长城证券 × AI

[导语·核心观点]一家中型券商同时在推进三件事：向零售客户销售“涨停助手”“AI波段”这类智能投顾工具[1]，在内部搭建AI算力平台并开发“长城AI智能体平台”，以支撑满血版DeepSeek等模型部署[4]，同时以卖方身份发布研报，判断云计算与AI应用景气度上行[3]。前两件事供自身使用，后一件则对外叙事。三者叠加，构成一个值得追踪的样本：AI在中型金融机构里，究竟先变成产品，还是先变成成本。核心判断是——长城证券已走到“有产品、有平台雏形、无量化披露”的阶段，成败尚不可判，但可以观察。

[事件回顾·发生了什么]从公开资料看，长城证券的AI动作可分为对外产品与对内基建两条线。对外，公司官网已列出智能投顾产品矩阵，包括涨停助手、手机短线宝、AI波段、AI金股、云参选股、尾盘抢筹等[1]。对内，2025年3月的投资者关系活动中，公司讨论了人工智能技术应用及未来发展规划，表示正在搭建人工智能算力平台，并计划引入更多AI人才加强团队建设[2]。同期报道进一步显示，公司正在开发“长城AI智能体平台”，计划支撑满血版DeepSeek大模型以及其他模型的有效部署，目前已部署专门负责AI建设的团队[4]。此外，长城证券研究所发布研报，判断随着模型能力提升与AI使用成本快速下行，云计算与AI应用产业景气度正处于上行趋势[3]。值得注意的是，上述披露均未给出算力投入金额、平台上线时间表、智能投顾产品的用户规模或收入贡献。

[背景与格局·公司沿革 · 行业脉络]券商是AI落地较早的行业，但落地层次差别很大。第一层是把AI当信号工具，输出选股、择时建议，本质是数据产品的包装；第二层是把AI当生产力，用于研究、投顾、客服、合规等内部流程；第三层才是把AI当基础设施，自建算力与模型部署能力，再向上延伸应用。长城证券目前的公开动作横跨第一层与第三层，中间的第二层反而最不透明。这种跳跃并不奇怪：中型券商面临经纪与财富管理费率长期下行、产品同质化严重、投顾人力有限的现实约束，用工具做差异化是成本最低的选择[1]。而低成本模型供给的普及，使得“自建算力平台+部署开源模型”从大机构专利变成中型机构也能尝试的选项[4]。公司自身的研究观点也印证了这一逻辑：模型能力提升与使用成本快速下行，是AI应用生态繁荣的前提[3]。但还有一层容易被忽略的因素：长城证券在此事上具备双重身份——既是AI的采用者，也是AI叙事的卖方。当一家机构的研究部门看多某条产业链，而该机构的战略投入方向恰好与之重合时，外部读者需要多一层分辨。

[深度解读·为什么发生 · 意味着什么]为什么是现在？三个驱动因素叠加。其一是竞争压力，智能投顾产品线是零售端的获客与留存工具，涨停助手、尾盘抢筹这类命名直接指向短线用户群体[1]，这是券商经纪业务的传统打法，只是换上了AI标签。其二是成本条件，公司自己的研报把“AI使用成本快速下行”列为景气上行的核心依据[3]，这句话反过来也解释了它为何此时启动自建：门槛降到了中型机构可承受的区间。其三是技术路径，公司明确要走“支撑满血版DeepSeek以及其他模型”的路线[4]，即不追求自研基础模型，而是在开源模型之上做部署、调优与场景集成——对一家券商而言，这是唯一理性的选择。 那么进展到哪一步？判断是：基础设施阶段，而非应用收获阶段。理由是，“智能体平台”与“智能投顾产品”之间隔着相当长的工程链条——前者要求工具调用、权限隔离、多步任务编排、结果可审计；后者只需要模型输出可读的信号。官网列出的产品无法证明公司已具备前者能力[1]，而“正在开发”“计划支撑”的措辞[4]恰恰说明平台尚未交付。同样，“搭建算力平台”“计划引入AI人才”[2]是进行时，不是完成时。 谁受益？短期最直接的是零售客户，获得了低门槛辅助工具；若平台跑通，公司可降低对外部数据与工具供应商的依赖，并提升单个投顾的服务半径，这是财务报表上真正有意义的一项。谁被挤压？标准化金融信息与选股工具供应商首当其冲——当券商把同类功能内嵌进自有App，第三方产品的付费理由会被削弱（此为分析判断）。受影响的还有低附加值的人工服务环节。

[关键数据与证据·来自报道的数字与事实]报道中可核验的事实有限，但恰好构成一张清单： - 产品侧：官网展示涨停助手、手机短线宝、AI波段、AI金股、气象九转/趋势九转、云参选股、尾盘抢筹[1]。 - 组织侧：2025年3月投资者关系活动讨论AI技术应用与未来发展规划[2]；已部署专门负责AI建设的团队，计划未来引入更多AI人才[2][4]。 - 基建侧：正在搭建人工智能算力平台[2]；正在开发“长城AI智能体平台”，计划支撑满血版DeepSeek大模型以及其他模型的有效部署[4]。 - 观点侧：研报判断模型能力持续跃迁、AI使用成本快速下行，云计算与AI应用产业景气度处于上行趋势[3]。 - 缺失侧：无算力投入金额、无平台上线时间、无用户数、无AI产品收入或成本节省的量化口径。 在评估一家公司的AI进展时，“缺什么数据”往往比“有什么表态”信息量更大。这张清单的可验证性整体偏中等：产品可从官网自证，平台与团队则完全依赖公司自述。

[风险与争议·审慎的批评视角]第一，披露颗粒度不足，叙事空间过大。“搭建”“计划”“拟引入”[2][4]这类措辞既无法证伪，也无法被追踪。对投资者关系活动而言这无可厚非，但若长期停留在这个层级，外部就无法区分“真投入”与“表态性投入”。 第二，产品命名与能力叙事之间存在落差。“涨停助手”“尾盘抢筹”[1]指向短线交易信号，而“智能体平台”指向通用任务编排，两者在技术含量与合规要求上并不相同。用前者为后者背书，是行业里常见的夸大手法（此为分析判断）。更实际的风险在营销合规：暗示收益的工具，在投资者适当性管理与宣传用语上受严格约束。 第三，立场冲突。公司研究所看多AI应用景气度[3]，同时公司自身正在加码AI基建[4]。这不构成不当，但读者应意识到，当卖方观点与其战略方向同向时，独立性需要自行折价。 第四，技术依赖。选择“支撑DeepSeek等模型”[4]意味着能力上限部分外包，模型迭代节奏、开源许可变化、供应稳定性都不在自己手里。 第五，归因困难。行情活跃期任何选股工具都容易显得有效，缺少跨周期与对照组的公开数据，无法区分工具alpha与市场beta。报道全部为公司自述或媒体转述，无第三方审计或监管披露佐证，样本存在明显自选择偏差。

[未来展望·情景推演]保守情景：平台停留在内部提效，未对外发布；智能投顾产品线维持现状，AI不进入财报口径。这一概率不低，券商IT项目延期是常态。 中性情景：智能体平台在研究与投顾内部场景先行落地，对外产品做体验升级，但一年内仍难见独立收入披露。 乐观情景：平台完成内部验证后向同业或机构客户输出，形成技术能力外溢，此时“AI智能体平台”才真正成为资产而非成本。 未来3–6个月值得盯的六个节点，全部可核验：1）半年报或年报中是否出现AI相关的投入金额或专职人员数量；2）“长城AI智能体平台”是否公开发布、开放测试或披露使用范围[4]；3）是否披露DeepSeek之外的模型合作或自研微调成果；4）智能投顾产品是否给出活跃用户数、留存或跟投规模；5）是否取得算法备案、软件著作权、专利等客观凭证；6）研报观点与公司自身AI应用之间是否出现可验证的闭环案例。 任何一项落地，都把判断从“待验证”向“可信”推进一格；反之，若连续两个报告期仍是“正在搭建”，则应视为优先级下调的信号。

[建议与启示·面向决策者]给企业决策者四条可操作建议。 其一，区分工具型AI与平台型AI的投入节奏。工具型见效快、可营销，平台型周期长、难量化，两者不能互相替代，也不能用产品数量掩盖能力缺口。长城证券的产品线已经足够长[1]，真正的瓶颈在中间层。 其二，为AI投入设定可披露的最小KPI集：内部流程人效变化、单个投顾服务客户数、模型输出的错误率与人工复核比例。没有这些，IR沟通只能停留在“计划”层面。 其三，保留多模型抽象层。把“支撑DeepSeek及其他模型”[4]落实为工程上的可替换设计，避免被单一供应商锁定。 其四，合规前置。营销话术、投资者适当性、算法备案应在产品设计阶段介入，而不是上线后补救。 若要在组织上实现这些，多智能体调度平台是务实的切入点——AgentSH这类平台的价值不在于再造一个选股工具，而在于把算力、模型、工具、权限和数据统一编排，让新场景复用同一套底座。对中型券商尤为关键：它们缺的正是这个中间层，而不是又一个前端功能。

[结语·一句话立场]长城证券的AI故事，目前是一份“已开工、未验收”的工程进度报告：产品线真实存在[1]，算力平台与智能体平台处于建设期[2][4]，卖方观点提供了逻辑支撑但难以自证[3]。它值得关注，不是因为已经成功，而是因为它代表了一类中型金融机构的典型路径——用开源模型与自建算力，在成本可控的前提下补齐能力短板。判断留待数据，跟踪从现在开始。