人工智慧被稱為電力或網際網路這樣的「通用科技」，能夠以各種形式提高生產力，將在可見的未來推動各種領域的創新。但這並不表示每一種問題它都同樣適任，都與人類同樣有用。
自動化似乎已經取代了基金經理人。投資者現在已經確信，為了得到更好的投資決策，而支付接近1%，甚至超過1%的基金經理費用並不值得。彭博社的資料指出，被動投資ETF所管理的資產（Assets under management, AUM）目前占北美市場的72%。
自去年年底ChatGPT發布以來，人工智慧技術發展突飛猛進，如今人們不免開始認為，其他類型的人工智慧也很快會追上人類。台灣金融研訓院在10月2日至6日舉辦的世界投資者週（WIW）論壇，其中一個熱門議題就是人工智慧。多位講者分析了這一趨勢的不同面向，包括主動型ETF的興起、按主題和策略劃分市場的投資方式、ESG投資以及人工智慧日益重要的角色。
市場上已經出現了幾支人工智慧管理的ETF，但目前它們的應用仍然有限。事實上，人工智慧並不是取代高成本基金的唯一方法，甚至基金投資可能也不是人工智慧的最佳使用場景。
ChatGPT不是數學家
人工智慧［或者更精確來說是深度學習（Deep Learning）］所達成的自動化，與ETF的自動化指數，以及「量化」投資者所使用的複雜數學式相當不同。相關的常見誤解之一是所謂的「降維」（Dimensionality Reduction），一種減少變量個數，藉以找出主要變量的統計方法。在使用這種方法時，人類通常會提出一個問題，希望得到答案。但人們未必能把問題陳述清楚，而且這種方法可能無法發掘出資料中暗藏的其他模式，有時候反而必須先從資料中「找出」應該詢問的問題。因此量化投資、各種科學以及許多其他領域都早已改用主成分分析（Principal Components Analysis, PCA）這種統計方法來研究資料。
但在管理基金時，還是得由人類檢查各種利益的潛在相關性。其中最重要的就是判斷目前已知的相關性是否過時，因為每筆產生價值的交易，遲早都會被其他投資者發現。這種判斷往往因時因事而異，而且難以用語言表達，人工智慧想要攻破得面對極大挑戰。
另一方面，人工智慧真正的獨特之處，並非能夠從輸入資訊中找到更有用的見解，而是能夠幾乎毫無限制地輸入各種類型的資料，並將其統合。之前的統計方法通常可以處理市場價格這種結構化資料，卻對自然語言、影片這類非結構化的資訊毫無辦法；即便有一些前處理（Pre-processing）技術，也會剝奪資料中的一些有用資訊。因此它適合進行質性投資，而非量化投資。 （相關報導： 馮國豪觀點：藍白合不用民調，然後呢？ ｜ 更多文章 ）
臺灣師範大學教授蔡蒔銓在會議中指出，自2017年和2018年推出以來，AIEQ和AIIQ基金的整體表現並未跑贏大盤，但在國際投資和市場做空方面，人工智慧卻相當優秀，前者需要對各種環境中的投資條件，也就是許多較為小型的投資組合部位進行廣泛分析，而這些瑣碎工作必須大量外包。後者的成功則更為微妙，成功做空的人，通常不是瞄準市場基本面，而是理解投資人的心理，而投資人的心理可以從各種資訊來源，包括非傳統資訊來源中整合出來，因此跟國際投資一樣，都需要大量繁瑣的文書工作。
