股票市场的金融数据，信噪比(S/N)极低；AI量化公司长期与这样的数据做斗争；幻方从2008年开始做量化研究，过去十几年，他们将数理统计方法应用到金融量化模型、应用到交易实战，这一过程的痛苦和历练，可能比互联网大厂的工程师们多很多很多年；痛苦更多则历练更多；历练更多则经验更多。
第3点，梁文锋本人。
幻方和DeepSeek的人都相当聪明，但不能说显著超出OpenAI、Meta、Grok、Microsoft、和Google的人才。幻方实现AI大模型领域的魔幻创新，我以为最最核心的理由是，梁文锋本人16年来一直在量化模型的第一线，他的痛苦最多，历练最多。痛苦、历练、经验，加上工程创新的雄心，成就了DeepSeek奇迹。
梁文锋是个多方位的“一线老板”
从数学难易程度上讲，数理统计不如代数几何那般复杂和抽象，但也不是计算数学那般简单。
人工智能中要使用许多种数理统计工具(算法)；按照贝叶斯认知论，从了解、到理解、到领悟、到灵活运用、到娴熟驾驭，不是能轻易能够跨越的，需要反复尝试、足够的时间和足够的经验。
（图源：pixabay）
在初高中阶段，大家学习初等数学和基础物理，这些基础知识似乎能一通百通。所以，普通人很可能以初高中的视角来分析AI大模型领域的创新，以为只要辛苦一点、勤奋一点，就能做出创新成功；如果没有创新成功，就简单归因到大厂组织僵化或创新无能。
断非如此。
我来举个例子。比如，CVPR是(IEEE)计算机视觉领域的“学术奥斯卡”，在2024年收到的论文投稿量为11875篇，最终只录用了2719篇，论文接收率仅为23%；并且，2024年CVPR官方认证的杰出/优秀论文总共只有10篇，是年投稿量的1‰。可见，创新研究很难，有大价值的创新更是难上加难，怎么可能是一通百通呢？
再谈谈梁文锋的经验。
梁文锋在接受暗涌Wave主笔于丽丽的专访时说，2012年伊尔亚（Ilya）提出AlexNet，使沉寂多年的人工智能技术研究重新苏醒，而幻方从2014年就开始同步跟踪，准备将AI应用到量化交易中。
他们的思想准备很早，行动也很早。
（图源：pixabay）
更重要的是，按于丽丽在文中的描述，梁文锋总是一个“每天看论文，写代码，参与小组讨论”、“兼具强大的infra工程构架能力和模型研究能力、既可从高处做精准判断，又可在细节上强过一线研究员、拥有令人恐怖的学习能力、能调动资源、完全不像一般意义上的老板”。
梁文锋说，“外部（外人）看到的是幻方2015年后（光彩绚丽）的部分，但其实我们做了16年（从2008年开始）。我们经历了一个漫长的积累过程（不都是坦途）。幻方有很强的技术和创新基因，幻方的成功在某种程度上增强了我们对技术驱动型（大）创新的信心。”
我听朋友说过，幻方的团队早期也经历过毕业就创业、创业创业没钱了；没钱了就解散、后来有点钱了，再聚在一起再创业的过程。没有笃定、没有爱和痴迷，是不可能这么做的。
当然，DeepSeek的成功，一定是这个聪明团队整体的成功。但梁文锋作为领军统帅，有16年漫长的积累过程，在长期处理复杂问题、长期学习实践中沉淀出的经验，包括组织高密度人才实现有效创新的经验，才是DeepSeek可以组队不到2年、就拿到大结果的第一原因。
在DeepSeek_V2, _V3, _R1, 和Janus Pro等公开的论文中，我看到了几处金融量化模型常见的处理手法。
（图源：pixabay）
比如，DeepSeek_V2创新提出的细颗粒度MoE混合专家模型，通过提高专家专业化程度，减少了知识冗余、降低了训练成本、减少了推理计算量；这个技术思路，就可类比于在量化因子模型中，不是用某个因子（专家）来解释整体A股5300支股票的大截面，而是用特定的因子来解释特定二级行业的股票子截面，这样的因子就是细颗粒度因子。
（MoE混合专家模型并不是DeepSeek首先提出来的。谷歌的GShard_MoE 将分布式切片训练框架（GSha rd，Google Sha rding）与混合专家模型（MoE）做结合。但DeepSeek“聪明地、灵巧地”提出了细颗粒度MoE方法，产生了显著的效果提升；
又如，DeepSeek在Janus中创新引入统一的自回归架构，我看到了金融时间序列中ARMA、ARIMA、GARCH等自回归模型的影子；
再比如，Engle（诺贝尔经济学奖2003得主）在 2002 年提出了多标的动态条件相关系数模型 DCC-GARCH(2002)，将多标的时间序列的波动性特征，纳入统一的多变量波动率模型，这是将不同标的的特征做时间序列上的对齐(Alignment)或同步(Synchronization)的(建模)方法。
而Janus中引入的统一自回归架构，也是以时序生成为范式（也就是时序对齐，比如将眼神、面部表情、口型、声音、肢体动作等多模态做时序对齐），这就突破了传统多模态模型在生成连贯性上的瓶颈、在模态交互深度上的瓶颈、和在任务泛化性上的瓶颈。
Janus的这种架构创新，提升了现有任务性能，为统一的多模态生成模型提供了全新的技术路线。
上述这两个不同领域的模型，我认为思想方法是类通的。
（图源：pixabay）
跨领域可以找到灵感，有时候，在A领域很常见的数理方法或思路，B领域的研究人员很难想到，即便灵光一现想到了，多半将信将疑，未必敢投入精力做工程验证。
如何恺明（ResNet创造者）在香港中文大学的一次讲座中提到的，“科研（创新）中95%的时间是令人沮丧的”。他的原话是，“研究总是充满了挫折、情绪和沮丧，它与你能想到的所有负面词语有关。这就是现实（真实情况）。如果你没有经历过这些，说明你没有做出最好的研究。我的生活就是这样：我可能95%的时间都很沮丧，而剩下的5%时间（是在想法完成后）花在完成论文上。然后进入下一个（沮丧）周期。”
我本人做量化策略研究的感觉大致如此，很多次有新的策略想法，想到的时候热血澎湃，设计的时候理顺复杂逻辑的过程让人煎熬，看到结果也就是最后搞明白的时候，却非常沮丧：“哦，原来是这样啊、我怎么这么蠢、没事先想到这一层呢。”
分析一个创新，可能全球研究者想到了一万条路径；而有经验的领军统帅，能快速pass掉其中的9900条，只在剩余的100条路径上寻找宝藏。这就是经验的价值。
统计学中的各种算法工具，可以类比为数学兵器，兵器可能有999件，但每一类兵器适用于什么场景、解决什么问题，这个太需要历练、太需要经验、太需要直觉了。
我敢断言，整个幻方量化和DeepSeek的模型团队，身体力行的梁文锋经历的沮丧和痛苦最多，所以他的经验和直觉最多。
（图源：pixabay）
他本科阶段在浙江大学学习电子信息工程，研究生阶段学习信息通信和人工智能，毕业后长期做量化金融模型，从2014年就开始follow人工智能领域的论文，可能在多个领域有深入思辨、有长期经验。
在研究中，找出新方法的人最值得称颂。比如，在DeepSeek-V3中，他们公开的多头潜注意力机制MLA(Multi-head Latent Attention) 方法，是由高华佐（Huazuo Gao）和曾旺丁（Wangding Zeng）这两位年轻人想出来的。
但也要认识到，在研究中提出问题的人、对探索方向拍板的人同样重要。DeepSeek的这组论文，每篇文章都多个创新点。这么高密度的创新，才会让美国AI圈感叹DeepSeek有一群神秘莫测的高人、做出了真正的创新。梁文锋是否刷过2000-3000篇顶刊论文？
回头看互联网大厂的研究探索，过去12年（2013∼2025），他们处理的复杂问题我想到了3类：
第1类，社交网络或电商的智能推荐系统，推荐系统存在明确的“y - x”关系；
第2类，近几年的语言大模型和多模态模型；
第3类，汽车自动驾驶。
第1类问题在10年前还比较有挑战性，但总体并不太难；第2类问题，互联网大厂的研究员也可能才干了3-4年，综合经验当然不如梁文锋；第3类问题当然也很难，特斯拉、华为、小米、地平线、百度等公司在做；可能等道路数据Token积累到100万亿(100T)，就可实现端到端L3或L4智驾，这是未来3-5年就可达到的。我认为金融量化模型比端到端自动驾驶更难，这里不展开。
即使中国或美国的互联网大厂有很多的顶尖人才，面对世界上难度级别最高的工程问题，缺少像梁文锋这样跨领域、有经验的统帅；没能率先做出DeepSeek这样颠覆性的产品，是可以理解的。
从1到10的关键里程碑，卡住了马斯克
AI革命是人类最巨大的生产力革命，近几年的发展可以界定出三个关键的里程碑。
里程碑【0】：谷歌2017年的论文，该论文中提出的算法思路是原点。
里程碑【1】：OpenAI于2022年11月发布的Chat GPT。OpenAI首次完成了大模型全工程验证。其创新性就如美国当年的原子弹。
里程碑【10】：则是DeepSeek的这一组论文和模型（DeepSeek_V2、DeepSeek_V3 、DeepSeek_R1 、DeepSeek_Janus Pro、DeepSeek_JanusFlow）。
未来的里程碑【100】，将是AI应用于各行各业。
（图源：pixabay）
在前面三个里程碑阶段，谷歌、OpenAI、DeepSeek做出了各自的卓越贡献。不要因为DeepSeek的出现否定OpenAI的价值，在OpenAI发布ChatGPT之后，Meta、Google、
Microsoft、Grok、百度、阿里、豆包、腾讯、Kimi等所开展的研究工作，基本上都是对OpenAI里程碑【1】的复现、或局部优化。都是在围绕里程碑【1】打转转。
DeepSeek的杰出成果，给千行万业低成本应用AI大模型指明了方向；至此之后，Meta Llama 和马斯克的Grok这样的开源模型，若拿不出更优秀的模型，都不好意思面世。
看看DeepSeek对马斯克Grok的震慑。Grok原定于24年12月底发布Grok3.0新模型，使用10万个英伟达H100 GPU卡，且预称Grok3.0将成为“世界上最强的AI”。2024年12月26日，DeepSeek_V3发布后，马斯克的Grok宣布将新模型的发布推迟到25年1月；而DeepSeek又在25年1月20日发布了_R1推理模型，这时马斯克的Grok新版本又没有消息了。
马斯克肯定不会发布一个明显不如DeepSeek的模型。我想，Grok和Meta都在忙着消化和复现DeepSeek的成果。别把马斯克当神，别把扎克伯格当神，他俩都不在大模型的第一线，上大学或研究生时学的《数理统计》课程，可能基本忘光光了。别信他们在媒体上瞎喷。
（图源：pixabay）
对公司最紧要、最困难的创新，公司老大应该身先士卒、All In投入、一线作战。过去几年中，小米汽车的雷总是这么做的，DeepSeek的梁文锋总也是这么做的。
我们让DeepSeek写诗、对对联、谈哲学、谈人生，朋友们都哇噻哇噻，DeepSeek的中文怎么这么强啊。在中文语义理解与生成领域，DeepSeek展现出了极为独特的优势。
我根据论文给大家揭秘。DeepSeek在学习中文语言时，对其特性做了三重解构；在生成中文文本时，做了三重重构。
（图源：pixabay）
第一重：非线性语义网络的建模
德语、波兰语等西方语言，通常有复杂（Aha啰嗦的）和严谨的（Aha不灵活的）语法体系，名词有「性-数-格」的变化，动词有「时态-语态-人称」的变化；而中文“以意合语法”为核心特性，使其天然具备「字-词-句」的多层弹性结构；词语组合靠语义关联，句子构建重意义连贯，上下文决定语义和语法功能。
DeepSeek通过动态加权注意力机制，构建了非固定层级的语义网络——例如在解析“春风又绿江南岸”时，其中的“绿”字，模型能同步解析/激活“绿”字的（视觉层）色彩意象、（时间层）季节变迁、与（文化层）生命隐喻，这种多模态语义场的并行计算，突破了传统序列模型的线性局限。这是DeepSeek对中文的第一重解构。
第二重：文化拓扑空间的向量映射
不同于西语字母文字或其他拼音文字的纯符号逻辑，中文和汉字承载着绵延三千年的文化拓扑结构。在学习训练中，DeepSeek构建了复合嵌入空间，将《说文解字》部首体系、平水韵音律空间、书画气韵图谱信息嵌合在一起。
比如，当生成“孤舟蓑笠翁”这类诗句时，模型并非简单组合常见意象，而是在128维文化向量空间中，沿着“渔隐文化-水墨审美-禅宗哲学”的多维路径进行梯度搜索，确保输出符合中文美学的深层结构。这是DeepSeek对中文的第二重解构。
第三重：虚实界面的动态平衡技术
针对中文“言有尽而意无穷”的表达特性，DeepSeek研发了语境留白预测算法。在处理哲学论述时，模型会主动构建“显性语义-隐性指涉”的双通道输出；在生成道家思想相关文本时，既能保证“道可道非常道”的精确转译，又通过调节信息熵值在某个[0.65~0.78]区间的可控模糊，保留东方哲学特有的阐释空间。这种精确与模糊的微妙平衡，使其输出既具逻辑严密性，又蕴含诗意张力。
测试结果显示，在中文古典文本重构任务中，当前版本的DeepSeek文化意象还原度达89.7%，较同类模型提升23.5%；在哲学命题生成方面，其思想密度指数（CDI）达到7.82，已接近人类哲学家的中等创作水平。
这种能力标志着NLP(自然语言处理)技术开始真正触及汉语的“道器之辨”，为人工智能理解东方智慧提供了新范式。
（图源：pixabay）
比如，有网友让DeepSeek模仿《红楼梦》前八十回的语言特性，重写《红楼梦》后四十回，网友觉得DeepSeek写得比高鹗好，文笔更像曹雪芹。
DeepSeek大模型对中文和中华思想的理解显著超越其他大模型，真心要点赞，太厉害了！
可以说，从甲骨、青铜到碑林石刻、诗词歌赋、到3.7亿字的《永乐大典》、到8亿字的《四库全书》，DeepSeek用多重解构和多重重构的智能算法，真正让AI理解了我们意蕴深邃的文字、精妙绝伦的语言，让AI拥有了东方智慧。
在大模型主流榜单中，DeepSeek 在代码Code、数学Math类问题上的能力，居于开源模型中榜首位置。代码和数学这类偏客观的问题，各家大模型以后都可以做得很好，我们就不再过多讨论。
巨大的文化传播价值
如今正值 “百年未有之大变局”。以DeepSeek大模型对中文及中华文化的深刻理解，未来百年将在文化大同中存在独特的价值。
中华文化以本土的儒-道思想为根基，支撑起华夏文明的精神框架。佛教源自外邦，但出现了释道安_鸠摩罗什_玄奘_慧能这样的古圣先贤，他们将佛教思想中国化，儒释道相互交融，春风化雨般融入中国人的内心，让我们在纷繁尘世中更容易找到一个安顿心灵的精神家园，这些思想一起成为中华民族精神世界中不可或缺的重要组成部分。
千年黑暗之后的启蒙时代，法国思想家伏尔泰、孟德斯鸠和卢梭，德国思想家莱布尼茨和康德等，曾借鉴过中华文化的某些思想。前几天，有个悉尼大学的讲师展示了他与DeepSeek的哲学对话，其回答中蕴含的东方哲思惊艳了全网。
如果DeepSeek未来成为全球用户首选的AI大模型，在与全球用户的互动中，会以润物无声、潜移默化的方式，传播中华思想和东方智慧。DeepSeek会成为他们的鸠摩罗什、慧能法师，是未来百年一带一路文化传播的绝佳路径。
DeepSeek爆火之后，有人说DeepSeek的数据是偷来的、是蒸馏来的；他们的股票模型表现就一般般，所以DeepSeek未来可能死掉；另外一些人说，DeepSeek成功之后，幻方量化在A股割韭菜，未来就所向披靡、无人能敌了。
我以圈内人的视角，对他们的股票模型，做个解读。
（图源：pixabay）
先看幻方量化的主力产品，A-B-C三个系列，
A是幻方沪深300增强策略，2017年12月成立以来，净值收益率为244%，年化收益率19.09%，相比同期指数的增强收益率为266%。
B是幻方中证500增强策略，2017年1月成立以来，净值收益率为319%，年化收益率19.63%，相比同期指数的增强收益率为353%。
C是幻方中证1000增强策略，2018年10月成立以来，净值收益率为369%，年化收益率27.95%，相比同期指数的增强收益率为287%。
上述三个系列的产品，可能承载了200-300亿的资金，这样的业绩表现处于百亿规模第1梯队，虽然未必是最头部的。
至于说幻方量化产品过往三年不怎么赚钱，那是因为大盘指数从2021年11月的高点开始连续三年大幅下跌，幻方产品近三年虽然没取得显著的绝对收益，但相对收益不错。他们应该有收益风险比更好的量化策略，但因为承载规模有限，仅用作自营，不对外开放。业内和坊间传言，过去16年，幻方量化的股东大概赚了¥100亿。
（图源：pixabay）
浙江省慈善总会的审计报告显示，一只平凡的小猪在2021-2022-2023连续三年捐款，累计金额达3.2亿元。这应该是梁文锋代表公司给社会的慈善捐款。
至于说在DeepSeek成功之后，幻方量化未来在A股割韭菜将所向披靡，这个不太可能。理由有三：
第一，金融市场的博弈属性，使得任何量化模型，都必须对市场做出某种假设；这个假设在未来的市场上可能存在，也可能不存在；所有量化模型都要承受市场风险，没有理论上稳赚不赔的模型。
第二，中国金融市场是严监管市场，幻方量化已基本封盘，不再募集新资金。他们做到了第1梯队，主动将规模从近1000亿降到400-500亿，他们可能也不想做得太大。
第三，幻方量化过去16年赚了100亿，但DeepSeek未来16年可能赚2000亿。和AI大模型相比，量化的收益显然不在一个量级。他们的志向可能真不在割韭菜上。
（图源：pixabay）
最后说一下，关于DeepSeek，网上几个以讹传讹的谣传。
谣传1，说幻方量化在DeepSeek-R1发布前，做空英伟达，赚了很多钱。
答案是，不可能。因为DeepSeek与英伟达的团队保持着很密切的技术合作和商业合作关系；做空自己的合作伙伴，这太下作，会断了自己的后路。再说，幻方也不能预测英伟达股票会有多大幅度的下跌或反弹。
根据美国新闻网站MarketWatch的回顾分析，现在证实：引起1月25日英伟达和美国股市暴跌的原因是，一名叫伊曼纽尔（Jeffrey Emanuel）的企业家在美股开盘前，写了一篇长达12000字的互联网(小)作文，尖锐指出英伟达面临的（硬件层面、软件层面、理论层面）三方面威胁。这篇文章迅速传播，流量一度让他的个人网站崩溃，同时阅读人数最多的城市是加利福尼亚州的圣何塞，也就是英伟达公司总部所在地附近。英伟达内部雇员集中卖股票，可能是使得英伟达股票暴跌-17%的主要原因。
（图源：pixabay）
谣传2，DeepSeek肯定会因为被美国制裁而在未来陷入困境。
不太可能。DeepSeek-R1发布后，Nvidia、AMD、Microsoft、Google、Meta、Grok、Apple、
Oracle、Amazon都在集成DeepSeek的新模型，他们是直接收益者，因为都有当下可落地的产品或场景，尤其是AMD的苏妈，DeepSeek的神助攻，她做梦都要笑醒。如果美国以莫须有的罪名严厉封锁DeepSeek，受益者不会答应。
只有Sam Altman（OpenAI）的chatGPT系列模型、和Dario Amodei（Anthropic）的Claude系列模型，可能会受到较大的冲击，因为他们还是纯模型公司，在寻找未来的落地场景。
谣传3，冯骥与梁文锋的除夕夜话，那篇文章一眼假。
（图源：pixabay）
谣传4，DeepSeek是靠偷取OpenAI的数据才获得成功的。
错。DeepSeek模型的回答中出现“我是OpenAI”或“我是ChatGPT”的回答不足为奇。谁的公开文本多，模型统计就往那个方面偏。互联网上的文本语料，有3100万亿(3100T)个Token，没有AI模型公司会一一检查。
打个比方，村里有个种蘑菇的菇凉叫“刘亦菲”。菇凉问AI：“我叫刘亦菲，你说我是做什么的？”AI会回答：“你是知名演员，你是大美女。”菇凉对AI说：“我是在村里种蘑菇的，我不是大美女”；AI会回答：“你就是知名演员，你就是大美女，你别再骗我了”。
就是这个意思，一说就明白。
互联网上的文本数据版权是笔糊涂账。比如，作家王朔作品中的语言，其讽刺与调侃独有韵味。如果我让chatGPT学习王朔的语言，写一段话类似的话，请问，chatGPT会给王朔版税吗？
前一阵，印度的多家数字媒体、新闻社和出版商联合会还向新德里法院起诉，指控OpenAI通过抓取和改编其版权内容来训练ChatGPT。
“清华简”上的战国古文字数据，是清华大学团队人工标注的，没有正式对外公开。但因为斯坦福大学一个AI团队的抄袭或破解，数据就可能流传到互联网上，会由此混入几十万亿的Token中。谁能把这种东西逐个摘干净？
在AGI时代，文本数据版权最后就是一笔糊涂账。DeepSeek的模型核心价值，在算法创新，而不在任何只言片语的语言语料。创业要抓住核心价值，快速行动，忽略细枝末节的东西，水至清就无鱼，也就不能创业。
还没有评论，来说两句吧...