任、法律约束、授权链和降级运行放在架构核心。

第二，投资系统必须把客户授权、风险限额、流动性、记录保存、模型治理和交易后复盘放在架构核心。

二者都不能用“模型能力很强”来替代责任设计。

九、结论：竞争的是会进化但不失控的决策架构

战争与投资代表 Agentic AI 的两种极限形态。

它们信息极多，环境持续变化，对手会适应，资源有限，时间敏感，错误代价高，必须持续监测、行动和学习。

因此，它们不会停留在模型中心产品上。它们会收敛到同一类自适应决策架构：

层 最终职责
Data 把现实世界表达成对象、关系、状态、事件、来源、置信度、权限和结果
LLM 解释状态，生成假设，提出问题，比较方案，向人说明判断
Harness 调用工具，运行模型，执行流程，限制权限，记录血缘，触发人工复核
Feedback memory 沉淀结果、异常、人工修正、失败案例和策略失效信号
Human 对高影响、不可逆、强责任动作承担最终判断

最终稀缺资产不是一个更会说话的模型，而是一套能持续更新现实状态、稳定生成假设、严格控制行动、完整记录责任、并把真实反馈转化为下一轮判断能力的决策系统。

在战争与投资这两种高风险场景中，LLM 是认知引擎，Data 是动态世界模型，Harness 是指挥与控制系统，反馈机制决定系统能不能在真实运行中变强。

这也是跨项目通用的工程哲学：不要只搭建功能，要培育系统。用固定结构保证可靠性，用反馈机制形成认知，用边界管理风险，让系统在真实运行中持续进化。

参考来源

分享 / SHARE微博