AI时代,“用人逻辑”有何变化?

过去很长一段时间，人们对华尔街的想象仍停留在交易大厅、电话轰鸣、穿着西装的人群。但现实早已发生变化。交易越来越依赖算法，决策越来越依赖数据，而“谁来做这些事情”，也随之被重新定义。

在这场变化中，招聘成为一个很有趣的观察窗口。

曾为 Citadel、Point72、AQR Capital Management、Two Sigma 等顶级机构招聘人才的 Andy Legg，在最近的一次访谈中，梳理了过去十多年华尔街人才结构的演变，以及 AI 如何开始重塑下一阶段的竞争格局。

量化时代，招聘只看PhD？

2008 年金融危机之后，量化投资开始全面崛起，与之对应的，是招聘标准的变化。

“我从 2009 年开始做量化招聘，从那以后，大多数招聘都是以 PhD 为中心，这完全改变了华尔街的人才结构。”

究其原因，也和策略转变有关。传统的基本面分析越来越难以支撑高频、复杂市场环境，而依赖统计建模、机器学习的策略逐渐占据主导。

PhD 这个标签，往往是一种能力的信号——意味着候选人具备处理复杂模型、理解数据生成机制、以及在不确定环境中建模的能力。

从结果来看，这种转型已经深入行业底层。今天的大多数系统化基金，本质上已经是“科研组织”，而非传统意义上的金融机构。

你未来的同事，可能是AI

在所有变化中，最引人关注的，是 AI 正在从“辅助工具”走向“决策主体”。

Andy 提到，目前已经有对冲基金让 AI 直接承担交易角色：

“我所知道最先进的案例，是 AI 本身就是交易员。研究员和工程师每天给这个 AI 的推理引擎输入信息，但最终的交易决策，是 AI 做出的。”

这与传统的系统化交易有本质区别。过去的系统交易，依然是“人设规则 + 机器执行”；而这里，模型本身在持续更新决策逻辑。

这种模式的核心在于两个层面：

• • 模型具备持续学习能力
• • 人类角色从“制定规则”转为“提供反馈与数据”

尽管目前来看，这仍属于少数案例，但整体逻辑已经跑通，并且表现良好。

与此同时，类似 Instacart 联合创始人 Apoorva Mehta 推出的 Abundance 基金，也在尝试让 AI agent 担任投资组合管理角色。

不过总体来说，完全自主交易仍处于早期阶段，大部分基金仍在探索能力边界，尤其是在风险控制与权限管理上，仍然高度依赖 human-in-the-loop。

人才之外，算力成为新的门槛

如果说过去量化竞争的核心是数据和人才，那么今天，又多了一个维度——算力。

AI 应用并不是“加一层模型”就能了事，更涉及训练、推理、实时决策等一整套系统。

“很多 AI 初创公司甚至中型科技公司，都负担不起训练模型的成本，因为他们付不起 NVIDIA 的算力费用。”

这一点在高频交易中体现得更加明显。

早期 HFT 的竞争，是“谁离交易所更近”“谁延迟更低”；后来发展到硬件层面的优化，比如 FPGA、芯片级交易。而现在，AI 被嵌入到这一体系中，对基础设施提出更高要求。

Andy 提到一个典型岗位：例如有些企业会需要来自 NVIDIA 的工程师，负责构建 AI pipeline，并在实时环境中调试模型行为，确保系统不会失控。或者更简单地说，就是让 AI 能够在超高频环境下稳定运行。

但与此同时，信号衰减问题依然存在，这意味着模型必须持续更新、推理延迟必须极低，以及随之而来的基础设施成本持续上升。

结果就是，资金实力较弱的机构逐渐被边缘化，而头部机构凭借技术预算优势进一步扩大领先。

私募股权也开始补课数据能力

有意思的是，这种“数据驱动”的转型，正在从量化基金扩散到更广泛的金融领域。

私募股权过去更依赖人工判断与行业经验，但现在也开始尝试引入 AI。

问题在于，数据基础并不扎实。

“他们逐渐意识到，无论是数据验证、另类数据，还是结构化与非结构化数据的处理能力，都还不足以支撑 AI，更不用说预测或推荐系统。”

换句话说，很多机构还停留在“数据工程”阶段，还没到“模型应用”阶段。

这也解释了一个现象：AI 在金融行业的落地，并不是一蹴而就，而是高度依赖底层数据体系的成熟度。

顶级人才进入“千万美金竞价”

当 AI 成为核心竞争力，人才市场的变化几乎是必然的。

目前，顶级 AI/ML 人才的竞争，已经演变为科技公司与金融机构之间的正面对抗。

“千万美金竞价”候选人的典型画像包括：

• • CS / Statistics / ML / AI PhD
• • 师从知名教授
• • 在 ICML、NeurIPS 等顶会发表论文
• • 具备较高 Google Scholar H-index
• • 拥有 Google DeepMind、OpenAI、Anthropic 等机构经验

满足这些条件的人才，在职业早期就可以获得超过七位数美元的总薪酬。

“过去 18 个月，很少有 AI/ML 候选人只拿到一个 offer。”

这种竞争带来一个结果：人才流动性显著增强，科技公司与对冲基金之间形成“摆动效应”。

一段时间内，OpenAI 等公司以高薪吸引人才；随后，高表现的量化基金又通过更具商业化机会的项目将其吸引回来。

金融机构的相比于OpenAI等机构的优势在哪呢？Andy给出的答案是：

• • 更直接的商业反馈（P&L 驱动）
• • 更小团队带来的 ownership
• • 更快的“从 0 到 1”机会

面试方式也在变化

AI 不仅改变了工作内容，也在改变招聘流程本身。

过去，量化岗位的面试高度依赖编程能力测试，比如 LeetCode、HackerRank，或者 Python/C++ coding interview。

但随着 ChatGPT 等工具普及，单纯的编码能力已经不再是唯一标准。

“越来越多基金开始关注候选人如何使用 AI 工具，比如 prompt engineering 或 vibe coding。”

换句话说，评估重点开始从“你会不会写代码”，转向“你能不能高效地用 AI 写代码”。

这种变化其实反映了一个更深层趋势：当AI 成为生产力工具，人的价值体现在如何调度这些工具。

在实际工作中，这一点已经体现得很明显。一些团队通过 agent 系统，实现 24/7 运转的研发流程。

甚至有创业者提到，原本需要20万–25万美元年薪的开发者，现在可以由一组 AI agent 持续替代完成。

结语

真正的竞争，不再只是策略本身，而是“数据 + 模型 + 基础设施 + 人才”的综合能力。

对于想进入量化金融或 AI 领域的人来说，这些变化也提供了一个方向：

不仅要理解模型，还要理解数据；不仅要会写代码，还要会用 AI；不仅要做研究，还要能把研究转化为可运行的系统。