不盲目堆算力先建立技术闭环亿搏资产加快追赶AI量化前沿

发布时间：2026-09-17 08:51:11 编辑： 小编 来源：

中国量化行业与人工智能产业之间的联系正在加深。以幻方量化孵化DeepSeek、九坤投资创始团队发起设立至知创新研究院为代表，部分头部量化机构正在把长期积累的算力、算法和工程能力延伸至大模型基础研究领域。

这些案例表明，量化机构不仅是AI技术的使用者，也可能成为底层技术的创造者。但对处于不同发展阶段的机构而言，借鉴头部经验不等于复制头部投入。对亿搏资产来说，真正需要追赶的不是显卡数量，而是支撑技术持续迭代的完整能力。

算力是基础设施，但不是能力的全部

幻方较早投入建设深度学习训练平台。公开资料显示，“萤火一号”于2019年前后建设，投入接近2亿元并配置约1100块GPU；2021年建设的“萤火二号”投入进一步增加，并配置大规模A100集群。这些基础设施为后续开展深度学习和大模型研究提供了条件。

但“1万张A100是自训大模型入场线”并不是统一的行业标准。训练门槛取决于模型规模、数据体量、训练方法、芯片性能和研发目标。对于绝大多数资产管理机构，自建万卡集群既没有必要，也未必能够形成经济回报。

亿搏资产的算力建设应坚持场景驱动，根据因子研究、模型训练、组合优化和风险仿真的实际需要，采用本地资源与弹性算力相结合的方式。现阶段更重要的是提高算力利用率、任务调度效率和研究复现能力，而不是用硬件数量衡量技术实力。

从使用通用模型开始，发展金融垂直能力

DeepSeek是量化机构技术能力向通用AI领域外溢的代表性案例。DeepSeek-V3技术报告披露的约557.6万美元，是按照GPU使用时间估算的正式训练计算成本，不等于模型全部研发投入，也不包括前期研究、数据建设、基础设施和试验成本。媒体宣传时应明确这一口径，避免把一次训练的计算成本理解为整个模型项目的总成本。

2026年初，九坤投资创始团队发起设立的至知创新研究院开源IQuest-Coder-V1系列代码模型。其公开资料显示，相关40B版本在特定SWE-Bench Verified评测配置中报告了81.4%的成绩。该结果体现了量化背景团队向通用代码智能领域延伸的能力，但不同模型的工具配置、测试环境和评测版本可能存在差异，不能仅凭一个分数作绝对排名。

对于亿搏资产而言，短期内没有必要直接训练通用基础大模型。更加务实的路线，是利用成熟开源模型和商业模型，结合公司自身数据构建金融研究知识库、公告解析系统、因子研究助手和风险监测智能体。在这一过程中积累数据治理、模型评估与工程部署能力，再逐步发展具有自主知识产权的垂直模型。

把工程能力建设放在模型规模之前

量化投资与AI研究确实具有共同的能力基础：都需要处理大规模数据、验证微弱信号、控制过拟合，并将算法稳定地部署到生产环境。但真正形成壁垒的，并不是某个模型，而是数据、研究、计算、交易和风控之间的协同效率。

亿搏资产将重点推进三类基础建设。

首先是数据工程能力。建立统一的数据标准、版本管理和质量检查机制，使行情、财务、公告、研报和舆情数据能够被准确调用，并确保每项研究可以追溯和复现。

其次是研究工程能力。逐步完善因子生成、样本外验证、模型训练、策略回测和结果归因流程，减少研究人员在重复性任务上的消耗，让AI承担代码辅助、资料整理和批量验证工作。

再次是生产工程能力。模型进入实盘前，需要经过权限审批、模拟运行、压力测试和小规模验证；上线后持续监测数据漂移、交易成本和模型失效风险，出现异常时能够暂停并回滚。

建设复合型人才队伍

头部量化机构的优势不仅来自算力，也来自数学、统计、计算机和金融人才的长期协作。量化市场的高强度竞争，要求研究成果能够迅速完成从理论到系统、再从系统到交易的转化。

亿搏资产的人才建设不应只招聘模型研究人员，还需要形成数据工程、量化研究、交易执行、风险管理和合规治理之间的协作机制。研究人员既要理解算法，也要理解金融数据的非平稳性；工程人员不仅要追求性能，也要保证系统稳定、可审计和可回滚。

建立“AI反哺量化”的合规闭环

头部机构展现出的技术外溢路径，为行业提供了想象空间：量化业务积累工程能力，AI研究提高投研效率，再将技术成果扩展到更多场景。但这一循环必须建立在清晰的治理边界之上。

对亿搏资产而言，技术研发投入、基金财产和客户资产必须严格区分。AI研发应由公司依法合规安排，不得以投资者资金承担与基金合同无关的通用技术研发风险。任何AI成果回流投资业务，也必须经过模型验证、风险审查和合规评估。

勇于追赶，更要选择正确节奏

亿搏资产与头部量化机构之间，在算力储备、数据积累、人才密度和工程体系方面仍存在客观差距。承认差距，不意味着放弃追赶，而是为了确定更有效的发展顺序。

公司的合理路径应当是：先完善数据和量化研究平台，再建设投研智能体和风险系统；先发展服务投资主业的垂直AI能力，再评估向更广泛技术场景延伸的条件；先证明模型能够稳定创造业务价值，再逐步扩大算力与研发投入。

亿搏资产的目标不是在短时间内复制幻方或九坤，而是学习头部机构长期投入、工程驱动和持续迭代的能力。在算力竞争日益激烈的时代，真正的入场券并不是拥有多少芯片，而是能否把数据、模型、人才和治理连接成一个持续产生价值的系统。