作者：Systematic Long Short
編譯：Peggy，BlockBeats
編按：當AI 開始能夠寫入程式碼、優化程式碼，甚至逐步接管軟體生產流程時，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，卻在職涯上升期選擇離職創業。在他看來，真正的訊號並不是市場情緒，而是技術能力的躍遷。當模型能夠穩定產生可用程式碼，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
我第一次意識到產業正在接近一個轉捩點，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，做著我做了很多年的事情。從外界看來，這幾乎是一條穩定上升的職涯路徑。如果繼續留在那裡，我大概率還會有更大的成就。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：這一切最後會走向哪裡？這篇文章，就是我目前能給的答案。
坦白說，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慧的能力。但o1 出現時，有一件事情發生了變化：這些模型第一次可以透過結構化提示詞，穩定地產生程式碼。
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 能夠產生可用程式碼，它就會開始遞歸地改進自身邏輯，並以我們難以想像的速度推動軟體開發。
每當我提出這一點時，總是有人反駁「這些程式碼仍然有bug，而且遠遠達不到生產環境的要求」。但這只是忽略了一個事實：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。
真正的轉捩點是，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資料可供訓練。
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、各類產業專家。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，基礎程式設計師會先被淘汰；接著是資深工程師；再往上，隨著模型逐漸吸收專業知識，更高層的崗位也會受到衝擊。
但很快我意識到另一件事：前沿模型公司最終會直接僱用行業專家，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取代。
例如大型多策略對沖基金（pod shop），像Millennium 這樣的機構，每天都在產生大量資料：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。只要企業的資料來源對模型來說不是輕易可得的，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、取得執照、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。
只要某個產業仍然需要人類簽署批准，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，要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提出法律意見。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。從技術角度來看，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」。
因為顧客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
硬體的進步速度遠慢於軟體，同時，硬體問題也更難修復。
因此，與現實世界直接互動的實體產業，短期內不太可能被AI 快速顛覆。不過，一旦硬體能力跟上，同樣的邏輯仍然會成立：低層崗位先消失，然後是更高層崗位。
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。
基於訊號行動，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，例如：「這就像網路泡沫。」
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，能寫出程式碼的程式碼、可以遞歸改進的模型、可以購買而不是培養的機構知識。
只要認真觀察這些訊號，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 能透過一連串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，一旦訊號變得顯而易見，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，未來會發生什麼事？而是，我已經知道什麼？這些資訊指向哪個方向？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，行動本身會創造訊息。
行動不是在真空中發生的。當你對世界採取行動，世界會給予回饋。這些回饋會帶來新的訊息。資訊推動迭代。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，而我感覺這個視窗正在迅速關閉。
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 取代絕大多數員工，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的產業人才，新創公司將很難再進入這個領域。在一些市場，例如美國股票市場，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。
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，現在只需要幾週。
我並不認為未來幾年工作會完全消失。人類仍然需要人類。人是社會性動物，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。人類經理人將管理一群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，基礎編碼工作將越來越難找到。
如果你想讓自己不可取代，你需要做到兩點。第一，在時間尺度上超過AI。例如，長期策略規劃、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，它們知道許多事實，但很難理解複雜系統的連鎖反應。
如果你能夠長期思考、快速吸收資訊、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，訊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要更好再行動。真正的時機很少會提前通知。當所有人都意識到時，視窗往往已經關閉。
我看到了訊號，我做出了押注。現在，我正活在這個押注的結果之中──無論好壞。
