作者：Systematic Long Short
编译：Peggy，BlockBeats
编者按：当 AI 开始能够写代码、优化代码，甚至逐步接管软件生产流程时，一场更深层的结构性变化正在逼近：职业分工、企业组织乃至知识壁垒，都可能被重新定义。
本文作者曾在对冲基金管理近 20 人团队，却在职业上升期选择离职创业。在他看来，真正的信号并不是市场情绪，而是技术能力的跃迁。当模型能够稳定生成可用代码，并具备递归改进能力时，软件开发与知识生产的逻辑已经开始改变。
文章从量化金融的视角出发，分析了 AI 时代仍可能存在的几类短期「护城河」，包括专有数据、监管摩擦、权威背书与物理世界的滞后，同时提出一个核心判断：在高度不确定的时代，比精准预测未来更重要的，是识别方向并在窗口关闭前采取行动。
以下为原文：
当模型开始写代码，变化已经不可逆
我第一次意识到行业正在接近一个拐点，是在上一份工作时，仿佛听见背景音乐开始慢下来，而周围的人却仍在假装一切不会改变。
当时我在一家对冲基金管理着将近 20 人的团队，做着自己已经做了很多年的事情。从外界看来，这几乎是一条稳步上升的职业路径。如果继续留在那里，我大概率还会取得更大的成就。但最终，我选择离开那个很多人梦寐以求的位置，从零开始做一家创业公司，团队只有寥寥几个人。这个决定在当时几乎没人理解，甚至被视为一种「职业自杀」。
但最近几个月，大规模裁员、主动离职创业、以及越来越多的人白天上班、晚上悄悄写代码做项目。这一切让当时那个看起来「疯狂」的决定，似乎没有那么离谱了。
这段时间，有不少人问我：这一切最终会走向哪里？这篇文章，就是我目前能给出的答案。
坦率地说，我并不确定变化最终会有多大。但量化金融教会我的一件事是：方向正确，往往已经足够。
真正让我意识到变化已经不可逆的，是 ChatGPT 的 o1 模型。
在那之前，我一直把这些系统称为「LLM」，而不是「AI」。我并不认为它们真的具备某种接近智能的能力。但 o1 出现时，有一件事情发生了变化：这些模型第一次可以通过结构化提示词，稳定地生成代码。
代码依然不完美，也会出现幻觉或理解错误。但关键在于：它已经可以写出有用的代码。
我的判断很简单。一旦 AI 能够生成可用代码，它就会开始递归地改进自身逻辑，并以一种我们难以想象的速度推动软件开发。
每当我提出这一点时，总有人反驳「这些代码仍然有 bug，还远远达不到生产环境的要求」。但这恰恰忽略了一个事实：人类写的代码同样有 bug。我们不需要 AI 写出完美代码，才会停止自己写代码。
真正的转折点是，当 AI 写代码的错误率低于人类，同时速度远超人类。那一刻，写代码这件事就会被彻底外包给机器。
在我亲眼看到 o1 的能力之后，我几乎可以确定：未来会发生非常剧烈的变化。
AI 时代仍然存在的护城河
最初，我认为 AI 会逐步侵蚀量化金融行业，但这个过程会比较慢。原因很简单：机构级代码几乎没有公开数据可供训练。
当时我把软件工程想象成一个金字塔：最底层是基础编码工作；再往上是具备架构能力的高级工程师；再往上则是专业开发者，比如，数据科学家、量化开发者、各类行业专家。理论上，专业知识越深，职业越安全。
我当时的判断是：两年之内，基础程序员会首先被淘汰；随后是高级工程师；再往上，随着模型逐渐吸收专业知识，更高层的岗位也会受到冲击。
但很快我意识到另一件事：前沿模型公司最终会直接雇佣行业专家，把专业知识输入模型。换句话说，专业知识确实会成为短期护城河，但从长期来看，它同样会被模型逐步消化。
在当时的判断里，有几类业务在未来五年内不太可能被轻易颠覆。
第一类：专有数据
拥有大量专有数据的公司更难被替代。
例如大型多策略对冲基金（pod shop），像 Millennium 这样的机构，每天都在产生海量数据：分析师研究、投资建议、市场判断、实际交易结果
这些数据可以用来不断微调模型，使其形成外部难以复制的优势。只要企业的数据来源对模型来说不是轻易可得的，它就仍然拥有一定时间的护城河。
第二类：监管摩擦
任何需要大量人类审批的行业，都不容易被快速颠覆。例如，传统金融市场。
要进入这些市场，你需要：开设券商账户、获取牌照、签署跨境法律文件。交易加密资产很容易，但一家外国公司想在中国交易铁矿石，却远没有那么简单。
只要某个行业仍然需要人类签字批准，它的发展速度就一定会被审批流程所限制。
第三类：权威即服务
现在，让 AI 写一份法律意见书已经不算难事。但现实是，人们仍然愿意支付数万美元请律师出具法律意见。原因很简单：AI 的意见目前没有权威性。
智能合约审计也是同样的逻辑。从技术角度看，AI 可能已经能达到甚至超过顶级审计员的水平。但市场仍然更愿意购买知名审计公司的「盖章」。
因为客户真正购买的不是意见本身，而是意见背后的权威。
第四类：物理世界
硬件的进步速度远远慢于软件，同时，硬件问题也更难修复。
因此，与现实世界直接交互的实体行业，短期内不太可能被 AI 快速颠覆。不过，一旦硬件能力跟上，同样的逻辑仍然会成立：低层岗位先消失，然后是更高层岗位。
这些护城河确实存在。但必须承认，它们只是延缓变化，而不是阻止变化。
基于信号行动，而不是等待确定性
当未来高度不确定、变化速度极快时，人们通常会犯两种错误。
第一种是，等待确定性出现再行动。第二种是，简单套用历史类比，比如：「这就像互联网泡沫。」
两种做法都可能导致判断失误。
在信息不完整的情况下，更合理的方法是，从第一性原理推理。
你不需要知道未来的每一个细节。你只需要，大致判断方向、设计非对称的押注也就是说，如果判断错了，损失可控；如果判断对了，收益巨大。
在不确定的未来里，非对称性就是全部。
一个实用的思考方法是，先问自己「某个结果要发生，需要哪些前提条件？」，再问，这些前提条件是否已经出现？
回头看这次 AI 拐点，其实并不难预见。因为关键输入早已存在，能写代码的代码、可以递归改进的模型、可以购买而不是培养的机构知识。
只要认真观察这些信号，就能大致判断未来方向。
甚至可以继续推演。
我们可能还没有真正见到以下场景：AI 可以训练自己、AI 可以复制自己、AI 完全自主运行
如果一个 AI 能通过一系列行动把自己的能力提升 0.1%，听起来似乎不大。但只要这个数字不是 0，它就会不断放大。这背后是典型的幂律效应。
在金融市场里，一旦信号变得显而易见，交易往往已经拥挤。
在投资中，你用不确定性换取早期信念。在职业和创业中，本质上也是一样。
所以真正的问题并不是，未来会发生什么？而是，我已经知道什么？这些信息指向哪个方向？现在行动和等待之间的成本差异是什么？
还有一个经常被忽略的事实，行动本身会创造信息。
行动不是在真空中发生的。当你对世界采取行动，世界会给出反馈。这些反馈会带来新的信息。信息推动迭代。迭代产生更好的行动。这就是进步的基本机制。
在不确定中保持静止，是一种缓慢衰退。而行动，则意味着探索。
如果我只是想继续吃现有体系的红利，大概还能维持几年。但我一直想做一件真正属于自己的事情，而我感觉这个窗口正在迅速关闭。
当然，全球最大的对冲基金仍然会过得很好，它们拥有专有数据，极难被复制。传统金融市场也仍然被监管和人工流程所限制。
但我相信，这些机构最终也会用 AI 替代绝大多数员工，甚至包括组合经理。
不会马上发生，但迟早会发生。
我当时的判断是，我大概还有 4–5 年窗口期。等到基础模型公司吸收足够多的行业人才，新创业公司将很难再进入这个领域。在一些市场，比如美国股票市场，这种趋势已经非常明显。几年之后效率会高到什么程度，几乎难以想象。
很快，这个世界就不会再有「第二名」的空间。我可以继续为最顶级机构工作，但我更愿意在自己仍然拥有优势的领域出手。
于是我辞职，All in 创业。后来，这家公司变成了 OpenForage。
现在，窗口正在明显收窄。变化速度不再是渐进式的。过去需要几个月的进步，现在只需要几周。
我并不认为未来几年工作会完全消失。人类仍然需要人类。人是社会动物，而且人类目前仍然不信任 AI。权威认证仍然需要来自人类。
未来几年，我们甚至可能看到 AI CEO，但很可能仍然需要一个人类 CEO 来批准 AI 的决策。这种「人类认证」会沿着组织结构逐层传递。人类经理将管理一群 AI agent。
但招聘逻辑会改变，如果 CEO 更容易向 AI 下指令，而不是向你下指令，那你就很可能不会被雇佣，基础编码工作将越来越难找到。
如果你想让自己不可替代，需要做到两点。第一，在时间尺度上超过 AI。比如，长期战略规划、复杂决策、多年周期管理。第二，在系统范围上超过 AI，AI 的上下文仍然有限，它们知道很多事实，但很难理解复杂系统的连锁反应。
如果你能够长期思考、快速吸收信息、做出长期决策，并且具备良好的合作能力那么在可预见的未来，你仍然会有工作。
拐点到来之前，信号其实是可以看到的。只是大多数人，不去看，看到了不行动，或者等到信号变得震耳欲聋时才反应过来。但那时，机会往往已经被市场定价。
不要忽视正在移动的地面，不要待在一个正在失去优势的位置，同时告诉自己等时机更好再行动。真正的时机很少会提前通知。当所有人都意识到时，窗口往往已经关闭。
我看到了信号，我做出了押注。现在，我正生活在这个押注的结果之中——无论好坏。
