在AI领域中，那些备受瞩目的新星们，仔细审视后会发现，其中相当大一部分都源自量化交易背景。
这听起来或许有些夸张，但事实确实如此。
故事要从2015年冬季说起。在HRT（哈德逊河交易公司）的纽约会议室内，一群年轻人围坐在桌前，留下了一张充满青春气息的生日合影，其中华人面孔占据了半数以上。
举着手机进行自拍的是Jesse Zhang，如今他是AI Agent独角兽企业Decagon的首席执行官，仅用三年时间便将公司估值推升至45亿美元。
那一年，他还在哈佛大学攻读大三。围绕在他身边的，是HRT史上首批实习生，共计十人。
这群年轻人的含金量究竟有多高？了解HRT的招聘门槛便可知晓。
作为与Citadel Securities、Virtu Financial和Jump Trading齐名的全球高频交易领域“四大天王”，HRT（哈德逊河交易公司）在算法交易界被公认为顶级梯队。
他们的招聘逻辑简单而直白：仅面向麻省理工学院、哈佛大学、斯坦福大学，仅从数学、物理、计算机专业中筛选，并且几乎只有在全球奥林匹克竞赛（如IMO、IOI、IPhO）中获得奖项的人，才有资格跨过门槛。
能通过如此极限选拔的，绝非平庸之辈。十年之后，这张生日合影的桌旁，已然成为AI领域的权力中心。
仅在这张照片中，就有三人个人资产过亿（美元），他们执掌的公司或团队估值更是超过千亿美元。
最为华人所熟知的Alexandr Wang，已是Meta无可争议的AI负责人；AI编程工具Devin的创始人Scott Wu，刚刚完成了10亿美元融资；Jeffrey Yan则将量化高频交易的极致性能带入了去中心化金融领域，他创建的Hyperliquid估值一度突破400亿美元。
当个体的成功汇聚成群体画像时，趋势便不容忽视。过去两年中，华尔街量化基金的顶级交易员，已成为OpenAI和Anthropic眼中不可或缺的计算系统人才，他们以数百万美元的年薪被疯狂挖角。
类似的故事不仅发生在美国。
同样是在2015年，大洋彼岸的杭州，一位名叫梁文锋的年轻人创立了幻方科技（幻方量化）。十年后，这家年收入超过50亿元的低调私募量化交易机构，孵化出了DeepSeek，凭借算法、工程和效率，将中国大模型推向了世界的牌桌。
系统工程人才的权力更迭
在这批年轻华人中，Alexandr Wang的崛起堪称典型案例。
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，整个科技界都为之瞩目。这不仅仅是一次商业收购，更是一次权力交接的象征。
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。这标志着AI的主战场，正从“学术权威”向“工程实践者”转移。
Scale AI的成功并非偶然。在大模型时代，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洞察，正是量化背景人才的优势所在。
Scott Wu创立的Cognition则代表了AI Agent的另一种深度发展方向。
他曾三次获得IOI金牌，其中2014年以第一名夺冠，从哈佛退学后创立Cognition。2024年推出的Devin，让全球工程师首次认真讨论“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像真实工程师一样实现闭环工作：接收任务、查阅文档、编写代码、运行测试、修复错误，直到交付最终成果。Cognition的估值已高达260亿美元，年化营收接近5亿。
Perplexity的联合创始人Johnny Ho同样沿着这条路径发展。他曾在Tower Research从事高频交易长达6年，这段经历塑造了他对高并发、低延迟系统的极致追求。
左一是Perplexity联合创始人Johnny Ho
Perplexity表面上是做AI搜索，但要将搜索、生成、引用、实时性和可信度融合进一个产品，底层依然需要强大的系统工程能力。这与高频交易中毫秒级的撮合、风控与执行逻辑如出一辙。
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，量化背景正在重塑AI领域。从华尔街到硅谷，从中国到全球，AI行业的中坚力量正由这群特殊人才接替。
他们不是传统意义上的产品经理，也非备受追捧的学术明星。他们更像是被数学竞赛、精英大学和量化交易共同训练出的一代“系统型人才”。
他们精通数学、工程、自动化和成本控制，非常擅长将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、且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，统治了互联网的上半场；而量化交易和奥赛体系走出的这批人，似乎正复制着同样的剧本，将AI的下半场推向新的高度。
他们也因此获得了“AI时代的PayPal黑帮”这一称号。
DeepSeek的量化基因
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，或许未曾预料十年后会做出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天生有着强烈的需求，这让梁文锋从一开始就将算力视为核心资产来经营，成为国内采购GPU最为激进的公司。
2021年，当大多数私募还在使用小规模GPU集群运行策略时，幻方就已投入近10亿元建设“萤火虫”超算中心，囤积了上万张A100 GPU。这种为算力不惜血本的基础设施前置思路，成为了DeepSeek最坚实的起跑线。
并且，这套自建算力的路径仍在持续巩固和扩展。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，乌兰察布拥有冷凉气候与绿电富集的优势，全区智算占比超过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通过工程创新实现了效率反超：V3模型的完整训练成本约为557.6万美元，而R1更是仅有29.4万美元。
这种对成本近乎苛刻的量化能力，最终外化为DeepSeek在模型竞争中最锐利的攻势。
在API调用市场，DeepSeek敢于将价格压到地板。今年4月，它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，更是宣布V4-Pro永久降价至原定价的四分之一，将百万Token的调用成本降低到低于一通电话费。
同行在算力成本压力下不得不涨价转嫁，而DeepSeek却能在这个节点反向降价。其背后的底气，与那套量化思维锤炼出的成本结构密不可分：先将效率做到极致，再用效率碾压市场。
尽管DeepSeek目前已启动大规模外部融资，但其核心战斗力的养成，依然离不开幻方量化在早期提供的“无限弹药”。2025年，幻方旗下基金平均收益率达到56.6%，管理规模超过700亿元。据彭博测算，仅一年就为梁文锋赚取了超过50亿元。
AI已成为另一场高频交易
为什么具有量化交易背景的人，在AI时代会变得如此珍贵？
表面上看，金融交易和大模型研发属于两个行业。但如果剥去外壳，你会发现它们面对的是同一种核心问题：在高度不确定的环境中，运用模型、数据和系统进行连续决策。
量化交易并非一次性预测涨跌。它需要不断接收市场信号，生成判断，执行交易，接收反馈，再调整策略。它处理的是噪声、延迟、风险、成本和对手盘。一个策略在回测中再出色，如果在真实市场中滑点太大、成交太慢、风控扛不住，最终还是徒劳。
AI Agent也日益变得如此。这便是AI与量化交易的第一层相似之处：两者都是连续反馈系统。
第二层相似，在于它们都必须尊重系统约束。
在量化交易中，策略收益只是表面数字。真正决定它能否生存的，是延迟、吞吐、滑点、风控、极端行情、资金容量和交易成本。在AI中同样如此，模型榜单分数只是表面数字，真正决定它能否落地的，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在演示时能完成任务，并不代表它能在真实企业环境中长期稳定运行。一个模型在基准测试中得分很高，不等于它能承受真实用户的千奇百怪需求、企业系统的复杂权限以及线上业务的容错要求。
因此，AI的竞争正从“模型能力”转向“系统实现能力”。
谁能将模型放入复杂环境中，还能稳定、便宜、可控地运行，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擅长计算成本。
互联网创业可以依靠增长故事来支撑估值，但量化交易不行，市场每天都会给出反馈。这种训练迁移到AI领域后，形成了一种不迷信规模崇拜的气质：更关心单位算力产出，不仅关注模型有多强，也关注强到什么程度才值得付出这个成本。
这种能力的稀缺性，已在人才市场中被明码标价。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等量化基金挖角。
AI公司最终会发现，最懂得如何压榨GPU性能、优化系统延迟的人，并非象牙塔里的教授研究员，而是量化交易机构的工程师。
人才摇篮的隐秘变迁
在上一代AI叙事中，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实验室。
它曾培养出大量技术领军人物，也长久代表着中国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，问题的性质似乎发生了变化。
Scaling Law将方向确定：堆积数据、参数和算力，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、算力调度能力以及快速试错的能力。
AI的竞争，从研究竞赛转变为复杂系统竞赛。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。你管理的是真实的资金，面对的是真实的对手，错误决策的代价立竿见影。
这种压力催生出的认知结构，在量化交易中被称为生存本能。到了AI竞争中，就变成了另一种核心竞争力：在不完整信息下做出决策，将资源效率视为硬约束，比对手更快地出清错误，然后持续迭代。
因此你会看到，新一代AI权力网络，将不再仅仅脱胎于研究院、实验室，更会从量化交易机构、竞赛体系和开源社区中生长出来。