Appearance
全球最大对冲基金之一谈其 Token 消费的 86 倍暴增 | 编辑版文字记录
原文标题: One of the World’s Largest Hedge Funds on Its 86x Growth in Token Spending | Edited Transcript 来源: The Transcript Desk
💡 核心观点
- 全球顶级多元化资产管理公司英仕曼集团（Man Group）透露，自当年 1 月以来其 AI Token 消费量剧增了 86 倍，AI 已深度渗透至主动研究、量化策略开发、代码编写及后勤运营等各个环节。
- 投资中的 AI 应用并非简单地让大模型直接预测股价，而是通过 AI 智能体（Agents）自动化提取非结构化数据（如播客、研报）中的信号，并由 AI 自主提出交易假设、编写代码和回测，目前已有 15 到 20 个完全由 AI 参与生成的交易模型通过审核并投入实盘资金运作。
- 对对冲基金而言，限制 AI 效能的核心瓶颈不在于算力或数据，而在于安全的组织化落地与合规风险控制；AI 带来的超额收益（Alpha）绝非单一算法或模型，而是结合了数据架构、市场接入能力与可解释性框架的综合生态系统。
📖 中文全文
英仕曼集团（Man Group）首席技术官 Gary Collier 与数据及 AI 负责人 Tushara Fernando 详解这家资产管理公司如何在自由裁量研究、系统化策略开发、编程及运营中应用生成式 AI。他们描述了一个基于 Agent（智能体）的研究系统，该系统已生成 15 到 20 个经人工批准的交易模型，同时自 1 月以来，其 Token 消费量增长了 86 倍。
逐字稿内容
00:00-02:30
Joe Weisenthal：彭博音频工作室：播客、广播与新闻。哈罗，欢迎收听新一期的 Odd Lots 播客，我是 Joe Weisenthal。
Tracy Alloway：我是 Tracy Alloway。Joe，我对人工智能（AI）非常感兴趣。真的，非常感兴趣。
Joe Weisenthal：这倒挺让人意外的。
我特别关注 AI 在投资领域的实际应用——具体来说，就是具体的落地实施。投资者到底是如何使用它的？显然，这是一个极其重要的问题，原因无须多言。但我也认为，这引发了一些关于这项技术究竟被用来干什么的有趣谜题。
我还记得 ChatGPT 刚问世时，人们跑去问它：“我该买哪只股票？”我们最近也做过一期关于预测市场的节目，其中有一点非常明确：你绝对无法通过询问“我该买哪份合约？”或“通胀会是多少，以便我交易这份合约？”来获得太大价值。但这并不意味着没有有趣的应用，只是说最粗暴的“用 AI 来做投资”的版本显然是一条死胡同。
Tracy Alloway：这正是我的疑问所在。我们之前在投资领域经历过技术革命。值得注意的是，我们有过智能投顾（Robo-advisors）——还记得那些吗？我们还有过系统化投资和高频交易（HFT）。
我的核心问题是：当前 AI 的应用在多大程度上只是对那些机器学习动态的迭代或改进，还是说它代表了某种更为重大或颠覆性的变化？它是一个微小的演进、中度的演进，还是某种巨大的变革？
Joe Weisenthal：我们在与 Hudson River Trading 的 Ian 交流时也稍微触及了这个话题。我很高兴你提到了量化（Quant）的例子，因为从某种意义上说，大数据从一开始就是量化投资的一部分。你如何证明价值股的表现会优于高估值股票？你需要海量的数据、计算机以及运行数学模型的能力。
02:30-05:00
Joe Weisenthal：但随后出现了这样一种观点：是的，也许便宜的股票表现确实好于昂贵的股票，动量股的表现优于缺乏动量的股票——这些似乎是事实，但我们并不真正清楚其中的原因。人们对这些量化效应的来源存在很多分歧。
这让我想到了 AI，因为我们可以从 AI 模型中得到非常惊人的输出。它们能够识别模式，但它们无法真正解释自己是如何得出这些模式的。我非常好奇这会将投资引向何方，我们是否会得到一些行之有效、但无法用通俗英语表达清楚的理念和策略。
Tracy Alloway：我也很高兴你提到了数据，因为如今在几乎所有的金融会议上，你都会听到数据对于运行大语言模型（LLM）的重要性：确保数据经过处理且干净，拥有充足的数据，并且最好拥有独家专有数据。我们今天要采访的嘉宾就拥有极其庞大的数据。
Joe Weisenthal：完全同意。还有一件事——不知道你上周有没有注意到。我们在 7 月 7 日录制这期节目，在你休假期间，桥水基金（Bridgewater）发表了一篇非常有趣的论文，讲述了他们如何利用专有数据微调开源版本的 Qwen（通义千问）模型，专门用于识别哪些金融信息具有新闻价值，哪些没有。
他们发现，开源模型与专有数据的结合比美国最顶尖的前沿模型产生了更好的效果。这对我来说非常有趣。这些正是我想探究的问题。
Tracy Alloway：那么真正的“独门秘籍”——或者说超额收益（Alpha）——到底来自哪里？
Joe Weisenthal：尤其是当所有人都能接触到极其智能的模型时。
好了，我们俩说得够多了。我感到非常兴奋，因为我们邀请到了完美的嘉宾来讨论 AI 在投资和资产管理中的具体落地。今天与我们对话的是英仕曼集团（Man Group）的 CTO Gary Collier，以及该公司的 Fleet/Head of Data & AI Tushara Fernando。
Gary、Tushara，非常感谢二位来到 Odd Lots。让我们先从 Gary 开始，然后请二位简要介绍一下你们在英仕曼集团的职责以及具体负责的工作。
Gary Collier：我可以先来。在开始之前，给公司提供一点背景信息可能很有帮助。我将英仕曼集团描述为一家全光谱（Full-spectrum）的主动资产管理公司。
05:00-07:30
Gary Collier：所谓“全光谱”，是指我们覆盖了替代投资与纯长仓（Long-only）策略；公开市场与私募市场；以及系统化量化与基本面自由裁量投资。我们还有一个解决方案业务，可以将所有这些整合为定制化的客户投资组合。
我也将 CTO 这个角色描述为“全光谱”的。在上述所有领域中，我们对技术栈的每一个组成部分都抱有非常明确且坚定的主张，从服务器和网络设备的选择，一直到面向终端用户的软件。
同样地，从左到右，我们自主构建了大量的技术——从定制数据源到研究框架和交易系统，再到我们的中后台运营平台。因此，这绝对是一个全光谱的角色。
Tushara Fernando：在我这边，我负责数据和 AI。这涵盖了从市场数据、替代数据，到我们输入给 AI 模型的所有上下文和知识。
从 AI 的角度来看，重点在于我们如何将这些伟大的新能力提供给我们的量化分析师、研究人员以及基本面基金经理（PM）。
Tracy Alloway：Tushara，我想问你关于这个职位名称的问题。你的头衔过去似乎是“数据与机器学习负责人”，而现在是“数据与 AI 负责人”。你是如何看待这两个术语——机器学习与 AI——之间的区别的？
Tushara Fernando：这是一个非常好的问题，我认为这与你早些时候提到的关于我们是在使用传统机器学习技术还是生成式 AI 的观点密切相关。
从历史来看，量化公司的机器学习主要是使用更传统的技术——研究线性回归和神经网络等方法，试图预测某种未来的结果。随着生成式 AI 的到来，它的内涵已经超越了这一点。除了使用那些传统技术之外，它还在赋予人们进行创作的能力。
这就是我们更改职位名称的原因：它现在同时包含了生成式 AI 的各个方面以及更传统的机器学习方法。
Tracy Alloway：这很合理。如果我今天坐在英仕曼集团的办公室里——Gary 刚才阐述得非常清楚；你们拥有许多不同的角色，从自由裁量型、传统的基金经理到系统化量化分析师——如果我旁观你们其中一位交易员或 PM 的工作，他们今天屏幕上的操作与 2022 年时会有何不同？
07:30-10:00
Tracy Alloway：他们在生成式 AI 方面做着怎样的不同尝试？
Gary Collier：如果你走过办公楼层，你会看到无论什么角色——无论是交易、量化研究还是自由裁量投资——现在屏幕上都会显示不同的窗口和工具。
我上周与几位自由裁量分析师聊天，他们提到，放眼整个自由裁量投资楼层，每个人的屏幕上都有一个专注于 AI 的窗口。它正在影响、改善并增强我们公司的几乎每一个岗位——当然，针对不同岗位的方式会有所不同。但是没有哪个岗位是不受 AI 影响的。
Joe Weisenthal：那他们具体在做什么呢？假设我是一位传统的纯长仓股票挑选者——这是我们经常想象的资产管理公司的经典角色。我突破性地获得了世界上最先进模型的访问权限。我在用它们做什么？
Tushara Fernando：想象一下这样一个 PM 传统上的工作方式。他们希望关注广泛的股票名单，并尽可能多地获取这些股票的数据。他们想看财报、券商研报、替代数据以及播客。
但是一天的时间是有限的。只有短短几个小时，却有 50 只股票要看。他们怎么可能全部覆盖？他们如何获取真正重要的洞察？
AI 允许我们接入所有这些不同类型和模态的数据——播客、替代数据和券商研究报告——并将它们合成为真正有意义的信息。PM 可以异步获取这些洞察。他们可以去喝杯咖啡，或者第二天早上进来，Agent（智能体）就已经合成了互联网上发生的变化，并呈现出对其投资组合和投资假设有实质意义的洞察。
10:00-12:30
Tushara Fernando：最近的一个例子涉及一位覆盖 AI 产业链交易的 PM。其中一个重要问题是：瓶颈究竟在哪里？很难确切知道瓶颈所在。
当时有一期播客，采访了一家大型超大规模云厂商（Hyperscaler）的工程负责人。他说，拥有越来越多的 GPU 来训练模型固然日益重要，但数据中心容量正在变得越来越稀缺。越来越难找到足够大的数据中心来训练这些模型了。
你可以从中得出几个结论。一是 GPU 依然稀缺；二是未来我们可能需要在这些大型数据中心之间建立更好的网络连接。
该信息来自一位在播客上发言的工程负责人。这通常不是 PM 会直接交流的人。他不会参加 PM 参加的投资者会议，也不是 PM 经常能接触到的对象。但是通过 AI，PM 能够让智能体转录该播客并合成信息，从而为其投资理念提供更好的洞察。
Tracy Alloway：我觉得播客是 Alpha 的重要来源，Joe。每个人都应该听播客。
Joe Weisenthal：非戏谑版本的说法确实如此。我们曾在播客中采访过 Alex Namas，当时的问题是：在 AGI（通用人工智能）实现之后，什么才会是稀缺的？答案是：能够邀请到优秀嘉宾上播客的人——能够接触到那些重要人物的人。
Tracy Alloway：好吧，看来我们显然是在为自己的行业说话。
言归正传，听起来你们所做的大部分工作都是在增强研究能力。你们在让投资者和经理人在研究流程中变得更有效率。
如今有很多关于“智能体工作流”（Agentic workflows）的讨论：即与其由人类驱动特定交易或项目的每一个步骤，不如建立一个能够自主开展研究、生成想法、测试假设甚至进行执行的系统。这是你们正在努力推进的方向，还是说这依然遥不可及？
12:30-15:00
Gary Collier：不，这绝对不遥远。事实上，这是我们已经研究并推进了相当长时间的项目。
如果我们把焦点转向业务中的量化和系统化部分，可以这样思考：技术加上量化方法赋予了你构建系统化策略的能力。那么如果我们在此基础中加入 AI 会发生什么？我们获得了将“构建系统化策略的过程本身”进行系统化的能力，这实际上为我们的量化人员和研究人员提供了一个巨大的放大器和杠杆 multiplier。
在大约一年半的时间里，我们一直在构建一个能够处理量化研究流程各个环节的系统。这包括想法形成：审视学术论文和精心标注的数据集；对这些论文和数据集的内容进行推理；并询问其中的经济假设是否真实存在，或者是否至少值得测试。
随后，其他智能体会编写代码来封装这些想法，获取正确的市场数据，并运行适当的回测。进一步的智能体则负责评估前述智能体的输出结果。
这是我们早期认为可以带来巨大投入产出比的想法之一，我们对此已经投入了相当长的时间。为了让这一点更加具体——并证明这绝非仅仅停留在实验室中而没有实际成果——据最新统计，大约有 15 到 20 个模型已经完整走通了这套流程。
它们始于由 AI 构想出的模型，经过信号构建和验证，随后由人工投资委员会进行审查和验证。它们被认定为是合格且恰当的，可以用于交易我们客户的资产。所以这是非常真实的，绝非天马行空的想象。
Joe Weisenthal：你提到了抓取播客中可能出现的信息，有人在其中指出了他们业务中的具体瓶颈。我们现在就在一期播客中，那么你们的瓶颈是什么？
你们现在最希望拥有什么来改进你们的流程？是算力？还是数据？如果你能弹一下手指就获得更多某种资源，那会是什么？
15:00-17:30
Gary Collier：你永远可以使用更多的算力，也永远可以使用更多的数据。但我认为更大的问题在于由 AI 能力所支持的机遇世界——当然，还有不断交付的新能力。那个外延扩张得如此之快，以至于从人类的角度来看，要跟上它的节奏是相当困难的。
好想法从来都不匮乏。筛选想法固然重要，但虽然我们在英仕曼集团习惯于做出许多变革，但我认为，将所有这些付诸实施所需的“组织变革水平”才是真正的瓶颈。
我们是一家受监管的业务实体，拥有信托责任（Fiduciary duty）。我们需要确保我们所做和部署的事情是在将风险降至最低的前提下进行的。在这个领域，有大量的具体工作是整个行业目前尚未给出确切答案的。
评估和测试 AI 流程的结果是好且必要的，但那是一个快速扩展的领域。我们还必须思考如何在全公司范围内以安全和可控的方式运行智能体。
我相信我们都见过——并对之会心一笑——那些关于 AI 删除了某人的收件箱，或者在无法找回的情况下删除了某人所有照片的故事。我们承担不起在企业层面发生此类事情的后果。确保我们既能快速移动又能安全推进，这就是所谓的瓶颈所在。
Joe Weisenthal：这很有道理。让我们深入了解一些细节，我想回到如何安全推进的话题。
你们两位刚才都提到了“筛选”，这恰恰是我在开场白中讨论的内容。桥水基金有一篇论文，讲述了利用自身的专有数据微调 Qwen 模型以改进筛选，从而使 PM 能够更有效地利用时间并专注于信号。
你们是如何构建这种机制的？它是一个现成的系统吗？在数据摄入管道（Ingestion pipeline）中使用了哪些技术和模型？它由什么组成？
17:30-20:00
Tushara Fernando：对我们来说，这完全取决于数据类型。广义上讲，我们关注三类数据。
第一类是市场数据，它通常是高度结构化的：逐笔数据（Tick data）、订单簿以及类似信息。我们摄入来自大多数交易所的每一笔 Tick 数据——每天几乎达到 1TB 的 Tick 数据。
第二类是替代数据和非结构化数据，它们要杂乱和畸形得多。对于这类数据，核心在于我们如何对数据进行结构化、打标签和关联。在其之上建立的知识层是什么？我们如何思考股票代码、行业和公司之间的关联？AI 如何以统一的方式调取该数据？连接所有这些数据集的通用语言是什么？
最后一类非常新：我们的机构知识与上下文（Context）。这正在成为我们数据架构中的一个新层级。我们如何向 AI 传达我们的流程？如何让它学会“讲英仕曼集团的语言”？我们如何告诉它运行回测的正确方式？
这就是我们关注的三个领域。
Joe Weisenthal：在这个问题上进一步追问：所有这些对我来说都非常有说服力，尤其是后两类，它们是非常棘手的问题。我们知道生成式 AI 解决了一大部分非结构化数据的问题。你可以从倾倒进文件的大段文本中提取出大量信号。
但是你们具体在构建什么？它是如何运作的？现成的顶级前沿模型是最适合这项工作的，还是你们会在内部微调开源模型？今天，处理这部分流程的最佳技术栈是什么？
Tushara Fernando：从历史上看，我们在少数几个用例中研究过微调。但我们目前看到投入产出比最高的做法，是在于对数据进行正确的打标签和结构化——换句话说，就是预处理（Preprocessing）。
我们发现，如果你拿到一份诸如信用卡数据之类的数据集，AI 可以查看到其中的行和列，但它并不真正理解其所代表的微妙含义。
20:00-22:30
Tushara Fernando：因此，我们必须投资于为这些信息添加额外的色彩和元数据（Metadata）。我们需要能够解释这些微妙之处的描述符。我们可能会说：“当你查看这个数据集时，每一行代表一个人进入一家商店购买了某样东西。”你用通俗英文将这一点告诉 AI，并为你的所有数据集提供这些描述符。
第二点是连接多个数据集。不同数据集使用的语言和语义大相径庭，因此我们必须投资构建一套共享语言——一个语义层（Semantic layer）和通用的处理方式。我们用这种统一的语言为所有列打上标签，以便 AI 能够将不同的数据集连接起来。
这在想法生成中极其重要。AI 能够理解一个数据集中的字段与另一个数据集中的字段是相关联的，它可以在股票代码、行业和宏观经济洞察之间快速穿梭。
Tracy Alloway：你认为哪一个更重要：拥有最新的顶级前沿模型，还是拥有精细结构化、打好标签并标注出色的数据集？
Tushara Fernando：这取决于你试图完成的任务。如果你面对的是编程任务，你确实希望使用最新的顶级前沿模型。但对于量化研究任务而言，底层数据才是滋养 Alpha 研究的燃料。仅仅试图使用前沿模型将让你一无获处。
Joe Weisenthal：这是在我们关于 AI 部署的许多讨论中经常出现的问题，或许你们二位都可以解答一下。
你们拥有所有这些不同的团队，我假设每个人——包括那些对 AI 了解不多的人——直觉上都会想：“我要用最强版本的模型。我要 Opus 4.x 以及其他最顶尖的东西。”
对于深度计算任务、工程问题或编程问题，那些可能确实是最好的。但许多人可能根本不需要任何类似于那种强度的模型。
你们如何思考在公司内部分配 Token 和管理消费——既避免人们因为使用最高级的模型而浪费资金，同时又给予他们足够的空间去探索和发现他们能从 AI 中获得的最大潜在价值？
22:30-25:00
Gary Collier：经济学问题是一个非常有趣且重要的问题。
在去年年底，当我们预感到使用量可能会急剧加速时，我们根据不同类型的用户和用例对公司未来的形态进行了建模。我们制定了预算，并在今年将这些预算下放到公司内部的所有业务单元。
我坚信应该将决策权下放到有意义的最低层级。这使得人们能够保持敏捷，并根据自身及其部门的情况优化经济效益。
当然，预算是可替代（Fungible）的。如果一个部门希望从其他支出领域转移资金并表示：“我们认为我们应该购买更多的 Token”，他们完全可以自由这么做。
我们构建的 AI 平台提供了非常丰富模型选择。它并非 100% 涵盖所有，但包含了所有主要的前沿模型以及许多不同的开源与开源权重（Open-weight）模型。
Joe Weisenthal：你们是否有模型能够将查询路由（Route）到最优化、最具成本效益的模型上？我知道人们对查询分发分类器很感兴趣，大型 AI 实验室本身也在使用它们。这是你们自主构建的东西吗？你们是如何解决这个问题的？
Tushara Fernando：我们本可以做到这一点，但我们选择不这么做。我们希望员工能够理解如何最好地使用 AI 以及该使用哪些模型的内在逻辑。
相反，我们极大地倚重教育。我们拥有展示员工如何使用 AI 的丰富数据集，因此我们对此拥有深刻的洞察。我们观察到的一些现象其实是非常基础的错误。
通常，人们会在同一个上下文窗口（Context window）中执行多个任务。他们会先试图确定撰写投资假设的最佳方式，然后询问去哪里吃午饭，接着再问明天的天气如何。
25:00-27:30
Tushara Fernando：如果你身处 AI 细节领域，这是一个众所周知的问题，但英仕曼集团有 1700 或 1800 名员工，他们在根本层面理解这些事物工作原理的技术水平参差不齐。
因此，我们一直在大力专注于教育。我们对员工拥有的预算以及这些预算的消耗方式保持高度透明，并与他们讨论不同层级的模型。
通过这种方式，我们看到了更好的效果。我们还看到员工找到了相当有创意的减少 Token 消耗的方法，并将这些解决方案贡献回平台。
Tracy Alloway：能详细讲讲吗？
Tushara Fernando：例如，假设你正在使用一个编程 Agent，想要执行一些基础的 Git 命令来与版本控制系统交互。通常，编程 Agent 会发送命令，然后将该命令返回的整个结果作为 Token 进行处理。
相反，你可以使用一些简单的工具和基础步骤。系统可以拦截该工具调用并在 Agent 循环之外进行处理，而不是调用大语言模型去进行推理和执行工具调用。
Tracy Alloway：如果我看一眼你们总体 Token 消耗量的图表，会看到什么？我假设尽管有这些提高效率的举措，曲线依然是向上倾斜的，但目前这股斜率有多陡峭？
Tushara Fernando：自 1 月以来，我认为我们的 Token 消耗量增长了 86 倍。
Tracy Alloway：哇。
Tushara Fernando：这真的相当不可思议。我们原本没有预料到使用量会以这种方式增长，而且这种增长是全方位的。它不仅仅局限于技术和技术相关的部门。
我们看到财务、运营和人力资源团队的员工也在使用 Agentic 编程工作流。作为一名技术人员，能够将这种全新的能力和力量赋予那些以前无法使用它的人，令人超级兴奋。
Joe Weisenthal：这就引出了一直困扰我的一个问题。感觉去年 12 月和今年 1 月绝对是一个关键节点。
27:30-30:00
Joe Weisenthal：从你们的角度来看，这种剧烈的拐点在多大程度上是由模型本身的能力驱动的——即从一个前沿模型版本向下一个版本的演进——又在多大程度上来自于高质量外壳/框架（Harnesses）的出现，比如 Claude Code 或 Cowork？
这些工具允许人们使用 AI 完成超越“提问”的事情，进而扩展到操纵现实工作。你们会将哪一个归结为这场巨大加速的核心驱动力：是模型，还是外壳框架？
Gary Collier：我认为两者是交织在一起的。
Tushara Fernando：一个值得参考的有趣基准是 METR。它评估人类需要花费不同时间完成的任务，时间跨度从几分钟到许多小时不等。
我们观察到的是，大约每隔七个月，智能体工作流能够独立走离开并完成的任务时长就会翻倍。你现在可以要求一个 Agent 去执行一项原本需要人类花费 16 个小时才能完成的任务。这改变了你思考团队以及与这些 Agent 交互的方式。
你从“在循环之中”（In-the-loop）——要求 Agent 解决诸如编写单元测试之类的具体问题——转变为向其分配任务，例如为某个应用构建整个功能，甚至构建一整套应用程序本身。
我认为正是这种可扩展性使得更大规模的任务得以完成，从而导致了更大的 Token 使用量。
Tracy Alloway：我想回到监管和监督的问题。我们都知道金融是一个高度受监管的环境，你早些时候也触及了这一点。你们仍然让人类批准其中许多模型输出，因此存在监督机制。
我假设当人类批准一个新的模型或输出时，他们必须理解其中到底输出了什么。必须具备某种“可解释性”（Explainability）。
如果我是 PM——或者是一名量化分析师——坐在风控委员会或监管机构面前，可解释性到底长什么样？我该如何将模型输出转化为可理解且具备可防御性的东西？
30:00-33:04
Gary Collier：是的，你说得对。可解释性对我们极其重要。需要澄清的是，我们并不从事高频交易（HFT）业务——在那类业务中，人们构建庞大的神经网络，穿透多维空间，并产生完全不可解的输出。我们的交易和持仓周期通常是几天、几周到几个月，因此我们所有的交易决策归根结底都是可解释的。我们绝不想陷入不知道为何发生某笔交易的情境——即答案仅仅是“AI 做的”。
回到我们早些时候讨论的一些话题，以 AI 根据在数据集和学术论文内容中所见生成全新的交易假设为例。系统——即 Agent——甚至做到了为投资假设命名并撰写具体说明。
Tushara Fernando：那是它在开始编写代码之前最先做的事情之一。
Gary Collier：它用真正的英文向我们阐述它认为该交易信号背后的内在逻辑是什么。
Joe Weisenthal：显然，我们甚至还没有讨论到劳动力市场的未来、循环中的人类，以及未来我们究竟需要多少人类在循环中。但我很好奇另一种问法：AI 是否允许你们去考察那些以前由于带宽不足而无法覆盖的市场？
例如埃塞俄比亚证券交易所。仅仅为了对其产生任何程度的了解，就需要投入相当数量的人工成本，更不用说其他事项了。无论前沿市场蕴含多少潜在利润，其中都存在着最低的前期成本。这可能会将一些投资机会排除在考虑范围之外，因为潜在利润不够大，不足以支撑了解该市场所需的昂贵费用。
在我看来，AI 似乎可以通过降低其中部分前期人工成本来提供帮助，并创造出全新的机会集。这是你们在英仕曼集团思考过或具体观察到的现象吗？
Gary Collier：我认为这可能正在边际上渐进式地发生，如果我们把在全公司看到的许多微观增强累加起来的话。
33:04-35:27
Gary Collier：这里有一个相关的例子：有人构建了一个相对简单的 AI 系统，该系统从复杂的金融工具 PDF 和规格说明书中提取数据，并自动填充我们的参考数据库。所以是的，我认为这绝对在发生，但它是公司内部许多不同部分相加的总和。
Tushara Fernando：我们在系统化量化领域看到的另一种现象是，构建系统化策略需要几个前提条件。你需要具备允许你交易该工具的连接性，并且你需要理解市场价格。这是两个最根本的要素。
对于发达市场而言，这非常简单：你看一眼订单簿即可。但是欠发达市场以及诸如加密货币或资产证券化信用等领域往往更难接入。它们的交易可能更多是通过口头进行的，或者合同可能非常复杂，由于其推导过程中存在非结构化数据的微妙差异，导致难以理解价格。我们已经看到，AI 允许我们比以前更早地考虑以系统化的方式接入这些市场。
Tracy Alloway：回到劳动力市场方面，如果我是英仕曼集团的一名基金经理，且我工作中越来越多的部分涉及使用 AI 进行研究——甚至监督我可能参与开发的 Agent——这对你们正在寻找的人才意味着什么？你们是在寻找能够微调这些工程师？还是在寻找对这些事物演变具备更强直觉的传统投资者？或是两者的某种结合？你们现在看重什么？
Gary Collier：我认为可以公平地说——这也是我一直在极力主张的——无论招募进来从事什么岗位，我们招聘进公司的每个人都应该在 AI 能力方面提升拉高标准（Raise the bar）。我认为这同样适用于运营部门，就像适用于前台部门一样。
35:27-37:48
Joe Weisenthal：这意味着什么？如果有人说：“我有能力在 AI 方面拉高标准”，这样的人在招聘过程中是什么样的？
Gary Collier：这意味着鉴于目前可用的海量信息，要对该技术保持合理预期下的精通。
当我招聘员工时，我希望招到聪明、有动力、能够把事情做成，并且对其专业领域和业务范畴充满激情的人。在当今时代，你很难在满足所有这些标准的同时却说：“嗯，我对 AI 了解不多。我在工作中不太使用它。”
Tushara Fernando：你希望拥有的另一种人是具备长期思维的人——真正渴望端到端自动化某个流程，并且很乐意不再深陷于细节或循环中的人。
当你思考技术人员时，这其实相当困难。人们热爱身处细节之中。他们喜欢调试问题、深入探究底层技术。但从根本上说，你需要提升维度。你需要成为这些 Agent 的指挥家（Conductor）。你需要监督端到端的流程，而不是必然身处细节之中——这有点像具备大量技术专长的管理者。一个从更宏观、战略角度思考问题的人，会比过去价值大得多。
Tracy Alloway：这就引出了我想问的另一件事。你可以看到 AI 工具的到来带来了两种不同的结果。你可能会看到一些极其擅长使用 AI 的人成为了超级巨星——就像你说的，能够协调许多不同 Agent 的人。或者你可能会看到某种平民化/民主化效应（Democratization），即经验较浅的初级员工现在可以自动化许多任务，向 AI 学习，并用它来进行研究。
目前在英仕曼集团内部，你们看到更多的是哪种现象：超级巨星动态，还是整个公司技能集的平民化？
37:48-40:28
Gary Collier：我认为我们切实看到了两者。不过考虑到公司的规模，我们看到更多的是后者。正如我在对话开始时所说，几乎每个人日常都在使用它。做真正前沿工作的人自然更为罕见，但这样的人也不少。
Tushara Fernando：那些人往往也跨越多个团队。这很难，因为你需要从将大部分时间用于“执行”转变为将大部分时间用于“规划”。
执行所需的时间在不断下降。它变得越来越便宜。你可以非常快速地构建代码和功能，因此重点真正需要转变为：我们应该构建什么、各个部分如何连接，以及我们希望跨多个团队开发什么流程。把人们从座位上拉出来，让他们去合作与规划工作流，而不是立即试图构建概念验证（PoC）并执行想法，这可能是非常困难的。
Joe Weisenthal：让我们多谈谈 Token 支出暴增 86 倍这件事。如果我们是在今年 1 月或 2 月进行这场对话，大部分讨论都会集中在这对传统软件公司意味着什么。那是大盘软件股抛售潮尤为剧烈的时候。
但到了 7 月，我觉得对话已经变成了：“不，这些公司去颠覆的不是软件世界。它们颠覆的是劳动力世界。”你看到人们在讨论 Token 支出与员工薪水之间的比例，并表示总体可寻址市场（TAM）本质上是所有人类劳动力——即使我们可能很久都无法达到那个阶段。
Tushara Fernando：我宁愿希望不要如此。
Joe Weisenthal：Token 支出是你们技术预算的一部分，还是说它正在成为一个更类似于劳动力的独立预算项目？当你们思考 2027 或 2028 年的英仕曼集团时，你们会讨论薪酬成本与 Token 支出的预期比例吗？
Gary Collier：我们确实还没有开始进行那种对话。我猜在未来的某个节点，这一刻终会到来。公司的机制设定是：我们将资源投向能够为我们带来最佳经济回报的地方。我相信那个时刻会到来。
40:28-43:11
Tushara Fernando：Token 预算编制过程的一个有趣方面是，我们日益看到支出并非由人类驱动，而是由 Agent 驱动。这些 Agent 与工作流相关，这就引出了一个问题：谁拥有这些工作流？是这个部门还是那个部门？
这对我们来说是一个新问题——一个我们尚未解决的问题——但这是一个极好的“烦恼”。
Tracy Alloway：早些时候，我提出了机器学习的平行对比。我知道你们不做太多高频交易，但我们当然在高频交易中看到了大家都参与到“底线竞争”（Race to the bottom）的动态。我甚至都不记得我们现在发展到什么地步了——
Joe Weisenthal：微秒级别？
Tracy Alloway：是的，按时间增量来看。但那就是那种底线竞争的动态。随着每个人都涌上同一辆彩车，你是否预计由 AI 驱动的 Alpha 会相对快速地被竞争掉或套利掉？还是说你们预计某些优势——例如数据和规模——会持续相当长的一段时间？
Tushara Fernando：我会说这回到了你关于 Alpha 在何处的问题。确实，现在人们更容易导入数据集、对其进行分析并构建特征。但这并不意味着他们能够交易它们。
我们做这件事已经几十年了，因此我们具备接入这些市场的能力。我们与经纪商保持着良好的关系，拥有并非简单现成可用的数据访问权限。重点在于将所有这些要素整合在一起：专业知识、市场接入能力、我们拥有的所有数据、丰富的市场数据，然后赋予 AI 诸如回测和算力等能力。我认为正是这整个网络——这整个生态系统——驱动着 Alpha。
在英仕曼集团，并没有某一个我可以指着说“Alpha 就在那里”的代码库。它实际上是一个相互作用的不同系统组成的网络。某些特征和数据集绝对会变成基础设施/门槛（Table stakes）。它们将从 Alpha 的来源转变为风险因子，因为每个人都拥有它们并且它们会推动市场。但这并不是我们赚钱的唯一方式。我们能够将不同的数据集和不同的做事方式连接起来，然后真正基于这些信号进行交易。
43:11-45:34
Joe Weisenthal：Gary，我想回到你早些时候讨论瓶颈时说过的某些话。当然，每个人都想要更多的数据和更多的算力。没人会抱怨拥有这些。但真正的考验在于，一家机构是否具备从这些工具中获取最大价值的架构能力——无论是在文化上还是在层级结构上。
这显然是一个极其热门的领域。例如就在上周，微软宣布了一项名为“前沿企业”（Frontier Firm）的计划，这本质上是一个新的细分部门，似乎旨在解决这一特定问题：深入一家组织并确定其未来的最佳结构。
可以说，这正是像 Palantir 这样的公司通过其“前沿部署工程师”（Forward-deployed engineers）试图做的事。我们听说 Anthropic 正在向高盛派遣工程师，帮助其真正杠杆化——我讨厌用这个词，因为太老套了——这些工具。
在这方面你们具体看到了什么？是否有第三方公司跑来找你们说：“我们可以与你们合作，确定英仕曼集团未来的组织结构，以便从这些工具中获取最大价值”？
Gary Collier：听到你刚才提到的价值数十亿美元的前沿部署工程师部门，我确实会心一笑，部分原因是我们在过去大约 15 年里内部一直就是这样构筑的。
我们非常重视平台，我们拥有几个团队——Tushara 负责其中一个——负责构建平台技术的大型跨领域构件，在她的案例中就是数据平台。但我们技术团队的很大一部分早已由前沿部署工程师组成，这种情况已经持续了十五年。他们与我们的量化分析师以及自由裁量基金经理坐在一起。
我经常对面试加入团队的人说的一句话是：“让我们走过 Riverbank House 五楼的办公区，我希望你告诉我哪些是工程师，哪些是量化分析师。我敢赌你肯定会认错。”你在他们屏幕上看到的内容非常相似，这一点在今天与十年前一样适用。
45:34-48:16
Joe Weisenthal：最后一个问题。我对投资语境下的另一件事感到好奇。我们知道当存在大量数据，且 AI 能够跨非结构化和结构化数据进行调取和通信时，AI 的效果最好。
在像英仕曼集团这样的实体中，是否存在利益对齐问题（Alignment issues）？如果我拥有能产生 Alpha 的领域专业知识，那可能就是我在机构中拥有一席之地或者被视为“创收明星”（Rainmaker）的原因。你在各类公司都会听到这种情况，即薪酬与某人在特定领域的深厚专业知识相挂钩。
你们如何对齐激励机制，以便公司——即英仕曼集团这个整体品牌——能够切实捕获到那些超级巨星的部分专业知识和数据？你们如何让这些人将尽可能多的信息贡献给一个需要大量数据和信息的系统？
Tushara Fernando：在某些领域，这依然是一项正在推进中的工作（Work in progress）。
Gary Collier：我们之所以说“在某些领域”，是因为在其他领域——尤其是业务中的系统化和量化领域——高度协作的方法和共享代码库长期以来就是这些领域的运作方式。
我并不是说你走过自由裁量投资楼层时，会发现所有的基本面投资者都那么开放和无私。我和他们中的许多人讨论过他们的工作流程。他们对 90% 的内容保持开放，但随后会有剩下的 10%：“这是我个人价值创造所在，我不太方便谈论它。”
即便如此，那里依然存在着非常得体和真实的协作。只有当你触及极其敏感的领域时，人们才可能会稍微不太愿意倾囊相授。
Tushara Fernando：从宏观层面来看，存在着海量的共享工作流。想想我们如何进行回测，或者我们如何阅读一份投资报告。这些工作流体现了人们的专业知识，但它们并不必然是产生回报的那 10%。
那些领域被封装在 AI Playbooks（剧本）和 AI Skills（技能）中，我们将其放入知识平台，供整个楼层使用。在某些情况下，关于策略如何运作的具体细节和投资流程确实会保留一部分。
48:16-50:40
Joe Weisenthal：这很有道理。Gary、Tushara，非常感谢你们来到 Odd Lots。我们非常感谢二位抽时间讨论你们目前的进展。
Gary Collier：谢谢你们。
Tushara Fernando：这是我们的荣幸。非常感谢。
Joe Weisenthal：你知道我觉得刚才那场对话真正有趣的地方是什么吗？依然有如此多的事情有待厘清。
Tracy Alloway：甚至是基础的 Token 预算以及那些资金该分配到哪里。
Joe Weisenthal：自 1 月以来暴增 86 倍确实挺疯狂的。
Tracy Alloway：这也是我在思考的另一件事。在某个节点，Token 使用量 86 倍的暴增需要在另一个具体的数字上体现出来，无论是费用削减、收入创造还是利润生成。我不知道在这方面能有多少容忍度。
Joe Weisenthal：是的。目前他们经历了这 86 倍的爆发，但他们依然在说：“我们想构建一个内部路由系统来尽量降低这个成本。”甚至在增长 86 倍之后，他们依然处于弄清楚想使用哪个模型并进行试验的阶段。
在我看来，这实际上对 Token 支出是相当看涨的（Bullish）。它可以增长 86 倍，却依然没有达到让他们说“我们真的需要对此实施 Token 紧缩”的地步。谁知道那些刚刚起步的公司何时才真正不得不实施某种 Token 紧缩政策呢？
Tracy Alloway：我想我们终会在某个时刻找到答案。但另一件让我印象深刻的事是你提出的问题：你如何让员工放弃他们自己的“独门秘籍”——即实际上决定了他们首先拥有这份工作的东西。键盘按键监控能解决这一切，对吧？
Joe Weisenthal：是的，尽管你需要他们主动提供。不久前有个故事，说 Meta 开始使用自己的内部数据训练其模型，我的反应是：“他们之前居然没这么做？”我真的感到非常意外。
Tracy Alloway：尤其是在金融和投资领域，这些已经是高度受监管的行业，且推测已经在监控几乎所有事情了。
50:40-52:14
Joe Weisenthal：我原本以为所有这些构建模型的公司都已经在使用其员工生成的全部数据了。但是创收明星们会突然开始用纸笔记录所有东西，以避免在无意中将他们的全部知识上传给 AI 吗？我认为这本身就是一个非常有趣的问题。
Tracy Alloway：显然，这里有许多有趣的问题。
Joe Weisenthal：我们今天就聊到这里？
Tracy Alloway：今天就到这里吧。这是又一期的 Odd Lots 播客。我是 Tracy Alloway。你可以在 @tracyalloway 关注我。
Joe Weisenthal：我是 Joe Weisenthal。你可以在 @TheStalwart 关注我。关注我们的制作人：@carmendeiro 的 Carmen Rodriguez、@dashbot 的 Dash Bennett、@calebbrooks 的 Caleb Brooks，以及 @kevinlozano 的 Kevin Lozano。
欲获取更多 Odd Lots 内容，请访问 Bloomberg.com/OddLots 查看我们的每日简报和所有节目。你可以在我们的 Discord 社群 discord.gg/oddlots 中 24 小时随时讨论所有这些话题。
Tracy Alloway：如果你喜欢 Odd Lots 并且喜欢听我们讨论金融公司如何实际落地 AI，请在你最喜欢的播客平台上给我们留下一条好评。
请记住：如果你是彭博的订阅用户，你可以完全无广告收听我们的所有节目。只需在 Apple Podcasts 上找到 Bloomberg 频道并按照那里的提示操作即可。感谢收听。
🔗 原文链接
https://thetranscriptdesk.substack.com/p/one-of-the-worlds-largest-hedge-funds