全世界最大的上市對沖基金，半年燒掉八十六倍的 AI token：Man Group 的 CTO 跟資料長把內部實況攤開了

TL;DR

• Man Group 從一月到七月，AI token 消費量暴增八十六倍，而且他們還沒開始認真節流
• AI agent 已經自己生出十五到二十個交易策略，通過人類投資委員會審查，正在拿客戶的錢交易
• 最前沿的模型不一定最好用，把資料標記、結構化做好，比換最貴的模型更能產出 alpha
• METR 基準顯示 AI agent 能獨立完成的任務時長每七個月翻一倍，現在已經能跑十六小時的人類任務
• 真正的瓶頸不是算力也不是資料，是組織能不能跟上 AI 帶來的變革速度

---

這集在二〇二六年七月九日播出的 Odd Lots，是 Bloomberg 旗下由 Joe Weisenthal 跟 Tracy Alloway 主持的財經 podcast，專門找各種「不太主流」的角度來拆解市場跟經濟。這次請來兩位 Man Group 的高層。Man Group 是全世界最大的上市對沖基金，管理資產大約兩千三百億美金，在倫敦上市，從量化交易到基本面選股到私募市場都做。Gary Collier 是 Man Group 的 CTO，二〇〇一年以軟體工程師身份加入，在這家公司待了超過二十五年。Tushara Fernando 是資料與 AI 負責人，之前在 Goldman Sachs 資產管理部門做投組建構技術，二〇二一年加入 Man Group，現在管著大約七百五十個開發者跟量化研究員的 AI 基礎建設。

---

八十六倍不是打字錯誤

一月到七月，半年時間，token 消費量乘以八十六。

Gary Collier 講這個數字的時候語氣很平淡，但你仔細想一下就知道這有多誇張。這不是一個小新創在燒投資人的錢試水溫，這是一家管兩千三百億美金、受嚴格監管的上市對沖基金。

更值得注意的是，他們到現在都還沒開始做智慧路由。就是那種自動判斷「這個問題用小模型就夠了，不需要叫 Opus 4.8 出來」的分類器。他們目前的策略是教育，告訴員工不要在同一個對話視窗裡同時問投資論文怎麼寫、午餐吃什麼、明天天氣如何。

老實說，這個「還沒開始節流就已經八十六倍」的事實，對整個 AI 產業來說其實是個很正面的訊號。代表即使是最粗放的使用方式，企業都還沒碰到「得認真控管」的痛點。之前在一年燒掉的 token 比工程師薪水還多那篇聊過企業 token 預算的邏輯，Man Group 的案例基本上是那個趨勢的活體驗證。

AI 自己想出來的交易策略，已經在拿真錢跑了

這集最讓我坐直的部分，是 Gary 提到他們建了一套端到端的 agentic 研究系統。流程大概是這樣：

第一層 agent 去讀學術論文和已標記好的資料集，從裡面找出可能有經濟意義的投資假說。第二層 agent 把這些假說寫成程式碼，拉市場資料，跑回測。第三層 agent 評估前面 agent 的產出品質。

重點來了。這套系統已經產出了十五到二十個交易模型，全部通過人類投資委員會的審查，被認定「適合用來管理客戶資產」。這些不是實驗室裡的概念驗證，是真金白銀在跑的策略。

而且 agent 做的第一件事不是寫程式碼，是用白話英文寫出投資假說。「為什麼我認為這個訊號會賺錢」，先用人話講清楚，再動手實作。這個設計很聰明，因為它直接解決了可解釋性的問題。

最貴的模型不一定最好用

Tushara 在被問到「最前沿的模型重要，還是乾淨的資料重要」的時候，回答得很直接：看任務。寫程式碼，你當然要最強的模型。但做量化研究找 alpha？底層資料才是關鍵，光靠前沿模型什麼都跑不出來。

他們在資料這端做的事情很有意思。Man Group 每天光是從各大交易所吃進的 tick data 就接近一 TB。但真正花工夫的是替資料加上「翻譯層」。

舉個例子：你丟一張信用卡消費資料給 AI，它看得到欄位、看得到數字，但它不懂「每一列代表一個人走進一家店買了一樣東西」。所以他們的做法是用白話文替每個資料集寫描述，告訴 AI 這些欄位的真正意義。然後再建一套統一的語義層，讓不同資料集之間能互相對話。

這跟 Bridgewater 上週發的那篇論文邏輯一致。Bridgewater 用自家專有資料去微調開源的 Qwen 模型，在金融判斷任務上打敗了所有前沿模型，包括 GPT-5.5 跟 Claude Opus 4.8。錯誤率比最強的前沿模型還低將近三成。結論很清楚：在專業領域，你的資料品質跟標記方式，比你用哪家的模型更重要。

每七個月翻一倍的「agent 工時」

Gary 提到一個叫 METR 的基準測試。這個測試量測的是 AI agent 能獨立完成多長時間的人類任務。

數據是這樣的：二〇一九年，agent 能獨立完成的任務長度大約是四秒。到了二〇二六年，已經超過十六個小時。每七個月翻一倍。

這個速度改變了團隊的運作方式。以前你叫 agent 幫你寫個單元測試，現在你可以叫它蓋整個功能模組，甚至整個應用程式。Gary 的原話是：「你從 in the loop 變成了 on the loop。」

這直接影響了他們找人的標準。Tushara 說得很妙：以前你要找喜歡鑽進細節 debug 的人，現在你要找願意退一步、把整個流程自動化的人。像一個有深度技術背景的指揮家，而不是每個樂器都自己上場演奏的人。

（但我們都知道，很多工程師就是喜歡自己下去修 bug 那個爽感，要他們放手讓 agent 做，心理上其實沒那麼容易。）

真正的瓶頸是組織，不是算力

主持人問了一個很好的問題：你們的瓶頸是什麼？

Gary 的回答出乎意料。不是算力，不是資料，是組織的變革速度。AI 的能力邊界擴張得太快了，人類要跟上這個速度，在一個受監管、有受託責任的機構裡安全地部署這些東西，這才是最難的部分。

他提到一個很實際的問題：token 預算以前是按「人」來分配的，但現在越來越多的消費來自 agent。agent 跑的是跨部門的工作流程，那這筆帳算誰的？這是一個全新的管理問題，他們還沒有答案。

另一個有趣的張力是 alpha 的歸屬。Man Group 的量化團隊本來就有高度協作的文化，程式碼庫是共享的。但基本面的投資經理就不一樣了，Gary 說他們「九成的流程願意分享，但那一成是他們認為自己個人價值所在的東西，不太想攤開」。

在 AI 需要大量資料才能發揮最大效果的時代，怎麼讓明星基金經理把腦袋裡的東西交出來，這個問題很微妙。Tracy 半開玩笑地說：「鍵盤監控可以解決這一切。」

Gary 笑了，但沒否認。

token 預算會不會變成跟薪資一樣重要的科目？

主持人問了一個我覺得很有前瞻性的問題：token 支出會不會有一天變成跟人事成本平起平坐的會計科目？

Gary 的回答是「還沒到那一步，但遲早會來」。Man Group 目前是把 token 預算下放給各業務單位自己管，如果某個部門想把其他預算挪過來多買 token，他們完全可以自己決定。

這個做法其實跟之前在一個 string theorist 用五分鐘拿到 Sequoia 的支票那篇裡 Matan Grinberg 講的「token 資源分配」邏輯很像，只是 Man Group 的規模大得多，複雜度也完全不同。

我的觀察

這集讓我想到幾件事。

第一，AI 在金融業的應用，最有價值的部分不是「叫 AI 告訴我該買什麼股票」這種最直覺但最沒用的用法，而是在研究流程的每一個環節做微幅增強。Man Group 的 CTO 自己說的：把所有微增強加總起來，效果是巨大的。

第二，資料護城河正在變得比模型護城河更重要。Bridgewater 的論文證明了這點，Man Group 的實務也證明了這點。在所有人都能用到最聰明的模型的世界裡，你的專有資料跟標記品質才是差異化的來源。

第三，八十六倍的成長速度，加上「還沒開始認真省」的現狀，對 AI 基建公司來說是一個很強的需求訊號。如果連一家以風控聞名的上市對沖基金都在這樣燒 token，其他產業只會更猛。

最後一件事。Gary 提到 AI 讓他們能更早進入一些以前因為「研究成本太高、潛在利潤不夠大」而放棄的市場，像是加密貨幣和結構化信用這類定價不透明、資料格式混亂的市場。這代表 AI 不只是讓現有的工作做得更快，它在擴大整個可投資的邊界。

這個邏輯如果推到極端，未來的資產管理業可能會出現一種新的分工：有些公司專門做「替 AI 整理資料」的苦工，有些公司專門做「讓 AI 跑策略」的巧活。而兩者之間的價值分配，會是一場很有趣的拉鋸。

想看更多這類 AI 跟金融交叉的產業觀察，我的部落格 wilsonhuang.xyz 會持續更新，訂閱就不會漏掉。