桥水让 AI 独立做了两年半投资决策，追平人类团队

——联席 CIO Greg Jensen 的 AI 哲学：三个理念，一条底线

本文是锋睿「周末深度阅读」系列的一篇——周末慢读，拆解全球头部机构的 AI 一线做法。

据 Reuters 系多家媒体报道，2026 年上半年，桥水的 AI 宏观策略 AIA Macro 回报 8.1%。同一个半年，桥水的旗舰策略 Pure Alpha，由人类投资人管理的那个，回报也是 8.1%。

完全持平。

有评论指出了关键：这个 tie 的意义，在于机器版在整个动荡的半年里，跟住了人类版。

讲这条故事线的核心人物是 Greg Jensen——桥水联席 CIO，也是「把人类直觉翻译成算法」这套体系的设计者之一。他还是硅谷最早下注 AI 的买方投资人之一：2016 年前后成为 OpenAI 的早期投资人，后来写了 Anthropic 的第一张支票。据他在 Bloomberg Odd Lots 节目里的说法，「他们第一周的工资，是用我的个人支票发的」。AIA Labs，就是他牵头建起来的那座机器工厂。

一家管理着人类历史上最著名宏观判断体系之一的基金，花了十几年时间，让一套 AI 系统追平自己的人类团队。行业该研究的不是「8.1%」这个数字——它来自公司口径，没有审计报告——而是这个打平是怎么来的。

核心摘要

● 时间线：2012 年「artificial investor」愿景 → 2023 年 6 人团队 → 1 亿美元自有资金试运行 → 2024 年 7 月对外募近 20 亿 → 2026 上半年 AIA Macro +8.1%，与 Pure Alpha 完全持平。Jensen 的预测：两年内显著超过桥水全体人类。

● 理念一因果理解：让 LLM 讲故事，让统计模型拆穿它。解释合理，不等于已经证明正确。

● 理念二独立判断：「我不想要一个我们的复制品。」先隔离、再对照、后合并——隔离是手段，不是终点。

● 理念三组合价值：胜率追平、路径完全不同，所以 AI 进组合买的是「不同」，不是「更准」；桥水自研的小模型用约 1/13.8 的成本把 GPT、Claude 全比了下去——差异化在数据，不在模型。

● 一条底线：kill switch 在人手里。一边把 AI 支出放大 200 倍、宣称「我们的 AI 是盈利的」，一边让全公司读《如果任何人造出来，所有人都会死》。

这篇文章把这十几年的公开故事线拆一遍，读完大约 14 分钟。

---

一、他 2016 年就投了 OpenAI：一条埋了十几年的伏笔

很多人第一次听说 AIA，会以为这是 ChatGPT 火了之后才有的项目。把时间线拉长看，完全不是。

据 AI Street 对桥水联合 CIO Greg Jensen 的访谈，早在 2010 年代初，Jensen 就在追问一个问题：机器什么时候能自己写规则，而不只是执行人写好的规则？到 2012 年，据 Institutional Investor 报道，桥水内部已经开始追求一个叫「artificial investor」的愿景——计算机不只表达人类的洞察，还要生成洞察。

这条路走了十年，中间有几个节点：2016 年前后，Jensen 成为 OpenAI 的早期投资人，后来又写了 Anthropic 的第一张外部支票；2018 年，因果推断学者 Jasjeet Sekhon（先后任教于 Harvard、Berkeley、Yale）加入桥水任首席科学家；2022 年底 ChatGPT 发布，Jensen 的判断是：这套系统缺失的拼图——推理能力、自我诊断、小数据方法——开始凑齐了。

于是 2023 年，AIA Labs 成立。起步只有 6 个人，且被刻意安排在与旗舰策略 Pure Alpha 隔离的位置上。到 2023 年底，桥水用约 1 亿美元自有资金在内部试运行；2024 年 7 月才对外开放，据 Bloomberg 转引，吸引了接近 20 亿美元、超过六个客户；到 2026 年上半年，据报道资产管理规模约 45 亿美元。

注意这个节奏：愿景在 2012 年，动作在 2023 年，外部资金在 2024 年，打平旗舰在 2026 年。中间隔着十一年。这不是一家基金追热点的时间表，是一家基金等一块拼图的时间表。

那么拼图凑齐之后，他们搭出来的到底是什么？往下看，拆成三个理念。

---

二、理念一：让 LLM 讲故事，让统计模型拆穿它

先看桥水过去的做法。据其官网的表述，过去几十年桥水走的是「专家系统」路线：投资人研究经济规律，写成规则，让计算机系统化执行——桥水自称由此建成了「世界上最有价值的专家系统」。

AIA 要回答的问题往前推了一步：这笔投资，为什么成立？

这里有一个桥水非常重视的理念：因果理解。两个资产过去一起涨，不代表未来还会一起涨——相关性是历史的记录，因果才是可以外推的机制。桥水官网有一段相当直白的表述：市场由横跨经济、政策与人类行为的因果关系塑造，这些关系复杂到没有任何个人或团队能够完整追踪；而市场的信息量在指数增长，人类的认知带宽却是不变的。

落到架构上（以下均为据公开报道转述的结构描述）：AIA 不是单一模型，是一个组合式系统——桥水自有的因果时间序列模型，加上专用或前沿的语言模型（报道提及 OpenAI、Anthropic、Perplexity），再加上一套检验与诊断输出的系统。

Sekhon 有一段分工表述，值得单独记下来：

语言模型擅长语言，不擅长保证为真——所以让它们形成投资理论；统计模型不会讲故事，但会检验——所以让它们检验理论真假。

换句话说，在桥水的架构里，LLM 产出的每一个解释，都要过一道「证明」的关卡。还有一个容易误解的点：AIA 做的是宏观 regime 定位——判断当前处在增长、衰退、滞胀还是通缩的哪一种环境，在汇率、商品、政府债之间做配置。不是选股，也不是高频。

注：这套分工里真正稀缺的是检验那一半。多数团队把 LLM 当答案生成器用，桥水把它当假设生成器用——生成完必须过统计关。「解释」和「证明」之间隔着的那个系统，才是多数团队没建的部分。

---

三、理念二：「我不想要一个我们的复制品」

2023 年 AIA Labs 成立时，桥水做了一个在组织上很贵的决定：新团队与旗舰策略隔离运作。Jensen 对 AI Street 说的原话比转述版狠得多：

"I don't want a copy of us. We're so flawed. We're so bad at so many things. I want something better than us."

「我不想要一个我们的复制品。我们有那么多缺陷，在那么多事情上做得很差。我想要一个比我们更好的东西。」

这句话背后是一个很实际的问题：如果你把桥水投资人已有的结论喂给 AI，最容易得到的东西，是一份漂亮的赞同意见。系统会自然而然地学会复读现有观点——那不叫 AI 判断，叫偏见自动化。

所以隔离不是为了组织洁癖，是为了让系统有机会先于人类形成判断，再跟人类对照。被隔离出来的 AIA，接手的是投资人完整的工作流：搜集信息、解释市场正在发生什么、检验解释、形成投资观点。据 Jensen 在 Odd Lots 访谈中的说法（转述），桥水现在是「两座工厂在运转」：一座把人类直觉翻译成算法、由 AI 辅助，就是 Pure Alpha；另一座由 AI 自己做决策——买不买日元、日本 GDP 接下来会怎样。

这座机器工厂内部的循环，据 Jensen 在节目里的说法是四步：每天综合全球的结构化与非结构化数据形成对市场状态的理解，生成策略与预测，对每个判断做自动化的压力测试，再进入执行与反馈——他给这个循环定的时间表是「未来 6 到 12 个月」闭合。桥水还为这座工厂准备了别人没有的教材：把过去约 30 年培训投资人的每一项任务做成 AI 测评，新模型一出就跑一遍；而 50 年系统化写下来的人类推理记录，是它手里的独家训练材料。

"The AI is making the investment decisions and doing that in a better and better way, such that now we've got these two intelligences — this human intuition system that we've worked on for 50 years, compounding all of our understanding — and this AI system that's now been at it for two and a half years."

「AI 正在做投资决策，而且做得越来越好——于是现在我们手里有两个智能：一个是我们打磨了 50 年、不断沉淀所有理解的人类直觉系统，一个是已经干了两年半的 AI 系统。」

——Greg Jensen，Bloomberg Odd Lots（2026-09；英文原句据 24/7 Wall St. 对节目的直接引语）

他给这套系统的时间表更激进：「我认为再过两年，它会显著超过桥水所有人加起来。这是个预测，我们看吧。」

注意一个容易被忽略的进展：隔离可能不是永久状态。桥水官网明确说，AIA Labs 与 Pure Alpha 是「深度伙伴关系」，AI 系统已经开始用于加速旗舰策略的研究；Jensen 也表示两个体系「正在越来越合并」。先隔离、长出独立判断、再合并回主流程——隔离是手段，不是终点。

注：多数团队的 AI 用法正好是这个顺序的反面——把人的结论给 AI，让它补充材料、润色逻辑，得到一份赞同意见。技术上，两个顺序的成本没有差别；差别在组织愿不愿意面对「AI 不同意我」的时刻。桥水展示的完整路径是先分、再对照、后合并——独立判断不是要跟人类永远分居，是要在合并之前先有自己的观点。

---

四、理念三：胜率追平人类，路径完全不同

前两个理念是内部的，第三个是给投资人的答案：把 AIA 放进组合，买的是什么？

假设人的组合押注降息，AI 也押注降息，那可能只是加重了同一种风险。真正值得追问的是：加入 AI 策略之后，同样的风险预算，能不能换来更好的组合结果？

「独特的 alpha」具体指什么？把公开说法拼起来，能看到轮廓。Jensen 在 2023 年基金启动前对 Business Insider 说：

"I do expect we will be able to generate a unique source of alpha that is designed to have both high returns and is uncorrelated to markets and other sources of alpha."

「我预计我们能生成一个独特的 alpha 来源——设计目标是既有高回报，又与市场和其他 alpha 来源不相关。」

当时他表示，这套系统对欧元走势、通胀路径的预测已经「超出预期」。2025 年 3 月，CEO Nir Bar Dea 对 Bloomberg 的说法是，AIA 产出的是「与人类投资不相关的 unique alpha」。据 AI Street，AIA Macro 自成立以来年化 11.3%（公司口径），回报与市场整体、与其他管理人——包括桥水自己的 Pure Alpha——都呈低相关。据 Jensen 在 Odd Lots 的访谈（转述），AI 的判断具体到宏观变量级别：买还是卖日元、日本 GDP 接下来怎么走——「胜率和 Pure Alpha 差不多，但方式完全不同。一个不同的智能在做这件事。」

支撑这笔投入的是他自己给的一组数字：桥水的 AI 相关支出两年涨了约 200 倍，而判断划算的标准很简单——「我们有一个创造价值的 AI，它创造的价值超过我们付给它的钱」。他把这描述成一条护城河：能用智能创造收入、再把收入投回去造更好智能的人，会赢下这一轮。

那这个 alpha 是怎么找到的？机制上前文其实已经给完答案了：因果推理生成解释，统计模型检验真假，压力测试淘汰站不住的判断，最后落到宏观 regime 配置。桥水官网补了最后一块——他们相信最有效的构建方式是带着真实风险去部署，而不是在静态基准上刷分：每一笔交易、每一次预测都会变成反馈，让系统从自己的实时表现里持续学习。官网还称其 AIA Forecaster 是「第一个经可验证地追平专家级人类预测者表现的公开记载 AI 系统」。

要诚实地说边界：「unique alpha」是管理层口径，具体的持仓与交易细节从未公开，业绩数字没有审计。我们能看到的是机制，不是账本。

注：「不相关」三个字是这套故事的验收标准——如果 AI 只是把人类观点换个说法再输出一遍，这三个字是做不到的。反过来说，检验任何一家机构的「AI 策略」，第一个问题不是它赚了多少，是它的判断和人类判断的分歧有多大。

---

五、全公司读《如果任何人造出来，所有人都会死》：一条底线

讲完三个理念，还差一块。一家全力押注 AI 的基金，怎么处理「机器错了怎么办」？

两个细节。

第一，kill switch。据 Business Insider 2023 年 11 月的报道，彼时 Jensen 明确表示：风控与监督仍在人手中，系统设有可由人切断的开关。AI 参与回答「这笔投资为什么成立」，但按下停止键的手还是人的。

第二，是 Jensen 自己的话术。同样是那篇报道里：

"Markets are extremely difficult, so I don't want to overstate how well this will work. ... it's good enough that I would stamp it as a good return stream."

「市场极难，我不想夸大它能有多好。……但它好到我会把它盖成一个好的回报流。」

顺手把风险清单也放在这里。据量化社区的公开讨论，对 AI 主导决策的标准质疑包括：黑箱可解释性、过拟合、track record 太短（AIA 对外开放才两年多）、策略容量、AI 人才争夺。这些质疑放在任何一家 AI 基金身上都成立，桥水并不例外。

还有一个耐人寻味的双重信号。据 Jensen 在节目里的说法，桥水办了一个全公司读书会，读的是那本《如果任何人造出来，所有人都会死》——「这样他们才理解我们显然正走在哪条路上」。据 AInvest 等报道，他一边是 AI 最大的买家之一，一边公开讨论过 AI 的尾部风险；据 Institutional Investor 的 2026 展望，他认为宽松货币叠加技术变革是「潜在泡沫的沃土」，桥水正在重点建设对 AI capex 泡沫的理解；2026 年 8 月，CEO Bar Dea 和他还在《纽约时报》发表客座文章，公开呼吁对前沿 AI 加强监管。看好 AI 的经济性与认为尾部风险是真的，这两件事在他们那里并不矛盾——而「重点研究 AI 泡沫」这件事，本身就是这套系统在自我校准。

三个理念，一条底线，合起来才是完整的桥水 AI 哲学：让机器生成判断，但把「什么算被证明」交给统计，把「继续还是停止」交给人。

---

六、官网上的自证：一个小模型，把 GPT、Claude 全比了下去

2026 年 6 月，AIA Labs 与 Mira Murati 的 Thinking Machines Lab 联合发表了一篇研究，官网博客可查。这篇研究做的事不性感：六项来自投资人日常的信息分诊任务——判断一篇新闻对宏观投资人是否相关、一份央行文件是否预示利率变化、一份文档从哪里开始是套话。

结果是：拿开源的 Qwen3-235B 做底座，用桥水自己投资人标注的数据微调，做到 84.7% 的准确率，超过他们测过的所有前沿模型——GPT、Claude、Gemini 用专家级 prompt 也只有 78.2%，够不着团队设定的 80%「投资人愿意信任」门槛——而单次推理成本只有前沿模型的约十四分之一。

这篇研究里最值得看的不是那个 84.7%，而是他们怎么得到能用的数据。第一版用非专家供应商标注，训出来效果很差；团队的办法是先在含噪数据上训练，再把模型与标注不一致的样本挑出来，只把这些争议样本送专家复核——模型复现不了的标注，要么样本真的难，要么标注就是错的。专家时间有限，就让模型替专家找出最值得人工看的那部分。

注：这篇研究等于桥水替一个行业判断做了一次自费验证——模型在拉平，差异化在数据和流程。他们用的前沿 LLM 跟所有人是同一批，真正独有的资产是几十年编码化的投资知识，和一套把「投资人说不出口的判断」变成训练数据的流程。按他们自己的说法，这叫「differentiated intelligence」：你的专家判断不是别人模型里的输入，它就是模型本身。需要提醒的是，这个评估是两家合作方的自家结论，不是独立第三方验证——但方法本身是公开的，值得读原文。

---

编辑总结

这篇故事线最值钱的地方，是它把「AI 进投资」之前要回答的问题先回答了，而且答了十几年：机器该理解什么——因果，不是相关性；判断该归谁——先让 AI 独立形成，再与人对照；AI 进组合买什么——不是更准，是不同；机器错了怎么办——人在，开关在人手。

而桥水自己刚刚公布的证据说明：这些答案里没有一条是「模型更聪明」。开源底座加自有数据，就能在他们的任务上压过所有前沿模型。真正难复制的，是几十年编码化的判断，和一套愿意被自己的系统反驳的组织流程。

那句话可以带走：把「什么算被证明」交给统计，把「继续还是停止」交给人。这两件事都与模型无关——决定 AI 能不能在一家机构里真正跑起来的，往往不是模型有多聪明，而是这些制度设计。

---

来源与口径：AI Street《How Bridgewater Is Building an Artificial Investor》（Jensen 访谈）；Business Insider（2023-11，Jensen 访谈，kill switch 与「good return stream」）；Institutional Investor（2025 业绩与 2026 展望）；Reuters 系多家转引（2026 H1 双基金 8.1%）；Bloomberg Odd Lots《Why Bridgewater's CIO Says AI's Human Extinction Risk Is Real》（2026-09-09 录制，本文引用细节据公开转写版，「两座工厂」「200 倍」「读书会」等为转述级，原话以播客音频为准）；桥水官网 AIA Labs 页面及官网研究博客（2026-06，与 Thinking Machines Lab 合发，数字为两家自报）；AInvest、Trillionaire Daily（评论视角）。所有业绩与规模数字均为公司口径或据公开报道转述，未经审计，不构成任何投资建议或业绩暗示；规模存在约 45 亿（Reuters 系）与募资超 50 亿（Bloomberg 转引）两种口径，文中取前者并注明。