曾敏敏带AI投研重返金融：AlphaGBM近4000付费用户，还要办线下闭门会

2009年，曾敏敏离开香港投行，办起了哈佛毕业后自己的第一家公司。往后17年，创业成了她的主业，投资这条线也没断过——个人一直在二级市场参与，公司做大之后又涉足一级市场。

她对AI的反应比多数人早。2021年底英伟达秀出能实时对话的虚拟人，曾敏敏说，当时“太兴奋了，觉得每个人很快都会有自己的AI助手。”转年她就带着团队全面摸索AI在教育里的用法；2023年ChatGPT问世，公司干脆转型，拉起技术队伍做AI原生应用。

到2026年，智能体又往前走了一步，这让曾敏敏更确信：人工智能既是最好的投资领域，也能大幅改造投资这件事本身，AlphaGBM就是从这里起步的。团队攒下的算法和AI产品经验，正好接上她延续多年的投资线索，而第一批用户，就是她和团队自己。

眼下这个项目在Github上拿到3000多Star，付费用户接近4000名，社交媒体半年里涨了20多万关注。这些数字说明它已经过了自用阶段，但也把新问题摆到面前：线上触达怎么扩大，怎么让更多人用上产品，再把服务交给AI去完成。

可到了2026年11月，曾敏敏和团队却决定分出一部分精力，放到屏幕之外——办线下用户闭门会，做面对面的交流和教学。一个借AI重回金融的创业者，为什么做起这么个看上去矛盾的商业动作？

曾敏敏的履历并不沿着单一行业走。金融机构、教育创业、一级和二级市场投资，看上去转了好几次向，但每一次都要她回答同一个问题：新工具、新方法，怎么改变一个人原本做事的方式？做教育，交付内容只是一部分，人能不能理解、能不能用起来、能不能把方法变成自己的本事，同样要紧。换到投资，材料成了财报、市场数据和行业研究，可“知道”到“会用”之间那段距离还在。

“教育就是赋能。我们当年用工具和方法论帮学生；现在用AI去创建工具，赋能投资者。”她说。

对长期研究市场的人来说，难处通常不在找不到信息。新闻、财报、价格、分析观点越堆越多，真正费劲的是把它们拼到一起：哪些变化值得跟，哪些数字能拿来比，一条新消息够不够推翻原来的判断。一个答案说得顺，不代表它扛得住这几步追问。

曾敏敏负责提出这些具体的金融问题，也管着产品和商业方向；团队把算法和AI产品经验带进来，大家一起把问题拆成能计算、能核对、能反复使用的步骤。自用投资体系先搭起来，这些能力便在他们自己的工作中落了地。

这套工具之所以在这个阶段冒出来，跟AI能力自身的变化有关。这种尝试背后，是AI在过去一年里的变化。

以前的模型更像一个随时能提问的助手：你问一句，它答一段。后来，模型开始能进开发环境、调用工具、拆解任务，还能在更长的时间里持续把一件事做完。

Claude Code、Claude Opus 4.6，以及

这恰好接上了曾敏敏和团队原本就在做的事。

投资研究本来就不是问完一个问题就收工。研究者看到一条新闻，接着要查公司披露、对照财务数据、确认行业背景，再判断这条消息够不够改变原来的结论。过去这些步骤散落在不同工具里，得靠人自己不停切换、不停记录。

Agent能接手其中一部分重复劳动，但它替不了人决定哪个问题值得研究，也没法自动保证材料口径一致。提问、划边界、检查结果，还得人来；算法和数据负责把步骤组织起来，AI则让这些步骤更容易连着执行。

对AlphaGBM来说，这意味着产品不必停在“问一句、答一句”。它可以试着把一次研究里的材料、计算和后续验证串起来，让今天没做完的问题，明天还能接着往下走。

“如果你做的工具，用户在大模型里直接就能解决，就很难赚钱。”曾敏敏说。

这是AlphaGBM绕不开的商业问题。通用AI已经能解释财务概念、概括公司材料，一个独立的金融研究工具，不能只靠“也能回答问题”来收费。它得让使用者完成更具体的工作，并且看见答案背后的依据、假设和风险边界。

AlphaGBM的产品设计，从研究入口就透着这层考虑。股票候选页面让用户在不同市场里找研究对象、做比较；期权部分把现金担保卖Put和备兑Call分开，列出行权价、到期日和报价日期。这两类并不是可以互换的“机会”：前者要拿现金承担义务，后者以持股为基础，用户得先弄懂条件和风险，再谈策略。

研究内容也要接住这些线索。一篇美光研究里，分析没有停在“看好存储”这类判断上，而是把DRAM、NAND和HBM业务拆开，讨论利润能持续多久、现金回报如何、估值要看哪些条件。

用户看到的不该只是一个方向，还应该能追问：判断依据是什么，哪些条件一变就得重新考虑？候选比较、策略研究、深度分析，构成了这套工作台的具体部分。团队希望再通过Agent把研究上下文连起来；相关入口还在Beta阶段。这跟团队给自己搭的内部投资体系有关，但并不是把内部所有能力原样搬到一个网站上。

算法经验在这里的价值，也不在于让答案显得更精确。不同来源的数据先要清洗、对齐，价格、期限、单位不能混着用，模型输出得对应到输入和假设。否则，一段流畅的解释，可能只是把不一致的材料说得更像一回事。AlphaGBM把产品放在研究这一侧：帮用户发现线索、比较条件、理解风险，不代客投资，也不承诺收益。半年获得二十万关注

曾敏敏带回来的，除了投资这道题和一套工具，还有前几次创业攒下的商业经验。金融研究内容成了触达读者的入口：先看分析和表达，再往下了解方法和产品。

半年下来，AlphaGBM持续输出投资见解，公众号关注者攒到二十万，付费用户也慢慢出现，网站付费规模已有几千人。

传播在这里不只是给产品套一层广告，而是让读者先看清团队怎么做研究，再判断要不要把自己的问题交给这套工具。

开源则把这条路引到了另一群使用者面前。Github上，AlphaGBM的两个公开项目加起来拿到3391个Star。跟读公众号不一样，公开项目给有技术底子的人留了一个看方法、动手试的入口。放在金融AI这个垂类的开源项目里，这个数字很扎眼。每一颗星标背后，都是一个开发者打开代码、读完逻辑之后主动投出的一票。

AlphaGBM最容易被外界看轻、投入却最重的一块，是每天在攒的实时数据。曾敏敏说：“金融市场每天都在产生新数据，其中很多——比如期权隐含波动率、资金席位流向、跨市场的杠杆变化——只能靠系统每天不间断地采集，错过一天，那天的历史就永远补不回来。"

“我们不怕别人看代码，因为代码只是冰山一角。真正的壁垒是冰山下面的东西。”曾敏敏说。这话得靠代码之外的持续活儿来兑现：数据怎么积累、怎么维护，算法怎么跟研究问题结合，产品怎么处理用户实际用起来卡住的地方。方法公开，不等于这些活儿也跟着做完了。

内容让人认识团队，开源让方法有机会被检视，产品接住更具体的研究需求。几千名付费用户，已经让这件事不再是自用项目的规模。也就在这个时候，团队又做了一个选择：不把所有连接都留在线上。

艾瑞咨询测算，2026年国内AI投研工具市场规模已突破180亿元，2025–2030年复合增速35%。头部玩家的方向出奇一致——让AI离交易越近越好。二十余家券商完成金融大模型本地化部署，把AI助手直接绑上交易账户；同花顺、东方财富从"AI辅助"向"AI投资操作系统"进化；海外的Koyfin、Public甚至推出了能用自然语言直接下单的AI Agent。

2026年2月上线的AlphaGBM，此时却选了反方向，开始组织用户做线下闭门交流会。单从宣传分发的角度看，线下活动好像不够高效。办一场闭门会要花时间，也没法像产品页面那样随时被人点开。曾敏敏的答案只有一句：“做大模型做不到的事”。

“投资很寂寞。”她说，“大家总想看看别人在研究啥。”AlphaGBM的线下闭门会，重点不在介绍功能，而是让来的人带一个真实问题：为什么关注一个行业，同一份材料为什么得出不同判断，工具给的结果还能不能接着追问。

用户要的不是站在那里看一场产品演示，走的时候能拿到属于自己的研究结果、一份个人简报，外加一个亲手试过的Skill，才算没白来。线上提问题，往往最后被塞进一个按钮，或者干脆变成一条功能建议；面对面就不一样了，团队可以顺着建议往下问，问出背后的使用难处。嘴上说“想要更多数据”的人，缺的可能只是比较口径；“给一个答案”这句话背后，也许是想弄明白这个答案在什么条件下才成立。

这些需求，团队想靠一起讨论辨认出来，而不是再添一张功能清单。曾敏敏第一次创业时熟悉的问题又冒出来了：把工具交到一个人手里，跟让这个人真正用起来，并不是同一件事。

线下连接是团队理解用户的一种方式。活动结束，研究仍要回到产品里继续；反复出现的问题，也得转化成更清楚的解释、更合适的工具和更顺手的流程。否则，闭门会就只是一次见面，成不了产品价值的证明。

曾敏敏说：“我希望不断把产品做得越来越好用，既服务于我自己，也服务于用户。”她和AlphaGBM要验证的，其实不是AI能不能替人写出一份投研报告，而是投资者带着问题进来，走完研究、核对、复盘这几步，出去的时候判断是不是更清楚了。

AlphaGBM官网：www.alphagbm.com

GitHub：github.com/AlphaGBM

注：文中市场数据来源于艾瑞咨询、IDC、OCC等公开报告。