目前最热门的话题之一必然是DeepSeek。这家中国公司以不到600万美元的训练成本，就开发出与OpenAI旗下ChatGPT性能接近的AI模型。
DeepSeek的突破完全在我意料之中。这家公司源自中国头部量化交易机构幻方量化，作为另一家量化机构创始人，我深刻理解这类突破为何会诞生于量化机构。
在阿尔法星研究，我们的交易决策完全由自主AI模型驱动。当模型性能提升20%，公司利润就会同步增长20%——这意味着资产负债表上的真金白银。这种反馈机制直接而高效：模型越强，利润越高。训练费用由公司自有资金承担，因此每节省一美元训练成本，都会直接转化为公司利润。与幻方量化类似，阿尔法星研究自身具有强大盈利能力，这使得我们在AI研发中必须精打细算，始终关注技术实效。
OpenAI则呈现截然不同的商业模式。作为尚未盈利的创业公司，其估值（及山姆·奥特曼个人财富）完全取决于资本市场的认可。虽然ChatGPT的性能提升有助于估值，但这种关联链条过于漫长。在训练成本方面，OpenAI甚至存在反向激励——越是豪掷千金采购GPU，越能向投资人证明大模型研发的”必要投入”，从而推高公司估值。这种独特生态催生了令人玩味的现象：OpenAI在训练上的”挥霍”程度，反而成为其估值攀升的推手。
深入剖析可见耐人寻味的角色错位：DeepSeek虽属金融企业，但其利润完全源自技术创新，是真正以技术为本的机构；OpenAI虽冠以科技公司之名，其资金却来自金融估值游戏，本质上更接近金融运作。这种差异在创始人背景中亦可见端倪：DeepSeek CEO梁文峰是幻方量化联合创始人兼技术负责人，而OpenAI创始人山姆·奥特曼则出身Y Combinator创投机构。
量化机构称雄AI研发还另有深层原因。金融市场赋予我们处理”带噪声小数据”的独特能力：在阿尔法星研究，我们面对的是被市场操纵者污染的、仅GB级的金融数据。这种环境倒逼我们专注于模型架构创新，而非盲目堆砌H100显卡和PB级数据。
另一个关键优势来自极速系统构建能力。为实现高频交易的微秒级优势，我们建设了横跨东京、香港、芝加哥、纽约的微波通信网络，确保交易系统全链路延迟低于1毫秒（甚至微秒级）。这种追求极致效率的技术基因，正是媒体报道中DeepSeek绕过CUDA、采用底层编程优化训练效率的根源——这正是量化机构做AI的标准操作范式。
创立阿尔法星研究前，我曾在美国顶尖量化机构城堡证券（Citadel Securities）担任研究工程师，更早则在亚马逊、Meta等科技公司任职。一个有趣的对比是：当我在科技公司工作时，提及职业总会收获赞誉，常有人感谢我为科技进步作贡献；但在城堡证券期间，每次谈及雇主，往往遭遇尴尬沉默，甚至被指为”邪恶对冲基金从业者”。这种认知偏见令人遗憾。正如计算机与互联网最初源自军事需求，最终惠及全人类，我相信以DeepSeek/幻方量化为代表的量化机构，将与软件互联网企业共同推动AI技术革命。阿尔法星研究也将为此持续贡献力量。
关于作者：李新野，阿尔法星研究创始人兼CEO。该公司是位于纽约的AI研究与量化交易机构。与DeepSeek创始人梁文峰相似，李新野同样来自中国广东省。
原载于我的英文博客：https://sinyalee.com/essays/?p=138 。中文翻译由DeepSeek提供。
