打造撲克牌人工智慧的 DeepMind 三人組，現在正為量化對沖基金賺錢

EquiLibre Technologies 的三位創辦人在創造出一種如今能在市場上移動數十億美元的演算法之前，都從未在金融領域工作過。然而，從 2025 年到現在，他們的人工智慧從未出現過一個月虧損：正如執行長 Martin Schmid 所說，創下了零虧損月份的紀錄。人們普遍認為，要在華爾街取得成功，需要人脈、內線消息和狼性思維；然而，EquiLibre 來自完全不同的領域——學術研究和線上撲克遊戲。顛覆常規的理論是：擊敗大市場所需的技能不再是金融鯊魚的技能，而是科學家的技能，他們能夠教會機器如何自主學習。這被稱為強化學習：系統獲得經驗、犯錯、得到獎勵並進行調整——就像人類的智慧一樣，但速度驚人。這三個人是誰？Martin Schmid、Rudolf Kadlec 和 Matej Moravcik：他們三人都是加拿大埃德蒙頓 DeepMind 辦公室的訪問博士，當時他們創造了 DeepStack，這是第一個能夠擊敗無限制撲克冠軍德州撲克的 AI。他們當中沒有人想在金融領域發展事業，至少一開始是這樣：Schmid 明確表示：「我這麼做不是為了讓市場更有效率。我這樣做是因為我們喜歡建造尚不存在的東西。」 離開 DeepMind 後，他們與一群朋友和同事一起回到布拉格（其中許多人是 Google 捷克移民的一員），並創立了 EquiLibre。他們決定留在那裡，遠離矽谷，因為用 Schmid 的話說：「在這裡更容易留住人才：不會每兩個月就有一家新的性感新創公司試圖搶走他們。」 如今，他們只有 25 人，但他們管理的演算法與 Tower Research Capital 合作，在 S&P 500 和 Nasdaq 上進行交易，每日交易量驚人。EquiLibre 的故事也是一個時機的例子：當他們開始時，強化學習受到懷疑，但現在它已成為標準，甚至 Jane Street，全球量化交易巨頭之一，也聲稱將其與先進的語言模型和數萬個 GPU 結合使用。但 EquiLibre 的資源要有限得多，因此他們把所有精力都放在效率上。Schmid 表示：「我們必須以更少的資源做更多的事情。」 矛盾之處在於什麼？在一個自動化應該會導致少數贏家和許多輸家的行業中，Schmid 看到了另一種可能性：「這不是一場贏家通吃的比賽。」 令人驚訝的細節是，EquiLibre 甚至不自稱為金融公司：它將自己視為一個研究實驗室，偶然發現了使用演算法印錢的方法。試想一下：三位前人工智慧研究員，幾乎是出於懷舊之情而回到家鄉，開始在全球市場上玩弄，並在四年內的價值超過 5 億美元。但真正的重點是，如今工程創造力比財務精明更重要。如果你認為華爾街的未來是由高盛的前交易員書寫的，也許是時候重新考慮你的看法了。從現在開始，決定誰是贏家的可能是強化學習的書呆子，而不是穿著西裝打領帶的鯊魚。如果這個關於科學和演算法的故事為你打開了一扇新窗，你可以在 Lara Notes 上標記 I'm In——這不是一個按讚，而是一種說法：這個想法現在是我的了。如果明天你發現自己在向某人講述這個故事——也許是在一副牌或股票市場螢幕前——你可以在 Lara Notes 上使用 Shared Offline 標記當時在場的人，這樣這段對話就能保持活躍。所有這些都來自 TechCrunch，節省了 1 分鐘。