夜雨聆风传统量化投资本质上依然是“人脑提供逻辑，电脑负责回测与执行”。研究员负责观察市场，寻找定价偏差并建立数学因子，最后交给算法测试。这里的问题在于，市场风格经常变化，一变化，你还用老模型，投资结果就很差。换新模型，那么多新模型，换哪一个？依据是什么？这些是量化基金面临的亘古不变的老难题。
回到2016，为何梁文锋认为：让 AI 自主定策略是更优解？
我猜测，在他看来，由 AI 自主寻找策略在工程和数学逻辑上具有相对人类的绝对降维优势：
1. 突破人类认知的高维非线性空间
人类大脑擅长理解低维的、线性的因果关系（如“利润高且市盈率低，则股票易涨”）。但在微观的量价博弈中，价格波动是由成千上万个变量极其复杂的非线性交互决定的。深度学习模型不需要人类预设任何因果逻辑，它能在包含海量噪声的高维度空间中，直接通过算法拟合出人类肉眼和直觉根本无法察觉的隐蔽统计规律。
2. 端到端（End-to-End）消灭信息损耗
在传统量化中，人类需要先将原始市场数据“手工雕琢”成一个个数学因子（Feature Engineering），然后再输入到回归树或线性模型中。这种主观干预的过程，不可避免地会过滤掉大量看似无用、实则藏有 Alpha 超额收益的细节信息。
AI 寻找策略采用的是端到端学习框架——直接将极其颗粒化的底层量价原始数据喂给神经网络，模型在黑盒内自行完成特征提取并直接输出交易权重。这消除了“人工提取特征”这个最大的信息传输瓶颈。
3. 用机器算力替代人力迭代（暴力美学）
金融市场的规律极易衰减，任何有效因子一旦被发现，超额收益就会在资金的拥挤踩踏中迅速抹平。如果依靠金融研究员去手工挖掘，研发与试错的速度完全跟不上市场的衰减速度。
由 AI 寻找策略，意味着把策略迭代从“手工作坊”变成了“工业化流水线”。只要底层的 GPU 算力集群足够强大，AI 就能全天候无休止地在海量数据中滚动训练，自主淘汰失效的网络结构，迅速衍生出适应新环境的下一代策略。这本质上是将投资领域的智力比拼，转化成了算力规模的降维打击。
梁文锋与其团队开始尝试并确立让 AI 自主寻找交易策略的时间线，集中在 2016 年至 2018 年。具体见下图：
2016和2017梁文锋使用的是什么AI模型？
梁文锋和幻方量化在 2016 年至 2017 年采用的模型并不是 Transformer。
Transformer 架构直到 2017 年 6 月才由 Google 团队在论文《Attention Is All You Need》中首次提出，且当时主要应用在自然语言处理（NLP）领域。直到 2018 年（BERT 和 GPT-1 问世）之后，Transformer 才开始逐步接管整个 AI 界。
2016梁文锋以及全球 AI 界所采用的主流模型，与同一时期美国 AI 研究的发展阶段高度对应：
一、 2016–2017 年梁文锋使用的是什么 AI 模型？在 Transformer 问世之前，梁文锋和团队主要是将计算机视觉（CV）和时间序列处理领域的经典深度学习模型，改造后应用到了量化交易中：
CNN（卷积神经网络）与 ResNet（残差网络）：
原理应用： 量化团队将股票的多维度 Tick 数据、量价数据、买卖盘口深度（Order Book）拼成一张张“二维高维矩阵”（类似图片），然后利用 CNN 或 ResNet 去提取局部特征与非线性模式。
RNN / LSTM / GRU（循环神经网络及其变体）：
原理应用： 股票价格是典型的“时间序列数据”。LSTM（长短期记忆网络）和 GRU 能够捕捉上下文的时序依赖关系，是当时处理量价波动、预测下一阶段涨跌概率的主力模型。
传统机器学习集成模型（GBDT / XGBoost / LightGBM）：
原理应用： 在深度学习之前，XGBoost 等梯度提升树模型在处理表格数据（Tabular Data）上极具优势。当时幻方的策略框架通常是“深度学习（CNN/LSTM）提取高维因子 + 树模型/线性模型融合”的混合架构。
二、 相应时期美国 AI 研究到了什么阶段？2016 年至 2017 年，美国 AI 研究正处于“深度学习（Deep Learning）与深度强化学习（DRL）的爆发巅峰期”，同时也正处于从“感知智能”向“认知智能（Transformer 范式）”跨越的前夜。
1.2016 年：深度学习与强化学习全面引爆
AlphaGo 震动世界（DeepMind / 谷歌）：
2016 年 3 月，DeepMind 的 AlphaGo 击败李世石。这标志着“深度神经网（CNN） + 深度强化学习（DRL） + 蒙特卡洛树搜索（MCTS）”在极其复杂的非线性决策空间中取得了历史性突破。
计算机视觉的巅峰——ResNet（微软亚洲研究院 / 何恺明等）：
何恺明等人提出的 ResNet（残差网络） 斩获 CVPR 2016 最佳论文。ResNet 解决了深度神经网络随着层数加深而出现“梯度消失/爆炸”的死穴，使得训练几百上千层的极深网络成为可能。这一思想后续也深度滋养了 Transformer 的结构设计。
NLP 领域：RNN/LSTM + Seq2Seq + Attention 架构：
2016 年底，Google 推出“谷歌神经网络机器翻译系统（GNMT）”，使用的是带有注意力机制（Attention Mechanism）的双向 LSTM 网络。这是 Transformer 诞生前 NLP 的最强形态。
开发框架基建完成：
Google 的 TensorFlow（2015 年底开源）占据统治地位；Facebook (FAIR) 正式启动并开源了 PyTorch（2017 年初），极大降低了 AI 研究的门槛。
2.2017 年：Transformer 的诞生与新范式开端
Transformer 横空出世（2017 年 6 月）：
Google 团队发表里程碑论文 《Attention Is All You Need》，彻底摒弃了传统的 RNN 和 CNN 结构，首次提出完全依赖“自注意力机制（Self-Attention）”的 Transformer 架构。它不仅大幅提升了长序列特征提取能力，更重要的是实现了高度并行化训练，为几年后的千亿大模型打下了数学与工程基础。
强化学习与无监督进化的突破：
PPO 算法（OpenAI，2017 年 7 月）： OpenAI 提出了近端策略优化算法（PPO），至今这仍是 LLM 后训练阶段（RLHF 强化学习对齐）的核心算法。
AlphaGo Zero（DeepMind，2017 年 10 月）： 实现了“零人类先验知识”，仅靠符号规则和自我对弈（Self-play）进化出顶级围棋棋力。
生成式对抗网络（GAN）狂欢：
Ian Goodfellow 提出的 GAN 在 2017 年迎来技术大爆发（如 WGAN、CycleGAN），是当时图像生成、风格迁移领域的 absolute SOTA（最先进水平）。
总结
梁文锋和幻方的敏锐之处在于：他们几乎零时差地将美国学术界和科技巨头在图像、语音、博弈领域验证成功的最新深度学习技术，跨界移植到了金融量化领域。
2016–2017 年： 美国 AI 靠 ResNet 和 LSTM 席卷 CV 和 NLP，梁文锋就用 ResNet 和 LSTM 替代人工因子去拟合股市的高维非线性规律。
2018 年之后： 随着美国 AI 进入 Transformer 时代（BERT、GPT 陆续面世），幻方也迅速跟进，将 Transformer 引入到长时间序列与多资产关联的量化预测中，并最终演化出了后来的 DeepSeek。