大家好，我是很帥的狐貍

今天繼續給大家分享一個用AI做研究分析的實例。

上次分享DeepSeek的方法論后，有人好奇為啥不拿去賣課？

其實就是AI課太卷了，所以我就都免費開源了（向DeepSeek學習）。

Anyway，今天的實例實測下來，AI的產出確實比不少應屆生寫得好（至少比我當年讀書時好）。

以下是正文——

2月初的時候，OpenAI推出了deep research（深度研究）功能。

你提了需求后，它會埋頭做研究（一般5分鐘到半小時），爬取、閱讀大量網頁，最后整理出一份詳細的報告（數千到數萬字）。

根據OpenAI的說法，這個功能可以達到「研究分析師」的水平。

這個功能目前要Pro用戶才有得用，200美金1個月暫時我還舍不得掏。

好消息是！

現在我們可以通過Perplexity，每天免費用5次類似的功能（背后的推理模型是DeepSeek-R1，但內地需要才能用）。

內地的對標產品秘塔AI搜索，也可以用R1來生成報告。

可以在圖示位置點選對應選項，就可以用了——

截圖/Perplexity，秘塔搜索

我嘗試讓它們幫我生成一份工業機器人的報告。

提示詞用的是「幫我生成一份有關中國工業機器人密度的報告，包括過去10年的密度趨勢、目前與其他國家的情況對比等等」。

幾分鐘后，它們閱讀了幾十上百個網頁，然后生成了還挺像樣的報告——

截圖/秘塔AI生成報告的部分內容

就報告內容來看，我覺得效果還挺好的，比應屆生的水平高不少（關鍵是速度吊打人類）。

同時，我讓OpenAI 的Deep research也出了份同樣主題的報告（此處鳴謝 @浪豬灰頭林登萬 幫忙代問）。

對比一下，o3的車轱轆話會比較多（部分信息不斷被重復，還有一些無關緊要的資訊），導出為PDF后可讀性也不大友好。

但作為報告而言，也提供了大量有價值的信息。

AI的產出多少還是有點瑕疵的。

就算是OpenAI 200刀一個月的Deep Research，復雜任務的成功率目前也還不到1/4——

制圖/ChatGPT

所以用它出報告還是不能直接用的（特別是數據方面，我后面會說）。

但是，目前AI還是可以在一些場景幫到我們的——

場景1：數據錄入與分析

之前為了寫機器人主題的推送，我花了一個小時在找IFR（國際機器人聯盟）的工業機器人密度數據。

每一年IFR會出一份報告，PPT里會有這么一頁，展示各國的機器人密度——

來源/IFR

我需要多個年份的數據（用來看趨勢），但IFR官網只給了最新一年的報告，所以我要手動搜索過去幾年的報告，把密度數據那一頁給找出來。

1 hour later...

我找到了2018年到2023年的所有數據截圖。

接下來，我把2023年的截圖先丟給ChatGPT（GPT-4o模型）——

錄入還是挺快的。

我也試了Kimi、元寶（DeepSeek）、智譜清言等國產多模態模型，也可以做到（當然，小心復核也是必要的）。

接著，我又把2022年的截圖丟給ChatGPT，它幫我繼續錄入——

就這樣一張張喂給AI后，2018年到2023年各國家地區的機器人密度都被整理到一張表格里。

緊接著，我又從世界銀行下載了全球所有國家的出生率和老齡化比例，然后把兩個csv文件一起丟給GPT整理。

接著讓它跟工業機器人密度做相關性分析，它很快幫我算出相關系數和P-value。

這其實是我以前介紹過的Code Interpreter功能（現改名Data Analysis），也就是讓AI用代碼編輯器來實現數據分析。

這個功能甚至可以幫我建立簡單的金融模型（感興趣的話可以看看文末相關閱讀）。

我也嘗試了國內騰訊元寶的DeepSeek模型以及智譜清言的「數據分析」功能，也都支持Code Interpreter功能。

場景2：數據采集

我也很好奇前面提到的Deep Research有沒有辦法自行完成相同的數據采集任務，于是我把問題丟給了Perplexity和秘塔——

「比較中國、新加坡、美國、韓國、日本和德國工業機器人密度數據變化趨勢（2018~2023年），使用IFR的數據源，不要估算數據，找到原始的報告/來源?！?「Compare trends of yearly industrial robot density numbers (show each year numbers from 2018 to 2023) of China, Singapore, United States, South Korea, Japan and Germany using IFR sources (do not guesstimate/ make up numbers, find the original reports/sources)」

它們花了幾分鐘，就直接幫我把數據給整理出來了。

Perplexity有倆數據點跟我找來的對不上，但好在它有標注說可能與實際不符。

而秘塔則是有三個數據點有誤。

用Deep Research/長思考的正確率還是有待提高（特別Perplexity/秘塔AI的背后，還是 的R1）。

最近Grok3的各種評測完虐ChatGPT，所以我也用它的DeepSearch功能試了下，但畢竟它不是專門做搜索的，大部分數據都沒找到，是估算出來的。

目前看來，我的工作暫時保住了。

不過上面的實例也啟發我了——

畢竟兩個表格錯漏的地方不大一樣，那是不是我每次都讓多個deep research工具生成一遍，然后再讓AI重點檢查不一致的地方，就可以提高成功率了？

場景3：圖表制作

經常有讀者問我圖表是用什么軟件做的。

畢竟我是咨詢公司出身，所以其實過往的圖表和卡通對話都是用PPT做的。

我做了很多模板，讓實習生套模板就行。

有了AI后，我花了一天時間讓它幫我寫了套程序，把封面制作、卡通對話、部分標準化圖表的制作都自動化了。

非標準化的圖表稍微復雜點，因為每次要讓AI處理數據，所以我一般會順手讓AI一起做了。

比如前面的數據處理，畢竟一圖勝千言，所以我又讓它可視化，它很快幫我畫出了散點圖——

以前有點麻煩的是，ChatGPT的沙盒環境是不支持中文字體的，生成的中文圖表都是亂碼。

所以我只能跟它要一段代碼，再到自己電腦上跑（見文末相關閱讀的教程《如何讓AI幫你抓數據》）。

而現在ChatGPT支持直接上傳字體了，所以可以直接在網頁端和App里生成中文圖表。

傳完字體后，我讓它把前面的表格翻譯為中文、加標簽、美化、加logo，又讓它用幾個主要國家的數據做多一個時間序列圖。

最后產出了下面倆圖——

我覺得效果還挺好的。

加上一開始的數據錄入和清洗，前后花了我大半個小時。

當然，其實大學生們也沒必要太慌（我還是太標題黨了）。

有危機感的，應該是不持續學習的企業中層——

畢竟大學生由于做作業寫論文的緣故，AI工具的應用能力不會太差。

而管理層的生產關系又沒法被替代，So……

最后的最后，你覺得AI寫報告真的比你寫得好嗎？

歡迎在評論區聊聊！

P.S.更及時全面的資訊，可以看看我們的另一個公號——

「Greed is good.」

「很帥的投資客」的所有內容皆僅以傳遞知識與金融教育為目的，不構成任何投資建議。一切請以最新文章為準。

• AI用法大全：《》

• Code Interpreter：《》

? 圖文/@狐貍君raphael，曾供職于麥肯錫金融機構組，也在 Google 和 VC 打過雜。華爾街見聞、36氪、新浪財經、南方周末、Linkedin等媒體專欄作者，著有暢銷書《風口上的豬》《無現金時代》。

覺得對你有用的話，幫我點個在看吧