量化实习生合照揭示AI时代华人亿万富翁新贵
纵观当下AI领域最炙手可热的创业公司与核心高管，细数之下，绝大多数都出身量化交易背景。
这个判断听上去有些极端，但事实数据确实如此。
故事的起点可以追溯到2015年冬天。在HRT（Hudson River Trading）的纽约会议室里，一群年轻人围坐在桌前，留下了一张洋溢着青春气息的生日合影，其中华人面孔占据半数以上。
举着手机负责自拍的那位叫Jesse Zhang，如今是AI Agent独角兽公司Decagon的CEO。他用三年时间便将公司估值推升至45亿美元。
那一年，他还只是哈佛大学大三的学生。围绕在他身边的，是HRT历史上首批实习生，总共十人。
这群年轻人的实力究竟有多强劲？从HRT的准入门槛就可见一斑。
作为与Citadel Securities、Virtu Financial和Jump Trading齐名的全球高频交易“四大天王”，HRT（Hudson River Trading）在算法交易领域享有公认的Tier 1地位。
HRT的招聘逻辑极为直接：只瞄准MIT、哈佛、斯坦福三校，只从数学、物理、计算机专业中筛选，而且几乎仅向在全球奥赛（IMO、IOI、IPhO）中获奖的学生开放。
能通过如此严苛的筛选，绝非普通人。十年之后，这张生日蛋糕照片已成为AI权力版图的中心。
仅是这张照片中记录的成员，就有三人身价突破亿美元，他们执掌的公司或团队估值更是超过千亿美元。
最为华人圈熟知的Alexandr Wang，已是Meta无可争议的AI掌舵人；AI编程工具Devin的创始人Scott Wu，刚刚完成10亿美元的新一轮融资；Jeffrey Yan则将量化高频交易的极致性能引入去中心化金融领域，其搭建的Hyperliquid平台估值一度突破400亿美元。
当个体的成功汇聚成群体画像，趋势便无法忽视。过去两年间，华尔街量化基金的顶级交易员，已成为OpenAI和Anthropic眼中极为稀缺的计算系统人才，他们以数百万美元的年薪被各方疯狂争抢。
这样的故事并不仅限于美国。
同样在2015年，大洋彼岸的杭州，一位名叫梁文锋的年轻人创办了幻方科技（幻方量化）。十年后，这家年营收超过50亿元、行事低调的私募量化交易机构，孵化出了DeepSeek，凭借算法、工程与效率，将中国的大模型推向了全球竞争的舞台。
系统工程人才接管AI权力中心
在这批年轻华人中，Alexandr Wang的崛起堪称教科书级的样本。
当Meta以143亿美元收购Scale AI近半数股份，并任命这位28岁的华裔创业者为首席AI官时，整个科技界为之震动。这不仅是商业并购，更是权力交替的鲜明信号。
图灵奖得主Yann LeCun（杨立昆）领导的FAIR实验室被划归Wang负责的“超级智能实验室”，杨立昆本人则选择离职创业。这一变动标志着AI赛道的主战场，正从“学术权威”向“工程实践者”转移。
Scale AI的成功并非出于偶然。在大模型时代，数据标注、模型评估与反馈机制成为关键环节。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、最难以外包的环节。这种对系统级问题的深刻洞察，正是量化背景人才的天然优势。
Scott Wu创立的Cognition则代表了AI Agent的另一种纵深突破。
他曾三次夺得IOI金牌，其中2014年以第一名登顶，从哈佛退学后创立Cognition。2024年推出的Devin，让全球工程师第一次认真探讨“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操作：接收任务、查阅文档、编写代码、运行测试、修复Bug，直至交付最终结果。Cognition的估值目前已达到260亿美元，年化营收接近5亿美元。
Perplexity的联合创始人Johnny Ho也遵循了类似路径。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。
左一为Perplexity联合创始人Johnny Ho
Perplexity表面上做的是AI搜索，但在搜索、生成、引用、实时性与可信度之间实现平衡，底层依然依赖于极其扎实的系统工程。这与高频交易中毫秒级的撮合、风控与执行逻辑高度一致。
这种能力让Perplexity在竞争激烈的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发出过收购要约。
你会发现，量化背景正在重塑AI圈的格局。从华尔街到硅谷，从中国到全球，AI行业的中坚力量正被这群特殊人才接掌。
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、精英教育与量化交易共同训练出来的“系统型人才”。
他们精通数学、工程、自动化与成本控制，极其擅长将一套昂贵复杂的智能系统，改造为一台可运行、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；而由量化交易和奥赛体系走出的这群人，似乎正在复制同样的剧本，将AI的下半场推向新的高度。
他们也因此被冠以“AI时代的PayPal黑帮”之名。
DeepSeek的量化基因底色
幻方量化的故事，为这一趋势提供了另一个维度的有力印证。
梁文锋在2015年创立幻方时，或许并未预见十年后能做出DeepSeek。但幻方的基因——算法、模型、算力与自动化交易，恰好与这波AI发展的核心需求不谋而合。
首先，量化交易对算力与速度有着天然的渴求，这让梁文锋从一开始便将算力视为核心资产来经营，成为国内购买GPU最为激进的公司。
2021年，当大多数私募还在用小规模GPU集群跑策略时，幻方已投入近10亿元建设“萤火虫”超算中心，囤积了上万张A100。这种为算力不惜投入巨资的基建前置逻辑，成为了DeepSeek最坚实的起跑线。
此外，这套自建算力的路线仍在持续巩固与延伸。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用工程创新实现了效率上的反超：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。
将成本“抠”到极致的能力，最终外化为DeepSeek在模型竞争中最凌厉的攻势。
在API调用市场，DeepSeek敢于将价格压到地板。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的调用成本打至低于一通电话费。
同行在算力成本压力下不得不涨价转嫁，DeepSeek却能在此时反向降价。背后的底气，与那套量化思维锤炼出的成本结构密切相关：先将效率做到极致，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“无限弹药”。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。
AI已然成为另一场高频交易
为什么量化交易背景的人，会在AI时代变得如此抢手？
表面上看，金融交易和大模型研发分属不同行业。但如果剥开外壳，你会发现它们面对的是同一种挑战：在高度不确定的环境中，利用模型、数据和系统进行连续决策。
量化交易并非一次性预测涨跌。它需要持续接收市场信号，生成判断，执行交易，获取反馈，然后调整策略。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，若在真实市场中滑点过大、成交过慢、风控无法承受，最终还是无效。
AI Agent也越来越趋同于此。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，在于它们都必须遵守系统约束。
在量化交易中，策略收益只是表面数字。真正决定它能否存活的因素是延迟、吞吐量、滑点、风控、极端行情、资金容量和交易成本。在AI领域也是如此，模型榜单分数只是表面数字。真正决定模型能否落地的因素，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在演示中能完成任务，并不意味着它能在真实企业环境中长期稳定运行。一个模型在benchmark上得分很高，不代表它能应对真实用户的千奇百怪、企业系统的复杂权限以及线上业务的容错需求。
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、廉价且可控地运行，谁才能真正进入下一阶段。
第三层相似之处在于，量化背景的人天然善于算账。
互联网创业可以依靠增长叙事支撑估值，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，形成了一种不盲目迷信规模崇拜的气质：更关心单位算力的产出，不仅关注模型有多强，更关注在什么成本水平下达到这样的强度才合理。
这种能力的稀缺性，已在人才市场上被明码标价。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等量化基金挖掘人才。
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，并非象牙塔中的教授研究员，而是量化交易机构的工程师。
人才摇篮的隐秘迭代
在上一轮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 Lab。
它曾培养出大量技术领军人物，长期代表着中国AI人才的黄金入口。那更像一个“先想清楚再行动”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，问题的结构似乎发生了变化。
Scaling Law将方向锁定：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、算力调度能力，以及快速试错的风格。
AI的竞争，从研究竞赛演变为复杂系统竞赛。问题的性质变成了“边行动边思考”。
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。
这种压力塑造出的认知结构，在量化交易中被称为生存本能。到了AI竞争里，它便转化为另一种核心竞争力：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和实验室，而是更多从量化交易机构、竞赛体系和开源社区中成长起来。