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

核心要点

• 量化交易背景正主导 AI 圈：从华尔街到硅谷，从中国到全球，AI 行业的中坚力量正被这批特殊人才接棒
• 三位万亿估值掌舵者：Alexandr Wang（Scale AI）、Scott Wu（Cognition）、Jeffrey Yan（Hyperliquid）均出自这张十年前的合照
• DeepSeek 的量化基因：幻方量化十年磨一剑，用算法、工程和效率将中国大模型推向世界牌桌
• AI 竞争本质转变：从"模型能力"转向"系统实现能力"——谁能将模型放入复杂环境并稳定、便宜、可控地跑起来
• 系统型人才的稀缺性：OpenAI、Anthropic 正以 150-300 万美元年薪疯狂从 Citadel、Jane Street 挖人

详细内容

系统工程人才正在改写 AI 权力版图

2015 年冬天，HRT（ Hudson River Trading）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。举着手牌自拍的叫 Jesse Zhang，现在是 AI Agent 独角兽 Decagon 的 CEO，三年时间把公司估值推到 45 亿美元。

作为与 Citadel Securities、Virtu Financial 和 Jump Trading 并称的全球高频交易"四大天王"，HRT 的门槛极高：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，才能得到入门资格。

十年前的这张蛋糕桌，如今成了 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。

Alexandr Wang：量化背景的 AI 新物种

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，整个科技界都为之侧目。这不仅仅是商业并购，更是权力更迭的象佂。

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劦所在。

Scott Wu 与 Devin：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 估值已经达到 260 亿美元，年化营收 5 亿。

Perplexity：搜索赛道的系统性工程

Perplexity 联合创始人 Johnny Ho 同样循着这条路。他曾在 Tower Research 做了六年高频交易，这段经历塑造了他对高并发、低延迟系统的极端追求。

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 搜索赛道中脱颍而出，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。

DeepSeek 的量化底色

同样是在 2015 年，大洋彼岸的杭州，一个叫梁文锋的年轻人创立了幻方科技（幻方量化）。十年后，这家年入 50 亿元的低调用人、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。

幻方量化的基因——算法、模型、算力和自动化交易——恰好与这波 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，当大多私募还在用小规模 GPU 集群跑策略时，幻方就已经投入逾 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。

更关键的是，这条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厚条件，全区智算占比近 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弦。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布价的十分之一；到 5 月，更是推出 V4-Pro 永久降价至原定价的四分之一，将百万 Token 的调用成本打到低亍一通电话费。

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，仍然离不幻方量化在早期提供的"无限子弹"。2025 年，幻方量化旗下基金平均收益率达 56.6%，管理规模近 700 亿元。据彭博测算，仅一年就为梁文锋赚了约 50 亿元人民币。

为什么量化背景的人会在 AI 时代突然变得这么值钱？

表面上，金融交易和大模型研发是两个行业。但如果你把外壳剥掉，你会发现它们面对的是同一个问题：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、风控抑不住，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、吐吞、滑点、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"。谁能能把模型放进复杂环境里，还能稳定、便官、可控地跑起来，谁才真正有机会进入下一阶段。

第三层相似，是量化背景的人天生会算账。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疑：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、优仙系统延迟的人，不是象牙塔里的教授研究员，而是量化交易机构的工程师。

结论

这张十年前的量化实习生合照，藏着 AI 时代新贵版图的密码。这群人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"——懂数学，懂工程，懂自动化，懂成本。他们擅长把一套昂费复杂的智能系统，改造成一台可运行、可校验、可扩展、也算得过账的工程机器。

正如当年 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批人，似乎正在复制着同样的剧本，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"。

AI 的竞争，正在从"模型能力"转向"系统实现能力"——谁能将模型落地、跑稳、控成本，谁就能赢得下一场战争。