夜雨聆风引子：一张十年前的合照
大约十年前，美国顶级量化做市商 Hudson River Trading（HRT）招了一批实习生，总共十个人。他们拍了一张再普通不过的合照。十个年轻人，一半是华人面孔。
HRT 的招人标准近乎苛刻：只从 MIT、哈佛、斯坦福这几所学校挑人，只要数学、物理、计算机专业，而且基本只看在 IMO（国际数学奥林匹克）、IOI（国际信息学奥赛）、IPhO（国际物理奥赛）这类全球顶级竞赛上拿过奖牌的人。换句话说，这十个人是被全球智力筛选机制层层过滤出来的"最优解"。
十年后，这张照片里至少走出了三位亿万富翁，他们身后的公司或团队，估值动辄数百亿美元。中国读者最熟悉的是 Alexandr Wang——Scale AI 的创始人，如今是 Meta 的 AI 掌门人；还有 Scott Wu，AI 编程工具 Devin 背后的创始人，刚刚完成十亿美元级别的融资；以及 Jeffrey Yan，他把高频量化交易那种极致性能搬进了去中心化金融，旗下的 Hyperliquid 平台估值一度超过 400 亿美元。 - 这里就不标注谁是谁了，这不重要。
一群十年前坐在量化交易室里写策略的实习生，十年后在AI时代大显身手。
这不是巧合，也不是某种神秘的"风水"。这张照片真正告诉我们的是：人工智能时代最稀缺的那种人，和量化交易最渴求的那种人，是同一种人。 而当你顺着"人"这条线往下挖，会发现 AI 与量化共享的远不止人才——它们共享世界观、共享生产资料、共享问题结构，甚至共享同一套通往垄断的经济学。
这篇文章想讲清楚两件事。第一部分，拆解 AI 与量化为什么是"天然的孪生兄弟"；第二部分，我们以中国量化行业里那个绕不开的名字——幻方量化为样本，聚焦一个具体的问题：一家私募基金，究竟是用什么方法论、走了一条什么样的路径，把自己长成了一个横跨量化与 AI 的"帝国"。
上篇：AI 与量化，为什么是天然的孪生兄弟
一、同一种世界观：让数据自己说话
要理解 AI 与量化的血缘关系，必须先回到一个人——詹姆斯·西蒙斯（Jim Simons），以及他在 1982 年创立的文艺复兴科技（Renaissance Technologies）。
西蒙斯本人是世界级的数学家，做过密码破译，拿过几何学的最高荣誉。他创立文艺复兴时干了一件在当时被视为"离经叛道"的事：他几乎不招金融科班出身的人。 他招数学家、物理学家、天文学家、统计学家、语音识别专家。他著名的旗舰基金 Medallion，几十年里创造了人类金融史上几乎无法被复制的回报率，而它的逻辑核心只有一句话——
不要相信任何人的"经验判断"，只相信数据里反复出现的统计规律。
在西蒙斯之前，华尔街的主流是"基本面投资"：分析师研究公司、研究行业、靠认知和判断下注。而西蒙斯做的事情，本质上是把投资变成了一个模式识别问题：把市场的海量历史数据喂给数学模型，让模型自己从噪声里找出微弱但稳定的信号，然后把这个信号放大、重复、规模化。
现在请你回想一下深度学习是怎么工作的。
神经网络的革命性，恰恰在于它抛弃了"专家手工设计规则"的范式。在深度学习之前，做图像识别要靠工程师手工设计"边缘检测器""角点检测器"；做机器翻译要靠语言学家写语法规则。而深度学习说：别写规则了，给我足够多的数据和足够大的算力，让网络自己从原始数据里学出特征。
发现了吗？西蒙斯在 1980 年代对金融做的事，和深度学习在 2010 年代对人工智能做的事，是同一场革命：用数据驱动的统计学习，取代人类专家的显式规则。
量化投资，本质上就是"机器学习"这个词流行起来之前的机器学习。它只是恰好把这套方法论用在了一个特别诱人、反馈特别直接的领域——金融市场。两者共享同一个认识论内核：世界的规律不需要人来"理解"，只需要从数据里"拟合"出来。
二、同一批生产资料：数据、算力、人才
如果说世界观是软件，那么 AI 与量化跑在同一套硬件上——它们争夺的是完全相同的三种生产资料。
第一种是数据。 量化交易吞噬的是 tick 级行情、订单流、财报、舆情、卫星图像、信用卡流水；大模型吞噬的是整个互联网的文本、代码、图像、视频。两者都信奉一个朴素的真理：数据的规模和质量，直接决定模型的上限。 谁能拿到更多、更干净、别人拿不到的数据，谁就有结构性优势。
第二种是算力。 这是两者血缘关系最赤裸的体现。高频量化要在微秒级别完成计算和下单，对硬件、网络、并行计算的压榨到了变态的程度；而训练大模型对 GPU 集群的需求，更是直接把英伟达推上了全球市值之巅。一家量化公司的机房，和一家 AI 公司的机房，长得几乎一模一样——都是成片的 GPU、昂贵的网络互联、巨大的电力消耗。 这也是为什么，一家积累了算力的量化公司，几乎可以"零摩擦"地切换去训练大模型——它们的基础设施是通用的。
第三种是人才。 我们回到开头那张 HRT 的合照。量化和 AI 抢的是同一批人：数学、物理、计算机背景，竞赛金牌得主，对"用代码和数学解决问题"有近乎本能的热爱。这群人不在乎你是在预测股价还是在预测下一个 token，他们在乎的是问题够不够难、智力上够不够过瘾、能不能用最优雅的方法把一个看似无解的问题压缩成一个可优化的目标函数。所以人才在量化和 AI 之间的流动，从来不是"转行"，而是"换了个数据集"。
三、同构的问题：在不确定性中做预测
再往深一层，AI 与量化要解决的问题在数学结构上是同构的。
把它们各自的工作流摆在一起，你会发现惊人的对称：
量化里的"特征工程 / 因子挖掘"，对应 AI 里的"特征学习 / 表征学习"——都是从原始数据里提取出有预测力的信息。
量化里的"回测（backtest）"，对应 AI 里的"训练集上的验证"——都是用历史数据评估一个模型好不好。
量化最大的敌人"过拟合"（在历史数据上完美、一上实盘就亏钱），恰恰也是机器学习最大的敌人"过拟合"（在训练集上满分、一遇到新数据就拉胯）。两个领域为了对抗过拟合，发明的武器几乎一样：正则化、交叉验证、样本外测试、控制模型复杂度。
更本质的是，两者都是在做一件事：在充满不确定性的世界里，最小化预测误差，优化一个目标函数。 量化的目标函数是"风险调整后的收益"，AI 的目标函数是"损失函数最小"。但优化的数学语言、工程手段、踩过的坑，是高度共通的。一个顶级的量化研究员，和一个顶级的机器学习研究员，他们脑子里的思维模式可以无缝互译。
四、同一种组织文化与经济学
天然联系还体现在组织和商业逻辑上。
在组织文化上，顶级量化机构和顶级 AI 实验室，都是"研究驱动"的扁平组织。它们都愿意为长期的、不确定回报的探索"烧钱"；都崇尚 raw intelligence（原始智力）胜过行业资历；都容忍大量"看起来浪费"的试错，因为它们知道，真正值钱的突破，往往就藏在那些九败一胜的尝试里。这种文化，传统金融机构和传统软件公司都很难复制。
在经济学上，两者都遵循赢家通吃和规模复利的残酷逻辑。量化里，一个有效的 alpha（超额收益信号）一旦被太多人发现就会失效，所以必须不断投入、不断领先；AI 里，模型能力随着数据、算力、参数的规模指数级增长，头部玩家的优势会自我强化。两者都不存在"小而美"的舒适区，都是一场必须持续重仓、否则就出局的军备竞赛。
而把这两者真正焊死在一起的，是一个我称之为"资本—算力飞轮"的机制：
量化交易能产生极其充沛、且与外部市场环境弱相关的现金流。这笔钱可以源源不断地买进 GPU、建起超算集群。而这套超算集群，在为交易服务的同时，天然具备了训练前沿大模型的全部物理条件。 于是，一家量化公司可以用交易赚来的钱，养出一支世界级的 AI 团队和一座世界级的算力中心——而这件事，恰恰是绝大多数纯 AI 创业公司用风险投资的钱都未必烧得起的。
理解了这个飞轮，你就能理解为什么全球最前沿的 AI 突破之一，会从一家中国的量化私募里长出来。
五、孪生，不等于相同：必须看清的三点差异
我们也要诚实地指出：AI 与量化是孪生兄弟，但不是同一个人。它们至少在三个地方明显分叉，看懂这些差异，反而能更准确地理解它们的联系。
第一，反馈的性质不同。 量化交易面对的是一个对抗性、非平稳的市场：你赚的钱是别人亏的钱，任何有效信号一旦被广泛使用就会自我消解，市场规律本身会随着参与者的行为而漂移。而大模型面对的世界（语言、代码、图像背后的规律）虽然也在变，但远没有金融市场那样"你一出手，规律就变"的强对抗性。这决定了量化必须不断迭代、永无止境，而 AI 的某些能力一旦学会就相对稳定。
第二，目标的可定义性不同。 量化的目标函数极其清晰——赚钱，而且对错由市场每天用真金白银打分，反馈快、信号硬。而 AGI 的目标"什么是通用智能、怎样算更聪明"本身就模糊，评估困难，需要大量人为设计的基准和价值判断。
第三，时间尺度与社会影响不同。 量化是相对私密的游戏，赚的是市场内部的钱；而大模型是面向全社会的基础设施，牵涉就业、教育、信息、安全乃至地缘政治。这也意味着，做 AI 要承受的外部审视、监管压力和社会责任，是做量化时不曾有过的。
承认这些差异，并不削弱"天然联系"这个论断，反而让它更立体：量化为 AI 提供了世界观、生产资料和人才的"母体"，但 AI 又是一个比量化更大、更难、也更重的命题。 能完成这场跨越的公司，必须既继承量化的全部能力，又有勇气走进一片更广阔也更凶险的水域。
下篇：幻方——如何借助 AI 构建一个量化帝国
讲幻方，容易讲成一个"天才创业者梁文锋"的爽文故事。但本文的重点不是讲故事，而是挖掘方法论：幻方究竟做对了哪几个关键的、反共识的决策，让它从一家普通私募，变成了一个能孵化出 DeepSeek 的技术帝国。
一、起点的方法论选择：押注全自动、机器学习驱动的量化
幻方的故事可以追溯到 2008 年前后，梁文锋还在浙江大学读书时，就和同学一起琢磨用机器学习的方法做量化交易。2015 年，幻方量化正式成立，旗下逐步形成宁波幻方量化、九章资产两家百亿级私募的架构。
但创立公司不是关键，起点上的方法论选择才是。 在中国量化行业的早期，很多机构还停留在"靠人写策略、靠经验调参数"的阶段。幻方从一开始就压上了一个更激进、也更"重"的方向：全市场、全自动、以机器学习/深度学习为核心驱动的量化。 这意味着它放弃了"基金经理凭判断下单"的舒适路径，选择了一条前期投入巨大、短期未必见效，但天花板极高的路。
这个选择，决定了幻方的基因从第一天起就不是"金融公司"，而是"用 AI 做金融的科技公司"。它日后所有看似突兀的转向，其实都只是这条起跑线的自然延伸。
二、先看清它在"做什么"：一个"多频共存"的策略矩阵
要谈方法论，得先把幻方到底在做什么样的量化看清楚。它的主体是股票二级市场的量化投资，主力产品是两类：指数增强，满仓持有、在某个指数的基础上靠选股做出超额收益；以及市场中性/对冲，用股指期货把市场整体涨跌的 beta 对冲掉，只留下选股带来的纯 alpha。
一个细节很能说明它的超额来自哪里：2024 年那波大盘权重股暴涨的行情里，对冲产品因为风格暴露反而吃了亏，幻方一度收缩了部分对冲产品线。这从侧面印证了一件事——它的超额主要来自中小盘、量价类的 alpha，强行对冲反倒会削掉收益。
它公开描述过自己的打法是一个"多频共存"的策略矩阵，三层叠加：高频层捕捉盘口与日内的微观波动，靠的是速度与市场微结构建模；中频层用价量因子叠加部分宏观数据做 alpha 预测，这是规模最大、也最吃机器学习的一层；低频层则用深度学习模型做择时与资产配置。它的主力引擎，常被概括为"量价 alpha + 日内择时"。
"量价"两个字，是理解幻方的钥匙。它的超额收益，绝大部分来自价格与成交量这些高频、中频数据里的非线性模式，而非传统的基本面财务因子。这决定了它走的是一条"数据密度极高、单个信号很弱但足够稳定、靠规模和速度取胜"的路线，而不是"深研几只股票、重仓押注"的路线。这条路线本身，就把它推向了对算力和模型的极度依赖——这也为后文的一切埋下了伏笔。
三、范式之变：用端到端深度学习改写"多因子"
幻方与传统多因子私募最本质的分野，在于它怎么"造因子"。
传统多因子的流程是这样的：人想出因子（动量、反转、波动率、估值……）→ 用线性模型给股票打分加权 → 形成组合。瓶颈死死卡在"人"身上——因子靠人的经验拍出来，数量有限，而且因子与收益之间默认是线性关系。
幻方做的，是把这个流程尽可能地交给机器，核心是两个互补的动作。一是降维：原始的量价数据维度极高、噪声极大，用深度网络把它压缩成有预测力的表征（representation），相当于让机器自己"长"出因子，而不再依赖人去逐个命名因子。二是升维与非线性：传统因子模型是线性的，而神经网络能把因子之间的非线性、交互效应、时序依赖统统建模出来——同一个信号在牛市和熊市里的含义可能截然相反，线性模型抓不住，深度模型却能。
说到底，它把"人设计因子、线性组合"这套老范式，换成了"机器从原始量价里端到端地学出预测信号"。这正是上篇所说"让数据说话"在量化工程上的精确落地，也是它日后能丝滑切入大模型的同一种思维——无非是把要预测的对象，从"明天哪只股票会涨"换成了"下一个 token 是什么"。
四、不止于选股：把机器学习焊进整条流水线
更能体现幻方"工业化"程度的，是它并不只在"选股"这一个点上用 AI，而是让机器学习贯穿了从数据到成交的每一个环节。完整地看，这条流水线至少有五道工序：
信号发现，从海量数据里挖出有预测力的原始信号；信号增强，对信号去噪、组合、稳健化，把一堆弱信号炼成可用的强信号；组合优化，在收益预测、风险约束、交易成本、行业与风格暴露之间求出最优持仓；交易执行，研究如何把目标仓位以最小的冲击成本和滑点真正成交出去——这本身又是一个最优控制/机器学习问题；以及贯穿全程的风险管理，实时盯住风格暴露、回撤与极端情形。每一道工序，幻方都上了机器学习模型。
这意味着，幻方的壁垒从来不是"找到了某个神奇因子"，而是这五道工序每一处都做到了工业级、且能持续快速迭代。真正拉开差距的，往往不是 alpha 的创意，而是执行、成本、风控这些"不性感"的环节。 事实上它也并非战无不胜——2021 年底，它的产品曾遭遇历史极值级别的回撤并公开致歉。这恰恰说明：再精密的模型也躲不过风格失效与 alpha 衰减，能不能扛住这种时刻、并快速迭代修复，才是真功夫所在。
五、把算力当成"战略资产"，而不是"成本项"
如果要在幻方的发展史里只挑一个最关键、最反共识的决策，那一定是：它在一家私募"根本不需要"那么多算力的时候，就开始疯狂地自建超算。
2019 年，梁文锋斥资 2 亿元，打造了第一代 AI 集群"萤火一号"，算力相当于约 4 万台个人电脑。紧接着，他又追加了约 10 亿元，建成"萤火二号"——这座集群配备了一万张英伟达 A100 显卡，于 2021 年 1 月正式交付，提供的 AI 算力达到 325 PFLOPS（TF32），是萤火一号的十几倍。
请注意这个时间点和这个体量。2021 年，一万张 A100，对一家做量化的私募来说是严重"超配"的。市面上的普遍质疑是：你一个炒股票的，要这么多卡干嘛？这些钱拿去做别的不香吗？
但这恰恰是幻方方法论里最深刻的一点：它把算力视为一种会长期增值的战略资产，而不是一笔需要被精打细算的成本。 一万张 A100 在 2021 年看起来是奢侈，但当 2022 年底大模型时代骤然降临、全世界都开始疯抢 A100、甚至有钱也买不到卡的时候，幻方手里这座现成的、已经调试成熟的万卡集群，瞬间从"奢侈品"变成了"诺亚方舟"。
这就是"算力先行"的战略价值：在风口到来之前，把最稀缺、最难临时凑齐的生产资料囤在手里。 当别人还在为算力发愁时，幻方已经可以直接开跑。
六、护城河，藏在那座被开源的"军火库"里
幻方最不像一家私募的地方在于：它把自己当成一家 AI 基础设施公司在运营，甚至专门设立了 AI Lab、开了技术博客，还把一整套自研的训练基础设施开源了出去。透过这批开源项目，外界得以窥见它真正的护城河——不在某一条具体策略，而在工程效率本身。
这座"军火库"里，每一件都精准对应着量化与 AI 工程中的一个真实瓶颈。HAI Platform 是它开源的集群调度系统，用"任务级分时共享"的思路把零散算力整合再分配，能在一千五百多个计算节点上把日常算力占用率压到 95% 以上——GPU 极其昂贵，闲置一秒就是烧钱，这套系统的全部使命就是不让一张卡空转。3FS（萤火文件系统） 是高性能并行文件系统，节点间数据吞吐超过 7TB/s，解决的是一个常被忽视的真相：训练的瓶颈往往不是算力本身，而是海量数据喂不进 GPU 时的 IO 堵塞。hfreduce 是自研的多卡通信与梯度规约库，hfai.nn 则把常用深度学习算子针对自家硬件重写一遍，连同对 PyTorch 的深度优化，目标都是把每一分硬件性能榨干；ffrecord 则用统一的高效存储格式，治的是海量小文件读取缓慢的顽疾。
把这些拼起来看，幻方"秘密"中很大一块，根本不是策略，而是效率：同样的算法创意，它能用更低的成本、更快的速度跑出来，于是在单位时间里，它能比对手试错更多次、迭代更频繁。而在 alpha 快速衰减的市场里，迭代速度本身就是 alpha。 这套压榨硬件、加速迭代的基本功，日后被几乎原封不动地搬到了大模型训练上，成为 DeepSeek "低成本奇迹"的地基——这一点，后面还会讲到。
七、信仰"技术复利"：宁可亏短期的利，也要重仓十年后值钱的事
支撑"算力先行"的，是一套更底层的价值观，可以概括为对"技术复利"的信仰。
复盘幻方的每一步重大投入——2016 年前后对深度学习算法的积累，2019 年起对算力基础设施的下注，2023 年对 AGI（通用人工智能）的转向——你会发现一个共同点：每一笔投入在当下看都"不划算"，但它们都在为一个更远的未来蓄力。
梁文锋的逻辑是：真正有价值的东西，是需要时间复利去积累的；如果只盯着季度收益、只做马上能变现的事，就永远拿不到那些"十年后才值钱"的东西。所以他宁可在短期账面上"吃亏"，也要把资源压在算法、算力、人才这些慢变量上。
这套"反短期主义"的方法论，在浮躁的资本市场里是稀有的。它解释了幻方为什么敢在没人理解的时候建超算，也解释了它为什么敢在量化做到千亿规模、本可以"躺着赚钱"的时候，毅然分出最优秀的资源去做一件当时看不到任何商业回报的事——通用人工智能。
值得一提的是，幻方的规模轨迹也印证了这套打法的成功：2019 年管理规模突破百亿，2021 年一度突破千亿大关，成为中国量化的头部力量。正是量化业务持续输出的现金流，为后来那场昂贵的 AI 远征提供了弹药。 资本—算力飞轮，在幻方身上转得淋漓尽致。
八、组织即算法：用最小的精英团队，撬动最大的杠杆
幻方方法论里还有一条容易被忽略、却极其关键的暗线——它对"组织"的设计，本身就像在设计一个高效的算法。
DeepSeek 出圈后，外界最惊讶的事实之一是：完成这些世界级成果的核心团队，规模小得不可思议，而且大量是没有海外大厂光环、刚毕业不久的年轻人。这不是巧合，而是一种刻意的选择，背后是从量化继承来的两条原则。
第一条是"人才密度优先于人才数量"。 顶级量化机构深知，研究的突破来自极少数极聪明的头脑之间的高带宽碰撞，而不是靠人海战术。一个一百人的平庸团队，往往跑不赢一个十人的天才团队，因为沟通成本和管理熵会吞掉规模带来的好处。幻方把这条信念贯彻到了 AI：宁可只要最聪明的那一小撮人，给他们最好的算力和最大的自由，也不盲目扩张。
第二条是"去管理、重自驱"。 在这种组织里，没有层层审批的科层结构，研究员可以自己调动算力、自己定义要解决的问题、自己组队。管理者的角色不是"分配任务"，而是"把最难的问题摆出来，然后不挡路"。这种近乎"无为而治"的组织形态，恰恰是顶级量化实验室和顶级 AI 实验室共同的隐秘配方——因为真正的创新无法被管理，只能被允许发生。
把组织当成一个需要优化的系统来设计，让信息和算力以最低的摩擦在最聪明的大脑之间流动——这是幻方"工程师治司"的另一面，也是它能用很小的团队办成很大的事的结构性原因。
九、从量化到 AGI：这是"惯性"，不是"转型"
2023 年 4 月，幻方宣布成立新的研究组织，正式开启探索 AGI 本质的新征程。同年 7 月 17 日，承载这一使命的公司主体——杭州深度求索人工智能基础技术研究有限公司（DeepSeek）成立，梁文锋为实际控制人，持股 84.29%。
外界习惯把这一步叫做"幻方的转型"。但如果你读懂了上篇讲的"天然联系"，就会明白：这根本不是转型，而是惯性。
幻方做 AGI，用的是同一批数学、物理、计算机背景的顶尖人才；跑在同一座为量化而建、却天然适配大模型训练的万卡集群上；遵循的是同一套"从数据里学规律、优化目标函数"的方法论；甚至连前面讲到的那套调度、IO、通信、存储的基础设施，都可以直接复用。它只是把这套能力，从"预测市场"这个目标函数，切换到了"预测下一个 token、逼近通用智能"这个更大的目标函数上。
对幻方而言，从量化到 AGI，不是跳到一条陌生的赛道，而是沿着自己早已铺好的轨道，多踩了一脚油门。这正是"天然联系"在现实中最有力的证据：当一家公司同时握有 AI 时代的世界观、生产资料、组织文化和基础设施时，它跨界做大模型，是顺理成章，而非惊险一跃。
十、把量化的"极致优化"基因，注入大模型工程
幻方/DeepSeek 真正让全世界震动的，不只是"中国公司也能做大模型"，而是它做大模型的方式，带着浓烈的量化基因——对工程效率和成本的极致压榨。
2024 年 12 月，DeepSeek-V3 发布，性能比肩世界顶级模型，但它最出圈的标签是训练成本：业界普遍报道其核心训练成本仅约 560 万美元量级，远低于同级别竞品。 它通过 MoE（混合专家）架构、MLA（多头潜在注意力）等一系列底层创新，以及 FP8 低精度训练等工程手段，把"用更少的资源，办成顶级的事"做到了极致。
这种对效率的偏执，正是从高频量化里继承下来的本能。 在高频交易的世界里，微秒就是金钱，每一行代码的开销、每一次内存的访问都要被反复优化——因为效率本身就是利润，就是 alpha。前面讲到的 HAI Platform、3FS、hfreduce 这套压榨硬件的基本功，平移到大模型训练上，结果就是：当别人靠"堆更多卡、烧更多钱"做模型时，DeepSeek 靠"把每张卡的价值压榨到极限"做出了同等甚至更强的模型。
在算力被卡脖子的现实约束下，这种"工程效率即护城河"的打法，恰恰是中国 AI 最稀缺、也最对路的能力。 而它的源头，是量化。
十一、开源与"价格屠夫"：用做 alpha 的方式做非共识
幻方/DeepSeek 还有一套极具量化气质的"非共识打法"。
2025 年 1 月，DeepSeek 发布对标顶级闭源推理模型的 R1，并选择完全开源、可商用。随后，V3.1、V3.2 系列把"思考"能力延伸到工具调用和 Agent 场景。到 2026 年 4 月，DeepSeek 开源了 V4 系列：1.6 万亿参数、原生百万 token 上下文、SWE-bench 高分，而 API 价格被打到每百万 token 仅 0.3 美元的级别，被业界再次称为"价格屠夫"。
开源、超低价、把最强的能力免费或近乎免费地交出去——这在追求闭源垄断、追求高定价的主流 AI 商业逻辑里，是彻头彻尾的"非共识"。
但如果你熟悉量化，就会觉得这个打法很眼熟。量化的超额收益，永远来自做"别人不做、不敢做、看不懂"的事。 共识里没有 alpha，alpha 只存在于非共识且正确的判断中。幻方把这种思维带进了 AI：当所有人都往闭源、高价的方向挤时，它选择用开源和极致低价去重构整个行业的成本曲线、去争夺开发者生态的人心。这是一种典型的、用"做 alpha"的方式来做产品战略的打法。
十二、2026 年的新拐点：500 亿融资，梁文锋"不学"任正非了
故事讲到 2026 年，出现了一个意味深长的转折，也是理解幻方方法论"进化"的最新切片。
长期以来，梁文锋有着鲜明的"任正非式"自立色彩：DeepSeek 背靠幻方的现金流，他多次表态短期没有融资计划，认为公司缺的是高端芯片，而不是钱。这种"不靠外部资本、自我造血"的姿态，几乎就是华为模式的翻版。所以当 2026 年 DeepSeek 启动首轮约 500 亿元、创纪录的融资时，舆论用了一个很妙的标题——"梁文锋'不学'任正非了"。
这轮融资的结构同样耐人寻味：据报道，梁文锋本人出资约 200 亿元，腾讯拟投约 100 亿元，宁德时代拟投约 50 亿元，投资方控制在 10 家以内，估值达到数千亿元量级；与此同时，V4.1 版本定档当年 6 月。
为什么一向"不差钱"的幻方，要在这个时候打破自己的原则去融这么大一笔钱？背后是方法论必须应对的两个新的现实约束：
其一，是人才战争。 从 2025 年下半年起，DeepSeek 的核心技术人员成了各大科技巨头疯抢的对象，开出的总包从数千万到上亿元不等。而 DeepSeek 缺乏成熟的股权激励机制，留人变得异常困难。引入外部资本、搭建股权激励，成了守住人才这一最核心生产资料的必要手段。
其二，是算力的"国产化迁徙"。 据报道，V4 时代的一个关键工程任务，是把训练与推理从英伟达的 CUDA 生态，迁移到华为昇腾的 CANN 体系上——这是在芯片被卡脖子的大背景下，不得不啃的硬骨头，投入以亿元计。而前文那套高度自研、不依赖特定硬件生态的基础设施，恰恰是它敢于做这种迁移的底气所在。
于是出现了一个绝妙的悖论：梁文锋"不学"任正非（开始接受外部融资），某种意义上恰恰是为了更好地"学"华为（把算力底座迁移到国产昇腾、把命运攥回自己手里）。 在外部资本和国产算力之间，幻方做的依然是那个最像它的选择：用一切可用的资源，去为"十年后值钱的事"——自主可控的算力与人才——继续重仓。
方法论没有变，变的只是约束条件。而幻方应对约束的方式，依旧是那套"算力先行、技术复利、长期主义、敢押非共识"的组合拳。
结语：合流是必然，幻方只是先到的人
我们绕了一大圈，从一张十年前的实习生合照，讲到文艺复兴的西蒙斯，再讲到幻方与 DeepSeek 的每一步路径选择。如果要把这篇文章压缩成一句话，那就是：
AI 与量化的合流，不是偶然的跨界，而是必然的归宗。
它们共享同一种"让数据说话"的世界观，争夺同一批数据、算力与天才，求解同一类"在不确定中做预测"的问题，遵循同一套赢家通吃的经济学，并通过"资本—算力飞轮"把彼此焊成一体。当这些条件同时具备，量化通往 AI、AI 反哺量化，就是水到渠成的事。
幻方的价值，不在于它是一个孤例，而在于它是一个最纯粹的证明：它证明了"量化帝国"和"AI 帝国"在底层是同一套能力——同一群人、同一座机房、同一套基础设施、同一种方法论，只不过被先后用在了两个不同的目标函数上。它做对的那几件反共识的事——把量价数据里的弱信号用端到端深度学习榨成 alpha、把机器学习焊进从选股到执行的每一道工序、把算力当战略资产而非成本、把工程效率压榨成开源也不怕的护城河、用做 alpha 的方式做非共识的产品——每一件，都是量化思维在 AI 时代的延伸。
回到开头那张照片。十年前，那十个年轻人不会知道自己将走向哪里。但今天我们已经看清楚了那条隐藏的脉络：最聪明的一批头脑，先在量化的世界里学会了如何用数学和算力驯服不确定性，然后带着同一套武器，走进了人工智能的星辰大海。
这枚硬币的两面，分都分不开。
注：本文涉及的具体数据（如萤火集群规模、HAI Platform 与 3FS 等基础设施指标、DeepSeek 各版本参数与成本、2026 年融资细节等）综合自公开报道与幻方公开的技术资料，部分数字为媒体披露口径，可能存在出入；文中不涉及幻方任何未公开的策略细节，仅就公开信息做分析，不构成任何投资建议。
