如果一家量化基金拿到一个更聪明的 AI 模型，它就能赚得更多吗？未必。就像人人都能买到同一台赛车，真正拉开差距的，可能是车队的数据、维修体系、试车速度和工程师。眼下，部分大型量化机构正在把模型、专有数据、算力和研究人才组合成一套内部基础设施，甚至开始靠近前沿 AI 实验室的形态。
这里的目标仍是 Alpha——无法仅由承担常见市场风险解释的超额收益。但两份材料对趋势的支撑并不对称：量化机构重视 AI 与计算基础设施得到共同印证；“量化基金正在变成 AI 实验室”这一更强判断，主要来自 Hedgeweek 的行业报道。
买模型，还是造实验室？
基金现在面对三种选择：调用 Anthropic、Moonshot 等外部机构的模型，围绕通用模型开发自己的工具，或者直接建立研究实验室，训练和改进内部模型。
据 Hedgeweek 转述 Bloomberg，Millennium 正考虑成立定制 AI 研究实验室，以扩展现有技术的开发和应用。报道使用的是“正在考虑启动”，并非实验室已经成立。Hedgeweek 还称，这项计划可能每年耗资 1 亿美元，但材料没有提供 Bloomberg 原文或成本计算依据。
墨西哥城的 Morteon Capital Partners（MCP）已经创建 AI 研究实验室，并将其作为核心大宗商品基金业务的延伸。其 CIO Les Finemore 表示，希望把它建成“拉丁美洲顶尖 AI 研究实验室”。这是一项目标，不代表实验室已经具备相应规模、成果或行业地位。
这也改变了招聘的竞争边界。量化基金过去就会争夺数学和计算机人才；如今，如果它们要改进基础模型、训练系统和推理效率，就会与前沿 AI 实验室争夺同一批研究人员。AI 能力建设因此不再只是采购软件，而是组织、资本和人才问题。
真正稀缺的，可能不是模型
Hedgeweek 提到，DeepSeek 从梁文锋旗下量化基金 High-Flyer 孵化或分拆而来。这个案例展示了量化研究与 AI 模型开发可以紧密相连，但不意味着其他基金能轻易复制。
当通用模型更容易获得时，同一模型在不同机构手里仍可能产生完全不同的结果。差异来自专有数据、研究流程和计算系统：模型能看到什么，团队一天能试多少次，以及策略能否稳定接入真实交易，都由这些基础设施决定。Two Sigma 创建的因子分析平台 Venn，供内部团队及投资者使用，也是把研究能力产品化的一种路径。因子分析，就是拆解投资组合的收益和风险可能来自哪些共同市场因素。
Numerai 创始人 Richard Craib 的判断更激进。他认为，量化投资从数据输入到收益输出之间的软件、风险建模和数学推理，都可以由大语言模型（LLM——通过大量文本训练、能够生成文字和代码的模型）执行。他同时认为，人人都能用现成模型写代码，真正的优势在于能否建立自己的技术，几乎成为一家 AI 实验室。需要强调的是，这是从业者判断，不是经过实证验证的收益结论。
算力为什么进入收益讨论？
系统化交易通常要经过训练、回测和部署：训练让模型从历史数据学习；回测模拟策略过去会怎样表现；部署则把策略接入真实交易。Risk.net 的一份 Weights & Biases by CoreWeave 电子书推广页称，随着模型复杂度和数据量上升，算力正日益成为限制因素。训练太慢、回测成本太高或部署延迟，都会拖长策略验证与更新周期。
这解释了所谓“新 Alpha”的含义：算力不是收益本身，但更快的试验和上线速度，可能影响一个信号能否及时转化为收益。不过该材料没有披露可核验的收益数据、案例结果或基准数字，不能据此断言增加算力必然带来超额收益。
局限与未知
- 自建实验室究竟能否产生可持续 Alpha，目前没有材料提供业绩对照或因果证据。
- 大型基金可能承担高额投入，中小基金是否值得自建，仍取决于成本、数据和人才条件。
- “Kimi K3”的名称与发布时间只见于 Hedgeweek，缺少 Moonshot 官方材料佐证，因此本文不据此展开趋势判断。