AI圈里最炙手可热的新贵们，可能一大半都出自量化交易。

这话并不夸张。

故事要从2015年冬天说起。HRT的纽约会议室里，一群年轻人围在桌前，留下了一张青春洋溢的生日合影，华人面孔超过一半。

举着手机自拍的叫Jesse Zhang，现在是AI Agent独角兽Decagon的CEO，三年时间把公司估值推到了45亿美元。

那一年，他还在哈佛念大三。围在他身旁的，是HRT史上的首届实习生，一共十人。

这群年轻人的含金量有多高呢？看看HRT的门槛就知道了。

作为与Citadel Securities、Virtu Financial和Jump Trading并称的全球高频交易“四大天王”，HRT（Hudson River Trading）是算法交易界公认的Tier 1。

他们招人逻辑简单而直接，只看MIT、哈佛、斯坦福，只从数学、物理、计算机专业里筛，而且几乎只有在全球奥赛（IMO、IOI、IPhO）里拿过奖的人，才能够得着门槛。

能通过这般极限筛选的，绝非等闲之辈。十年后，这张蛋糕桌已成了AI权力场的中心。

光是这张照片里，就有三人身价过亿（美元），他们执掌的公司或团队更是超过千亿估值。

最为华人所熟知的Alexandr Wang，已是Meta毋庸置疑的AI话事人；AI编程工具Devin的创始人Scott Wu，刚刚完成10亿美元融资；Jeffrey Yan则是把量化高频交易的极致性能带进了去中心化金融，他搭建的Hyperliquid估值一度突破400亿美元。

当个体的成功汇聚成群像，趋势便无法忽视。过去两年里，华尔街量化基金的顶级交易员，已经成为OpenAI和Anthropic眼中不可多得的计算系统人才，以数百万美元的年薪疯狂挖角。

这样的故事不只发生在美国。

同样是在2015年，大洋彼岸的杭州，一个叫梁文锋的年轻人创办了幻方科技（幻方量化）。十年后，这家年入超50亿元的低调的私募量化交易机构，孵化出了DeepSeek，用算法、工程和效率，将中国大模型推向世界的牌桌。

系统工程人才的权力上位

这批年轻华人里，Alexandr Wang的崛起堪称典型样本。

当Meta以143亿美元收购Scale AI近半股份，并任命这位28岁的华裔创业者为首席AI官时，整个科技界都为之侧目。这不仅仅是一次商业并购，更是一次权力更迭的象征。

图灵奖得主Yann LeCun（杨立昆）领导的FAIR实验室，被划入Wang负责的“超级智能实验室”，杨立昆本人则选择离职创业。它标志着AI的主赛场，正在从“学术权威”向“工程实践者”过渡。

Scale AI的成功并非偶然。在AI大模型时代，数据标注、模型评估和反馈机制变得至关重要。当其他公司还在争论模型架构时，Scale已经占据了AI能力生产链条中最基础、最难以外包的一环。这种对系统级问题的深刻理解，正是量化背景人才的优势所在。

Scott Wu的Cognition则代表了AI Agent的纵深。

他曾三次斩获IOI金牌，其中2014年以第一名夺冠，从哈佛退学后创立Cognition。2024年推出Devin，让全球工程师第一次认真讨论"AI软件工程师"的可能性。

Devin的突破不在于生成代码，而在于让AI像真实工程师一样闭环工作：接任务、查文档、写代码、运行测试、修Bug，直到交付结果。Cognition估值已经来到260亿美元，年化营收近5亿。

Perplexity的联合创始人Johnny Ho同样循着这条路径。他曾在Tower Research做了6年高频交易，这段经历塑造了他对高并发、低延迟系统的极致追求。

左一为Perplexity联合创始人Johnny Ho

Perplexity看似做的是AI搜索，但真要把搜索、生成、引用、实时性和可信度压进一个产品里，底层依然是极强的系统工程。这和高频交易中毫秒级撮合、风控与执行的逻辑如出一辙。

这种能力让Perplexity在激烈的AI搜索赛道中脱颖而出，估值已达200亿美元，Ho本人身家超过21亿美元，并曾先后向TikTok和Chrome发起过收购要约。

你会发现，量化背景正在改写AI圈。从华尔街到硅谷，从中国到全球，AI行业的中坚力量正在被这群特殊人才接棒。

他们不是传统意义上的产品经理，也非受人追捧的学术明星。他们更像是被数学竞赛、精英大学和量化交易共同训练出来的一代“系统型人才”。

他们懂数学，懂工程，懂自动化，懂成本，很擅长把一套昂贵复杂的智能系统，改造成一台可运行、可验证、可扩展、也算得过账的工程机器。

当年PayPal被收购后，马斯克、彼得·蒂尔等人各自出走，统治了互联网上半场；而量化交易和奥赛体系走出的这帮人，似乎正复制着同样的剧本，把AI的下半场推向新高度。

他们也因此得名“AI时代的PayPal黑帮”。

DeepSeek 的量化底色

幻方量化的故事，为这一趋势提供了另一个维度的印证。

梁文锋在2015年创立幻方时，或许没想过十年后会做出DeepSeek。但幻方的基因——算法、模型、算力和自动化交易，却是与这波AI发展的需求不谋而合。

首先，量化交易对算力与速度带着天然的饥渴，这让梁文锋从一开始就把算力当作核心资产来经营，成为国内买卡最激进的公司。

2021年，当大多数私募还在用小规模GPU集群跑策略时，幻方就已经投入近10亿元建设"萤火虫"超算中心，囤积上万张A100。这种为算力不惜血本的基建前置逻辑，成了DeepSeek最坚实的起跑线。

并且，这套自建算力的路线仍在巩固和延续。今年4月，DeepSeek首次公开招聘数据中心实地岗位，选择内蒙古乌兰察布作为自建数据中心的首站。作为国家"东数西算"八大枢纽之一，乌兰察布具备冷凉气候与绿电富集的优势，全区智算占比超92%。

可以说，DeepSeek的崛起，本质上是量化思维模式的胜利。当全行业还在迷信"大力出奇迹"的参数堆叠时，DeepSeek用工程创新实现了效率反超：V3的完整训练成本约为557.6万美元，R1更是只有29.4万美元。

这种对成本“抠”到极致的量化能力，最终外化为DeepSeek在模型竞争里最凌厉的攻势。

在API调用市场，DeepSeek敢于把价格打到地板。今年4月，宣布将所有模型的输入缓存命中价格降至发布价的十分之一；到了5月，更是喊出V4-Pro永久降价至原定价的四分之一，将百万Token的调用成本打到低于一通电话费。

同行在算力成本压力下不得不涨价转嫁，DeepSeek却能在这个节点反向降价。背后的底气，和那套量化思维锤炼出来的成本结构不无关系：先把效率做到极致，再用效率碾压市场。

尽管DeepSeek目前已开启大规模外部融资，但其核心战斗力的养成，仍然离不开幻方量化在早期提供的"无限子弹"。2025年，幻方旗下基金平均收益率达56.6%，管理规模超700亿元。据彭博测算，仅一年就为梁文锋赚了超50亿元人民币。

AI 成了另一场高频交易

为什么量化交易背景的人，会在AI时代突然变得这么值钱？

表面上看，金融交易和大模型研发是两个行业。但如果把外壳剥掉，你会发现它们面对的是同一种问题：在高度不确定的环境里，用模型、数据和系统做连续决策。

量化交易不是一次性预测涨跌。它要不断接收市场信号，生成判断，执行交易，接受反馈，再调整策略。它处理的是噪声、延迟、风险、成本和对手盘。一个策略在回测里再漂亮，如果真实市场里滑点太大、成交太慢、风控扛不住，最后还是没用。

AI Agent也越来越像这样。这便是AI与量化交易相似的第一层：两者都是连续反馈系统。

第二层，在于它们都必须尊重系统约束。

在量化交易里，策略收益只是表面数字。真正决定它能不能活下来的，是延迟、吞吐、滑点、风控、极端行情、资金容量和交易成本。在AI里也一样，模型榜单分数只是表面数字。真正决定它能不能落地的，是推理成本、工具调用稳定性、幻觉控制、权限边界、安全隔离、任务链路和系统可观测性。

一个Agent演示时能完成任务，不等于它能在真实企业环境里长期稳定运行。一个模型在benchmark上分数很高，不等于它能承受真实用户的千奇百怪、企业系统的复杂权限和线上业务的容错要求。

所以，AI的竞争开始从“模型能力”转向“系统实现能力”。

谁能把模型放进复杂环境里，还能稳定、便宜、可控地跑起来，谁才真正有机会进入下一阶段。

第三层相似，是量化背景的人天然会算账。

互联网创业可以靠增长叙事撑估值，但量化交易不行，市场每天给出反馈。这种训练迁移到AI后，形成了一种不迷信规模崇拜的气质：更关心单位算力产出，不只关心模型有多强，也关心强到什么程度才值得付出这个成本。

这种能力的稀缺性，已经在人才市场上被明码标价。根据Business Insider报道，OpenAI、Anthropic等公司正以150万到300万美元的年薪，从Citadel、D.E. Shaw、Jane Street等量化基金挖人。

AI公司最终会发现，最懂如何压榨GPU性能、优化系统延迟的人，不是象牙塔里的教授研究员，而是量化交易机构的工程师。

人才摇篮的隐秘更迭

上一代AI叙事里，国内AI圈最熟悉的人才高地，是以微软亚洲研究院（MSRA）为首的AI Lab。

它曾经培养出大量技术领军人物，也长期代表着中国AI人才的黄金入口。那更像一个“想清楚再动”的时代。关键词是论文、算法、实验室、研究员、大厂研究院。

但大约从2020年起，问题的结构似乎变了。

Scaling Law把方向钉死：堆数据、堆参数、堆算力，模型就会变好。这件事不再极度依赖学术洞见，而是需要极强的工程执行力、算力调度，以及快速试错的能力。

AI的竞争，从研究竞赛变成了复杂系统竞赛。问题的性质变成了“边做边想”。

量化交易的训练环境，比任何学术机构都更接近这种状态。你管的是真实的钱，面对的是真实的对手，错误决策的代价立竿见影。

这种压力逼出的认知结构，在量化交易里叫生存本能。到了AI竞争里，就变成了另一种核心竞争力：在不完整信息下做决策，把资源效率当硬约束，比对手快一步出清错误，然后继续迭代。

所以你会看到，新一代AI权力网络，将不再只是脱胎于研究院、实验室，更会从量化交易机构、竞赛体系和开源社区里长出来。