問 AI 選股可靠嗎？八題實測：直接問答對 3 題，先給資料 8 題全對

10 秒看懂

我們拿五家美國上市公司的年報數字出了八題，用兩種方式問同一個聊天式 AI：直接問，它答對 3 題；先把年報數據給它再問同樣八題，8 題全對。

原因不是它變聰明了，是它的本質：它在接續最可能出現的下一個字，不是在查資料庫。冷門的精確數字，它會「補」一個最像的給你，而且語氣跟答對的時候一樣肯定。

三個降低風險的做法：先餵資料再問、要求它列出處、重要結論換一個工具再問一次。

文章目錄

實測怎麼做：八題、兩種問法、答案對年報
直接問的結果：八題對三題，錯的那五題長這樣
先給資料的結果：八題全對
為什麼會這樣：它在接字，不是在查資料
三個降低風險的做法
常見問題

實測怎麼做：八題、兩種問法、答案對年報

做法很簡單，你自己在家也能重做一次。我們挑了五家美國上市公司（Skechers、Carter’s、Monster Beverage、達美樂、星巴克），針對年報裡查得到的事實出了八題：某一年的稀釋每股盈餘、某一年的營收、首次配息的年份、哪一年獲利下滑。

然後用兩種方式問同一個主流聊天式 AI（同一個模型、同一天、關掉搜尋功能）：第一輪直接問；第二輪先把這幾家公司的年報數據貼給它，再問一模一樣的八題。它的回答逐題拿年報申報的數字對答案。

下面所有答錯的例子都是實際跑出來的回答，不是我們想像的。

直接問的結果：八題對三題，錯的那五題長這樣

第一輪它的開場白就很有意思：「以下根據我的知識直接回答，部分數字可能有些微出入，供參考」。然後八題全部給出了明確的數字，結尾還補了一句「正式引用請以公司年報為準」。聽起來很謹慎，對吧？結果是三對五錯：

題目	它的回答	年報實際	判定
Skechers 2017 年稀釋 EPS	約 1.46 美元	1.14 美元	❌ 高估近三成
Skechers 哪一年 EPS 下滑	2016 年	2017 年（2016 年其實是上升的）	❌ 年份錯
Carter’s 2018 年營收	約 34.6 億美元	34.6 億美元	✅
Carter’s 2017 年稀釋 EPS	約 5.88 美元	6.24 美元	❌ 數字錯
星巴克首次配息年份	2010 年	2010 年	✅
Monster 2018 年營收	約 38 億美元	38.1 億美元	✅
達美樂 2015 年稀釋 EPS	約 3.36 美元	3.47 美元	❌ 數字錯
Carter’s 哪一年開始配息	2014 年	2013 年	❌ 差一年

最值得看的是第二題。它不只把年份講錯，還替錯的年份編了一個理由：「2016 年（相較 2015 年，因大幅擴大基礎建設投資，EPS 明顯下降）」。實際上 Skechers 2016 年的 EPS 是上升的，真正下滑的是 2017 年。一個錯的答案，配上一段聽起來完全合理的解釋，這就是上一篇說的：它答錯的時候，語氣跟答對的時候一模一樣。

再注意一件事：它的免責聲明說「部分數字可能有些微出入」，但它不會告訴你是哪幾題。八題裡有免責，五題是錯的，你不對答案，永遠不知道踩到的是哪五題。

先給資料的結果：八題全對

第二輪，我們先把這幾家公司的年報數據貼上，再問一模一樣的八題。這次八題全對，連第一輪錯掉的「哪一年下滑」也答對了，還正確算出下滑幅度約 27%。

差別不是模型變聰明了，是工作性質變了：第一輪它在「回憶」，第二輪它在「查表」。回憶會補錯的細節，查表不會。這一個動作，就把它從不可靠的記憶者，變成可靠的整理者。

為什麼會這樣：它在接字，不是在查資料

聊天式 AI 的運作方式，一句話講完：它在預測下一個最可能出現的字，不是在查一個放著正確答案的資料庫。

星巴克哪一年開始配息，網路上被寫過幾千次，它接出「2010」的機率極高，所以答對了。Skechers 2017 年的 EPS 這種冷門的精確數字，它讀過的版本少、雜訊多，它就「補」一個最順的數字出來，補出來的東西格式漂亮、語氣肯定，唯獨可能不是事實。

這也解釋了我們的結果為什麼是這個形狀：它答對的三題，剛好都是網路上被重複最多次的事實；答錯的五題，全是需要翻年報才有的細節。你問得越冷門、越精確，它補字的成分就越高。

三個降低風險的做法

這三個做法都是使用 AI 的通用常識，不是什麼獨門技巧，但實測下來就是有效：

一、先餵資料，再問問題。把公司的財報原文或數據表先給它，再請它整理與回答。我們的第二輪就是這樣做的，三對五錯變成八題全對。

二、要求它列出處。請它註明每個數字的依據。列得出依據的拿去核對，列不出依據的當草稿看待。

三、重要結論換一個工具再問一次。兩個不同的 AI 在同一個冷門數字上補出同一個錯字的機率，比一個低得多。答案不一致，就是你該去翻年報的訊號。

最後把界線講清楚：這三個做法防的是「數字錯」。就算數字全對，該不該買仍然是另一件事，判斷生意、判斷價格、承擔結果，那些只有你能做的事，一件都沒有少。

學員在桌邊討論，表情熱絡 — BOS 實體課程現場。工具給的答案，要有能力檢查，才真的是你的。

常見問題

它自己有寫「數字可能有出入」，這樣還不夠嗎？

不夠，因為那句話不會告訴你是哪幾題有出入。我們這次八題裡它有五題錯，免責聲明的措辭卻是「部分數字可能有些微出入」，其中一題還差了近三成。免責是它保護自己的方式，不是保護你的方式。

哪些問題適合直接問它，哪些不適合？

概念與方法類的問題適合直接問：本益比是什麼、現金流量表怎麼看，這些它答得又快又穩。精確的事實數字不適合裸問：某一年的 EPS、某一年的營收、確切的年份，這類問題要嘛先給它資料，要嘛自己查財報。

AI 一直在進步，這篇實測會不會很快過時？

分數會變，性質不會。模型更新後，這八題的對錯很可能不同，這是預期中的事。但「它不會告訴你哪一題錯」這個性質沒有變過，所以先餵資料、要出處、交叉驗證這三個習慣，不管模型多強都不吃虧。

它推薦的股票名單，可以直接當觀察清單嗎？

可以當清單的起點，就像從生活裡找到名字一樣，但起點不是買進的理由。名單上的每一家，還是要自己過兩關：讀財報確認它真的賺錢，算價格確認買得不貴。清單怎麼建、之後要做什麼，我們寫在觀察清單那篇。

本文作者｜林修禾 Joshua Lin

投資與教學資歷都超過二十年。教學橫跨三個階段：從兒童理財教育起步，到成人的價值投資，再到近年的量化交易。曾創立三間公司，並以價值投資建立起財務上的獨立與自信，也擔任過台積電的理財培訓師，是價值投資的國際級講師。他始終相信，理財是為了把生活過得更好，而看懂財報、獨立思考，遠比追逐明牌或現成的答案更重要。