发帖
雷达卡
这是一段 18 分 57 秒的访谈，2026 年 10 月 16 日发布在 AI Engineer 频道，对话双方是 Apollo 的 Principal、同时担任 Redding Ridge（Apollo 约 500 亿美元结构化信贷与 CLO 业务的管理主体）COO 的 Jack McDonald，与 Rowspace 联合创始人 Michael Manapat。
视频简介开篇给了一句结论：Apollo 的 CLO 业务过去用 Excel 手工搭一个模拟组合要两到三天，现在只要几分钟。这句话是嘉宾自述，视频里没有给出测算过程，但访谈真正有价值的部分不在这个对比，而在它把"AI 到底接在哪一环"讲清楚了。
先把时间轴摊开
| 时间 | 话题 |
| 0:00 | 开场：Rowspace 与 Redding Ridge |
| 1:33 | AI 什么时候变成关键业务 |
| 3:38 | 组合构建：从几天到几分钟 |
| 5:31 | 把每周的交易核对自动化 |
| 6:46 | 为什么不能直接用 Claude 或 ChatGPT |
| 9:21 | Apollo 为什么很早就变成 AI-native |
| 11:17 | 金融在 AI 采用上有多早 |
| 13:24 | 商品还是持久竞争优势 |
| 15:22 | 接下来必须成立的是什么 |
| 18:20 | 给建设者的建议 |
如果只看十分钟，建议的顺序是 3:38、5:31、6:46 三段的组合。这三段连起来回答了同一个问题：一个具体的金融流程里，人做什么、模型做什么、系统做什么。
三个场景，看清分工
第一个是组合构建。CLO 的组合不是选几只股票，而是在一堆约束下把资产池拼出来：持仓限额、行业与评级分布、现金流测试、交易对手约束。传统做法是把这些约束写进 Excel，手工试算不同的组合，做一版要两三天。访谈里的做法是把约束、历史交易数据与信用数据接到一个系统里，让模型在约束下反复试算并给出候选组合，最后由组合经理审。
第二个是每周的交易核对。这件事原来要两三个人做，本质是把交易系统的记录与外部文件、托管方数据、内部台账对齐。访谈把它描述成"一个数据点可能来自二十个来源，只有一个是对的"，所以真正的工作量不在算，而在判断哪一份数据可信。
第三个是为什么通用模型不够。这一段是全片最值得记的：把公司接一个通用大模型，问题不在于模型会不会写 SQL，而在于模型不知道你的数据在哪、哪份是最新的、哪个字段是权威口径。所以他们做的是把数据源、口径与校验规则一起交给模型，而不是把问题丢给聊天窗口。
组织层面的两个判断
一是"工程师嵌入前台"。访谈里提到，让工程师与投资团队坐在一起，是建立信任的关键。这句话的分量在于它承认了：模型给出的结果需要有人能解释、能追责，而这个人不能只是外部供应商。
二是"商品还是护城河"。13:24 那段讨论的是，如果所有资管公司都能调用同样的模型，AI 本身会不会变成商品？嘉宾的判断偏谨慎，认为差异来自数据资产、流程沉淀与人的判断，而不是模型本身。
哪些是说法，哪些是证据
需要分清：从两三天到几分钟、从两三个人到自动化，都是嘉宾在访谈中的自述，没有给出样本、口径与测算方法。视频也没有展示真实的客户数据、持仓明细或可运行的系统，更没有任何成本数字。
所以这段材料的正确用法是把它当"流程案例"看：知道一个真实的 CLO 团队把 AI 用在哪几个环节、为什么通用模型不够、组织上做了什么调整。不能拿它当业绩证据，也不能据此估算自己团队的收益。
适合谁看
资管、基金、信用研究与投研运营的人最对味，因为里面的约束条件、核对流程、数据口径问题都是日常语言。金融专业的学生也能看懂，不需要 AI 开发背景；反过来，做 AI 工程但不懂金融的人看这段，能理解为什么金融场景的难点在数据而不在模型。
看之前的两点提醒
视频是英文，没有官方中文字幕，术语密集（CLO、structured credit、reconciliation、mock portfolio），建议先看 3:38 与 5:31 两段建立语境。另外，Rowspace 是受访方之一，视频本身带有产品叙事，听的时候把"我们做到了"与"行业普遍能做到"分开。
────────────────
视频入口、完整时间轴与发言人链接、频道与观看数据、以及对视频许可状态的说明，回复本帖即可见。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP／技能，让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费，安装可申请领取：3 通用积分＋100 论坛币＋3 元论坛资金 说明： AI 算力按所用平台规则计算；附件按原帖条件获取；福利领取条件以活动页面为准。 |
京公网安备 11010802022788号
