它嘴里的「现在」，其实是它上学那年的现在

你问 AI：某消费公司现在的董事长是谁。

它答得很干脆，姓名、任职年限、之前在哪家公司干过，还顺手评价了一句这位掌门人的经营风格偏保守。你没多想，把这段抄进了研究笔记，后面写「管理层稳定」的时候还引用了一次。

三个月后你翻公告才发现，这位董事长在你提问之前就已经卸任了。

奇怪的是，你回头去看那段回答，找不到任何破绽。它没有含糊其辞，没有说「据我了解」，没有加任何限定词。它的语气跟它回答「毛利率是什么意思」时一模一样地笃定。

这篇讲的就是这件事：模型说的每一句话，都有一个它自己不知道的时间戳。 而这个时间戳，恰恰是投资里最要命的那个变量。

先说边界：本文讲的是怎么判断 AI 输出的时效性，产出的一切都是待核实的素材，不构成任何买卖依据。

一个出远门的老同学

设想你有个老同学，参加了一支远洋科考队，在船上待了很久，没有网络。

他回来那天，你请他吃饭。聊起共同认识的人，他说起某某还在原来那家单位、某某还没结婚、某条老街上那家面馆味道最正。你听着不对，但他讲得特别自然——因为在他脑子里，那就是现在。

这已经够麻烦了。但真正的模型比这位同学还要难对付两层。

第一层，他至少知道自己出发的日期。 你只要问一句「你哪天走的」，就能把他所有的话统一往前挪一段，该核的核。模型没有这个东西——它的知识不是「从某天起冻结的一整块」，而是无数说法揉在一起的一团，不同话题的新鲜度还不一样。

第二层，他知道自己出过远门。 模型不知道。它没有钟表，没有日历，不知道你是在哪一天跟它说话。除非有人在对话之前偷偷告诉它今天几号，否则「今天」这个词对它来说只是个符号。

所以这不是「它信息旧」的问题。信息旧是可以处理的，标个日期就行了。真正的问题是——它不知道自己旧，你也看不出来它旧。

投资里，看得出来的过期是无害的

这一节是全篇最重要的地方，请慢一点读。

你问它某只股票现在多少钱，它给了个数。这个错误其实不危险，因为你一眼就知道要去行情软件核对，没有任何人会拿 AI 报的价去下单。凡是你天然就不信的东西，它答错了也伤不到你。

真正出事的是另一类：你不觉得这也会变的东西。

按「多久变一次」把投研里的事实排一排，你会看到一条清晰的风险梯度：

变化节奏	典型事实	你会不会去核	真实风险
每天	股价、市值、成交量、涨跌幅	一定会	低
每季	营收、利润、毛利率、负债结构	通常会	中
不定期突变	董事长与核心高管、控股股东、重大诉讼、停复牌与风险警示	常常忘	高
不定期突变	股本结构：增发、回购注销、限售解禁	常常忘	高
缓慢漂移	竞争格局、技术路线、主要客户集中度	几乎不核	最高
政策层	交易规则、行业监管口径、税制	几乎不核	最高

注意最下面那两行。你研究一家公司，写下「行业格局稳定，前二名合计份额较高」这句话的时候，你会去核吗？多半不会——因为这听起来像是个背景常识，不像是个「数据」。可它恰恰是最容易在一两年里被彻底改写的东西。

AI 的过期是均匀的，你的警惕心不是。 你只在自己知道会变的地方设防，而它在你没设防的地方同样过期。这两条曲线错开的那一块，就是坑。

还有一个方向性的偏差

再往深一层。它的知识不只是旧，而且偏向旧的主流看法。

原因不难理解：一个说法在语料里被反复重复越多次，模型学得越牢。而被反复重复的，恰恰是当时的共识。少数派的、刚刚冒头的、还在争论中的判断，语料里声量小，模型学得也就轻。

这对投资意味着什么？你可能已经想到了——赚钱的机会通常发生在共识刚开始松动的地方。市场里最有价值的那段认知差，正是「多数人还这么认为，但事实已经开始变了」。而模型的结构决定了它天然站在「多数人还这么认为」那一侧，还站得特别稳。

所以当你用它做行业格局判断、竞争地位判断、「这家公司的护城河是什么」这类问题时，你拿到的往往不是分析，而是一份被高度压缩的、过期的市场共识。它听起来很有道理，因为当初确实很多人这么想。

为什么直接问它「你的信息截止到什么时候」不可靠

这是最反直觉的一段，也是很多人栽跟头的地方。

你可能试过：直接问它「你的训练数据截止到什么时候」。它会给你一个日期，说得挺具体。问题是，这个日期有四种可能的来源，而你分不清是哪一种：

第一种，它在复述文档。 关于自己的介绍文字，也是训练语料的一部分。而这些介绍往往写于更早的版本，或者干脆是网上第三方写的。它复述的可能是别人对某个更老版本的描述。

第二种，它在生成。 这个日期跟它其他所有输出一样，是算出来的、听起来最合理的一串字符，而不是从某个"配置项"里读出来的。参数里并没有一个叫「截止日」的抽屉可供它查询。

第三种，有人在对话开始前塞给了它一个日期。 很多产品会在你看不见的地方注入当前时间。这时候它说的日期可能是准的，但那是被人告知的，不是它自己知道的。

第四种，它刚刚上网查了。 带检索能力的产品，可能查到了一篇文章然后转述。

四种情形的输出长得完全一样——都是一个自信的日期。这就是问题：你问的是一个关于它自身的元问题，而它回答元问题用的还是那套「生成最像答案的东西」的机制。

而且还有个更麻烦的事实：截止日不是一道悬崖，是一段斜坡。越靠近截止日的事件，语料里讨论得越不充分——一件事刚发生时只有寥寥几条快讯，要等好几个月甚至几年，分析、复盘、争论才慢慢堆起来。所以就算那个日期是准的，它对最后那几个月的了解，也远远比不上更早的时期。这段"薄弱带"，恰恰覆盖了很多人以为"应该知道"的近期事件。

那就别问它，自己测

既然自报不可靠，就换成实测。下面三个探针都可以在五分钟内做完，而且要用你自己的投研素材来做，不要用通用测试题。

探针一：拿一件你已经百分百确定、且近期变过的事去问。

关键在「变过」。你去问一个从来没变过的事实，无论它答对答错，你什么信息都得不到。要选的是那种有明确变更节点的事：某家你熟悉的公司换了高管、某项交易规则做了调整、某个行业的准入口径动过。看它给的是变更前的版本还是变更后的。

一次不够，问三五件、变更节点分布在不同时间的。你会得到一个粗略的边界带，而不是一个点。

探针二：让它列时间轴，看它停在哪。

要求它把某件事按时间顺序排出来，每条标上时间。然后只看一件事：最后一条停在什么时候。

这比直接问截止日可靠得多，因为你测的是它实际能调出来的东西，而不是它对自己的描述。而且要在几个不同领域各做一次——你会发现，热门话题停得晚，冷门领域停得早。这说明「知识截止」根本不是一条线，是一片参差不齐的边缘。

探针三：故意问边界之外的事，看它怎么办。

挑一件你确知发生在它边界之后的事——某个周期性事件的最新一期、某项已经落地的规则。然后看它的反应：

• 说「我不掌握这之后的情况」，好。
• 说「据我了解是……」然后编出一段结构完整的内容，警报。
• 说「可能会……」把过去的模式往后一延，这是最隐蔽的一种，因为它披着谨慎的外衣。

这里有一句话值得你记住：你要测的不是它知道多少，而是它在不知道的时候会怎么办。 一个知识面窄但会说「不知道」的模型，在投研里比一个博闻强识但从不认输的模型安全得多。这也是怎么自己测一个模型适不适合做投研里的核心判据之一——不同产品在这一点上的差别，比它们在「懂得多不多」上的差别大得多，而且这个差别你只能自己测，别人测的结论过几个月就作废了。

顺带说一句：如果它编了，编出来的东西通常长得非常正常。识别这类内容有一套专门的信号，见编造的财务数字长什么样。

联网检索让这件事更隐蔽，不是更安全

很多人以为，给模型接上搜索就解决了。

方向是对的，但引入了一个新问题：混合。

它可能查到了一条新消息，同时又从参数里调出了三条旧记忆，然后把这四条揉成一段流畅的话交给你。这段话里，新旧信息的语气完全一致，没有任何标记告诉你哪一句来自刚查到的网页、哪一句来自它两年前学到的东西。

在只有旧记忆的时候，你至少还保持着一份整体的怀疑。一旦它开始引用链接，你的警惕心会不自觉地下降——「它都给出处了」。可出处只覆盖了那一句。

什么时候该让它联网、什么时候必须关掉，是另一个话题，见什么时候必须让它联网。这里只强调一点：检索改变的是信息来源，没有改变"新旧混在一段话里不做区分"这个毛病。

唯一可靠的做法：把「现在」从它手里拿走

前面说了这么多识别方法，但坦白讲，识别永远是被动的。真正的解法只有一条：凡是带时间属性的事实，不问它，喂给它。

这跟让 AI 读原文，和让它凭记忆说，是两回事讲的是同一件事的两个侧面——那一篇讲的是「有没有给材料」，这一篇讲的是「就算给了材料，它脑子里那份旧的还在，随时会漏出来」。所以光给材料不够，还得明确地压住旧的那份。

具体到动作上，有四条：

第一，材料头上写日期。 每份投喂的文件，第一行写清楚这份材料本身截止到什么时候。不是给模型看的，是给你自己看的——你三个月后回头翻笔记，才知道这份分析是站在哪个时点上做的。

第二，在提示词里显式声明覆盖关系。 光说「请参考以下材料」不够，要说清材料的优先级高于它的任何记忆。可以直接抄下面这段：

以下材料截止到 <日期>。回答时遵守：
1. 只使用材料内的内容。你训练中获得的关于该主题的任何信息，一律视为已过期，不得使用。
2. 每个事实性陈述后面，标注它出自材料的哪一部分。
3. 材料里没有的，直接写「材料未提及」，不要推测，不要用一般规律补全。
4. 如果材料内容与你的印象冲突，以材料为准，并单独列出冲突的地方。

第 4 条是这段提示词里最有价值的一句：它把冲突逼到台面上。冲突点往往正是最近发生过变化的地方，也就是你最该重点看的地方。

第三，要求逐条标出处，没出处的一律划掉。 这条执行起来很枯燥，但它是唯一能把「查到的」和「记得的」分开的办法。凡是它给不出材料位置的句子，默认当作记忆，从笔记里删干净。

第四，按时间敏感度分级，决定哪些允许它凭记忆答。 用回前面那张表的思路，把你研究里要用的每一条事实先归个类：

• 只准喂：所有会变的东西——价格、财务数、股本、人事、监管、格局。这一类一条都不许它凭记忆答。
• 可以让它答，但要核：行业的一般运作方式、常见商业模式、历史上发生过的事件。这些变得慢，但也不是不变。
• 可以放心让它答：会计概念、估值方法的算法、统计口径的定义、指标怎么算。这些几乎不随时间变，也正是 AI 真正好用的地方。

你会发现，划完之后剩给它「凭记忆自由发挥」的地盘小得可怜。这是对的。它在这个流程里的角色本来就不是知识来源，而是处理你给的材料的工具。

换个角度：它的旧，有时候正好有用

上面全在讲怎么防。这一节讲一个正面用法，而且是投资里挺独特的一个用法。

它记的是截止日之前的主流共识——这个东西你自己是很难拿到的。人的记忆会被后来发生的事重新粉刷，你现在回想两年前对某个行业怎么看，回想出来的多半已经被今天的认知污染过了。而模型的参数里，冻着一份没被污染的旧共识快照。

所以你可以这么用：先问它，再看今天。

让它讲一讲某个行业当时的普遍看法、某类公司当时被认为的核心优势、当时大家担心的风险是什么。然后把这份「旧共识」跟今天的事实摆在一起对比。差异出现的地方，就是这段时间里认知发生迁移的地方——而认知迁移，本来就是很多投资机会的来源。

用的时候有两条纪律：一是必须明确知道这是旧的，只当共识样本用，绝不当事实用；二是它给的具体数字仍然一个都不能信，你要的只是观点的形状，不是数据。

这么用，等于把它的缺陷调换了个位置——从「假装是现在」变成「明确标注为过去」。缺陷的伤害力，八成来自它伪装成了别的东西。

这跟投研里一个老概念是同一件事

如果你研究过量化，这套东西你其实早就见过。

评估任何一份数据，专业做法从来不是只问「这个数字对不对」，而是先问「这个数字在哪一天才被人知道」。财报的报告期和公布日差着一两个月，同一期数据后面还会被反复修订。做回测的人若用了当时根本还没公布的数据，成绩会好看得离谱，实盘一上就现原形——这类错误叫前视偏差，而对付它的标准做法，就是给每个数字都记上「什么时候可知」，也就是Point-In-Time 数据的思路。

AI 的知识截止，是这枚硬币的另一面：

• 前视偏差是模型偷看了未来，让历史成绩虚高；
• 知识截止是模型活在过去，却把过去说成现在。

方向相反，本质相同——都是时点错位。而投研这行早就为时点错位准备好了尺子。你只要把这把尺子从数据搬到 AI 的输出上：读它的每一句话时，不问「对不对」，先问「这句话是在哪个时点上成立的」。

把这个习惯养成了，你会发现自己的核对效率高很多。因为你不再需要核对全部内容，只需要盯住那些时点敏感的句子。剩下的那些不随时间变的部分，本来也不是风险所在。

一句话

它嘴里的「现在」，是它上学那天的现在，而它自己不知道已经放假多久了。凡是会变的事——价格、人、钱、规矩——别问它，喂给它；只有那些本来就不会变的道理，才值得听它讲。