夜雨聆风当 AI 从回答问题走向分析、决策与执行，交易的竞争逻辑也在改变。7 月 19 日，123X「AI与多资产交易的未来」成都站汇集 AI、链上数据、交易平台、量化策略与数字资产研究领域的一线实践者，共同讨论一个比“AI 会不会替代交易员”更重要的问题：我们该如何构建一套可信、可验证、可执行，也能够对风险负责的智能交易系统？
2026 年 7 月 19 日，由 123X 主办的「AI与多资产交易的未来」20 城巡回活动来到成都。
从 Crypto、美股、黄金、外汇，到 RWA 与链上衍生品；从大模型、AI Agent、数据引擎，到交易终端、对冲套利与组织级 AI 管理，四个小时的议程覆盖了未来交易系统的多个关键环节。
但整场活动真正讨论的，并不是“下一个会上涨的资产是什么”，也不是“AI 能否给出一个更准的信号”。
一个更具长期价值的问题贯穿始终：当 AI 开始看市场、做分析、生成策略、执行交易并参与复盘，我们如何把数据、策略、风控、执行与责任连接成一套可信的系统？
答案也在一场场分享中逐渐清晰——未来交易的竞争单位，可能不再是某一个人、某一个模型或某一条策略，而是一个能够持续学习、稳定执行并守住风险边界的完整系统。
一、先谈边界：多资产，不等于多下注
活动开场，鹏友会核心创始人、生态增值联盟核心创始人、西南交大国际创新创业学院副院长蒋鹏 从「AI 驱动多资产配置的底层逻辑」切入，却首先把边界讲在了机会之前。
股票、债券、外汇、大宗商品、黄金和数字资产的风险来源并不相同。理解多资产，不是为了在更多市场下注，而是为了看见更完整的经济变化：利率如何影响资金成本，汇率如何作用于企业经营，原材料价格与市场情绪又如何改变风险偏好。
AI 的价值，在于帮助人处理更大规模的信息、识别资产之间的关联并提高研究效率；但数据可能失真，模型可能犯错，历史回测也不等于未来收益。工具可以提供支持，却不能替任何人承担风险。
“AI 值得学习，创新值得尊重，风险必须讲清。”这句话为整场活动奠定了基调：拥抱变化，但不把技术想象成确定性；讨论机会，也把合规、责任与长期主义摆在桌面上。
二、从“问 AI”到“带着一组 Agent 交易”
HyperTrend CPO Aurien 把讨论推进到交易工作流。他指出，交易者并不缺少 AI 概念，真正缺少的是可用、可持续的智能交易流程。
低阶用法，是问 AI“现在能不能买”；更成熟的 Agent 工作流，则应覆盖观察、分析、计划、执行与复盘：由不同 Agent 判断市场环境、过滤信号、管理仓位、监控执行，并在交易结束后识别行为偏差。
这意味着，AI 在交易中的角色正在从“回答者”变成“协作者”，甚至逐渐成为可执行的业务主体。但 Agent 越强，对数据质量的依赖也越高。短期暴富可能只是高杠杆与运气，扛单回本也不代表风险控制能力。如果训练与学习对象本身失真，AI 只会把错误模式放大。
因此，Aurien 将“信用”视为 Agent 时代的重要基础设施：交易能力需要被持续记录、验证和区分，平台沉淀的也不应只是一次收益，而应是一套能够识别长期能力、风险偏好与行为质量的信用体系。
一句话概括就是：AI 不怕数据少，怕的是数据脏；Agent 不怕没有对象学习，怕的是学错对象。
三、模型决定能力上限，数据基础设施决定能否落地
如果说 Agent 是交易系统的“大脑”，数据就是它的感知系统与神经网络。
ZAN Head of Solution Ricky 在「Hyperliquid 数据引擎，为链上 Trading 而生」的分享中强调，AI Agent Trading 的核心不是让 AI 更会聊天，而是让它能够稳定连接市场、账户与交易系统。
链上交易对实时性和可靠性的要求极高。行情、订单簿、成交、仓位、保证金、资金费率、合约状态等数据分散在不同层级和接口中；一旦出现延迟、断连或状态不同步，套利、做市与风控都会受到直接影响。面向真实交易的基础设施，必须同时具备实时性、稳定性、可组合性和可观测性。
围绕 HyperCore 与 HyperEVM 的双层数据结构，Ricky 展示了从统一 API、实时数据流，到日志、告警、权限和限额控制的完整能力。对开发者而言，基础设施的价值，是让团队把精力放在策略和产品上，而不是反复维护节点、WebSocket、数据索引与监控系统。
这也说明，AI 交易真正进入生产环境后，竞争不会只发生在模型层。谁能更稳定地“看见市场”，谁才有可能更可靠地理解、判断和执行。
四、单次盈亏定义不了交易者，系统才能
PopDEX 华语负责人 Vincent Huang 用一张 K 线图向现场提问：“你做多，还是做空？”
随后，他给出了一个看似反直觉、却直指交易本质的回答：这一笔赚了，不等于判断一定正确；这一笔亏了，也不等于方法一定错误。单次结果无法定义一个交易者，真正的问题是——同样的做法运行一千次之后，是否仍然具备正期望值？
要回答这个问题，主观判断必须被翻译成可验证的规则。Vincent 将交易系统拆解为两重确认信号、趋势基准、量能验证、离场规则与仓位管理六个模块，并展示了从“用自然语言描述想法”，到 AI 生成量化规则、发现逻辑漏洞、完成回测，再连接 API 进入实盘执行的完整链路。
AI 在这里不是“信号贩卖机”，而是把模糊经验转化为可测试、可迭代、可执行规则的工程工具。它降低了表达策略与编写代码的门槛，却没有降低验证、风控和纪律的标准。
围绕同一条主线，Aladdin Labs Co-founder Kevin 从对冲套利出发，把注意力从“预测方向”转向“管理风险暴露”。
对冲套利的核心，不是押注价格的绝对涨跌，而是识别不同市场、合约或相关资产之间的偏差，并在价格关系回归时获取差价。跨所、三角、期现、资金费率、跨期与统计套利等策略，最终拼的并不是一个灵感，而是数据、算力、执行和风控共同构成的体系。
这套体系还需要清晰分层：信号层负责发现机会，组合层管理敞口与风险预算，执行层控制路由、滑点与成交质量，风控层负责止损、限额、压力测试与异常熔断。正如分享中所强调的，市场从不缺短期耀眼的“明星”，真正稀缺的是能够穿越波动的“寿星”。
五、多资产的边界正在消失，金融基础设施正在重新组合
于佳宁博士将视角从交易流程拉高到金融与产业变革。
在「AI × 数字资产：新一轮金融与产业革命双引擎」的主题演讲中，他梳理了从 AI 基础设施、可执行 Agent，到 RWA、稳定币、链上交易与合规金融的发展脉络。AI 提升的是信息处理与智能决策效率，数字资产改变的是价值表达、交易与结算方式；两者结合后，影响的不只是某一种交易产品，而可能延伸至资产发行、支付结算、跨境金融和产业协作。
其中，一个值得关注的变化是：RWA 的竞争正从“把资产搬上链”，走向“为资产提供更有效的交易场所”。当股票、债券、商品等现实资产逐步进入链上环境，一级与二级市场、传统金融与数字金融之间的边界也会变得更具流动性。
与此同时，金融 Agent 可能形成新的需求端：它们持续获取信息、调用工具、发起支付和执行交易；区块链、稳定币与代币化资产则提供可编程、可结算的供给侧基础设施。二者叠加，推动金融体系向开放连接、实时结算和智能协同演进。
但越接近真实资产与跨境金融，合规越不能缺席。于佳宁博士特别谈到香港在持牌金融、资产代币化、稳定币与专业人才体系上的发展机会，并提醒从业者系统学习监管框架、机构运作与风险管理。技术可以加速创新，合规决定创新能否走得更远。
Variety Labs Co-founder Ewan 则从交易实践出发，展示了传统金融方法如何迁移到链上世界。从道氏理论、趋势识别，到跨市场套利、做市与订单执行，经典方法没有失效，但其使用环境正在变化。
Perp DEX 提供可编程的链上市场，Trading Terminal 聚合数据、账户、策略和执行，AI Agent 则把自然语言、分析与工具调用连接起来。三者叠加，形成一种更接近“AI Trading OS”的新形态。
在 Ewan 看来，市场正在从孤岛走向互联。交易者未来不仅需要理解单一标的，还需要理解不同资产、不同流动性场所与不同执行工具之间的关系。随着更多资金和策略交由 Agent 运行，“Agent 与 Agent 的博弈”也将成为值得持续观察的长期趋势。
六、AI 越好用，为什么人反而越累？
在一系列关于效率、数据与执行的讨论之后，OneRouter Co-founder Jacky 把问题重新拉回到人。
他用“杰文斯悖论”类比 AI：当生成一个答案的成本不断下降，答案、版本和任务的数量反而迅速增加；执行被压缩了，判断、协调与责任却没有同步减少。
Jacky 现场展示了一次“模糊需求压力测试”：同一句目标宽泛、信息不足的需求，被交给多个模型后，得到了多个看似专业、方向却完全不同的方案。问题不在于模型不够聪明，而在于真实需求、数据条件和成功标准从未被定义。
最危险的 AI，不一定是明显胡说，而是方向错了，却写得像已经可以执行。AI 没有自动消除模糊，它常常只是把模糊包装成确定。
这也解释了为什么“第七个人”仍然最忙：前面的模型负责生成、搜索、分析和执行，第七个人还要定义问题、补充上下文、比较答案、验证事实、决定何时停止，并对最终结果负责。
面对这一问题，Jacky 给出了两步方法。第一，先让 AI 主动暴露未知条件、所使用的假设、必须由负责人做出的决定，以及不应继续执行的情形；第二，把委托写清楚，明确目标、边界、验证标准和责任人。
当 Agent 进入组织与真实业务流程，企业需要管理的不只是“哪个模型更强”，还有谁能使用、预算多少、调用了什么、产生了哪些结果，以及如何审计、叫停和追责。未来最强的组织，未必拥有最强的单一模型，但一定更懂得如何组织和管理 AI。
七、圆桌：未来交易没有标准答案，但有必须回答的问题
活动最后，由 Nealon 主持，Finn、Vincent、十二、Ewan、Kevin 参与开放式圆桌「标的、策略、执行与 AI 驱动下的新交易范式」。
讨论围绕六类问题展开：不同资产的核心驱动因素是什么？多资产联动是否已成为必备视角？策略与执行哪个更决定长期结果？AI 在交易中最实际的价值是什么？AI 会替代交易员吗？未来一至两年，交易者最应该补齐哪一项能力？
这些问题没有唯一答案。不同市场的定价逻辑、波动结构和参与者并不相同，AI 也不会让所有人使用同一套策略，更不会消除市场的不确定性。
但整场活动最终形成了一组清晰的共识：
结语：看见趋势，更要建立参与未来的方法
AI 已经不只是聊天工具。它正在进入研究、分析、策略、执行和风险管理，也开始以 Agent 的方式参与真实业务流程。
未来的竞争，或许不再只是人与人之间的竞争，也不是简单的人与 AI 之间的竞争。更可能是：拥有完整智能系统的团队，与依赖碎片化工具的团队之间的竞争；能够连接数据、策略、执行与风险的平台，与只解决单点问题的平台之间的竞争；理解 AI 边界并持续协同进化的人，与只追逐工具热度的人之间的竞争。
这正是 123X 发起「AI与多资产交易的未来」20 城巡回活动的初心：连接 AI 与交易，连接技术与真实市场，连接项目方、开发者、交易员、研究机构与每一位愿意理解未来的人。
成都不是终点。关于 AI、多资产和新交易范式的讨论，还将走向更多城市。
愿我们在拥抱技术的同时保持独立判断，在追求效率的同时尊重市场风险；不只做 AI 时代的观察者，也成为更清醒的参与者、建设者与长期主义者。
本文为活动纪实与行业交流内容，不构成投资建议。
