- Source: https://mp.weixin.qq.com/s/tpX87yUoDo3-vGdR9u1vCA
- Mirror: https://r.jina.ai/https://mp.weixin.qq.com/s/tpX87yUoDo3-vGdR9u1vCA
- Saved: 2026-02-25
Content
笔者少年班出身，同学少年多不凡。
这话说出来不是为了炫耀。少年班那点虚名，在这个时代不值一提。值一提的是这帮人后来去了哪里。
九十年代末到两千年代初，少年班最聪明的那批人，没去硅谷，没去投行，一头扎进了一个当时还没什么人听说过的行当：量化对冲基金。
江平师兄，81级的，在SAC Capital做到portfolio manager，单人单年奖金过亿美金，创下打工人的历史天花板。
一个人，一年，一亿美金。
不是创始人股权，不是IPO套现，是年终奖。
城堡基金里少年班的师兄师弟更是一把一把的。有个师兄有次开玩笑说，Ken Griffin可能是全美国雇佣少年班和北大数院毕业生最多的美国人。
为什么讲这些？因为笔者最近看到一个数字，恍惚间以为时光倒流：有个比我低五级的少年班的师弟，去Meta做大模型研究员，package两亿美金。
两亿美金。
你没看错。不是CEO，是一个研究员的package。
二十年前，能开出这种价码的只有量化基金。如今，轮到AI了。
并非巧合。同一出戏，换了幕布而已。
笔者最近两年看AI Agent的演进，越看越觉得：下一代伟大公司的人才体系，应该对标量化对冲基金。
今天这篇文章，笔者想把这个想法从头讲透。
一、哈佛宿舍楼顶的卫星天线
1987年，一个叫Ken Griffin的19岁哈佛新生，干了一件让宿管阿姨抓狂的事：他在宿舍楼顶装了一口卫星天线。
不是为了看HBO。是为了接收实时股票报价。
他又拉了一条传真线到房间里，用几千美金的本金开始交易可转债。他的室友在读莎士比亚，他在算 Convexity。
这个故事记载在Sebastian Mallaby的《More Money Than God》里，后来被反复引用，成了华尔街的创世神话之一。
笔者想说的不是这个故事有多励志，而是这个故事的结构。
Griffin在做什么？他在搭建一个系统：卫星天线是数据源，传真机是信息通道，他的数学模型是决策引擎，交易账户是执行层。一个人，四个模块，形成闭环。
三十七年后，维也纳一间公寓里，一个叫Peter Steinberger的奥地利开发者，花了一个周末，用 Claude 搭了一个AI 私人助理原型。
OpenClaw 迅速成为 GitHub 史上增长最快的开源项目。扎克伯格亲自在 WhatsApp 上给反馈，Satya 打电话，Altman发帖称他天才。Meta和 OpenAI 同时开出过亿美金的价码，争抢一个人：一个没有公司、没有员工、没有营收的人。
没有产品经理，没有董事会。一个人，一台电脑，一个周末的原型。
Griffin不只是在交易债券。Steinberger也不只是在做一个开源项目。他们都在做同一件事：用机器找到edge，然后all in.
Griffin的那口卫星天线，最终长成了600亿美金 AUM 的Citadel。
Steinberger的那个周末原型，让他坐到了 OpenAI 的牌桌上。
二、Jim Simons解答的不是市场，是组织
华尔街若有封神榜，Jim Simons当居首席。他创立的文艺复兴科技旗下大奖章基金，从1988年到2018年，年均含管理费回报 66%。三十年如一日。
巴菲特长期年化约20%，索罗斯 30%。Simons甩开他们一倍以上，波动率还更低。
Gregory Zuckerman在2019年出版的《The Man Who Solved the Market》里，用整本书试图解释这个奇迹。笔者读完之后的结论是：Simons真正解答的不是市场，是对冲基金的组织架构。
Simons的履历惊人。冷战时期在美国国防分析研究所做密码破译，和数学家们一起破解苏联密码。后来去石溪大学当数学系主任，拿了几何学最高奖之一的Veblen奖。
1978年，他起了一个念头：拓扑学里的模式识别方法，能不能用在大宗商品市场？创办 Renaissance Technologies，他做的第一个关键决策，也是最被低估的决策，是关于人的：坚决不招华尔街的人。
早期团队阵容恐怖。Leonard Baum，隐马尔可夫模型里Baum-Welch算法的共同发明人。Elwyn Berlekamp，伯克利的组合博弈论大师，给NASA喷气推进实验室做过编码理论。James Ax，代数数论领域离Fields Medal一步之遥的天才。后来又从IBM挖来一批语音识别专家，因为语音识别的信号处理方法和从金融数据噪音中提取信号，在数学上是同一个问题。
Simons在2010年MIT演讲中讲得很直白：我们招做过科学和数学的人，不招做过金融的人。信号是微弱的，你需要能从噪音中找到信号的人。
笔者琢磨这话很久，Simons认为金融经验是一种负资产。如何解读？
做过金融的人有直觉，有经验，有判断。而这些东西在量化交易中是毒药。量化交易需要的是提出假设、测试假设、接受结果，不带感情。金融老手最大的问题是太相信自己的判断了。
古人谓之知见障，大抵如此。
这对AI Agent公司的启示是什么？
在AI Agent时代，你的每一次用户交互都像一笔交易，每一个prompt变体都是一个策略，每一条转化漏斗都是一次做市。你需要的不是一个有十年SaaS经验的VP of Product。那个人会带着过去十年的直觉来做决策，而那些直觉在Agent时代大概率是错的。
你需要的是能从噪音中找到信号的人。
Renaissance没有产品经理。他们有研究员。提出信号假设，在历史数据上回测，验证了就上线，证伪了就毙掉。没有季度路线图，没有PRD文档，没有alignment meeting。
你今天要创办一家AI Agent公司，Renaissance的组织方式比任何YC创业课都值得研究。
三、Pod：对冲基金送给AI时代的最大礼物
讲完了Simons的信号狩猎模型，笔者要讲一个更直接的组织形态：Pod。
这个词在对冲基金行业有特定含义。不是播客，是独立作战单元。
Citadel的进化
Griffin从哈佛宿舍起步，1990年用460万美金在芝加哥创办Citadel。头十年基本上是一个天才交易员带着一群人干。到了2000年代，Griffin做了一个关键转型，把Citadel从一个明星基金经理做决策的模式，改造成了多经理人平台，Multi-Manager Platform。
几十个独立的Pod，每个Pod二到七人，各自运行自己的策略，各自有独立的资金配额和风控限额。Pod之间不需要协调，不需要开会对齐，甚至不需要知道彼此在做什么。
Griffin在2019年芝加哥经济俱乐部演讲中说得明白：我们的工作是搭建全世界最好的平台。做到这一点，最好的人才会来，最好的想法会赢。
注意主语。我们的工作不是挑选策略，是搭建平台。
** **
Millennium的极致
如果说Citadel把 Pod 模式做到了优秀，Izzy Englander 的 Millennium 就把它做到了极致。
Englander 1989年创办Millennium，到2020年代旗下运行300多个独立Pod。每个Pod都是一个准自治单元。基金总部提供基础设施：技术系统、风控引擎、资金、合规。Pod提供策略和执行。
关键机制叫中央风控账本，Central Risk Book：一个集中化的风控引擎实时监控每一个Pod。Pod A的夏普比率跌破阈值，系统自动削减其资金配额。Pod B表现优异，资金自动流入。
不是CEO拍脑袋决定谁好谁坏，是系统决定。
表现差的Pod可能几个月内就被解散。
听起来残酷。但这就是为什么Millennium在2022年全球大跌的时候还能赚120亿美金。
横向比较 AI Agent 公司
传统C端公司的组织：一个VP of Product，一条路线图，一个Figma文件，一个季度规划周期。VP押错了方向，公司烧掉三个月。三个月在互联网时代可能还能补救，在 AI 时代就是生死之别。
Pod模式的 AI Agent 公司这样运作。
假设目标是将 Day 7 留存提升20%。不开会讨论方案，直接起三个Pod。每个Pod自己决策做什么方案，是改RAG策略、做dynamic prompt还是换planner，荤素不忌。
一个流量塔，等价于Millennium的中央风控账本，把30%的用户分配给每个Pod。72小时后，Pod B的留存数据遥遥领先。流量塔自动把80%的流量切给Pod B。两个月后，Pod A和Pod C被解散、活水、回收重组。
无争论，无政治，无「我觉得邮件方案更有长期价值」这种无法证伪的废话。
数据说了算。
Nassim Taleb在《反脆弱》里有一个观点笔者反复引用：冗余不是浪费，冗余是进化的工作方式。自然界不会只下一个赌注，它同时跑一万个变异，然后让环境筛选。Citadel跑300个Pod是同一个道理。冗余的成本远低于押错方向的成本。
在 AI 时代，算力和流量就是 Pod 的资金，用户充值就是 Pod 的市场检验。算力便宜，流量也越来越程序化。真正贵的是什么？是做错了决定还不知道。
传统公司最大的成本不是工程师工资，是认知延迟。花三个月做了一个功能，上线后发现没人用，再花三个月复盘、调整、重新规划。Pod模式把这个周期从月压缩到小时。
四、痛苦加反思等于进步：Bridgewater的激进真相
讲到对冲基金的组织哲学，绕不开一个争议最大、也最深刻的人：Ray Dalio。
一亿美金的教训
1982年，Dalio上了PBS的《Wall Street Week》节目，信誓旦旦宣布美国经济即将陷入大萧条。
错得离谱。
亏光了公司的钱，解雇了所有员工，从父亲那里借了4000美金度日。Bridgewater 从一个小团队变成了只剩他一个人的皮包公司。
这是《Principles》中 Dalio 亲口讲的故事。他说那次失败是他人生中最重要的经历，因为他从中悟出了一条：痛苦加上反思等于进步。
古人云置之死地而后生。Dalio的版本更精确：不是死地本身让你重生，是死地之后的反思让你重生。
Dot Collector和棒球卡
Dalio从那次失败中得出了一个极端的组织哲学，他叫它激进的真相与激进的透明，Radical Truth + Radical Transparency。
他在 Bridgewater 内部搭建了一套叫 Dot Collector 的系统。每次开会，所有参会者在 iPad 上实时给彼此打分，维度包括逻辑推理能力、触碰敏感问题的意愿、可靠性等等。这些评分日积月累，形成每个员工的棒球卡，Baseball Card，一份数据化的能力画像。
团队出现分歧时，不是谁级别高听谁的，而是看可信度加权意见，Believability-Weighted Opinion。在这个特定问题上，谁的历史判断准确率最高，谁的意见权重就最大。
Dalio在2017年TED演讲中的意思很清楚：想法的精英体制需要激进的真相和激进的透明。人们必须说出真实想法，并愿意接受挑战，这样最好的想法才能胜出。
很多人觉得Bridgewater的文化像邪教。笔者能共情，Dalio的系统确实反人性。大多数人不喜欢被同事实时打分，更不喜欢自己的棒球卡上赫然写着对 FX 的逻辑推理能力偏弱。
然而，此文化对于 AI Agent 公司似乎会是正解。
流量塔不在乎你的感受。数据不在乎你的职级。Pod B 比 Pod A的付费率高5个百分点，此即真相，无可辩驳。
在传统公司里，真相是稀缺资源。你需要精心设计的文化、勇敢的领导者、痛苦的诚实对话才能接近真相。在AI Agent公司里，真相是默认输出。你的Agent跑得好不好，dashboard上一清二楚。
Dalio花了四十年搭建一套文化系统来逼近真相。AI Agent公司在 Day 1 就拥有它。
此之谓时代之杠杆。
五、反简历：D.E. Shaw、Two Sigma
Jeff Bezos的前老板
David Shaw是哥伦比亚大学的计算机科学教授。1988年，他拿着2800万美金创办了D.E. Shaw & Co.，宣称要建立一个金融公司的计算版本。
Shaw的招人风格和Simons如出一辙。计算生物学家、天体物理学家、密码学家，什么都招，就是不招华尔街老手。
他最出名的一次招聘，是雇了一个普林斯顿毕业的年轻人做副总裁。此人名叫Jeff Bezos。
1994年，Bezos在D.E. Shaw工作期间，发现互联网流量正在以每年2300%的速度增长。他向Shaw提出了一个在网上卖书的想法。Shaw觉得有意思，但不是D.E. Shaw该做的事。
Bezos用了一个后来被反复讲述的思维框架做决定，叫遗憾最小化框架：到了80岁，我会不会后悔没有尝试？答案是会。于是辞职创办了Amazon。笔者觉得这个故事最值得品味的地方在于，Bezos的概率思维、第一性原理思维、对不确定性的拥抱，这些后来成为Amazon核心哲学的东西，是在D.E. Shaw的量化文化中锻造出来的。
量化基金培养的不只是交易员，是一种思维操作系统。
Two Sigma：碰巧在做金融的科技公司
John Overdeck 12岁获全美MATHCOUNTS数学竞赛冠军，SAT数学满分。David Siegel曾任 D.E. Shaw 的CTO。2001年二人联合创立Two Sigma，喊出了一句在量化圈流传至今的话：我们是一家碰巧把才华用在金融领域的科技公司。
Two Sigma的执念是自动化一切。如果一个人类做了两遍同样的事，就写个系统来做。不只是交易自动化，内部运营、研究基础设施、数据管道，甚至HR流程，统统自动化。
这和AI Agent公司的哲学完全一致。凡是Agent能做的事，就不该由人做。人的时间应该花在Agent做不了的事上：提出假设，设计实验，解读反直觉的结果。
新时代该招什么人
把Simons、Shaw、Two Sigma的招人哲学综合起来，笔者得出一个结论：AI Agent公司的理想Pod Leader，不是标准的大厂P6产品经理或P7工程师。
大厂人被训练来管理复杂性。写PRD、跑sprint planning、做stakeholder alignment。这是为旧时代优化的技能组合。旧时代他们价值连城，新时代里则恐为负资产。
新时代需要什么样的人？三个问题。
你能自己写策略吗？
你能自己解读AB结论吗？
你能在一天内把实验写完、测完上正式服吗？
三个问题你都能答能，你就是一个完整的Pod。一个人就是一个Pod。
Simons在2015年接受Numberphile采访时说过一句话：最好的人是能做事的人，不是能谈论做事的人。
六、从劳动经济到杠杆经济
一个令人震惊的数字
大奖章基金巅峰时期管理约100亿美金资产，员工约300人，人均管理资产约3300万美金。
但重要的不是人均AUM，而是人均回报。66%的年化回报意味着每年创造约66亿美金利润。300人，66亿。人均2200万美金。
此非劳动密集型，乃杠杆密集型。此处之杠杆，非资金杠杆，是认知和执行杠杆。300个顶尖大脑通过机器系统放大自己的认知能力，达到传统组织无法想象的效率。
AI Agent 版本答案的样子
笔者的预测可能过于激进，但笔者愿意为此下注。
AI Agent时代的版本答案，人数没准更少。
一个CEO，即总投资组合经理，设定风控参数、分配资金（流量/算力）、管理Pod。一个CTO，即基建总工，搭建流量塔、Agent运行时、搞定胶水代码。N个Pod Leader，即量化研究员兼架构师，每人对一张P&L负责。
中央平台提供算力、流量、数据基础设施、品牌和分发。Pod提供策略、创意、prompt工程和实验。
Steve Cohen的故事在这里有借鉴意义。SAC Capital出了法律问题之后，Cohen重建为Point72，大力投资旗下的Cubist Systematic Strategies，一个纯量化部门，减少对任何单个人判断的依赖。Sheelah Kolhatkar在《Black Edge》里详细记录了这个转型。
教训只有一条：系统必须比任何个人更重要。如果你的公司离了某个人就转不了，那你没有建成系统，你只是雇了个贵的打工人。
Charlie Munger讲过：复利的第一条原则，不要无故打断它。
AI Agent公司的复利是这样运转的。你的Agent全年无休地跑实验。你睡觉的时候，17号Pod 在测试新的逻辑。你吃早饭的时候，流量塔已经根据凌晨的数据重新分配了流量。你到办公室的时候，dashboard上已经有了新的结论。
CEO是设计机器的造钟人。
思考、迭代、反思、进步。
七、尾声：操作手册
前六章讲的是道理。道理讲完了，笔者想讲讲怎么做。以下七条，是笔者自己在公司里正在执行的，不是建议，是实操。
第一，轻期权、重现金。
互联网公司的薪酬结构是"低base + 大量期权"，本质是一张十年期的彩票。这张彩票的兑付条件是公司上市，而上市的前提是你在这儿熬够年头。这不是激励，这是绑架。
对冲基金不搞这套。Citadel的PM年薪可能只有几十万美金，但年终bonus可以是base的十倍甚至百倍。当年发，现金发。你今年的P&L好，今年就兑现。明年不行，明年就没有。干净利落。
为什么对冲基金能这么做？因为利润够好，而且贡献度清晰。你管的book赚了多少钱，系统里一清二楚，不需要靠 IPO 来做一次性的模糊分配。
AI Agent公司天然具备同样的条件。每个Pod的营收贡献、留存贡献、付费转化贡献，dashboard上拉得出来。既然算得清，就该当期结算。超高总包，重仓绩效，现金兑付。只有算不清楚每个人贡献了多少的公司，才需要搞一个十年期的期权池来把所有人绑在一条船上和稀泥。
第二，赛马、不赛PPT。
传统公司的晋升逻辑是title驱动的。你是L5，你向 M2 汇报，你的年度目标写在OKR里，你的晋升取决于委员会的投票。
对冲基金的逻辑完全不同。你的book做得好，资金自动扩大。你从管 $500万变成管 $5000万，不需要谁批准，系统自动分配。做砸了，book缩回来，甚至Pod直接解散。没有title的死板阶梯，只有P&L的实时排名。
AI Agent公司应该一样。你的Pod留存数据好，流量塔自动给你更多用户。你能操控更大的scope、跑更大的实验。打赢了就扩大book，打输了就回收重组。不需要季度review，不需要晋升答辩。数字就是你的军衔。
第三，招最聪明的人、不招最"懂行"的人。
这条前文已经讲了很多，此处只补一句笔者的切身体会：聪明人学行业，三个月够了。行业老手变聪明，三十年也未必。Simons不招华尔街的人，不是偏见，是概率计算。
第四，人要少。
笔者的判断是，AI Agent时代的版本答案公司，可能就是几百个超高薪的人。不是互联网时代的十万人大厂。大奖章基金300人，年利润66亿美金。这个效率模型在AI时代不但可以复制，而且会更极端。
人少，则每个人分到的资源多，决策链路短，信噪比高。人多，则开会多，对齐多，政治多，认知延迟高。中厂：二流互联网公司之殇
第五，公司里只有两种人。
有book的人，和做基建的人。
有book的人就是Pod Leader，对一张P&L负责，直接面对用户和数据，跑策略、跑实验、跑结果。做基建的人搭流量塔、搭Agent运行时、搞定胶水代码和数据管道。两种人都重要，但只有前者能拿到最高额的短期现金激励。这和Citadel一模一样——基建工程师拿高薪，PM拿bonus。清清楚楚，各得其所。
第六，低调。
你见过文艺复兴开发布会吗？见过Millennium上播客讲方法论吗？见过D.E. Shaw做TED演讲吗？
最赚钱的量化基金几乎都是行业里最沉默的。Simons从不公开讨论策略。Jane Street连官网都没什么内容。原因很简单：你的alpha一旦被人知道，就不是alpha了。
AI Agent公司最大的资产是什么？是你的prompt策略设计，你的流量塔分配算法。这些东西每一条都是交易信号，公开一条少一条edge。
赚钱的公司不需要PR。需要PR的公司往往不够赚钱。
第七，以上六条不是理论。
笔者自己的公司就是这么跑的！美区头部AI Agent项目，应用商店分类榜第一，营收近亿美金，全球第一名的VC投了我们。团队很小，人均产出极高，薪酬结构对标量化基金而不是互联网大厂。
我们在招人。
👇点“阅读原文”看公司介绍！