当认知开始贬值：AI时代Quant的焦虑与重估

图片

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、金融科技、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业50W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。

最先到来的，不是失业，而是失重

很多金融从业者，尤其是Quant，并不是那种会被技术新闻轻易吓到的人。

他们天生就更靠近技术，也更相信技术。模型、数据、系统、算力，这些东西本来就是他们日常工作的语言。某种意义上，他们甚至是最早欢迎 AI 进入工作流的一群人。因为他们太清楚，一个能读文献、写代码、搭框架、生成备选方案的工具，意味着什么样的效率提升。

可也正因为如此，很多人的焦虑来得比外界想象得更早，也更深。

它往往不是在看到“AI 将颠覆金融行业”这样的标题时突然袭来的。真正让人不安的，通常是某个非常普通的工作瞬间。

比如晚上十点，你还坐在屏幕前。左边是研究环境，右边是大模型对话框。原本要花一两个小时啃完的几篇论文，它几分钟就梳理出了一版结构完整的摘要；原本需要自己从零搭的实验脚手架，它很快吐出一段八九不离十的代码；连研究的结构、假设的分解、风险点的罗列，它都做得越来越像那么回事。

效率当然提高了。可真正用过的人都知道，最先冒出来的情绪未必是兴奋。

很多时候，那是一种很轻、却很难忽略的失重感。

你会突然想到：如果这些事情它都越来越会做，那我这些年一点点磨出来的能力，究竟还有多少是稀缺的？如果我最熟悉、最擅长、也最依赖的那部分价值，正在被快速压缩，那我接下来该把自己放在哪里？

这不是普通的职业焦虑。

这不是“最近工作有点卷”，也不是“新工具出来了，我得跟上”。这更像是一个以认知能力为职业资本的人，第一次清晰地感觉到：认知本身，也可能开始贬值。

最先到来的，不是失业，而是失重。

Quant最深的焦虑，不是被替代，而是被重估

如果只是多了一个好用的工具，Quant 不会这么不安。

真正触动他们的，是 AI 伸进来的位置太深了。它碰到的不是边角料，而是这个行业长期以来最核心、最昂贵、也最被尊重的那部分能力：抽象、归纳、建模、表达、验证、重构。

过去几十年，金融行业尤其是量化行业，一直在奖励这样的人：他们比别人更能处理复杂信息，更能把模糊问题形式化，更能把看似混乱的现象组织成可以研究、可以交易、可以复盘的结构。一个优秀 Quant 的职业成长，某种意义上就是不断打磨这套认知能力的过程。

读得更快一点，理解得更深一点，代码写得更稳一点，实验做得更严谨一点，框架搭得更完整一点。长期以来，这条路径很清晰，也很有说服力。很多人相信，只要沿着它持续投入，壁垒就会一点点长出来。

可 AI 的出现，让这条路径第一次出现了裂缝。

因为大家突然发现，原来很多曾被视为高门槛的认知动作，正在被迅速复制和压价。写代码，不再只是手艺；读论文，不再只是壁垒；搭框架、列提纲、生成假设、总结思路，也都不再天然代表稀缺性。

这时候，焦虑就不再是“我会不会被替代”这么简单，而变成了另一种更复杂的感受：我是不是正在被重新定价？

这两者差别很大。

被替代，是岗位层面的问题。

被重估，是价值层面的问题。

前者是在问“有没有我这个位置”；后者是在问“我这个位置里，究竟还有什么部分真正值钱”。

很多 Quant 真正难受的地方正在于此。因为他们并没有突然变弱，甚至可能还在持续变强。他们依然比很多人更懂研究、更懂模型、更懂风险、更懂数据。可他们也开始隐约感觉到：自己过去最引以为傲的那些能力，正在从“核心资产”变成“基础配置”。

以前的焦虑是“我还不够强”。

现在的焦虑则多了一层：如果强本身都在变便宜，那我到底该往哪里走？

这就是 AI 时代最刺痛 Quant 的地方：它不是先否定你的努力，而是先让你的努力失去原来的定价方式。

从建模市场的人，变成被模型理解的人

Quant 这个职业一直有一种很强的位置感。

他们是建模的人。他们观察市场、拆解现象、定义变量、建立关系、寻找规律，把原本复杂、噪声很多、充满不确定性的世界转化为某种可以讨论、可以验证、可以下注的结构。

这不只是工作内容，也是一种职业尊严。

很多 Quant 未必会把这件事说出口，但他们心里其实很清楚：自己和一般意义上的知识工作者不太一样。自己做的不是简单的信息搬运，不是浅层的内容加工，而是一种高密度的认知劳动。自己是解释者，是框架的搭建者，是把复杂世界纳入逻辑的人。

但 AI 到来之后，这种位置感开始松动了。

因为 Quant 第一次发现，自己不再只是模型的使用者，自己也正在成为模型可以理解、拆解、模仿的对象。

你的研究流程能不能拆成若干标准步骤？你的代码习惯能不能被学习？你的写作方式能不能被复制？你那些曾经被认为很“有洞察”的输出，究竟有多少是真正的洞察，又有多少只是高水平训练之后形成的模式匹配？

这些问题过去很少被认真提起。不是因为它们不存在，而是因为大家默认，只有人类研究员才能完成这类工作。但今天，这个前提松动了。

而一旦这个前提松动，焦虑就不再只是“工作会不会受影响”，而会升级成一种更深的身份冲击：如果我自己也能被流程化、被拆解、被压缩，那么我到底还有什么是不可复制的？

这是一个不太好回答的问题。

因为它不只是问“你会什么”，而是在问“你到底靠什么成立”。

你是因为拥有真正不可替代的判断而有价值，还是因为过去很多认知动作本来就足够昂贵，所以你的劳动显得稀缺？你是那个站在模型之上的人，还是那个也正在被模型重新解释的人？

这就是为什么，很多 Quant 的不安并不外露。他们照样开会，照样回测，照样写代码，照样讨论风格暴露、容量、交易成本、信号衰减。只是某些安静的时刻，他们会隐约感觉到：原来这次变化碰到的，不只是工具，而是职业身份本身。

最先被压缩的，往往是中间那一层

大家最喜欢问的问题，总是“哪些岗位会被 AI 替代”。

但在金融行业里，更真实的变化往往不是岗位突然消失，而是岗位内部开始分层，原本最值钱的部分被一点点压缩。AI 更像一种缓慢但持续的重估机制。它未必先把一个职位拿掉，却会先把这个职位里最昂贵的能力变便宜。

而在这个过程中，最先感到寒意的，往往不是最弱的人，反而是中间那一层。

这类人通常很典型。你在任何一个研究团队里都能看到他们：专业、聪明、稳定、执行力强。他们会读论文，会写代码，会搭框架，会把一个模糊想法推进成可测试的实验，会把白板上的讨论变成图表、回测和研究 memo。

他们可能不是最后拍板的人，也未必掌握资本配置权，但他们一直是组织中非常重要的一层。没有他们，很多想法根本落不了地，很多研究也无法从概念走到结果。

过去，这类人的价值非常坚实。因为高质量执行本身就是壁垒。能稳定地把复杂研究做出来，本来就很稀缺。

但今天，问题来了。

如果文献梳理可以被显著加速，代码原型可以更快生成，实验框架可以更快搭建，memo 可以更快组织，很多原本需要多年训练才能做得像样的事情，突然都变得更容易了，那么“高质量认知执行”本身，还够不够支撑原有的价值定价？

这就是中间层最真实的压力。

他们未必最先被替代，但很可能最先被压价。因为他们最擅长的部分，恰恰是 AI 最容易率先降低成本的部分。

这种压力在不同层级上有不同表现。

对刚入行的人来说，焦虑来自成长路径。以前大家相信，只要肯读、肯写、肯做实验、肯复盘，慢慢就会形成自己的研究判断。现在很多人开始怀疑：如果 AI 已经把这些基础动作都大幅提速，我还会不会有机会通过这些过程真正长出自己的能力？还是说，我只是在机器铺好的路上更快地滑行，却没有真正建立自己的判断肌肉？

对中层研究员来说，焦虑更直接。他们会开始问：我这些年一点点建立起来的专业性，会不会正在变成“必要，但不再昂贵”的能力？组织会不会仍然需要我做这些事，只是不会再用过去那样的价格购买？

而对更资深的人来说，问题又会变成另一种形态：团队该怎么重组？什么工作还值得由人来做？什么应该尽快系统化、自动化？未来稀缺的，究竟是更强的个人，还是更强的人机协同流程？

所以，AI 真正改变的不是某一个岗位，而是一整套成长叙事。

过去那套叙事很清楚：只要足够聪明、足够勤奋、足够扎实，职业价值就会持续累积。

而现在，大家第一次开始怀疑：如果努力主要沉淀在那些正在被压价的能力上，这种累积还成立吗？

这才是很多人真正不安的地方。

AI真正逼问的，是你到底创造了什么

当越来越多高认知动作都能被机器分担，一个问题就变得无法回避：

你真正创造的，到底是什么？

这个问题并不温和，因为它会迅速剥掉很多职业叙事里的修饰。你当然可以说，自己读了很多论文、写了很多代码、做了很多实验、支持了很多项目、产出了很多研究材料。这些都是真的，也都不容易。

但问题在于，如果 AI 也能以越来越低的成本完成这些动作，那么这些动作本身，就不再足以自动证明你的独特性。

于是问题只能继续往下追。

你创造的是新的问题定义，还是只是对已有问题更快的整理？你创造的是新的研究语言，还是对已有框架更高效的复述？你创造的是对市场和风险更深的理解，还是越来越精致的技术包装？你创造的是资本配置上的真实改进，还是一种看起来很忙、很聪明、很专业的认知劳动表演？

很多金融从业者真正害怕的，不一定是 AI 比自己更聪明，而是 AI 逼得自己不得不直面这个问题。

因为在过去，高成本本身也是一种遮蔽。只要一件事足够复杂、足够耗时、足够依赖训练，人们就很容易把“完成复杂工作”与“创造真实价值”混在一起。可 AI 时代，这层遮蔽正在被撕开。

机器把很多事情做快了，于是人的价值位置也被迫显形。

你到底是在创造新的理解，还是只是在重复已有理解？你到底是在帮助组织更接近真实世界，还是只是在生产越来越漂亮的研究材料？你到底是在形成判断，还是只是在制造答案？

这也是为什么，AI 对金融行业的冲击，表面上像效率革命，深层却更像一场职业拷问。

毕竟金融行业最终买单的，从来不是“答案看起来不错”，而是“答案能不能经得住真实世界，而且有人愿意为它负责”。一个研究报告写得再漂亮，如果不能帮助团队更稳健地理解市场、更清晰地管理风险、更真实地改善配置，它的价值终究有限。一个模型回测再精致，如果没有穿越不同市场环境的稳健性，没有进入现实交易和组合约束的能力，那它也不过是一段技术表演。

AI 没有改变这件事。

它只是让这件事暴露得更早、更清楚。

市场还会为谁付高价

说到底，金融行业是一个对“责任”极其敏感的行业。

AI 可以提出假设，可以生成代码，可以加速研究，可以协助写 memo，可以把很多高强度的认知动作做得越来越像样。但它不能天然拥有下注资格，也不能天然承担资本责任。它可以参与答案的生成，却不能自动完成答案的背书。

而真正昂贵的价值，恰恰在这里。

这个方向为什么值得投入真实研究资源？这个信号背后的经济逻辑是否站得住？这个结果是结构性规律，还是数据挖掘的幻觉？这个模型在组合里应该扮演什么角色？容量、拥挤度、风格暴露、实现摩擦意味着什么？当策略失效时，该归因于市场结构变化、数据问题、模型问题，还是最初理解本身就出了偏差？

这些都不是单纯的信息处理问题。

它们是判断问题，是边界问题，是责任问题。

而市场最终愿意付高价购买的，也正是这些东西。

所以，未来仍然会需要 Quant，甚至可能比过去更需要。只是市场需要的，不再只是旧意义上的 Quant。

旧的 Quant，更像高强度的认知执行者：会读、会写、会编程、会建模、会实验、会复盘。他们的价值，主要来自个体智力密度和手工能力强度。过去，这确实很稀缺，也构成了很强的职业壁垒。

但新的时代里，这些能力会越来越像基础设施。它们仍然重要，仍然是门槛，仍然值得长期打磨，却不再足以单独定义长期价值。

新的 Quant，必须再往上走一层。

他不仅要会做研究，更要知道哪些问题值得研究；不仅要会写代码，更要能把研究流程组织成人机协同系统；不仅要能产出结果，更要知道什么边界内可以信任结果、什么情况下必须怀疑结果；不仅要给出答案，更要理解答案如何进入资本配置、如何承受真实反馈，以及当结果失效时，谁来解释，谁来修正，谁来承担。

也就是说，人的护城河会从“我会做很多高认知动作”，迁移到“我能定义问题、组织系统、识别边界，并对结果负责”。

AI 不会取消 Quant。

它只会先取代一种旧的 Quant——那种主要依赖高认知执行能力、却还没有完成价值上移的人。

焦虑不是软弱，它是坐标系变化时的正常反应

很多人会轻飘飘地说一句：不要焦虑，拥抱 AI 就好。

这话不能说错，但太轻了。真正身处其中的人都知道，这种焦虑不是一句口号能化解的。它背后有真实的职业压力，也有真实的价值晃动。对那些长期依靠认知优势立足的人来说，这种不安甚至带着一点难以启齿的意味：你明明知道自己应该开放、理性、拥抱工具，可你还是会在某些时刻感到失落，感到被逼近，感到过去很笃定的东西正在变薄。

这并不丢人。

恰恰相反，这种焦虑本身说明了一件事：你已经感受到了坐标系在变。

真正危险的，从来不是焦虑本身，而是误判焦虑的来源。如果把问题理解成“我只是不够会用 AI”，那应对就会停留在学几个工具、写几个 prompt、搭几个 demo。这些当然有用，但远远不够。因为更根本的问题是：你是否愿意承认，过去赖以立足的那部分能力，正在从核心资产变成必要但不充分的能力；而未来的你，必须把自己迁移到更高的价值层。

这层迁移，至少意味着四件事。

从做题者变成出题者。不要只满足于解决别人定义好的研究问题，而要训练自己识别哪些问题真正值得研究。

从单点能力变成系统能力。不要只证明自己会写代码、会做分析，而要开始组织一个人机协同的研究流程，让能力变成可复用、可放大的系统。

从产出研究变成承担判断。不要只追求“我做过什么”，而要不断靠近“我的研究如何进入真实决策，我对结果承担了什么”。

从追求聪明转向追求有效。AI 会让聪明变得更便宜，但无法让真正有效的判断变得廉价。

归根到底，AI 时代对 Quant 的挑战，不是要不要继续做 Quant，而是要不要继续停留在旧的版本里。那个旧版本相信，只要自己足够聪明、足够努力、足够会做复杂工作，就能持续获得职业回报。新的时代则在提醒所有人：聪明依然重要，努力依然重要，基本功依然重要，但它们已经不足以单独定义价值。

真正稀缺的，将是那些能够重新定义问题、重新组织认知、重新安排人与机器关系，并最终把这些转化为可靠判断与真实结果的人。

AI真正改变的，不是工作量，而是职业价值的重心

这也许是这场变化最值得正视的地方。

AI 带来的不只是提效，不只是自动化，不只是工具升级。它真正改变的，是职业价值的重心。过去很多人以为，自己的壁垒来自“我会做别人做不了的复杂工作”；未来越来越多人会发现，真正的壁垒不再只是“会做”，而是“知道为什么做、何时做、做到什么程度、出了问题谁负责”。

这听上去像一句抽象的话，但对金融行业来说，它几乎就是最现实的生存法则。

金融行业最终奖励的，从来不是忙碌本身，也不是聪明本身，而是把聪明组织成可验证、可执行、可负责结果的能力。AI 会让很多事情变快，也会让很多旧优势变薄。但它并不会取消这个行业对真正判断力的需求。它只是把一件事说得更直白了：

以后真正值钱的，不再只是“你会不会做”，而是“你到底在创造什么，又愿意为它负责到什么程度”。

这不是一个轻松的问题。

但它也许正是今天所有金融从业者，尤其是 Quant，最应该尽早回答的问题。

因为 AI 不会立刻取代 Quant。

可它很可能会先取代那个仍然相信“只要自己足够聪明、足够努力、足够能做”，就足以稳稳立足的旧版本。

而新的版本，正在路上。

结语

也许最后最值得玩味的一点是：这篇文章本身，也有 GPT5.4 的参与。

它不仅是被讨论的对象，也已经悄然进入了讨论之中。

而这或许正让全文那个问题显得格外真实：

未来真正稀缺的，究竟是生成答案的能力，还是定义问题、做出判断，并为结果负责的能力？