AI時代哪些方向還有護城河？

原文標題：How To Reason About A Messy Future
原文作者：Systematic Long Short
編譯：Peggy，BlockBeats

編者按：當 AI 開始能夠撰寫程式碼、優化程式碼，甚至逐步接管軟體生產過程時，一場更深層的結構性變化正在逼近：職業分工、企業組織乃至知識壁壘，都可能被重新定義。

本文作者曾在對沖基金管理近 20 人團隊，卻在職業晉升期選擇離職創業。在他看來，真正的信號並不是市場情緒，而是技術能力的躍遷。當模型能夠穩定生成可用程式碼，並具備遞歸改進能力時，軟體開發與知識生產的邏輯已經開始改變。

文章從量化金融的視角出發，分析了 AI 時代仍可能存在的幾類短期「護城河」，包括專有數據、監管摩擦、權威背書與物理世界的滯後，同時提出一個核心判斷：在高度不確定的時代，比精準預測未來更重要的，是識別方向並在窗口關閉前採取行動。

以下為原文：

當模型開始寫程式碼，變化已經不可逆

我第一次意識到行業正在接近一個拐點，是在上一份工作時，彷彿聽見背景音樂開始慢下來，而周圍的人卻仍在假裝一切不會改變。

當時我在一家對沖基金管理著將近 20 人的團隊，做著自己已經做了很多年的事情。從外界看來，這幾乎是一條穩步上升的職業路徑。如果繼續留在那裡，我大概率還會取得更大的成就。但最終，我選擇離開那個很多人夢寐以求的位置，從零開始做一家創業公司，團隊只有寥寥幾個人。這個決定在當時幾乎沒人理解，甚至被視為一種「職業自殺」。

但最近幾個月，大規模裁員、主動離職創業、以及越來越多的人白天上班、晚上悄悄寫程式碼做專案。這一切讓當時那個看起來「瘋狂」的決定，似乎沒有那麼離譜了。

這段時間，有不少人問我：這一切最終會走向哪裡？這篇文章，就是我目前能給出的答案。

坦率地說，我並不確定變化最終會有多大。但量化金融教會我的一件事是：方向正確，往往已經足夠。

真正讓我意識到變化已經不可逆的，是 ChatGPT 的 o1 模型。

在那之前，我一直把這些系統稱為「LLM」，而不是「AI」。我並不認為它們真的具備某種接近智能的能力。但 o1 出現時，有一件事情發生了變化：這些模型第一次可以通過結構化提示詞，穩定地生成程式碼。

程式碼依然不完美，也會出現幻覺或理解錯誤。但關鍵在於：它已經可以寫出有用的程式碼。

我的判斷很簡單。一旦 AI 能夠生成可用程式碼，它就會開始遞歸地改進自身邏輯，並以一種我們難以想象的速度推動軟體開發。

每當我提出這一點時，總有人反駁「這些程式碼仍然有 bug，還遠遠達不到生產環境的要求」。但這恰恰忽略了一個事實：人類寫的程式碼同樣有 bug。我們不需要 AI 寫出完美程式碼，才會停止自己寫程式碼。

真正的轉折點是，當 AI 寫程式碼的錯誤率低於人類，同時速度遠超人類。那一刻，寫程式碼這件事就會被徹底外包給機器。

在我親眼看到 o1 的能力之後，我幾乎可以確定：未來會發生非常劇烈的變化。

AI 時代仍然存在的護城河

最初，我認為 AI 會逐步侵蝕量化金融行業，但這個過程會比較慢。原因很簡單：機構級程式碼幾乎沒有公開數據可供訓練。

當時我把軟體工程想像成一個金字塔：最底層是基礎編碼工作；再往上是具備架構能力的高級工程師；再往上則是專業開發者，比如，資料科學家、量化開發者、各類行業專家。理論上，專業知識越深，職業越安全。

我當時的判斷是：兩年之內，基礎程序員會首先被淘汰；隨後是高級工程師；再往上，隨著模型逐漸吸收專業知識，更高層的岗位也會受到衝擊。

但很快我意識到另一件事：前沿模型公司最終會直接雇用行業專家，把專業知識輸入模型。換句話說，專業知識確實會成為短期護城河，但從長期來看，它同樣會被模型逐步消化。

在當時的判斷裡，有幾類業務在未來五年內不太可能被輕易顛覆。

第一類：專有數據

擁有大量專有數據的公司更難被替代。

例如大型多策略對沖基金（prop shop），像 Millennium 這樣的機構，每天都在產生龐大數據：分析師研究、投資建議、市場判斷、實際交易結果

這些數據可以用來不斷微調模型，使其形成外部難以複製的優勢。只要企業的數據來源對模型來說不是輕易可以得的，它就仍然擁有一定時間的護城河。

第二類：監管摩擦

任何需要大量人類審批的行業，都不容易被快速顛覆。例如，傳統金融市場。

要進入這些市場，你需要：開設券商帳戶、獲取牌照、簽署跨境法律文件。交易加密資產很容易，但一家外國公司想在中國交易鐵礦石，卻遠沒有那麼簡單。

只要某個行業仍然需要人類簽字批准，它的發展速度就一定會被審批流程所限制。

第三類：權威即服務

現在，讓 AI 寫一份法律意見書已經不算難事。但現實是，人們仍然願意支付數萬美元請律師出具法律意見。原因很簡單：AI 的意見目前沒有權威性。

智能合約審計也是同樣的邏輯。從技術角度看，AI 可能已經能達到甚至超過頂級審計員的水平。但市場仍然更願意購買知名審計公司的「蓋章」。

因為客戶真正購買的不是意見本身，而是意見背後的權威。

第四類：物理世界

硬件的進步速度遠遠慢於軟件，同時，硬件問題也更難修復。

因此，與現實世界直接交互的實體行業，短期內不太可能被 AI 快速顛覆。不過，一旦硬件能力跟上，同樣的邏輯仍然會成立：低層岗位先消失，然後是更高層岗位。

這些護城河確實存在。但必須承認，它們只是延緩變化，而不是阻止變化。

基於信號行動，而不是等待確定性

當未來高度不確定、變化速度極快時，人們通常會犯兩種錯誤。

第一種是，等待確定性出現再行動。第二種是，簡單套用歷史類比，比如：「這就像互聯網泡沫。」

兩種做法都可能導致判斷失誤。

在資訊不完整的情況下，更合理的方法是，從第一性原理推理。

你不需要知道未來的每一個細節。你只需要，大致判斷方向、設計非對稱的押注也就是說，如果判斷錯了，損失可控；如果判斷對了，收益巨大。

在不確定的未來裡，非對稱性就是全部。

一個實用的思考方法是，先問自己「某個結果要發生，需要哪些前提條件？」，再問，這些前提條件是否已經出現？

回頭看這次 AI 拐點，其實並不難預見。因為關鍵輸入早已存在，能寫程式的程式、可以遞歸改進的模型、可以購買而不是培養的機構知識。

只要認真觀察這些信號，就能大致判斷未來方向。

甚至可以繼續推演。

我們可能還沒有真正見到以下場景：AI 可以訓練自己、AI 可以複製自己、AI 完全自主運行

如果一個 AI 能通過一系列行動把自己的能力提升 0.1%，聽起來似乎不大。但只要這個數字不是 0，它就會不斷放大。這背後是典型的冪律效應。

在金融市場裡，一旦信號變得顯而易見，交易往往已經擁擠。

在投資中，你用不確定性換取早期信念。在職業和創業中，本質上也是一樣。

所以真正的問題並不是，未來會發生什麼？而是，我已經知道什麼？這些信息指向哪個方向？現在行動和等待之間的成本差異是什麼？

還有一個經常被忽略的事實，行動本身會創造信息。

行動不是在真空中發生的。當你對世界採取行動，世界會給出反饋。這些反饋會帶來新的信息。信息推動迭代。迭代產生更好的行動。這就是進步的基本機制。

在不確定中保持靜止，是一種緩慢衰退。而行動，則意味著探索。

如果我只是想繼續吃現有體系的紅利，大概還能維持幾年。但我一直想做一件真正屬於自己的事情，而我感覺這個窗口正在迅速關閉。

當然，全球最大的對沖基金仍然會過得很好，它們擁有專有數據，極難被複製。傳統金融市場也仍然被監管和人工流程所限制。

但我相信，這些機構最終也會用 AI 替代絕大多數員工，甚至包括組合經理。

不會馬上發生，但遲早會發生。

我當時的判斷是，我大概還有 4–5 年窗口期。等到基礎模型公司吸收足夠多的行業人才，新創業公司將很難再進入這個領域。在一些市場，比如美國股票市場，這種趨勢已經非常明顯。幾年之後效率會高到什麼程度，幾乎難以想像。

很快，這個世界就不會再有「第二名」的空間。我可以繼續為最頂級機構工作，但我更願意在自己仍然擁有優勢的領域出手。

於是我辭職，All in 創業。後來，這家公司變成了 OpenForage。

現在，窗口正在明顯收窄。變化速度不再是漸進式的。過去需要幾個月的進步，現在只需要幾周。

我並不認為未來幾年工作會完全消失。人類仍然需要人類。人是社會動物，而且人類目前仍然不信任 AI。權威認證仍然需要來自人類。

未來幾年，我們甚至可能看到 AI CEO，但很可能仍然需要一個人類 CEO 來批准 AI 的決策。這種「人類認證」會沿著組織結構逐層傳遞。人類經理將管理一群 AI agent。

但招聘邏輯會改變，如果 CEO 更容易向 AI 下指令，而不是向你下指令，那你就很可能不會被雇用，基礍編碼工作將越來越難找到。

如果你想讓自己不可替代，需要做到兩點。第一，在時間尺度上超過 AI。比如，長期戰略規劃、複雜決策、多年周期管理。第二，在系統範圍上超過 AI，AI 的上下文仍然有限，它們知道很多事實，但很難理解複雜系統的連鎖反應。

如果你能夠長期思考、快速吸收信息、做出長期決策，並且具備良好的合作能力那麼在可預見的未來，你仍然會有工作。

拐點到來之前，信號其實是可以看到的。只是大多數人，不去看，看到了不行動，或者等到信號變得震耳欲聾時才反應過來。但那時，機會往往已經被市場定價。

不要忽視正在移動的地面，不要待在一個正在失去優勢的位置，同時告訴自己等時機更好再行動。真正的時機很少會提前通知。當所有人都意識到時，窗口往往已經關閉。

我看到了信號，我做出了押注。現在，我正生活在這個押注的結果之中——無論好壞。

[原文連結]