01

從浙江大學畢業之后，您都進行了哪些嘗試，又如何開始的創業之路？

梁文鋒：畢業后，我沒有像大多數同學那樣，投身大廠成為安穩的碼農。

在一個簡陋的空間里，開始研究用計算機賺錢的各種途徑，整日與代碼和數據相伴，累了就趴在桌上小憩。

在探索過程中，接觸到量化投資。當時，量化投資在國內還是新鮮事物，但我堅信自己能在這個領域闖出一片天地。

量化投資，簡單來說，就是利用數學模型和計算機技術，對金融市場的數據進行分析和預測，從而制定投資策略，即通過計算機取代人，以數量化方式程序化發出買賣指令。

這是一個融合金融、數學和計算機科學的交叉領域，需要具備深厚的專業知識和強大的技術能力。

為掌握量化投資的核心技術，我開始瘋狂學習金融知識，購置大量金融書籍，從經典金融理論著作到最新量化投資研究報告，同時，報名參加各種金融培訓課程，學習國內外頂尖量化投資機構的經驗與方法。

量化投資的數學模型復雜難懂，金融市場波動變幻莫測，每一次嘗試與失敗都讓人感到沮喪和迷茫。

但每當想要放棄時，總會想起量化投資之父西蒙斯的一句話：“一定有辦法對價格建模。”這句話如同一束光，給予我黑暗中堅持下去的勇氣。

2010年，滬深300股指期貨正式推出，猶如春風喚醒沉睡的量化投資市場。2013年，我將人工智能AI與量化交易結合，和浙江大學校友徐進等人創立了以德國數學家卡爾·雅可比命名的投資公司——杭州雅克比投資管理有限公司。

2015年，共同創立杭州幻方科技有限公司，也就是今天的浙江九章資產管理有限公司，次年又成立了寧波幻方量化投資管理合伙企業（有限合伙）。

經過幾年發展，幻方量化在國內迅速崛起。2016年10月，幻方量化推出第一個AI模型，第一份由深度學習生成的交易倉位上線執行。

在量化投資領域積累了強大的技術實力和算力資源，幻方量化也以強大的算力支持聞名。

到2017年底，幾乎所有量化策略都采用AI模型計算。2019年，幻方量化管理規模突破百億，成為國內量化私募“四巨頭”之一。

2021年，幻方量化因業績不佳向投資者致歉，承認誤判了市場走向。

后來，行業又遭遇挫折，中國金融監管機構嚴厲打擊量化交易，認為這類交易助長羊群效應，加劇市場波動。

創業就是這樣，從來沒有坦途。

02

沒有人能隨隨便便成功，量化交易與常規投資不同，您如何能夠異軍突起，又如何看待量化投資的未來？

梁文鋒：我們的核心團隊，連我自己，一開始都沒有量化經驗，這一點很特殊。不能說是成功的秘密，但這是幻方的文化之一。

幻方某種程度上增強了我們對技術驅動型創新的信心，我們經歷了一個漫長的積累過程。外部看到的是幻方 2015 年后的部分，但其實我們做了 16 年。

那么，量化和非量化，到底是怎么區分的？在投資決策的過程中，核心你是用數量化方法進行決策的，還是用人進行決策的。

所以區別不是交易，不是研究手段，而是決策方式。

量化公司有很多交易員和研究員，但是沒有基金經理的，基金經理就是一堆服務器。人來做投資決策的時候，它是一種藝術，要憑感覺。程序來決策的時候，它是一種科學，它有最優解。

有人問，量化投資以后還需要人類嗎？當然需要，需要大量的程序員和研究員。

量化交易共四種股票策略，最重要的是第一種日間量價模型。大家經常聽說的多因子、alpha其實都是說日間量價模型，規模大概有兩千億。

第二種是日內回轉模型，俗稱股票T0，有大幾百億。第三種是基本面模型，第四種是事件驅動模型，目前都不是重點。

在傳統上，所有的模型都是多因子模型，通過選股和擇時來獲取超額收益。在2017年以前，多因子模型是萬能的，以前我們都希望模仿worldquant的模式，就是找很多的人來挖因子。同行里大家競爭的是誰的因子更加有效。

現在你要再挖出一些很有效的因子，已經很難了。

2017年之后，行業發生變化，傳統的多因子框架逐漸被人工智能取代。2019年之后，又逐漸被更新的集成框架取代。作為私募，投資人對我們的期望是很高的，如果一年跑贏指數低于25%，投資人是不滿意的。

私募之間的競爭很激烈。

每個星期都會拿到同行的業績數據，這個星期誰跑贏了多少，大家放到一起來比，如果落后了客戶就馬上就會打電話來，所以我們壓力很大的。

正是這樣的壓力，逼得我們不斷地提升投資能力，加班改策略，因為一偷懶就落后了。當然我們向客戶的收費也高，遠遠高于公募，所以這個業績和壓力也是公平的。

我們經常會被問：量化投資到底是賺了誰的錢？

其實答案很簡單，量化賺了原來人類投資者賺的錢。人類投資者分兩個流派，一種叫技術面，一種叫基本面。說得更具體一點，現在量化賺的是技術面流派原來賺的錢。

量化私募整個行業的進步，大致是符合摩爾定律的，每18個月投資能力翻一倍。但是這幾年來，量化投資的平均收益率，差不多是沒變化的，因為市場的有效性在不斷提高。

這是符合邏輯的，因為投資能力提高一倍，市場的有效性還一樣的話，賺的錢應該是原來的2倍才對。所以市場的有效性提高了。

預測中國量化投資的未來，一個辦法就是看一下美國的現狀。美國的資產管理有兩個趨勢：一個是共同基金逐漸指數化，另一個是對沖基金逐漸走向量化。

共同基金類似國內的公募基金，對沖基金相當于中國的證券私募。最初的對沖基金都不是量化的，這個表是2004年全球對沖基金資管規模排名的前10名，大部分都不是量化的。

2018年的排名，量化已經占了前面的多數，我們熟悉的橋水排名第一，AQR排名第二，文藝復興排名第四。

從美國的經驗來看，量化私募的管理規模可以做得很大。全球最大的對沖基金橋水的管理規模是一萬億人民幣左右，而國內大的量化公司在100～200億之間，我們可能還有幾十倍的增長空間。

國外那么多量化公司，他們都在做什么，都在做高頻嗎？顯然不是。高頻容納的錢很少的，并不是資產管理的主流。答案是所有策略都做，從宏觀對沖，到股票基本面，到股票量價，到大宗商品，到債券，主戰場是股票和債券。

全球最大的對沖基金橋水，是做宏觀量化的，全球第二大對沖基金AQR是做股票基本面的。越是低頻的策略，容量越大。

所有原來人類做的策略，現在量化都在做。而國內的對沖基金，現在大家主要都是做量價策略，我們整體上比美國是落后的。從美國的經驗來看，在策略類型上面，我們應該還有很大的發展空間。

我們預計未來幾年，中國的股票市場，有效性會進一步提高。這是歷史趨勢，不可阻擋。

未來量化投資的提升應該來自于多策略結合，總有一天技術面的波動會越來越小，技術的進步到達瓶頸，未來量化投資一定會去瓜分原來基本面流派的人賺的錢。

市場有效的時候，你直接買指數就可以了，指數就是真正的價值投資。

03

量化交易這么有“錢途”，為什么又開始進軍人工智能大語言模型，您具體是怎么做的，如何實現賽道轉換？

梁文鋒：核心是好奇心的驅動，對 AI 能力邊界的好奇。

對于渴望探索機器學習極限的工程師來說，將進軍AI模型是自然而然的事情。

當初，幻方的主要班底里，很多人是做人工智能的。當時我們嘗試了很多場景，最終切入了足夠復雜的金融，而通用人工智能可能是下一個最難的事之一。

對很多行外人來說，ChatGPT 這波浪潮沖擊特別大；但對行內人來說，2012年 AlexNet 帶來的沖擊已經引領一個新的時代。

AlexNet 的錯誤率遠低于當時其他模型，復蘇了沉睡幾十年的神經網絡研究。雖然具體技術方向一直在變，但模型、數據和算力這三者的組合是不變的。

特別是當 2020 年 OpenAI 發布 GPT3 后，方向很清楚，需要大量算力；但即便 2021 年，我們投入建設螢火二號時，大部分人還是無法理解。

從近處說，GPT4還有很多待解之謎。我們去復刻的同時，也會做研究揭秘。

只做復刻的話，可以在公開論文或開源代碼基礎上，只需訓練很少次數，甚至只需finetune（微調）一下，成本很低。而做研究，要做各種實驗和對比，需要更多算力，對人員要求也更高，所以成本更高。

從遠處說，我們想去驗證一些猜想。

比如我們理解人類智能本質可能就是語言，人的思維可能就是一個語言的過程。你以為你在思考，其實可能是你在腦子里編織語言。這意味著，在語言大模型上可能誕生出類人的人工智能（AGI）。

比如，其實從最早的1張GPU卡，到2015年的100張卡、2019年的1000張卡，再到一萬張，這個過程是逐步發生的。

幾百張卡之前，我們托管在IDC，規模再變大時，托管就沒法滿足要求了，就開始自建機房。很多人會以為這里邊有一個不為人知的商業邏輯，但其實，主要是好奇心驅動。

對我們來說，這是一個怎么做的問題，而不是為什么做的問題。既然我們想做這個事，又有這個能力，這個時間點上，我們就是最合適人選之一。

我們做大模型，其實跟量化和金融都沒有直接關系。我們獨建了一個名為深度求索的新公司來做這件事。

幻方作為我們的出資人之一，有充足的研發預算，另外每年有幾個億的捐款預算，之前都是給公益機構，如果需要，也可以做些調整。

我們也在找不同出資方在談。接觸下來，感覺很多VC對做研究有顧慮，他們有退出需求，希望盡快做出產品商業化，而按照我們優先做研究的思路，很難從VC那里獲得融資。但我們有算力和一個工程師團隊，相當于有了一半籌碼。

我們不會過早設計基于模型的一些應用，會專注在大模型上。我們要做的是通用人工智能，也就是AGI。

語言大模型可能是通往AGI的必經之路，并且初步具備了AGI的特征，所以我們會從這里開始，后邊也會有視覺等。

04

人們常說，創新是第一動力，人才是第一資源，在人工智能的創業路上，人才如何創新，又扮演什么角色？

梁文鋒：前期因為人手不夠，會從幻方臨時借調一部分人過去。

去年底ChatGPT3.5風靡時，我們就開始動手招聘了，不過我們依然需要更多的人加入。

當前，團隊中并沒有什么高深莫測的奇才，都是一些 Top 高校的應屆畢業生、沒畢業的博四、博五實習生，還有一些畢業才幾年的年輕人。

V2 模型沒有海外回來的人，都是本土的。前 50 名頂尖人才可能不在中國，但也許我們能自己打造這樣的人。

因為我們在做最難的事，對頂級人才吸引最大的，肯定是去解決世界上最難的問題。其實，頂尖人才在中國是被低估的。

因為整個社會層面的硬核創新太少了，使得他們沒有機會被識別出來。我們在做最難的事，對他們就是有吸引力的。

在我看來，人才最重要的素質就是，熱愛和扎實的基礎能力。其他都沒那么重要。

他們的熱情通常會表現出來，因為他真的很想做這件事，所以這些人往往同時也在找你。

招人時確保價值觀一致，然后通過企業文化來確保步調一致。當然，我們并沒有一個成文的企業文化，因為所有成文東西，又會阻礙創新。更多時候，是管理者的以身示范，遇到一件事，你如何做決策，會成為一種準則。

我們的總結是，創新需要盡可能少的干預和管理，讓每個人有自由發揮的空間和試錯機會。創新往往都是自己產生的，不是刻意安排的，更不是教出來的。

總體而言，在人才的選用育留，我們基本還是延續在幻方的人才模式。

幻方招人有條原則是，看能力，而不是看經驗。我們的核心技術崗位，基本以應屆和畢業一兩年的人為主。

如果追求短期目標，找現成有經驗的人是對的。但如果看長遠，經驗就沒那么重要，基礎能力、創造性、熱愛等更重要。從這個角度看，國內合適的候選人就不少。

做一件事，有經驗的人會不假思索告訴你，應該這樣做，但沒有經驗的人，會反復摸索、很認真去想應該怎么做，然后找到一個符合當前實際情況的解決辦法。

事實上，第一年他們什么都做不出來，第二年才開始有點成績。但我們的考核標準和一般公司不太一樣。

我們沒有 KPI，也沒有所謂的任務。交給他重要的事，并且不干預他。讓他自己想辦法，自己發揮。

一家公司的基因是很難被模仿的。比如說招沒有經驗的人，怎么判斷他的潛力，招進來之后如何才能讓他成長，這些都沒法直接模仿。

我們不會故意回避有經驗的人，但更多是看能力。

拿銷售這個崗位舉個例子。我們的兩個主力銷售，都是這個行業的素人。一個原來做德國機械品類外貿的，一個是原來在券商做后臺寫代碼。

他們進入這個行業時，沒有經驗，沒有資源，沒有積累。而現在我們可能是唯一一家能以直銷為主的大私募。

我們不像一般公司，看重客戶下單量，我們的銷售賣多少和提成不是一開始就算好的，而會更鼓勵銷售去發展自己的圈子，認識更多人，產生更大影響力。

我們認為，一個讓客戶信任的正直的銷售，可能在短時間內做不到讓客戶來下單，但可以讓你覺得他是個靠譜的人。

05

從量化交易到人工智能，這是一個巨大的跨越，在您看來，做好一家人工智能公司，最重要的是什么？

梁文鋒：不管是 Google 實驗室，還是 OpenAI，甚至中國大廠的 AI Lab，都很有價值的。最后是 OpenAI 做出來，有歷史的偶然性。

我覺得創新首先是一個信念問題。為什么硅谷那么有創新精神？首先是敢。

ChatGPT 出來時，整個國內對做前沿創新都缺乏信心，從投資人到大廠，都覺得差距太大了，還是做應用吧。但創新首先需要自信。這種信心通常在年輕人身上更明顯。

創新就是昂貴且低效的，有時候伴隨著浪費。所以經濟發展到一定程度之后，才能夠出現創新。很窮的時候，或者不是創新驅動的行業，成本和效率非常關鍵。OpenAI也是燒了很多錢才出來。

這個世界存在很多無法用邏輯解釋的事，就像很多程序員，也是開源社區的瘋狂貢獻者，一天很累了，還要去貢獻代碼。

類似你徒步50公里，整個身體是癱掉的，但精神很滿足。不是所有人都能瘋狂一輩子，但大部分人，在他年輕的那些年，可以完全沒有功利目的，投入地去做一件事。

幻方時代，我們就很少自上而下地指派目標或任務。DeepSeek 也全是自下而上。而且我們一般不前置分工，而是自然分工。每個人有自己獨特的成長經歷，都是自帶想法的，不需要主導他。

探索過程中，他遇到問題，自己就會拉人討論。不過當一個想法顯示出潛力，我們也會自上而下地去調配資源。

我們每個人對于卡和人的調動是不設上限的。如果有想法，每個人隨時可以調用訓練集群的卡無需審批。同時因為不存在層級和跨部門，也可以靈活調用所有人，只要對方也有興趣。

我們選人的標準一直都是熱愛和好奇心，所以很多人會有一些奇特的經歷，很有意思。很多人對做研究的渴望，遠超對錢的在意。

06

當前，進入新一輪的科技革命，中美在人工智能不斷暗中較量，國內各個大廠也掀起“百模大戰”，您認為你們的優勢是什么？

梁文鋒：大廠肯定有優勢，但如果不能很快應用，大廠也不一定能持續堅持，因為它更需要看到結果。

頭部的創業公司也有技術做得很扎實的，但和老的一波AI創業公司一樣，都要面對商業化難題。

比如，我們發布產品后， 5 天后智譜 AI 就跟進了，之后是字節、阿里、百度、騰訊等大廠。

智譜 AI 降的是一個入門級產品，和我們同級別的模型仍然收費很貴。字節是真正第一個跟進的。

旗艦模型降到和我們一樣的價格，然后觸發了其它大廠紛紛降價。因為大廠的模型成本比我們高很多，所以我們沒想到會有人虧錢做這件事，最后就變成了互聯網時代的燒錢補貼的邏輯。

無論大廠，還是創業公司，都很難在短時間內建立起碾壓對手的技術優勢。

因為有OpenAI指路，又都基于公開論文和代碼，最晚明年，大廠和創業公司都會把自己的大語言模型做出來。

大廠和創業公司都各有機會。現有垂類場景不掌握在初創公司手上，這個階段對初創公司不太友好。

但因為這種場景說到底也是分散的、碎片化的小需求，所以它又是更適合靈活的創業型組織的。

從長期看，大模型應用門檻會越來越低，初創公司在未來20年任何時候下場，也都有機會。

我們主要的精力在研究下一代的大模型。還有很多未解決的問題。 所有的套路都是上一代的產物，未來不一定成立。

拿互聯網的商業邏輯去討論未來 AI 的盈利模式，就像馬化騰創業時，你去討論通用電氣和可口可樂一樣。很可能是一種刻舟求劍。

我們認為當前階段是技術創新的爆發期，而不是應用的爆發期。長遠來說，我們希望形成一種生態，就是業界直接使用我們的技術和產出，我們只負責基礎模型和前沿的創新，然后其它公司在 DeepSeek 的基礎上構建 toB、toC 的業務。

如果能形成完整的產業上下游，我們就沒必要自己做應用。當然，如果需要，我們做應用也沒障礙，但研究和技術創新永遠是我們第一優先級。

未來的世界很可能是專業化分工的，基礎大模型需要持續創新，大廠有它的能力邊界，并不一定適合。

技術沒有秘密，但重置需要時間和成本。英偉達的顯卡，理論上沒有任何技術秘密，很容易復制，但重新組織團隊以及追趕下一代技術都需要時間，所以實際的護城河還是很寬。

我們的目標也很明確，就是不做垂類和應用，而是做研究，做探索。

按照教科書的方法論來推導創業公司，在當下，他們做的事，都是活不下來的。

但市場是變化的，真正的決定力量往往不是一些現成的規則和條件，而是一種適應和調整變化的能力。

很多大公司的組織結構已經不能快速響應和快速做事，而且他們很容易讓之前的經驗和慣性成為束縛，而這波AI新浪潮之下，一定會有一批新公司誕生。

07

人工智能的競爭是公司的競爭，也是國家的競爭，您怎么看大模型創業公司的終局之戰，又如何看待人工智能公司的未來？

梁文鋒：在美國每天發生的大量創新里，這是非常普通的一個。

他們之所以驚訝，是因為這是一個中國公司，在以創新貢獻者的身份，加入到他們游戲里去。畢竟大部分中國公司習慣 follow，而不是創新。

過去三十年，我們都只強調賺錢，對創新是忽視的。創新不完全是商業驅動的，還需要好奇心和創造欲。我們只是被過去那種慣性束縛了，但它也是階段性的。

創新的成本肯定不低，過去那種拿來主義的慣性也和過去的國情有關。但現在，你看無論中國的經濟體量，還是字節、騰訊這些大廠的利潤，放在全球都不低。我們創新缺的肯定不是資本，而是缺乏信心以及不知道怎么組織高密度的人才實現有效的創新。

你們發布過代碼生成和數學的模型，也從 dense 模型切換到了 MOE，所以你們的 AGI 路線圖有哪些坐標？可能是 2 年、5 年或者 10 年，總之會在我們有生之年實現。至于路線圖，即使在我們公司內部，也沒有統一意見。

但我們確實押注了三個方向。一是數學和代碼，二是多模態，三是自然語言本身。

數學和代碼是 AGI 天然的試驗場，有點像圍棋，是一個封閉的、可驗證的系統，有可能通過自我學習就能實現很高的智能。

另一方面，可能多模態、參與到人類的真實世界里學習，對 AGI 也是必要的。我們對一切可能性都保持開放。

我們看到的是中國AI不可能永遠處在跟隨的位置。我們經常說中國 AI 和美國有一兩年差距，但真實的 gap 是原創和模仿之差。

如果這個不改變，中國永遠只能是追隨者，所以有些探索也是逃不掉的。英偉達的領先，不只是一個公司的努力，而是整個西方技術社區和產業共同努力的結果。

他們能看到下一代的技術趨勢，手里有路線圖。中國 AI 的發展，同樣需要這樣的生態。很多國產芯片發展不起來，也是因為缺乏配套的技術社區，只有第二手消息，所以中國必然需要有人站到技術的前沿。

未來的終局之戰， 可能活下來的公司也就 2 到 3 家。現在都還處在燒錢階段，所以那些自我定位清晰、更能精細化運營的，更有機會活下來。

其它公司可能會脫胎換骨。有價值的東西不會煙消云散，但會換一種方式。

對于我們而言，短期內沒有融資計劃，我們面臨的問題從來不是錢，而是高端芯片被禁運。

我經常思考的是，一個東西能不能讓社會的運行效率變高，以及你能否在它的產業分工鏈條上找到擅長的位置。

只要終局是讓社會效率更高，就是成立的，中間很多都是階段性的，過度關注必然眼花繚亂。