DS创始人梁文锋：投资、AI及未来面临的问题

01

从浙江大学毕业之后，您都进行了哪些尝试，又如何开始的创业之路？

梁文锋：毕业后，我没有像大多数同学那样，投身大厂成为安稳的码农。

在一个简陋的空间里，开始研究用计算机赚钱的各种途径，整日与代码和数据相伴，累了就趴在桌上小憩。

在探索过程中，接触到量化投资。当时，量化投资在国内还是新鲜事物，但我坚信自己能在这个领域闯出一片天地。

量化投资，简单来说，就是利用数学模型和计算机技术，对金融市场的数据进行分析和预测，从而制定投资策略，即通过计算机取代人，以数量化方式程序化发出买卖指令。

这是一个融合金融、数学和计算机科学的交叉领域，需要具备深厚的专业知识和强大的技术能力。

为掌握量化投资的核心技术，我开始疯狂学习金融知识，购置大量金融书籍，从经典金融理论著作到最新量化投资研究报告，同时，报名参加各种金融培训课程，学习国内外顶尖量化投资机构的经验与方法。

量化投资的数学模型复杂难懂，金融市场波动变幻莫测，每一次尝试与失败都让人感到沮丧和迷茫。

但每当想要放弃时，总会想起量化投资之父西蒙斯的一句话：“一定有办法对价格建模。”这句话如同一束光，给予我黑暗中坚持下去的勇气。

2010年，沪深300股指期货正式推出，犹如春风唤醒沉睡的量化投资市场。2013年，我将人工智能AI与量化交易结合，和浙江大学校友徐进等人创立了以德国数学家卡尔·雅可比命名的投资公司——杭州雅克比投资管理有限公司。

2015年，共同创立杭州幻方科技有限公司，也就是今天的浙江九章资产管理有限公司，次年又成立了宁波幻方量化投资管理合伙企业（有限合伙）。

经过几年发展，幻方量化在国内迅速崛起。2016年10月，幻方量化推出第一个AI模型，第一份由深度学习生成的交易仓位上线执行。

在量化投资领域积累了强大的技术实力和算力资源，幻方量化也以强大的算力支持闻名。

到2017年底，几乎所有量化策略都采用AI模型计算。2019年，幻方量化管理规模突破百亿，成为国内量化私募“四巨头”之一。

2021年，幻方量化因业绩不佳向投资者致歉，承认误判了市场走向。

后来，行业又遭遇挫折，中国金融监管机构严厉打击量化交易，认为这类交易助长羊群效应，加剧市场波动。

创业就是这样，从来没有坦途。

02

没有人能随随便便成功，量化交易与常规投资不同，您如何能够异军突起，又如何看待量化投资的未来？

梁文锋：我们的核心团队，连我自己，一开始都没有量化经验，这一点很特殊。不能说是成功的秘密，但这是幻方的文化之一。

幻方某种程度上增强了我们对技术驱动型创新的信心，我们经历了一个漫长的积累过程。外部看到的是幻方 2015 年后的部分，但其实我们做了 16 年。

那么，量化和非量化，到底是怎么区分的？在投资决策的过程中，核心你是用数量化方法进行决策的，还是用人进行决策的。

所以区别不是交易，不是研究手段，而是决策方式。

量化公司有很多交易员和研究员，但是没有基金经理的，基金经理就是一堆服务器。人来做投资决策的时候，它是一种艺术，要凭感觉。程序来决策的时候，它是一种科学，它有最优解。

有人问，量化投资以后还需要人类吗？当然需要，需要大量的程序员和研究员。

量化交易共四种股票策略，最重要的是第一种日间量价模型。大家经常听说的多因子、alpha其实都是说日间量价模型，规模大概有两千亿。

第二种是日内回转模型，俗称股票T0，有大几百亿。第三种是基本面模型，第四种是事件驱动模型，目前都不是重点。

在传统上，所有的模型都是多因子模型，通过选股和择时来获取超额收益。在2017年以前，多因子模型是万能的，以前我们都希望模仿worldquant的模式，就是找很多的人来挖因子。同行里大家竞争的是谁的因子更加有效。

现在你要再挖出一些很有效的因子，已经很难了。

2017年之后，行业发生变化，传统的多因子框架逐渐被人工智能取代。2019年之后，又逐渐被更新的集成框架取代。作为私募，投资人对我们的期望是很高的，如果一年跑赢指数低于25%，投资人是不满意的。

私募之间的竞争很激烈。

每个星期都会拿到同行的业绩数据，这个星期谁跑赢了多少，大家放到一起来比，如果落后了客户就马上就会打电话来，所以我们压力很大的。

正是这样的压力，逼得我们不断地提升投资能力，加班改策略，因为一偷懒就落后了。当然我们向客户的收费也高，远远高于公募，所以这个业绩和压力也是公平的。

我们经常会被问：量化投资到底是赚了谁的钱？

其实答案很简单，量化赚了原来人类投资者赚的钱。人类投资者分两个流派，一种叫技术面，一种叫基本面。说得更具体一点，现在量化赚的是技术面流派原来赚的钱。

量化私募整个行业的进步，大致是符合摩尔定律的，每18个月投资能力翻一倍。但是这几年来，量化投资的平均收益率，差不多是没变化的，因为市场的有效性在不断提高。

这是符合逻辑的，因为投资能力提高一倍，市场的有效性还一样的话，赚的钱应该是原来的2倍才对。所以市场的有效性提高了。

预测中国量化投资的未来，一个办法就是看一下美国的现状。美国的资产管理有两个趋势：一个是共同基金逐渐指数化，另一个是对冲基金逐渐走向量化。

共同基金类似国内的公募基金，对冲基金相当于中国的证券私募。最初的对冲基金都不是量化的，这个表是2004年全球对冲基金资管规模排名的前10名，大部分都不是量化的。

2018年的排名，量化已经占了前面的多数，我们熟悉的桥水排名第一，AQR排名第二，文艺复兴排名第四。

从美国的经验来看，量化私募的管理规模可以做得很大。全球最大的对冲基金桥水的管理规模是一万亿人民币左右，而国内大的量化公司在100～200亿之间，我们可能还有几十倍的增长空间。

国外那么多量化公司，他们都在做什么，都在做高频吗？显然不是。高频容纳的钱很少的，并不是资产管理的主流。答案是所有策略都做，从宏观对冲，到股票基本面，到股票量价，到大宗商品，到债券，主战场是股票和债券。 

全球最大的对冲基金桥水，是做宏观量化的，全球第二大对冲基金AQR是做股票基本面的。越是低频的策略，容量越大。

所有原来人类做的策略，现在量化都在做。而国内的对冲基金，现在大家主要都是做量价策略，我们整体上比美国是落后的。从美国的经验来看，在策略类型上面，我们应该还有很大的发展空间。

我们预计未来几年，中国的股票市场，有效性会进一步提高。这是历史趋势，不可阻挡。

未来量化投资的提升应该来自于多策略结合，总有一天技术面的波动会越来越小，技术的进步到达瓶颈，未来量化投资一定会去瓜分原来基本面流派的人赚的钱。

市场有效的时候，你直接买指数就可以了，指数就是真正的价值投资。

03

量化交易这么有“钱途”，为什么又开始进军人工智能大语言模型，您具体是怎么做的，如何实现赛道转换？

梁文锋：核心是好奇心的驱动，对 AI 能力边界的好奇。

对于渴望探索机器学习极限的工程师来说，将进军AI模型是自然而然的事情。

当初，幻方的主要班底里，很多人是做人工智能的。当时我们尝试了很多场景，最终切入了足够复杂的金融，而通用人工智能可能是下一个最难的事之一。

对很多行外人来说，ChatGPT 这波浪潮冲击特别大；但对行内人来说，2012年 AlexNet 带来的冲击已经引领一个新的时代。

AlexNet 的错误率远低于当时其他模型，复苏了沉睡几十年的神经网络研究。虽然具体技术方向一直在变，但模型、数据和算力这三者的组合是不变的。

特别是当 2020 年 OpenAI 发布 GPT3 后，方向很清楚，需要大量算力；但即便 2021 年，我们投入建设萤火二号时，大部分人还是无法理解。

从近处说，GPT4还有很多待解之谜。我们去复刻的同时，也会做研究揭秘。

只做复刻的话，可以在公开论文或开源代码基础上，只需训练很少次数，甚至只需finetune（微调）一下，成本很低。而做研究，要做各种实验和对比，需要更多算力，对人员要求也更高，所以成本更高。

从远处说，我们想去验证一些猜想。

比如我们理解人类智能本质可能就是语言，人的思维可能就是一个语言的过程。你以为你在思考，其实可能是你在脑子里编织语言。这意味着，在语言大模型上可能诞生出类人的人工智能（AGI）。

比如，其实从最早的1张GPU卡，到2015年的100张卡、2019年的1000张卡，再到一万张，这个过程是逐步发生的。

几百张卡之前，我们托管在IDC，规模再变大时，托管就没法满足要求了，就开始自建机房。很多人会以为这里边有一个不为人知的商业逻辑，但其实，主要是好奇心驱动。

对我们来说，这是一个怎么做的问题，而不是为什么做的问题。既然我们想做这个事，又有这个能力，这个时间点上，我们就是最合适人选之一。

我们做大模型，其实跟量化和金融都没有直接关系。我们独建了一个名为深度求索的新公司来做这件事。

幻方作为我们的出资人之一，有充足的研发预算，另外每年有几个亿的捐款预算，之前都是给公益机构，如果需要，也可以做些调整。

我们也在找不同出资方在谈。接触下来，感觉很多VC对做研究有顾虑，他们有退出需求，希望尽快做出产品商业化，而按照我们优先做研究的思路，很难从VC那里获得融资。但我们有算力和一个工程师团队，相当于有了一半筹码。

我们不会过早设计基于模型的一些应用，会专注在大模型上。我们要做的是通用人工智能，也就是AGI。

语言大模型可能是通往AGI的必经之路，并且初步具备了AGI的特征，所以我们会从这里开始，后边也会有视觉等。

04

人们常说，创新是第一动力，人才是第一资源，在人工智能的创业路上，人才如何创新，又扮演什么角色？

梁文锋：前期因为人手不够，会从幻方临时借调一部分人过去。

去年底ChatGPT3.5风靡时，我们就开始动手招聘了，不过我们依然需要更多的人加入。

当前，团队中并没有什么高深莫测的奇才，都是一些 Top 高校的应届毕业生、没毕业的博四、博五实习生，还有一些毕业才几年的年轻人。

V2 模型没有海外回来的人，都是本土的。前 50 名顶尖人才可能不在中国，但也许我们能自己打造这样的人。

因为我们在做最难的事，对顶级人才吸引最大的，肯定是去解决世界上最难的问题。其实，顶尖人才在中国是被低估的。

因为整个社会层面的硬核创新太少了，使得他们没有机会被识别出来。我们在做最难的事，对他们就是有吸引力的。

在我看来，人才最重要的素质就是，热爱和扎实的基础能力。其他都没那么重要。

他们的热情通常会表现出来，因为他真的很想做这件事，所以这些人往往同时也在找你。

招人时确保价值观一致，然后通过企业文化来确保步调一致。当然，我们并没有一个成文的企业文化，因为所有成文东西，又会阻碍创新。更多时候，是管理者的以身示范，遇到一件事，你如何做决策，会成为一种准则。

我们的总结是，创新需要尽可能少的干预和管理，让每个人有自由发挥的空间和试错机会。创新往往都是自己产生的，不是刻意安排的，更不是教出来的。

总体而言，在人才的选用育留，我们基本还是延续在幻方的人才模式。

幻方招人有条原则是，看能力，而不是看经验。我们的核心技术岗位，基本以应届和毕业一两年的人为主。

如果追求短期目标，找现成有经验的人是对的。但如果看长远，经验就没那么重要，基础能力、创造性、热爱等更重要。从这个角度看，国内合适的候选人就不少。

做一件事，有经验的人会不假思索告诉你，应该这样做，但没有经验的人，会反复摸索、很认真去想应该怎么做，然后找到一个符合当前实际情况的解决办法。

事实上，第一年他们什么都做不出来，第二年才开始有点成绩。但我们的考核标准和一般公司不太一样。

我们没有 KPI，也没有所谓的任务。交给他重要的事，并且不干预他。让他自己想办法，自己发挥。

一家公司的基因是很难被模仿的。比如说招没有经验的人，怎么判断他的潜力，招进来之后如何才能让他成长，这些都没法直接模仿。

我们不会故意回避有经验的人，但更多是看能力。

拿销售这个岗位举个例子。我们的两个主力销售，都是这个行业的素人。一个原来做德国机械品类外贸的，一个是原来在券商做后台写代码。

他们进入这个行业时，没有经验，没有资源，没有积累。而现在我们可能是唯一一家能以直销为主的大私募。

我们不像一般公司，看重客户下单量，我们的销售卖多少和提成不是一开始就算好的，而会更鼓励销售去发展自己的圈子，认识更多人，产生更大影响力。

我们认为，一个让客户信任的正直的销售，可能在短时间内做不到让客户来下单，但可以让你觉得他是个靠谱的人。

05

从量化交易到人工智能，这是一个巨大的跨越，在您看来，做好一家人工智能公司，最重要的是什么？

梁文锋：不管是 Google 实验室，还是 OpenAI，甚至中国大厂的 AI Lab，都很有价值的。最后是 OpenAI 做出来，有历史的偶然性。

我觉得创新首先是一个信念问题。为什么硅谷那么有创新精神？首先是敢。

ChatGPT 出来时，整个国内对做前沿创新都缺乏信心，从投资人到大厂，都觉得差距太大了，还是做应用吧。但创新首先需要自信。这种信心通常在年轻人身上更明显。

创新就是昂贵且低效的，有时候伴随着浪费。所以经济发展到一定程度之后，才能够出现创新。很穷的时候，或者不是创新驱动的行业，成本和效率非常关键。OpenAI也是烧了很多钱才出来。

这个世界存在很多无法用逻辑解释的事，就像很多程序员，也是开源社区的疯狂贡献者，一天很累了，还要去贡献代码。

类似你徒步50公里，整个身体是瘫掉的，但精神很满足。不是所有人都能疯狂一辈子，但大部分人，在他年轻的那些年，可以完全没有功利目的，投入地去做一件事。

幻方时代，我们就很少自上而下地指派目标或任务。DeepSeek 也全是自下而上。而且我们一般不前置分工，而是自然分工。每个人有自己独特的成长经历，都是自带想法的，不需要主导他。

探索过程中，他遇到问题，自己就会拉人讨论。不过当一个想法显示出潜力，我们也会自上而下地去调配资源。

我们每个人对于卡和人的调动是不设上限的。如果有想法，每个人随时可以调用训练集群的卡无需审批。同时因为不存在层级和跨部门，也可以灵活调用所有人，只要对方也有兴趣。

我们选人的标准一直都是热爱和好奇心，所以很多人会有一些奇特的经历，很有意思。很多人对做研究的渴望，远超对钱的在意。

06

当前，进入新一轮的科技革命，中美在人工智能不断暗中较量，国内各个大厂也掀起“百模大战”，您认为你们的优势是什么？

梁文锋：大厂肯定有优势，但如果不能很快应用，大厂也不一定能持续坚持，因为它更需要看到结果。

头部的创业公司也有技术做得很扎实的，但和老的一波AI创业公司一样，都要面对商业化难题。

比如，我们发布产品后， 5 天后智谱 AI 就跟进了，之后是字节、阿里、百度、腾讯等大厂。 

智谱 AI 降的是一个入门级产品，和我们同级别的模型仍然收费很贵。字节是真正第一个跟进的。

旗舰模型降到和我们一样的价格，然后触发了其它大厂纷纷降价。因为大厂的模型成本比我们高很多，所以我们没想到会有人亏钱做这件事，最后就变成了互联网时代的烧钱补贴的逻辑。

无论大厂，还是创业公司，都很难在短时间内建立起碾压对手的技术优势。

因为有OpenAI指路，又都基于公开论文和代码，最晚明年，大厂和创业公司都会把自己的大语言模型做出来。

大厂和创业公司都各有机会。现有垂类场景不掌握在初创公司手上，这个阶段对初创公司不太友好。

但因为这种场景说到底也是分散的、碎片化的小需求，所以它又是更适合灵活的创业型组织的。

从长期看，大模型应用门槛会越来越低，初创公司在未来20年任何时候下场，也都有机会。

我们主要的精力在研究下一代的大模型。还有很多未解决的问题。 所有的套路都是上一代的产物，未来不一定成立。

拿互联网的商业逻辑去讨论未来 AI 的盈利模式，就像马化腾创业时，你去讨论通用电气和可口可乐一样。很可能是一种刻舟求剑。

我们认为当前阶段是技术创新的爆发期，而不是应用的爆发期。长远来说，我们希望形成一种生态，就是业界直接使用我们的技术和产出，我们只负责基础模型和前沿的创新，然后其它公司在 DeepSeek 的基础上构建 toB、toC 的业务。

如果能形成完整的产业上下游，我们就没必要自己做应用。当然，如果需要，我们做应用也没障碍，但研究和技术创新永远是我们第一优先级。

未来的世界很可能是专业化分工的，基础大模型需要持续创新，大厂有它的能力边界，并不一定适合。

技术没有秘密，但重置需要时间和成本。英伟达的显卡，理论上没有任何技术秘密，很容易复制，但重新组织团队以及追赶下一代技术都需要时间，所以实际的护城河还是很宽。

我们的目标也很明确，就是不做垂类和应用，而是做研究，做探索。

按照教科书的方法论来推导创业公司，在当下，他们做的事，都是活不下来的。

但市场是变化的，真正的决定力量往往不是一些现成的规则和条件，而是一种适应和调整变化的能力。

很多大公司的组织结构已经不能快速响应和快速做事，而且他们很容易让之前的经验和惯性成为束缚，而这波AI新浪潮之下，一定会有一批新公司诞生。

07

人工智能的竞争是公司的竞争，也是国家的竞争，您怎么看大模型创业公司的终局之战，又如何看待人工智能公司的未来？

梁文锋： 在美国每天发生的大量创新里，这是非常普通的一个。

他们之所以惊讶，是因为这是一个中国公司，在以创新贡献者的身份，加入到他们游戏里去。毕竟大部分中国公司习惯 follow，而不是创新。

过去三十年，我们都只强调赚钱，对创新是忽视的。创新不完全是商业驱动的，还需要好奇心和创造欲。我们只是被过去那种惯性束缚了，但它也是阶段性的。

创新的成本肯定不低，过去那种拿来主义的惯性也和过去的国情有关。但现在，你看无论中国的经济体量，还是字节、腾讯这些大厂的利润，放在全球都不低。我们创新缺的肯定不是资本，而是缺乏信心以及不知道怎么组织高密度的人才实现有效的创新。

你们发布过代码生成和数学的模型，也从 dense 模型切换到了 MOE，所以你们的 AGI 路线图有哪些坐标？可能是 2 年、5 年或者 10 年，总之会在我们有生之年实现。至于路线图，即使在我们公司内部，也没有统一意见。

但我们确实押注了三个方向。一是数学和代码，二是多模态，三是自然语言本身。

数学和代码是 AGI 天然的试验场，有点像围棋，是一个封闭的、可验证的系统，有可能通过自我学习就能实现很高的智能。

另一方面，可能多模态、参与到人类的真实世界里学习，对 AGI 也是必要的。我们对一切可能性都保持开放。

我们看到的是中国AI不可能永远处在跟随的位置。我们经常说中国 AI 和美国有一两年差距，但真实的 gap 是原创和模仿之差。

如果这个不改变，中国永远只能是追随者，所以有些探索也是逃不掉的。英伟达的领先，不只是一个公司的努力，而是整个西方技术社区和产业共同努力的结果。

他们能看到下一代的技术趋势，手里有路线图。中国 AI 的发展，同样需要这样的生态。很多国产芯片发展不起来，也是因为缺乏配套的技术社区，只有第二手消息，所以中国必然需要有人站到技术的前沿。

未来的终局之战， 可能活下来的公司也就 2 到 3 家。现在都还处在烧钱阶段，所以那些自我定位清晰、更能精细化运营的，更有机会活下来。

其它公司可能会脱胎换骨。有价值的东西不会烟消云散，但会换一种方式。

对于我们而言，短期内没有融资计划，我们面临的问题从来不是钱，而是高端芯片被禁运。

我经常思考的是，一个东西能不能让社会的运行效率变高，以及你能否在它的产业分工链条上找到擅长的位置。

只要终局是让社会效率更高，就是成立的，中间很多都是阶段性的，过度关注必然眼花缭乱。