夜雨聆风
几个月前，Citadel CEO Ken Griffin还是AI浪潮中少见的冷静怀疑者。
在Davos的一场讨论中，他评价当时的AI：表面看起来很惊艳，但深入之后，“it's all garbage”。这句话很符合华尔街一部分人的真实感受：AI可以展示能力，但要进入高强度、强约束、对错误极其敏感的金融场景，仍然需要时间验证。
但最近，在Stanford Business School的一场交流中，Griffin的态度出现了明显变化。他说，AI已经比9个月前profoundly more powerful，并且正在让Citadel释放出更广泛的应用场景。
“For the first time, AI is real.”
这句话的重点不在于追随AI热潮，而在于一个长期保持审慎的金融机构负责人，开始承认AI已经越过了某个实用门槛。
从Davos到Stanford，怀疑者的判断变化
Ken Griffin不是典型的技术乐观主义者。作为Citadel的创始人和CEO，他长期面对的是金融市场中最严苛的现实：数据必须可靠，判断必须可验证，流程必须经得起风险控制。
这也是为什么他此前对AI的质疑值得关注。对于顶级对冲基金而言，一个工具“看起来聪明”远远不够。它需要在复杂任务中保持稳定，在高噪音信息中提取有效信号，并且能够被纳入机构内部的研究、交易和合规流程。
年初在Davos，Griffin对AI的评价很尖锐。他并没有否认AI的表层能力，而是在质疑它能否真正承担专业场景中的深度工作。金融机构不会因为模型能写文章、能写代码，就把它放进核心流程。
但几个月后，他在Stanford Business School的表述已经不同。他提到，自己有一个周五回家时“相当沮丧”，因为他看到了AI可能对社会产生的深远影响。这个情绪很微妙：不是单纯兴奋，也不是单纯恐惧，而是意识到某种变化已经开始逼近现实。
Awesome-Trading-Agents 重磅上线，我们整理了一张 AI 交易 Agent 的开源地图
AI Agent开始触及高端金融研究
Griffin最值得关注的一段话，是关于AI Agent在金融研究中的表现。
他表示，过去通常需要拥有金融硕士或博士背景的人花费几周甚至几个月完成的工作，现在AI Agent可以在几小时或几天内完成。
这对金融行业来说是一个重要信号。因为这类工作并不只是资料整理，也不只是简单的自动化。它涉及数据处理、研究假设、模型构建、市场比较、投资逻辑推演和风险分析。过去，这些任务需要受过长期训练的研究人员持续投入。
如果AI Agent能够在其中承担一部分工作，金融机构的研究生产方式会发生变化。研究员的角色也会随之调整：他们不再只是完成一个个研究步骤的人，也需要成为问题设计者、流程组织者和结果判断者。
AI的价值不只在于提高速度，更在于改变专业工作被组织和交付的方式。
这也是Citadel这样的机构会格外关注AI的原因。对冲基金的竞争，长期建立在信息处理能力、研究效率、技术基础设施和人才密度之上。AI如果能够压缩研究周期，就会影响策略验证、投资讨论和内部决策的节奏。
软件工程的提效之外，研究工作更值得关注
过去一年，AI在软件工程中的进展最容易被看见。OpenAI Codex、Anthropic Claude Code等工具已经能帮助开发者写代码、修改错误、生成测试、搭建原型。Griffin也承认，AI辅助软件工程可以带来**15%、20%甚至25%**的效率提升。
但在他的表述里，更让他感到震动的是AI在研究任务中的表现。
软件工程有相对明确的反馈机制。代码能否运行，测试是否通过，结果是否符合预期，往往可以较快验证。金融研究则更加开放，结论依赖数据质量、市场语境、假设条件和研究者判断。AI若能在这类任务中发挥作用，说明它正在靠近专业知识工作的核心部分。
这并不意味着AI已经可以替代金融研究员。更准确地说，AI开始成为研究流程中的新型基础设施。它可以帮助人更快完成重复性高、资料密集、需要多轮迭代的工作，也会迫使从业者把更多精力放在判断、取舍和风险识别上。
白领工作的影响正在向上延伸
过去，人们讨论AI替代时，常常把焦点放在中端白领岗位，例如客服、行政、基础分析、初级文案和部分代码工作。Griffin这次的表达之所以引人注意，是因为他把影响范围推进到了更高门槛的专业岗位。
金融硕士、博士研究员代表的是高学历、高训练成本和高知识密度的劳动。过去，这类人才是金融机构建立竞争壁垒的重要资源。如今，AI Agent开始参与他们的部分工作，意味着知识劳动的边界正在被重新划定。
未来的金融人才，可能需要同时具备三种能力：理解专业问题的能力，使用AI放大产能的能力，以及判断AI结果质量的能力。尤其是在投资研究中，错误的结论往往比没有结论更危险。AI可以加快研究，但不能替人承担最终判断。
当普通研究流程被AI加速，真正稀缺的会是更好的问题、更稳健的判断，以及对风险的敏感度。
这也是Griffin强调终身学习的原因。他认为，一个人职业生涯的成功，将取决于是否能够成为持续学习者。AI的出现，只会让这一点变得更加重要。
金融机构的AI竞争会落到工作流
对金融行业而言，真正的AI竞争不会停留在“用了哪个模型”。更重要的是，机构能否把模型嵌入自己的工作流。
这包括数据从哪里来，如何校验，模型如何调用，结果如何保存，研究过程如何审计，结论如何进入投研会议和交易决策。对于金融机构来说，AI不是一个单独的聊天窗口，而是一套需要与数据、权限、风控和合规相连接的生产系统。
这也是AI Agent在金融场景中受到重视的原因。Agent能够围绕一个目标完成多步骤任务，例如分析公司财报、生成行业研究、追踪基金持仓、构建因子框架、整理投资论点变化等。它的意义不在于一次回答，而在于把原本分散的研究动作连接起来。
当然，越深入核心流程，AI面临的要求也越高。金融行业无法忽视幻觉、数据偏差、过度拟合、信息安全和合规边界。任何看似高效的工具，都需要经过验证和治理，才能进入真正的生产环境。
华尔街的AI叙事正在变得更现实
Ken Griffin的转向，并不意味着所有怀疑都已经消失。相反，它让AI讨论进入了一个更现实的阶段。
早期的AI叙事常常带有强烈的想象力：自动化一切、重塑所有岗位、迅速替代人类。但在金融行业，真正有价值的讨论会更加具体：AI能做哪些任务，不能做哪些任务，适合进入哪些流程，需要哪些约束，如何衡量产出质量。
Griffin从“AI是垃圾”到“AI是真的”，背后是一种判断标准的变化。AI不再只是展示能力的工具，而是开始在专业场景中产生可观察的效率变化。对华尔街而言，这可能比任何宏大的技术宣言都更重要。
AI正在从概念进入流程，从工具进入组织，从辅助角色进入专业工作的日常。
对于金融从业者来说，真正需要关注的不是AI是否会一夜之间取代某个岗位，而是它会如何改变工作节奏、能力结构和组织分工。未来几年，懂金融的人需要更懂AI，懂AI的人也需要更理解金融场景中的约束。
Ken Griffin的这次改口，或许只是一个信号。它提醒我们，华尔街对AI的态度正在从观望走向试探，从试探走向重构。真正的变化，可能不会以戏剧化的方式发生，而是逐渐进入每一份研究报告、每一次策略讨论和每一个投资决策流程之中。
LLMQuant社区AI Trading 生态
LLMQuant 是面向全球 AI for Trading 方向的研究与实践社区。 围绕 AI 金融投资场景，我们正在构建一套完整生态：
• LLMQuant Data — 面向 Agent 的金融数据与研究上下文 • LLMQuant MCP — 让 Claude Code / Codex / Agent 能直接调用金融数据 • LLMQuant Skills — 可复用的 AI 金融研究工作流 • Quant Wiki — 开源双语量化金融知识库 • Quant Paper — AI 驱动的论文发现、语义搜索和知识卡片 • QuantMind / WallQuant / Trader — 面向研究、交易和知识管理的下一代 AI 金融工具
LLMQuant 作为全球领先的 AI for Trading 社区，目前已经打造好了 AI 金融投资领域生态 1.0 版本。从 Data 到 MCP，从 Skills 到 Wiki / Paper，我们希望把 AI 金融投资从"单点工具"推进到"可复用工作流生态"。
关注 LLMQuant，和我们一起观察、构建并验证下一代 AI 交易基础设施。
