对话Bitget AI负责人：AI交易如何逼近高分？实战解析与策略精选

本期播客，我们与Bitget AI负责人Bill博士进行了一次深度对话。话题聚焦于Bitget在AI交易产品上的布局与思考。Bill博士分享了他从传统AI研究与产业界转入加密领域的独特历程，并系统梳理了Bitget过去一年多来，如何将AI能力一步步融入交易场景：从最初的信息捕捉与整理，到结合用户画像的个性化建议，再到不断尝试新的交互形态以降低使用门槛。整个演进路径，清晰地反映了行业对“AI+交易”理解的深化。

访谈中，一个核心议题是关于AI在交易中的边界。共识在于，AI已能显著提升普通用户的信息处理与决策辅助效率，但短期内仍难以完全取代顶尖交易员的直觉与经验。未来的竞争，将不只关乎模型本身的能力，更在于安全体系、成本控制、产品体验的丝滑度，以及能否构建持续学习用户习惯的“长期记忆”系统。最后，关于AI交易是否会走向“赢家通吃”、策略是否会快速失效的讨论，结论指向市场的永恒复杂性——人性与黑天鹅事件，始终是任何单一系统难以彻底掌控的变量。

Bill 博士的 AI 背景与进入加密行业的契机

主持人：欢迎来到本期播客。今天我们邀请到的嘉宾是Bitget AI负责人Bill博士。首先想请您介绍一下自己的背景，尤其是如何与加密行业结缘的？另外，大家都称呼您为博士，您的学术和职业经历是否一直聚焦在AI领域？

Bill博士：我是在2009年取得的博士学位，从本科、硕士到博士阶段，研究方向始终是人工智能。求学期间，就有机会接触到不少企业和研究院的项目，也参与了许多国际学术会议，算是很早就看到了AI从实验室走向产业应用的脉络。

毕业后的职业路径，也一直围绕着AI展开。最初在海外一家研究院做了四年人工智能的基础研发，之后回国加入一家大型科技公司，负责搜索推荐和自然语言处理相关业务，并管理NLP部门。随后，我又在一家海外电商公司主导了四年的AI整体研发，接着在另一家大型企业负责全球营销算法团队，历时三年。算下来，在进入加密行业之前，我在AI领域已经积累了超过十五年的研发与管理经验。

去年年初，一次偶然的机会通过猎头接触到了Bitget。虽然我之前没有在加密货币行业工作的直接经验，但我个人对金融领域一直抱有浓厚兴趣，并且有多年交易美股、港股的经验。因此，这个结合了AI与金融交易的机会对我很有吸引力。

说实话，当时我对Web3的了解并不深入，更多是停留在概念层面，所以面试前也有些不确定。但过程出乎意料地顺利，很快就拿到了AI负责人的offer。加入Bitget至今已一年多，这段经历充满了挑战，也令人兴奋。每天面对的都是全新的课题和项目，压力固然不小，但成就感也同样强烈。

最大的冲击可能来自认知层面。从对Web3的“旁观者”转变为“深度参与者”，需要快速学习并理解这个生态的独特逻辑。过去这一年，基本是在一边学习、一边推动项目中度过的，非常充实。

AI 与交易结合是噱头，还是已经进入实用阶段？

主持人：Bitget的核心是交易平台。您如何看待“AI+交易”这个命题？它目前是已经具备了切实的实用性，还是仍然带有市场炒作色彩？毕竟，眼下几乎每个行业都在谈论AI。回归到交易本身，您认为现阶段是实用价值主导，还是蹭热点的成分更多？

Bill博士：对于Bitget而言，这早已不是噱头，而是实实在在的刚需。平台在前七年并没有专门的AI团队，算法应用也极少。直到近两年才开始系统性投入，根本原因在于AI技术本身已经成熟到足以深入交易场景，无论是用于降本增效，还是提升交易收入和用户体验，都产生了看得见的现实价值。

交易本身极其复杂，用户的认知水平、风险偏好、策略和操作习惯千差万别。因此，问题的关键不在于“要不要做AI”，而在于“AI应该切入交易链条的哪一个环节”。

如果说要实现像全自动驾驶那样的完全自动化交易，目前确实还做不到。但如果是分环节、分层级的辅助决策，那么可行性已经非常高了。事实上，不管Bitget做不做，行业内其他参与者都在推进，并且已经从中获得了红利。

举例来说，有些交易者主要依赖短期走势和量化信号进行决策，过去可能需要同时盯住多个屏幕和数据流，现在AI可以高效地完成信息整合与初步判断。另一些用户则倾向于依据新闻、财报或社交媒体情绪来做决策，这其中大量的信息搜集与整理工作，正是AI可以大幅提升效率的地方。

更进一步，用户的需求不会止步于信息获取，他们希望AI能给出更具体的策略建议，比如仓位大小、方向判断、杠杆使用，甚至直接准备好交易按钮。再高阶一些，则可能接近资产管理的模式。

因此，我们的基本判断是：AI目前还无法完全替代最顶尖的那部分专业交易员，但对于普通用户而言，替代其95%的重复性、分析性工作，今天已经进入了实用阶段。

Bitget 的 AI 产品演进：从信息整理到交易辅助

主持人：您的意思是，第一层的信息整理和辅助判断已经比较成熟了。那么Bitget现有的AI产品，更侧重于前期的决策辅助，还是已经向具体的交易执行迈进了？

Bill博士：这得从去年说起。我入职大约一个月后，团队就启动了AI Agent方向的探索。那时Agent概念还很新，大家都在摸索。我们最初的尝试是一个叫“Meme捕手”的小产品，因为当时Meme币市场火热，信号繁杂且转瞬即逝，用户很难及时捕捉机会。

这个产品运行了两个月，效果不错，但能力相对单一，主要集中在Meme币的信号捕捉上。随后我们将其升级为“GetAgent”，最初的目标就是解决第一层需求——信息收集与整理。这部分工作本质上是“体力活”，只要梳理好流程、调优模型，就能显著提升效率。

所以起步阶段，我们重点构建了信息侧的能力，包括定制化的币圈重要新闻源，并将这些高质量信息供给模型进行分析，而非让模型盲目地在全网搜索。这样做下来，信息分析的准确性和用户满意度都得到了提升。

然而，用户很快提出了更深层的需求：他们不只想看信息，还希望获得决策建议。比如，是该做多还是做空？买多少合适？什么样的策略匹配自己的风险等级？于是，我们开始引入用户的历史交易数据，构建风险画像和交易习惯分析，以期提供更个性化的建议。

因为信息层可以相对通用，但一旦进入交易层，个体差异就变得巨大。面对同一个市场状况，不同用户的答案可能截然不同。因此，GetAgent后续的发展重点转向了个性化匹配，并在此过程中进行了大量细节打磨。

我们甚至一度触及了执行层。例如，用户可以直接输入“帮我买10U的比特币”，系统会快速准备好交易订单，用户确认后即可执行。当然，这要求用户的指令必须足够明确。

这个功能上线后，确实有用户使用，交易量也有所增长。但我们也发现，如果继续在“直接替用户下单”这个方向上深入，很容易引发误解——用户可能会认为这个产品能“替他们赚钱”。一旦出现亏损，预期与现实之间的落差就会带来问题。

因此，我们调整了方向，没有继续重点优化自动下单功能，而是将重心回归到信息采集、聚合分析以及个性化供给上，把这些基础能力做得更加扎实。

到了今年年初，我们上线了“Agent Hub”。它与GetAgent那种在App内一问一答、返回长篇内容的模式不同，更偏向服务于高级用户，支持他们通过程序调用底层能力，使用命令行等方式完成复杂交易。

这个方向吸引了一些关注，但使用门槛依然偏高。毕竟，真正会编程、能用命令行交易的用户是极少数。绝大多数普通交易者，需要的是更简单、直接的产品形态。

于是，我们又将入口迁移到了Telegram上。用户只需打开链接、登录Bitget账号，就能以类似与智能助手聊天的方式完成交易，整体体验更加顺畅。

主持人：那么安全性是如何保障的？

Bill博士：安全方面，我们构建了多层防护体系，包括沙箱隔离、四重身份验证和独立运行环境，核心目标就是确保用户资产安全。同时，我们也致力于降低普通用户的使用门槛。许多同类产品需要用户自行对接模型、管理Token成本、选择服务方案，这对大多数人来说过于复杂。我们希望将这些底层复杂性封装起来，让用户能够轻松上手。

Bitget AI 交易产品的底层逻辑与用户体验设计

主持人：你们底层使用的是哪个大模型？

Bill博士：我们接入了多个大模型，并根据不同任务类型进行智能调度，核心目标是兼顾成本与效果。简单的任务不能一直调用最昂贵的模型，复杂的任务也不能只依赖便宜模型，我们做的更像是一套整体的资源优化方案。

在产品设计上，我们从一开始就希望降低使用门槛。例如，为用户提供一定的免费体验额度，用完后再考虑付费，这样更容易让用户开始尝试。用户无需自行购买Token或选择模型，直接就能使用我们打磨好的底层能力。

后来，我们将许多能力迁移到了Telegram上，包括信息获取、分析处理和基础交易策略。Telegram上的这个产品叫做“GetClaw”。用户就像与朋友聊天一样与系统交互，体验更加顺滑。因为之前将功能内置在App里时，很多用户甚至找不到入口，而Telegram提供了一个更直接、更自然的路径。

这套体验打通后，GetClaw的增长很快。我们还配合举办了交易大赛，提供体验金和奖励，本质上是为了帮助用户更自然地适应这种Agent辅助的交易模式。

但我们始终强调，工具再好，交易决策最终仍离不开人的判断。何时入场、何时离场，依然是关键。完全依赖模型不行，完全不用模型也不行。因此，我们的目标不是替代用户，而是将工具做得足够好用，同时帮助用户提升自身的交易认知。这也是为什么我们从布局AI之初，就提出了“让1亿用户比肩华尔街”的愿景，本质上是希望赋能用户，让他们成为更好的交易者。

我们的核心目标，是让交易变得更简单、更个性化。例如，系统能够逐步理解你的交易习惯、风险偏好和操作风格，将前期复杂的分析过程收敛，最终呈现几个清晰、有依据的决策选项。这样，用户在操作时会更有信心，也更安心。

所以，这个产品模式的关键在于两点：第一，是构建长期记忆和个性化适配能力，让系统能够持续学习并理解用户；第二，是确保安全、有效，并且底层工具持续进化。GetAgent在过去一年多已经打磨了坚实的底层能力，GetClaw正是建立在这个基础之上。当然，它远非完美，迭代仍在继续。

主持人：目前由AI引导或辅助产生的交易量，大概占平台总交易量的多少？有相关统计吗？

Bill博士：目前这个比例还很低。放在公司整体交易量中看，完全由AI驱动的交易占比微乎其微。要让用户大规模信任并依赖AI来引导交易，本身需要一个市场教育和习惯培养的过程。

另外，这个领域的技术迭代速度极快。大模型本身在快速进化，很多时候前端产品形态无需大改，只需将后端模型从旧版本升级到新版本，整体效果就会有显著提升。这说明模型能力与应用层已经开始解耦，底层模型的进步能直接带动上层体验的改善。

因此，当前的态势是：前端应用在快速迭代，后端模型也在持续进步，整个生态变化迅捷。过去可能需要一两个月才能实现的需求，现在几天甚至一天就能上线原型。

在这种背景下，真正重要的反而不只是技术开发能力，更是对业务本质——也就是“交易”这件事——的深刻理解。因为工具和模型终将进化，但最终决定产品价值的，依然是对场景的洞察深度。

Bitget AI 产品的竞争优势与持续优化方向

主持人：目前布局AI交易产品的交易所不止Bitget，币安、OKX等也都有所动作。您是否关注过他们发布的AI技能或产品？在您看来，Bitget的AI产品与其他平台相比，优势体现在哪些方面？又会在哪些方向上做得更深入？

Bill博士：这个问题很好，我们也始终密切关注着行业内的最新进展。在AI这个赛道上，所有交易所几乎站在同一起跑线，因此我们将其视为“弯道超车”的机遇。同时，AI是一个需要持续投入巨大人才和资金的领域，注定会成为头部交易所的重点赛场，Bitget在此的投入是坚定且巨大的。

事实上，从去年开发GetAgent开始，我们就在探索币圈AI Agent应该怎么做。当时几乎没有现成的参考案例，只能一边借鉴其他领域的经验，一边结合自身业务进行摸索。经过一年多的实践，我们已经积累了比较扎实的底层能力，并形成了一套持续迭代的方法论。

如果要说与其他交易所相比的优势，我认为主要体现在以下几个方面。

第一，是迭代经验的深度。从去年3月启动AI Agent项目至今，我们已经经历了多个季度的持续迭代。这个过程不乏痛苦，很多时候甚至需要推倒重来，但正因为如此，沉淀下来的经验更为深刻。在这方面，我们不敢自称行业第一，但至少是起步较早、探索较深的那一批。

第二，是对安全的极致重视。这类Agent产品刚兴起时，很多团队一拥而上，但又因安全问题迅速退场。我们内部始终将安全置于最高优先级，即便有时会影响开发效率，也必须确保安全底线。经过连续几个季度的打磨，截至目前，我们的AI交易和AI Agent相关业务尚未出现明显的安全事故，这构成了一个重要的信任基础。

第三，是跟进新产品形态的速度。无论是Agent Hub，还是后来的GetClaw，我们都上线得比较早，并且不仅仅是发布产品，还会结合交易场景设计配套的玩法。例如，我们曾尝试将AI交易员与跟单系统结合，用户可以根据AI交易员的历史表现选择跟单，这是在交易场景融合上的一次创新。

表面上看，借助现有的开发工具，任何人都能快速搭建一个类似的产品。但产品上线后，是否丝滑流畅、是否稳定可靠、是否值得信赖，差异会非常巨大。这背后比拼的，并非单纯使用了哪个模型，而是能否将模型能力、成本控制、输出质量、安全体系和用户体验整合成一个有机的整体。

特别是在面向海量用户的C端场景中，成本控制至关重要。如果不进行优化，这类产品的运营成本极易失控。因此，我们现在的工作重点，已经超越了“选用哪个大模型”，而是深入到如何将多种能力进行更深度的组合与调优，在保障体验和质量的前提下，将成本控制在合理范围内。

总结来看，我们的优势主要在于三点：一是起步早，迭代久，积累深；二是安全体系相对扎实；三是在技能与产品能力的整合上，已经初步形成了自己的方法体系和基础架构。

当然，谈到需要持续优化的地方，最重要的或许不是紧盯竞争对手，而是更深入地向用户学习。因为AI交易的竞争，最终不是比拼功能的多寡，而是比拼对用户的理解深度。用户当前对AI交易的认知、使用习惯和真实预期究竟是什么，这是我们仍需持续研究的课题。

归根结底，用户来到交易平台的核心目标是寻求收益。我们无法保证用户一定赚钱，但我们希望帮助他们在交易过程中走得更顺畅、更便捷、体验更舒适。例如，最终系统只为你提供几个清晰、个性化且逻辑透明的选项，让你能比以前更轻松、更安心地做出决策。

所以，这件事远未到达终点。我们当前的重点，依然是持续优化体验，使其更丝滑、更安全、更个性化，同时保持向同行和用户学习的心态。

AI 交易会赢者通吃吗？策略会不会很快失效？

主持人：您刚才描绘了一个比较理想的“AI+交易”场景。我想再追问两个具体问题。

第一个问题是，执行AI交易的模型能力必然存在强弱之分。未来是否会出现“赢者通吃”的局面？例如，资金雄厚的机构可以购买更强大的模型、拥有更多算力和更快的速度，最终少数参与者赚走市场上大部分利润。

第二个问题是，交易市场变化极快，一套有效的策略往往只在特定阶段有效，很快会被模仿、跟进甚至被针对性破解。那么AI交易是否也存在这种局限性？是否意味着不可能长期维持固定优势，而必须持续不断地迭代？

Bill博士：这两个问题，确实是行业内外都非常关注的焦点。

先谈“赢者通吃”。个人认为，这种情况不太容易出现。可以类比股票市场，量化交易和基金行业已经发展了很多年，但至今也没有哪一家公司能够独占所有市场利润。即便头部机构实力强劲，市场中依然长期存在着大量的参与者。

原因在于，交易系统本身过于复杂，并非由几个变量就能决定最终结果。其背后可能涉及成千上万个变量，以及各种难以预料的突发事件和“黑天鹅”。因此，很难想象有谁能够真正百分之百地通吃整个市场。

第二个问题，关于策略的有效性。必须承认，AI交易必然存在天花板。假设完美的交易是100分，那么目前的AI可能能做到90分，未来或许能无限逼近99分，但很难真正达到100分。

主持人：您说的是现在能达到90分，还是未来也只能停留在这个水平？

Bill博士：我指的是目前大概在90分左右的水平。未来肯定还会提升，但我认为永远很难达到满分。因为金融交易最困难的部分，归根结底在于“人性”。只要市场背后还有人类参与决策，就必然存在情绪、认知偏差和非理性行为。

当然，未来也可能出现一种更极端的情形：市场中的主要参与者不再是人类，而是AI Agent与Agent之间的博弈。那时情况会有所不同，因为机器的执行纪律性远胜人类，比拼的将是模型能力、系统性能和速度。

但就目前的加密货币市场来看，距离那个阶段还非常遥远。因此，整体上这仍然是一个持续演化的过程。只要交易中还有“人”的因素，不确定性就不可能被完全消除。

主持人：这个回答我很认同。因为交易本身，很多时候就是用理性去克服情绪的过程。如果未来真的全是AI在交易，那么最终较量的可能就是智能水平与速度了。

Bill博士：是的，现在远未到那一步，所以这个领域依然拥有巨大的想象空间，也格外有趣。