核心观点
基于改良版投资时钟框架，通过数据投喂、图片投喂、逻辑投喂三条技术路径对AI的宏观周期识别能力进行对比实验，并以分析师划分作为基准，从逐月阶段一致性、阶段稳定性、周期叙事完整度三层维度进行评估。结果表明，AI在该类任务中的表现差异并非简单取决于模型能力强弱，而更取决于技术范式与宏观问题结构的匹配度：数据路径易被噪声牵引，导致周期碎片化与回撤式反复；图片路径更利于构建中期框架但存在平滑陷阱；逻辑/智能体路径能够高效对齐共识但并不等同于独立推演能力。
实验设计与结果
1. 数据投喂
- 识别频率对比：AI划分出现高频闪烁特征，识别出的周期阶段数量远超人类专家，导致周期碎片化与回撤式反复。
- 周期轮数对比：AI缺乏战略层面的大局观，识别出的周期轮数远高于人类专家，出现频繁的逆周期反复。
- 分阶段对比：AI与人类专家的共识大多存在于“强趋势性数据”中，中国经济进入高质量发展阶段后，指标的波幅减小，呈现出弱周期、重结构的特征。
2. 图片投喂
- 周期阶段稳定但过于平滑：图片识别划分出的阶段数量少于数据识别，但每个阶段的持续时间更长。
- 轮数共识：AI对周期轮数的判断与专家的结果高度相似，更接近分析师的直观判断。
- 特色分析：Manus复合标注体现了对灰度区的捕捉，比强行寻找一个精确的切割点更符合经济逻辑。
3. 逻辑投喂/智能体
- 识别结果：逻辑识别模式下，AI得到的结果与分析师人工划分高度对齐。
- 深度拆解：
- Manus：通过网页搜索得到分析师已划分的结果，并主动检索与对标数据，更像初级研究员的做法。
- Gemini：基于模型训练结果与逻辑演绎，内化了权威机构的历史划分标准，并自行搜索并抽取关键宏观事实进行推演。
有效性评估
1. 准确率识别评估
- 逐月对齐结果：逻辑投喂路径整体表现最优，纯数据投喂路径次之，图片识别路径最低。
- 大类阶段准确率：模型间差距有所收敛，但逻辑投喂路径仍保持相对优势。
- 疫情前后对比：疫情前各模型的识别效果整体好于疫情后，且模型间分化更为明显。
2. 阶段稳定性评估
- 数据投喂路径：周期结构明显更为碎片化，阶段切换密度显著高于人工基准。
- 图片识别路径：周期整体形态上与人工结果接近，阶段切换密度较低。
- 逻辑投喂路径：周期结构上相对收敛，阶段切换密度有所降低。
3. 周期叙事完整度
- 分析师人工识别：完整轮占比为50%，单轮内回撤式反复次数显著偏低。
- 纯数据投喂路径：完整轮占比不足10%，单轮内回撤式反复次数高达1.27次。
- 逻辑投喂路径：完整轮占比为0，单轮内回撤式反复次数约为0.75次。
- 图片识别路径：部分周期符合完整轮标准，但部分周期仍存在较为明显的阶段反复。
技术反思
1. 图片识别在特定阶段、以及周期划分更接近分析师直觉
- 图片识别路径的优势具有明显的阶段依赖性，在宏观运行相对平稳、趋势惯性较强的阶段，与人工分析结果更为接近。
- 需要警惕从直觉红利到平滑陷阱，2020年之后，宏观环境由寻找趋势转向识别断裂，视觉路径天然的平滑机制反而可能形成“平滑陷阱”。
2. 逻辑投喂的一致性，并不等同于独立分析能力
- 逻辑投喂路径的优势更多体现在高效的信息检索、口径对标与结果整合能力，更像是一种研究流程加速机制，而非独立的周期识别推演过程。
3. 技术归纳：AI能力与任务适配性
- AI在研究中的合理定位，并非独立完成任务、取代分析师，而是作为一种能力扩展工具嵌入既有研究流程之中。
- 不同AI路径在同一任务上表现差异，根源不在于模型是否“更聪明”，而在于工具属性是否与任务结构相匹配。
- 数据/代码模式：适用于绝对量化、规则清晰、目标确定的任务。
- 多模态/视觉模式：适用于趋势判断、模式识别与复杂系统抽象，尤其在中期叙事构建中具备优势。
- AI智能体模式：更适合作为研究加速器，用于信息检索、口径对标与证据整合，但不宜替代原创判断。
风险提示
- 宏观周期不确定性风险
- 技术成本与收益不匹配风险
- AI“共识偏见”风险
