半数华人、3位亿万富翁：这张十年前的量化实习生合照，藏着 AI 时代的新贵版图

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。