前对冲基金人才集体转向AI工具创业 一批曾就职于Bridgewater、Schonfeld、Jain Global等顶级机构的资深从业者，正密集创办专注投研自动化的AI初创公司。他们不再满足于用AI优化流程，而是直接重构研究环节——将可结构化、重复性强的分析任务交由模型承担。 典型实践：覆盖宏观、另类数据与垂直领域 WithAI由前Bridgewater分析师Ian McInnis创立，聚焦降低另类数据处理门槛，目前已服务4家对冲基金客户；Macro Technologies由前Schonfeld与Citadel Securities宏观研究员Jaime Villa参与创办，专攻宏观分析中的标准化任务自动化；Serona Data则由前Jain Global高管Cameron McKendrick带领，深耕医疗健康数据，从中提炼可交易的投资信号。 大模型正突破投研“不可替代”边界 过去AI多用于合规、法务、IT支持等后台职能，而近期大模型理解力、推理链构建与多步代理能力显著提升，使其开始介入研究、建模与初步选股等核心环节。有头部机构反馈，原本需硕士或博士级人员耗时数周完成的行业扫描与因子回测，现在可在数小时内由AI代理闭环输出。 Bridgewater与Thinking Machine Labs合作开发金融文本解析系统 该系统正用于自动化处理财报、监管文件与会议纪要，大幅压缩人工初筛时间。类似实践并非个案，多家中型对冲基金已内部部署定制化AI工作流，覆盖数据清洗、逻辑验证、报告草稿生成等链条环节。 人力结构与竞争格局悄然松动 投研人才长期是对冲基金最大成本项，尤其资深分析师与基金经理供给稀缺、薪酬高昂。当部分分析判断可被稳定复现，小型基金不再必须依赖“明星分析师”才能启动策略——Carthage Capital正尝试将创始人Stephen Wu的选股逻辑注入AI系统，当前覆盖10–20只股票，目标是扩展至数百只标的。 独立选股能力正在逼近临界点 多位一线从业者观察到，当前模型在信息整合速度、跨源一致性校验及逻辑自洽性上已超越初级分析师。Aristides Capital创始人Claire Brown指出，Claude在5分钟内输出的分析质量，常优于人类一小时的工作成果；Reflexivity CEO Jan Szilagyi判断，随着AI持续学习真实交易反馈，具备自主信号识别与组合构建能力的投研代理，已非远期设想。