Generative AI in asset management研报解读

概览

Bernstein 总结了与 Perplexity 计算能力产品负责人的讨论，内容聚焦 Perplexity Computer 如何从 AI 搜索演变为面向金融机构的企业工作平台。核心观点是，多模型编排、互联数据、可复用工作流和可审计输出，可在保留人为定义的目标和决策边界的同时，自动化研究密集型流程。

核心观点

报告将 Perplexity 定位为 AI 编排平台，而非单一模型供应商。报告称，该平台目前协调 24 个前沿及开源模型，并将子任务分配给适合其复杂度的模型。这种方式旨在减少供应商锁定，同时改善性能、治理和成本之间的权衡：较低成本的模型可处理较简单的工作，而前沿模型则用于要求更高的推理。报告认为，可用模型日益多样化，使这一编排层愈发重要。 Perplexity Computer 于 2026 年 2 月推出，被描述为推动从 AI 搜索转向端到端工作执行的运营框架。Bernstein 指出其四大支柱：可信数据、工作执行、可审计答案和随处工作。用户可通过 600+ 个连接器接入已获授权的内部或外部数据源，或使用预先谈妥的数据集。该平台可生成电子邮件、电子表格、演示文稿、文档、PDF、markdown 文件和研究报告，而基于 MCP 的集成使其可与已连接的应用程序互动。Perplexity 表示，其每月在全球回答超过 15 亿个问题。 可审计性和企业控制是报告金融服务应用场景的核心。对于量化输出，用户可以查看原始来源、文件或会议记录，并重建衍生指标的计算路径。管理员能够控制权限、认证、用户访问和审批要求。该平台还可展示中间推理步骤、代码、产物、任务进度、数据源、连接器、技能以及积分消耗。Bernstein 将此描述为“信任，但要验证”的设计，旨在减少高风险工作流中的黑箱行为；用户可检查或中断任务，而不会扰乱整体工作流。 报告将平台的 Brain 记忆层和可复用 Skills 视为将知识制度化的机制。Brain 在启用后逐步存储用户偏好、项目背景、沟通风格和工作模式，因此随着系统获得更多背景信息，提示词可能变得更短。Skills 将偏好的示例和经过验证的工作流转化为可进行版本控制、可共享的模板，并可在个人、项目或企业层面管理。示例包括投资委员会备忘录、组合评审、尽职调查框架和内部报告标准。报告认为，使用预建基础设施，并对项目、连接器、技能和工作流进行初始配置，可形成可复用的组织资产，而非要求企业自行构建每项能力。 Bernstein 强调，自动化是对投资团队影响最大的应用。定时或事件驱动工作流可每日监控组合、跟踪公司新闻和业绩发布、关注宏观事件、生成提醒并制作研究简报。“动态论点”可利用已连接的新闻、文件、业绩电话会议记录、行业动态和内部研究，持续更新原始投资论点；同时记录变更，并保留版本历史和来源可追溯性。其预期结果是减少人工审阅、集中投资知识、获得实时组合洞察和更快的决策支持，但人类用户仍负责设定目标和决策边界。 报告还介绍了 Model Council：多个模型独立评估同一情景，并识别共识与分歧。该功能被定位为适用于需要判断的高确信度决策，因为它能呈现不同的假设和影响。其他展示的功能包括实时仪表盘、通过电子邮件或 Slack 分配任务，以及自动生成产物。 在基础设施方面，Hybrid Compute 采用云优先架构，并在适当情况下将对隐私敏感的任务路由至本地设备；目前可供 Mac 用户使用。Portable Computer 则基于 NVIDIA DGX Spark 硬件采用本地优先架构，在需要更多算力时升级至云端资源。报告称，这将编排从模型选择延伸至决定任务应在本地、云端还是混合环境中运行，目标是在安全性、性能和成本之间取得平衡。 问答将从 AI 搜索转向运营型 AI 系统归因于更强的基础模型、更广泛的工具集成与实时数据访问，以及在管理记忆、文件、技能和工作流的编排层方面的进展。Perplexity 建议从人工投入高、运营摩擦大且信息分散的领域开始部署，在验证可量化的生产率提升后再扩大应用。报告还预计，闭源前沿模型和开源模型都将继续发挥作用：前者用于高性能推理，后者为较简单的工作负载提供更具吸引力的经济性。

分析框架

Bernstein 总结了与 Perplexity 的讨论，并通过产品架构、运营控制和实际资产管理应用场景解释该平台。分析将多模型路由、互联数据、记忆、可复用工作流及本地/云端部署，与生产率、成本控制、可追溯性和治理方面的预期收益联系起来。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• Perplexity

  作为特色企业级 AI 平台被讨论，用于资产管理研究和工作流自动化的编排。

  优势

  多模型编排、互联数据、可审计输出、持久记忆、可复用技能、自动化以及混合本地/云端处理。

  对比

  闭源前沿模型被定位用于复杂推理，而开源模型则为较简单的工作负载提供更具吸引力的经济性。

  风险

  报告强调，在高风险决策工作流中需要治理、可追溯性和人为定义的目标。

关键数据

• 编排的模型数量24Perplexity 被描述为根据任务要求协调前沿及开源模型。
• 企业数据连接器600+该平台支持超过 600 个连接器，用于接入已获授权的数据源和企业系统。
• 每月回答的问题数量More than 1.5 billion报告披露的 Perplexity 全球每月活动量。
• Perplexity Computer 推出时间February 2026报告将此列为该工作平台产品的推出时间。
• Max 相对 Pro 的积分About 10x more credits per monthPerplexity 表示，Max 许可用户每月获得的积分约为 Pro 许可用户的十倍。

影响与含义

报告认为，投资机构或可从自动化重复性监控和研究工作流中获得最大的初期收益，同时保留来源可追溯性、审批控制和人为决策边界。报告将跨模型及本地/云端资源的编排视为降低对单一供应商依赖、并管理质量、成本和安全性权衡的方式。