为什么 AI Trading 和自动驾驶是同一个问题

差不多五个月前，我写过一篇关于 AI 和交易的访谈。

当时写的时候，很多东西看起来都像吹牛逼。AI Trading 的 L2、L3，持续监控，交易退到后台，AI 在高风险环境里逐步接管控制权，从需求反推场景，靠一整套乘数效应形成标准。

现在回头看，发现这些东西居然都快成真了。

当然，AI Trading 和自动驾驶在产品形态上不能直接等效。一个面对物理世界，一个面对金融市场；一个输出方向盘、刹车和油门，另一个输出买、卖和目标仓位。但如果从用户的损失偏好、控制需求和注意力结构来看，这两个领域又接近得吓人。

它们解决的其实是同一个问题：

在一个非稳态、高风险、需要持续注意力的环境里，人怎么把控制权逐步交给 AI。

无限的信息，有限的动作

开车有一个很有意思的特点：信息输入几乎是无限的，但最后驾驶员能做的事情非常有限。

前车距离、旁边车辆的速度、后车有没有顶上来、路边有没有小孩、红绿灯还有多久、地面是不是湿的、道路有没有结冰、对向车是不是准备越线、旁边电瓶车驾驶员的头朝着哪个方向。

这些信息可以无限增加。

但最后驾驶员能做的，无非就是加速、减速、转向、换道和停车。

交易也差不多。

用户可以看新闻、财报、K 线、成交量、宏观数据、利率、汇率、政策、产业链、资金流、其他持仓，以及一大堆不知道到底有没有用的信息。

但最后落到仓位上，能做的仍然很有限：

买，卖，持有，加一点，减一点。

人类驾驶员之所以会特别疲劳，一个很重要的原因，就是输入信息没有自然上限。

你永远不知道自己是不是已经看够了。多看一辆车、多看一个路口，都可能改变接下来的动作；少看一眼，也可能刚好错过一个会导致事故的东西。

所以人在开车时承担的不只是信息处理，还有一层更麻烦的责任：

我是不是漏掉了什么？

交易也是如此。

一个人看完十条新闻之后，不会自然知道第十一条新闻是不是会推翻前面所有判断。研究没有一个明确的终点。你可以永远继续看，永远继续补充信息，也永远无法证明自己已经看够了。

这才是盯盘真正累的地方。

不是信息太多，而是没有人替你宣布：

这些信息已经足够形成一个动作了。

AI 最重要的能力不是知道更多，而是结束思考

智驾同样面对无限的信息输入。

摄像头、雷达和其他传感器每时每刻都在接受大量信息，但智驾系统最后必须输出驾驶动作。

左转两度，减速，保持车道，或者停车。

这个动作未必永远正确，但它提供了一个非常重要的东西：决策的闭合点。

这一刻的信息已经被系统处理过了，系统决定这么开。

于是人类驾驶员不再需要证明自己理解了整个道路环境。他只需要判断一件事：

这个动作看起来对不对，我要不要接管？

这就给了人类驾驶员一种“驾驶的合法性”。

人在有智驾辅助时，不需要持续把整个世界从头理解一遍。系统已经把无限的观察空间压缩成了一个有限、可见、可以被覆盖的动作。

人的角色从全量认知者，变成了行动审议者。

这件事映射到 AI Trading 上也是一样的。

一个只会给用户堆新闻、研报和解释的系统，并没有真正减轻用户的负担。它只是给用户提供了更多输入，然后让用户自己把这些输入压缩成动作。

市场为什么涨？

这个政策影响哪些板块？

原油上涨会怎么影响美股？

这些问题当然都很重要，但最后用户仍然要自己回答：

那我到底要不要动？

动多少？

什么时候动？

如果 AI 只是帮助用户理解市场，而不提供一个明确的控制输出，那么最累的那一步仍然留给了用户。

所以真正有价值的输出，最后一定要落到控制面上：

当前继续持有。 目标仓位从 50% 降至 35%。 跌破某个条件后减仓。 现在不执行，但需要在某个事件之后重新评估。

这些输出不一定比 AI 前面的分析更聪明，但它们让整个系统形成了闭环。

用户终于不需要回答“市场到底意味着什么”这个无限问题，只需要回答：

我接受不接受这个有限动作？

AI 产品最重要的能力，可能不是替用户知道更多。

而是替用户结束思考。

当然，不是禁止用户思考，而是在无限的信息流里面，给出一个足以行动的暂时结论，让用户知道现在已经可以做决定了。

用户怕的不是黑箱，而是不知道黑箱在哪

过去的 OpenAlice 有一个很奇怪的问题。

AI 给出的主观判断其实大差不差，甚至盲猜仓位的直觉也不差。市场状态不好的时候，AI 大概知道应该降低仓位；风险扩大的时候，AI 也大概知道应该保守一点。

从有效性来说，它并不差。

但用户用起来总有一种很莫名其妙的感觉。

Alice 很莫名其妙地告诉用户市场不太好，又很莫名其妙地给出一个目标仓位。哪怕产品里已经放了很多研究、解释和市场信息，用户仍然会觉得：

为什么是 35%？

为什么不是 20%，也不是 50%？

这个数字是怎么算出来的？

问题在于，Alice 可以解释市场为什么不好，却很难解释为什么不好到恰好应该持有 35%。

因为这类数字本来就是综合判断。很多时候，它不是从一条完全可以还原的公式里推出来的，而是模型根据大量信息给出的一个大致合理的结论。

于是 OpenAlice 的有效性走在了可解释性前面。

它经常能够给出不差的答案，但产品没办法证明它为什么有资格这么自信。

Auto Quant v2 加进来之后，原本的产品功能其实一点都没变。

该监控还是监控，该分析还是分析，该给目标仓位还是给目标仓位。

但用户突然更放心了。

因为现在可以说：

Alice 对市场的判断是这样的，Auto Quant 给出的目标仓位是 35%。

用户也不知道 Auto Quant 里面具体做了什么。

他可能不懂回测，不懂风险平价，不懂协方差矩阵，也不知道里面的模型是怎么跑出来的。但他知道，这个结论是 Auto Quant 给的。

这就够了。

所以用户怕的从来不是黑箱。

用户怕的是不知道黑箱在哪。

过去整个 OpenAlice 是一个弥散的黑箱。Alice 负责聊天、研究、监控、分析、目标仓位和提醒，什么都做，所以任何一个结论都像是一个聊天机器人突然拍脑袋说出来的。

现在不可解释性被塞进了 Auto Quant。

Alice 负责理解和沟通，Auto Quant 负责数值判断，监控系统负责发现变化，用户负责接受、修改或者拒绝动作。

每一层仍然可能是黑箱，但黑箱有了门牌。

系统级的不可解释性，被收容成了模块级的不可解释性。

过去是闹鬼，现在是机房。

人类显然更信任机房。

Auto Quant 是一个好用且简洁的屎山

Auto Quant v2 是一个很好用、很简洁，同时也很屎山的东西。

这玩意我一行代码都没写。

我把它扔进了一套自动迭代的长程开发工作流里面，让 AI 自己不断干活、发现问题、修改工作台，然后继续干活。

它和 INM、Mujica 算是同一种架构的产物。

传统软件开发的结构一般是：

人类专家定义需求，工程师实现功能，用户使用产品。

但 Auto Quant 的结构更接近：

AI 使用工作台完成任务，发现工作台不好用，修改工作台，然后继续完成任务。

使用者和建设者是同一个主体。

它不需要做需求访谈，也不需要向产品经理解释为什么某个中间产物很重要。AI 发现增加一个缓存、补一个工具、换一个数据结构或者生成一种新的报告，能让后面的任务更好完成，它就直接把这个能力长出来。

所以 Auto Quant 最值得讨论的并不是代码写得优不优雅。

它真正验证的是另一个问题：

当人类只负责定义目标、约束和反馈时，AI 能不能独立长出一个长期可用的复杂系统？

目前来看，答案是能。

至于为什么长出来的是屎山，也很正常。

自然选择从来不奖励架构优雅，只奖励能跑、能修、能继续活下去。

人的身体也不是什么简洁架构，喉返神经还要绕着心脏走一圈，不也用了几亿年。

为什么我不认为会有比 Auto Quant 更好的 AI 量化工作台

这里可以得到一个很微妙的纯理论推论。

我不认为会有比 Auto Quant 更好的、给 AI 使用的量化工作台。

这里的“最好”不是说 Auto Quant 是全世界最专业、最快、功能最多的量化平台。

而是说：

对当前这批 AI、当前这类任务和当前这套长程工作流来说，很难存在一个严格比它更适合 AI 的工作台。

因为工作台不能脱离用户讨论。

纯粹比速度的话，汽车没有飞机快，飞机没有火箭快，火箭没有陨石快。

那我为什么不坐陨石出门？

工具的性能不是工具的固有属性，而是工具、用户、任务和环境共同构成的关系属性。

人类量化研究员喜欢的工作台，可能强调 notebook、可视化、经典模型、代码可读性和交互体验。

AI 需要的东西可能完全不同：

• 中间状态容易续接；
• 失败之后能够恢复；
• 工具可以组合；
• 日志容易定位；
• 实验可以批量生成和丢弃；
• 上下文能够压缩；
• 缺少能力时可以直接修改自己。

这两套标准甚至可能互相冲突。

人类觉得清晰优雅的流程，对 AI 来说可能充满没有意义的交互和上下文切换。AI 用得特别顺手的目录和代码，人类打开之后可能觉得像建筑垃圾。

但人类觉得像建筑垃圾，并不能证明它不是 AI 的好工作台。

Auto Quant 的使用者就是建设者，建设过程又发生在真实任务里面。

这会产生一个很强的显示偏好：

一个工作台是不是真的适合 AI，不应该问人类专家，而应该观察 AI 在拥有修改权限之后，最终把工作台改成了什么样子。

司机自己长期改出来的驾驶舱，未必最好看，但大概率不会太难开。

外部如果出现一个更好的功能，只要这个优势能够被 AI 观察、理解和验证，Auto Quant 理论上就可以把它吸收回来。

所以它的壁垒不是某一段代码，也不是某一个量化模型，而是这个闭环：

实际使用者能够修改环境，修改结果又立刻进入下一轮真实使用。

别人可能做出某一个局部更好的功能，但很难永久做出一个整体上更适合 Auto Quant 里面那些 AI 干活的工作台。

因为他们是在替司机猜车。

而 Auto Quant 的司机已经住进了车厂。

买车让司机挑，不一定最好，但总归不会太差

我没有系统学过量化。

你让我去当量化专家，我觉得对用户来说反而不太负责。

如果我硬学一点量化知识，再亲自设计 Auto Quant，很容易做成一个“半路出家的产品经理想象中的量化工作台”。

我会天然偏向自己能看懂、能讲清楚、觉得经典的东西。但真正进去干活的不是我，是 AI。

那我为什么要替 AI 设计一个主要方便我理解的工作台？

买车让司机挑，可能挑不到世界上最好的车，但总归不会太差。司机至少知道座椅舒不舒服、视野好不好、刹车线不线性、一天开八个小时以后哪里最折磨人。

让一个不怎么开车的人按照汽车工程教材替司机选，反而容易选出一辆参数漂亮但根本不愿意开的车。

当然，买车可以让司机挑，但刹车检测最好别也让司机自己签字。

Auto Quant 可以自己长工具、自己选方法、自己改架构，但真实性约束应该尽量独立于生成体系。

数据时间边界、未来函数、样本外验证、交易成本、风险上限、可复现性和实盘偏差，这些事情不能让系统自己随便修改标准。

内部工作台可以让 AI 自由进化。

外部真实性必须有独立约束。

真正的豪车到底需不需要智能驾驶

这个问题又回到了 OpenAlice 一开始解决的命题。

有人会说，真正的豪车不需要智能驾驶，因为豪车车主会自己请司机。

这个说法只成立一半。

它把“有人替你做”，误认为了“系统不需要具备这个能力”。

豪车车主确实可以请司机，但有司机和有智驾并不互斥。

今天我想在后排睡觉，可以让司机开；晚上临时自己出门，可以自己开；高速开累了，可以让智驾接管；司机请假了，车仍然能工作。

真正的豪华不是替用户预先决定一种生活方式，而是给用户更大的选择权。

你花一百万买一辆车，结果车缺少一种重要能力，理由是你可以再雇一个人补上，这个逻辑其实不太豪华。

照这个说法，豪宅也不需要智能家居，因为可以雇管家；私人飞机也不需要自动驾驶，因为可以雇飞行员；电脑也不需要自动化，因为可以买程序员。

显然不是这样。

司机解决的是劳动替代。

智能驾驶解决的是系统能力和随时可用性。

请司机意味着驾驶能力存在于另一个人身上，你购买的是他的时间；拥有智驾意味着这项能力附着在车上，可以随时调用。

这和 OpenAlice 的命题完全一样。

传统金融世界也会说，真正有钱的人不需要 AI Trading，因为他们可以请基金经理、私人银行和家族办公室。

但请人并没有消灭需求，只是引入了另一个代理人。

你仍然需要判断这个人靠不靠谱，他的利益和你是否一致，他有没有持续关注你的具体情况，他的决策依据是什么。

OpenAlice 并不是简单替代基金经理，正如智驾也不是简单替代司机。

它是在用户和市场之间增加一层属于用户自己的持续能力。

用户可以请人、买基金、听分析师，也可以自己做决策。但他始终有一个不睡觉、不忘记上下文、直接服务于自己目标的系统。

真正的豪华不是：

我足够有钱，可以请人替我做。

而是：

无论我想自己做、让人做，还是让 AI 做，我都随时有选择，并且不依赖任何一个单点。

消费品存在之前，需求当然也有解决方案

这其实是一个零售问题。

当一个消费品不存在的时候，用户的需求往往也有解决方案。

没有洗衣机的时候可以请人洗衣服，没有照相机的时候可以找画师，没有搜索引擎的时候可以去图书馆问管理员。

所以“用户原本就有其他解决方案”，不能证明一个消费品没有必要存在。

相反，它往往证明这个需求是真实存在的。

真正的问题是：

一个原本只能通过雇佣、组织关系和专业服务解决的需求，有没有必要被产品化成个人可以直接拥有的能力？

消费品和服务之间最根本的区别，不只是价格，而是能力的所有权。

请司机意味着驾驶能力在另一个人身上。

拥有智能驾驶，意味着能力随车存在。

买基金意味着投资决策能力掌握在基金经理和机构流程里。

OpenAlice 想做的，是让持续研究、监控和执行能力附着在用户自己的账户、数据和生活里面。

哪怕最后做出的动作完全相同，用户和能力之间的关系也不同。

零售化也不要求产品在最高水平上战胜最专业的人类服务。

智能驾驶不需要超过全世界最好的私人司机，它只需要在大量普通场景里面足够可靠、随时可用、不需要额外协调，就已经有巨大的产品价值。

OpenAlice 也不需要比最顶级的量化基金更强。

它只需要让一个本来没有私人交易团队的人，拥有接近“有人一直帮我看着”的体验。

这就足够构成一个消费品。

AI Trading 和自动驾驶属于同一个需求 bundle

所以回头再看，当时把 AI Trading 和自动驾驶放在一起讨论，判断并没有错。

二者的产品形态不能直接等效，但它们对应的损失偏好和需求心智极度相似。

用户处于一个非常接近的 bundle 里面：

• 我希望保留最终控制权；
• 但不想持续付出全部注意力；
• 我愿意把常规动作交给系统；
• 但异常情况下必须能理解、覆盖和接管；
• 我害怕的不是日常表现差一点，而是一次尾部事件把过去的积累全部毁掉；
• 系统即使绝大多数时间不做事，只要它随时在场，就能降低我的焦虑；
• 我需要的不是纯粹替代，而是“我做、AI 做、专业人士做”之间可以自由切换。

它们面对的其实是同一个价值函数：

用系统的持续能力，换取自己的注意力自由；用可控的冗余，降低尾部风险带来的长期心理负担。

这就是为什么纯电和增程、后驱和四驱、司机和智驾，都可以拿来类比 AI Trading。

增程和四驱解决的并不只是那 5% 的极端场景。

它们真正消除的是另外 95% 时间里对那 5% 的焦虑。

智能驾驶解决的也不只是开得比人好。

它让人在堵车、高速和泊车这些持续侵蚀心智的场景里，可以暂时把注意力让出去。

OpenAlice 的监控、Inbox、Automation 和 Auto Quant 也是一样。

它们不一定直接创造更多利润，但它们让用户知道：

市场不会因为我去睡觉、写代码、开车或者谈恋爱，就彻底失去管理。

所以 AI Trading 和自动驾驶在行业分类里毫无关系，但它们可能属于同一个更高层的零售品类：

高风险持续活动中的个人智能代理。

这个品类的用户既想拥有主动权，又想从主动权的日常负担里解脱出来。

他不愿意彻底把事情交出去，也不愿意永远亲自盯着。

这才是 OpenAlice 一开始真正想解决的事情。

不是替用户猜中市场。

而是让交易在用户不看市场的时候，依然保持连续、理性和可控。