把 AI 用到极致的那家公司，为什么反而最离不开人

Jane Street 一年交易收入 396 亿美元，正把算力堆向数十万块 GPU。这家最激进拥抱 AI 的量化机构，结论却是：最赚钱的交易，比过去更需要人。

2026 年 5 月，一家平时极其低调的公司突然刷了屏。有人替它算了一笔账：Jane Street，一家量化交易机构，2025 年的交易收入约 396 亿美元，把高盛这样的老牌投行甩在了身后；这一年它发出的薪酬池高达 93.8 亿美元，而全公司只有约 3500 人——平摊下来，人均 268 万美元，折合人民币超过 1800 万。这还只是薪酬；若按利润算，人均一年能创造约 900 万美元。

几乎在同一时间，这家公司做了另一件事：一次性向 AI 云厂商 CoreWeave 承诺约 60 亿美元的算力订单，还顺手买了它 10 亿美元的股票；与此同时自己下场盖数据中心，GPU 规模从几万张，奔着几十万张去。一家做交易的公司，正在把自己活成一家算力基建公司。

如果说这个星球上有谁最有资格相信"AI 可以接管一切"，那大概就是它。可偏偏是这家公司的技术负责人，在一次访谈里说了一句让很多人意外的话：人不但没有变得不重要，反而比以往任何时候都更值钱。

这篇文章想拆的，就是这个悖论：一家把 AI 用到极致、为算力一掷千金的公司，为什么反而给出了"更需要人"的结论。答案里藏着一个判断，比"文科理科谁被淘汰"值得琢磨得多。

一家交易公司，正在把自己盖成一座算力工厂

先把这家公司有多"极致"讲清楚，后面的反转才有分量。

Jane Street 甚至没有传统意义上的 CEO，靠一批合伙人和管理委员会共同运转，层级极少。就是这样一家机构，如今在算力上的手笔堪比一线科技巨头。2026 年 4 月，它和 CoreWeave 签下约 60 亿美元的云算力协议，用上英伟达最新一代的 Vera Rubin，还额外花 10 亿美元买了 CoreWeave 的股票——既是大客户，又是股东。除了租，它还自己建：在德州已经有一座塞了四千多块 GPU 的数据中心，并计划自筹资金新建 100 到 200 兆瓦规模的算力中心，专门用来训练预测资产价格的内部模型。

值得停一下体会这个跨度。在一期走访德州数据中心的播客访谈里，Jane Street 技术负责人 Ron Minsky 回忆，公司最早的"集群"不过是办公室里码起来的 6 台戴尔机器，之所以非要放在自己眼皮底下，是为了万一出问题能一把拔掉电源。从办公室角落的 6 台机器，到奔着几十万块 GPU 去的算力工厂——这就是过去二十年一家交易公司对算力胃口的膨胀曲线。

最耐人寻味的一句，来自主持人那个略带挑衅的问题：你不担心算力买多了砸手里吗？毕竟像 Meta 那样的公司买一堆 GPU，就算训模型暂时用不上，还能拿去优化 Instagram 的广告推荐，有"兜底用途"。Jane Street 呢？Ron 的回答是：我们其实严重缺算力。公司内部一大堆想法都被算力卡住，现在只能挑最有价值的实验做；离"算力过剩"还差得远。

连全世界最会赚钱、最舍得砸钱的机构，都觉得算力永远不够用。那么它接下来对"人"的判断，就不是一句鸡汤，而是一份来自最前线的观察。

越慢的交易，越值钱：速度和智能是反着来的

很多人对量化机构有个刻板印象：不就是拼手速的高频交易吗，越快越好。顺着这个印象往下想，就会得出"大模型那么慢，根本用不进交易"的结论。

Ron 的回答，先拆掉了这个前提。交易不是只有一个时间尺度，而是同时活在很多个尺度上。有些交易确实要快到离谱——响应必须在 100 纳秒以内完成。这个速度下别说大模型，连通用 CPU 都嫌慢，只能用 FPGA（一种可以按需"焊死"成专用电路的芯片，牺牲灵活性换极致速度）。但这只是交易的一端。往上走，有微秒级的、毫秒级的，还有一些决策，一天之内做出来就行。

这里有一条反直觉的规律：速度越快，里面能塞进去的"智能"越少；速度越慢，能塞进去的智能越多。 100 纳秒的决策里没有思考的余地，纯拼电路；而一天之内做的决策，可以调动海量数据、复杂模型和人的判断。所以一套好的交易系统，从来不是"用一个模型解决所有问题"，而是在速度和智能之间摆出一整排不同的组合。

这一下就把 AI 的位置放对了。AI 不是来抢那个 100 纳秒的活儿的——那个位置早就被 FPGA 占死了，也不需要"智能"。AI 是往上走，进入那些更慢、更需要判断的尺度，和人待在同一端。

那为什么要囤那么多算力？Ron 给了一个技术层面的理由，也顺带解释了金融 AI 的特殊性：信噪比（signal-to-noise ratio，有用信息和噪声的比例）。语言数据相对干净，一句话里绝大部分是有信息量的；金融数据恰恰相反，同样一个字节，噪声远大于信号。所以你没法像 OpenAI 那样训一个越来越通用的大模型一劳永逸，而必须针对不同数据、不同任务、不同延迟要求，做大量不同的专用模型实验。算力买得越多，研究员试错和迭代的速度就越快，能碰的想法就越多——这才是砸钱的真正目的。

大钱都藏在"历史失效"的那一刻

铺垫到这里，那个尖锐的问题终于被摆上台面：AI 越来越强，人还重要吗？

Ron 的回答毫不含糊：人不仅重要，而且人类的认知比以往任何时候都更有价值——"我从来没有像今天这样，如此迫切地需要更多工程师和交易员。"请记住这句话的出处：它不是一个教育博主说的，也不是一个反 AI 的人说的，而是全世界最顶级量化机构的技术负责人说的。

他为什么这么判断？关键在于对"交易"这件事复杂度的理解。交易的本质，是判断一个东西值多少钱；而判断价值，本质上是在预测未来。未来又被无数变量牵动——地缘政治、战争、利率、供应链、技术突变、公司管理层、市场情绪……变量多到这个地步，预测的复杂度高到不可能每个环节都被自动化。

更要命的是模型的一个结构性软肋。模型最擅长的，是从历史里找规律。 它本质上是一台超级插值机器：把过去见过的模式学得滚瓜烂熟，然后在相似的情形里给出漂亮的答案。可真正赚大钱的时刻，偏偏是历史规律失效、市场发生相变（phase transition，借自物理学，指系统状态的突然跃迁，好比水到 100 度突然变成蒸汽）的时候——那些奇怪的事情扎堆发生、世界仿佛一夜变疯的日子。

这里就是整件事最深的一层：AI 在结构上最弱的地方，恰恰是最大机会所在的地方。 平常日子里的规律性交易，模型可以做得又快又好；但决定输赢的那几天，历史不再是向导，插值机器集体失灵，反而是人——凭着对异常的敏感、对新情况的理解——更靠得住。

这个洞见远不止适用于交易。任何一个行业，只要它也存在"历史突然不再管用"的时刻——一项颠覆性技术出现、一个市场断裂、一场危机爆发——那个时刻的判断力，就无法被一台学过去的机器替代。AI 负责把可以被模式化的部分自动化掉，而把人的价值，整个往上推：判断异常、理解变化、提出问题、做取舍、承担责任。机器接管重复，人接管意外。

当一家做交易的公司开始招建筑师

如果上面还偏理念，那看它招什么人，是最诚实的信号。被问到最想招什么样的人，Jane Street 的清单摊开来，本身就说明了问题：

算力基建：因为要自己盖数据中心，从选址、设计、建设到运营全生命周期都自己扛，所以要招机械工程师、电气工程师、项目经理、建筑师、结构工程师；
机器学习：模型架构、训练、大模型全生命周期相关的人；
交易员：尤其偏爱有数学、计算机、物理、工程背景的；
软件工程师：一大批，用来压榨算力使用效率、打磨内部工具。

一家做交易的公司，开始大规模招建筑师和结构工程师——这句话本身就是这轮 AI 浪潮深度的一个注脚。算力的军备竞赛，已经从"买卡"下沉到"盖楼、拉电、做散热"。

也正是在这里，能顺带回应一个热门争论：AI 是不是泡沫？有一种乐观的说法是：连一家交易公司都愿意为几十万块 GPU 买单，遍地都是算力不够用，供不应求哪来的泡沫？这个信号确实有力——Jane Street 被算力卡脖子是真金白银的需求，不是 PPT 上的故事。但值得诚实地补一句："需求是真的"和"投入可能过热"并不矛盾。 眼下这个价位上的短缺，并不能保证明天所有砸下去的资本开支都能赚回来；何况云厂商、芯片商、客户之间那种"我投你、你买我"的循环出资，也确实埋着风险。所以更稳妥的读法是：需求这一面的信号强到不容忽视，但这不等于"泡沫"这个词就此可以扔掉。把"真实需求"和"绝无泡沫"划等号，本身就是一种拍脑袋。

真正的分水岭，不在人和机器之间

现在可以回到开头那个悖论，并把它彻底解开了。

我们习惯把 AI 的问题问成一道单选题：到底是人，还是机器？Jane Street 的例子恰恰把这道单选题溶解了——最赚钱的配置，既不是纯人，也不是纯机器，而是人和 AI 搭伙：人有创造力、有对相变的直觉，AI 有不知疲倦、没有人性的弱点。二者是一对搭子，不是一对对手。

顺着这个逻辑，"AI 时代最大的危险"就要重新定义了。它多半不是"我会不会被 AI 取代"——这个问法把机器当成了对手。真正的危险藏在另一个方向：当顶级机构已经在用 AI 放大它最优秀那批人的能力时，很多人却连认真用起来都还没开始。 分水岭不在人和机器之间，而在用 AI 放大自己的人，和还没上手的人之间。前者正在拉开身位，而且是在"相变"这种差距最容易被永久固定下来的时刻拉开的。

这就是那家最舍得为 AI 砸钱的公司，同时也最看重人的原因：它们比谁都清楚，自动化并不缩小人的角色，而是把人挪到前线——挪到那些历史不再管用、规律集体失灵、只能靠判断的地方。机器拥有过去，人拥有过去开始失灵的那一刻。

那这跟你我有什么关系

如果你在替孩子纠结专业：Jane Street 的招聘清单其实给了提示——它要能盖东西的人（工程）、能建模的人（机器学习）、能判断的人（有数理底子的交易员）。共同点不是某个具体专业，而是能不能拿着这些新工具，站到问题的前线去做判断。专业是船，判断力才是舵。

如果你已经在职场：别把姿态摆成"等着看 AI 会不会抢我饭碗"。更划算的动作是反过来——成为那个用 AI 把判断部分做得更好的人。差距正在拉开，而且是现在。

如果你只想在这个时代站稳：记住那条反过来的规律——机器越擅长的，越是可以被模式化的过去；而真正在升值的，是在规则失灵的那一刻做判断的能力，外加一台替你包办所有"规则之内"的机器。把这两样凑成一对搭子，你就站在了对的那一端。