Token 用量激增 86 倍后，Man Group 发现真正的 AI 瓶颈在模型之外

——一家大型资管机构，怎样把 AI 从聊天窗口接进真实投研流程

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

2026 年 7 月，Bloomberg Odd Lots 的主持人问 Man Group 数据与 AI 负责人 Tushara Fernando：如果把全公司的 token 用量画成一条曲线，它现在有多陡？

答案是：自 1 月以来，增长了 86 倍。

更意外的不是这个倍数，而是 token 被谁用了。不是只有技术部门。财务、运营、人力团队都开始运行 AI 编程或自动化工作流；在投资端，主观投资经理、量化研究员和交易人员的屏幕上，也都出现了 AI 窗口。

Man Group 不是一家刚开始试用聊天机器人的公司。截至 2026 年 6 月底，它管理约 2,536 亿美元资产，有 1,700 多名员工，其中 600 多人从事量化或技术工作。2025 年，公司在 AI、数据和技术能力上的投入超过 1.35 亿美元。

所以，这个 86 倍很值得看。

它不是“AI 创造了 86 倍价值”的证明。相反，它把一家金融机构真正进入 AI 生产阶段之后，最难回避的问题全部暴露了出来：数据怎样让机器理解？研究 Agent 能走多远？谁来批准？token 算谁的成本？人的经验又该共享到什么程度？

核心摘要

● AI 先改变的是研究带宽，不是投资规律。 Agent 可以持续读取财报、券商报告、另类数据和播客，但它必须把信息变化映射到具体持仓与投资假设，才从“摘要工具”进入投研流程。

● Man Group 正在把“研究如何发生”本身系统化。 从论文与数据集出发，形成经济假设、写代码、拉取市场数据、跑回测、由另一个 Agent 复核，最后交给人类投资委员会。访谈录制时，已有约 15 至 20 个模型走完这条链。

● 最新模型不是核心护城河。 市场数据、另类数据、机构知识，加上内部代码、回测规范、交易成本和执行能力，构成了一个模型无法单独复制的系统。

● 86 倍 token 增长带来的是管理问题。 当消耗 token 的主体从“人”变成“工作流”，预算、责任和收益归属都要重写。

● 真正的瓶颈是组织变化和安全部署。 在受监管行业里，快不是唯一目标；可解释、可测试、可审批，才决定一条 AI 工作流能不能进入生产。

这篇文章拆开来看，读完大约 12 分钟。

---

一、不是替 PM 写摘要，而是替他守住所有信息源

一个传统股票研究员可能同时覆盖 50 家公司。

他要读财报、券商研究、公司公告和另类数据，也可能要听行业播客。问题从来不是信息不够，而是一天只有几个小时。很多真正影响投资逻辑的变化，并不会以“重大新闻”的形式出现，它可能藏在一场技术访谈、一段工程师的描述，或两份数据之间的新连接里。

Man Group 在访谈中给了一个具体例子。

一位关注 AI 产业链的投资经理，需要判断下一处供给瓶颈在哪里。某家大型云计算公司的工程负责人在一档播客里提到：GPU 仍然重要，但足以容纳大规模训练的数据中心正在变得稀缺，不同数据中心之间的网络连接也会越来越关键。

这位工程负责人未必会参加投资者电话会，传统研究流程也未必覆盖到这场对话。Man Group 的 Agent 做的，是把播客转成可检索信息，识别其中与原有投资逻辑有关的变化，再把它送到投资经理面前。

这里有一个重要区别：摘要只回答“他说了什么”，投研系统要回答“这改变了哪条假设”。

如果 AI 只是把十份材料压缩成十段文字，研究员仍然要自己完成最后那一步连接。真正有价值的 Agent，需要知道投资组合里有哪些持仓、原来的判断是什么、哪些变量正在变化，以及这次变化是否足以触发进一步研究。

这不是让机器替人做结论，而是先扩大人的注意力边界。

锋睿注：很多金融机构把“能检索全部资料”当成 AI 项目的完成状态。Man Group 展示的下一步，是让检索结果回到一条具体投资假设里。没有这层映射，信息更快到达，并不等于研究更快完成。

---

二、它不只读材料，还开始系统化“如何做研究”

主观投资的例子，是让 Agent 帮人发现变化。到了量化研究，Man Group 往前走了一步：让 AI 参与组织整条研究链。

这条链从论文和经过整理的数据集开始。一个 Agent 阅读材料、提出可能成立的经济假设；另一个 Agent 把假设写成代码，找到需要的市场数据并运行回测；再由其他 Agent 检查前一个 Agent 的结果。到了最后，模型仍然要交给人类投资委员会，检查逻辑、证据、稳健性和使用边界。

据 CTO Gary Collier 在访谈中的说法，当时已有约 15 至 20 个模型走完从构想到信号构建、验证和委员会审核的完整流程，并被判断为适合用于管理客户资产。

这个数字容易被写成“AI 已经自主交易”。但两者不是一回事。

真正值得研究的是，AI 已经开始接手过去最耗时、也最容易断裂的中间环节：读论文之后怎样形成假设，假设怎样翻译成代码，代码怎样调用机构内部的数据与回测工具，结果又怎样整理成可以被审查的证据。

Man Group 自己把这类系统称为 AlphaGPT、Alpha Assistant 等。官方对它的描述很克制：通用大模型可以写出概念上合理、甚至能够运行的策略代码，但如果它不知道公司内部的组合构建方式、样本内外测试规范、波动率估计、换手控制、交易成本和滑点假设，产出的只是“看起来像研究”的代码，不能直接行动。

所以，Agent 的价值并不只在于把代码写快。

它必须进入一套已经存在的研究纪律，并留下足够完整的过程，让人能够判断这项研究为什么成立、哪里可能失败、能否进入下一道门。

锋睿注：金融 AI 从 Demo 进入生产，分水岭不是“能不能生成答案”，而是“能不能生成一份可审查的研究记录”。答案可以很快，责任链不能消失。

---

三、三层数据，最后一层最容易被低估

Man Group 把自己面对的数据分成三类。

第一类是市场数据。它高度结构化，规模巨大。仅来自多数交易所的 tick 数据，每天就接近 1TB。

第二类是另类数据和非结构化数据。它们更脏、更碎，来源和语义也不统一。语言模型确实能处理文本，但“能读懂句子”不等于“理解一列数据在业务上代表什么”。

访谈中提到一个信用卡数据的例子。模型可以看到行和列，却未必知道一行究竟代表一次到店消费、一次授权还是一次结算，更不知道不同数据集中的公司、行业、ticker 和时间口径怎样对应。团队需要给数据补描述、标签和元数据，再建立一套共享语义，让 AI 能在不同数据集之间移动。

第三类是机构知识与上下文。

这一层告诉 AI：Man Group 怎样做回测，什么结果可以信任，内部代码库怎样调用，投资报告怎样阅读，哪些步骤必须经过复核。它不是又一个文档库，而是机构工作方式的机器可用版本。

也正是在这里，最新的前沿模型开始失去决定性。

对于纯编码任务，更强的模型可能直接提高完成质量；但在量化研究里，模型再强，也替代不了专有数据、市场接入、内部工具、执行假设和多年积累的研究规范。换一个模型很容易，复制这一整套上下文很难。

这解释了为什么金融机构采购了同一批模型，最后得到的结果仍会相差很大。

模型决定能力上限，机构上下文决定它能不能落地。

锋睿注：很多数据项目追求“接入更多”，但 AI 生产系统更关心“机器是否知道这些数据是什么意思”。从数量到语义，是数据工程进入 Agent 时代后最容易被低估的一步。

---

四、86 倍 token 之后，成本不再属于某个人

Man Group 早在 2025 年底就预判 AI 使用会快速增长，于是按不同用户和场景做预算模型。进入 2026 年后，公司把使用数据和预算下放到各业务部门，让更接近工作的人决定 token 应该花在哪里。

有意思的是，他们没有急着造一个自动路由器，把每个请求分配给系统认为最合适、最便宜的模型。

团队选择先做教育。

原因很实际。公司观察到，一些人会在同一个上下文窗口里先写投资逻辑，再问午餐去哪吃，接着问明天天气。对熟悉模型的人来说，这是基础错误；但在一家有 1,700 多名员工的机构里，使用习惯不可能天然一致。

另一类浪费更隐蔽。编程 Agent 执行一个简单的版本控制命令后，可能把完整返回结果再次送进模型，消耗大量 token。实际上，某些确定性步骤完全可以在 Agent 循环之外完成，不必每次都调用语言模型推理。

透明预算、模型教育和工具层优化同时推进，token 用量仍然在半年里增长了 86 倍。

这不一定是坏事。它说明 AI 已经从少数试点扩散到大量真实任务。但它也不是成绩单。Odd Lots 的主持人在节目结尾追问得很准确：这个倍数最终必须反映在另一组数字上——成本降低、收入增加，或投资产出改善。

更深一层的问题是，未来消耗 token 的主体越来越不是某个员工，而是一条持续运行的工作流。

一个 Agent 可能同时服务研究、运营和合规。它的成本该算在哪个部门？谁决定继续投入？谁对结果负责？Man Group 坦言，这个问题还没有完全解决。

锋睿注：token 预算不能永远只是 IT 预算。更合理的单位可能是“有负责人、有输出、有验收标准的工作流”。当成本能对应到具体工作，机构才有机会判断增加的 token 是浪费，还是在购买新的生产能力。

---

五、真正的瓶颈，是组织能不能安全地改变

主持人问：如果可以多得到一样东西，Man Group 最想要更多算力，还是更多数据？

Gary Collier 的回答没有停在这两项。他认为，更大的瓶颈是组织变化。

一家受监管的金融机构，需要在快速实验与受控部署之间找到平衡。Agent 的评估方法仍在变化，如何测试输出、如何限制权限、如何防止一个自动化动作带来不可逆损失，都没有一套全行业通用的答案。

在交易层面，Man Group 给出的边界很清楚：每一笔交易最终都要可以解释。AI 在开始写代码之前，先用自然语言写出它认为成立的投资假设；模型经过其他 Agent 的检验后，还要进入人类投资委员会。

这套机制不是最近才补上的。

Man Group 的技术团队约 15 年来一直采用一种“嵌入式工程师”模式：工程师坐在量化研究员和主观投资经理旁边，长期参与业务，而不是接到需求后从远处交付软件。今天市场上流行的 forward-deployed engineer，在这家公司内部已经运行了很久。

这解释了一个容易被忽略的事实：AI Agent 要进入工作流，首先要有人真正理解这条工作流。

如果技术团队不知道投资经理怎样形成判断，投资团队也不了解系统能做什么，双方很容易把目标缩成一个漂亮的聊天界面。嵌入式协作积累下来的，不只是代码，还有大量“什么情况下这个结果才算可用”的默契。

人才标准也随之变化。Man Group 认为，今后无论招聘前台、运营还是技术岗位，新成员都应该提高公司的 AI 能力。对技术人员来说，价值也从亲手执行每个细节，转向规划端到端流程、协调多个 Agent、连接不同团队。

执行越来越便宜，决定“应该做什么”反而更贵。

锋睿注：很多机构想购买一个“AI 转型方案”，但 Man Group 的基础条件不是一次采购形成的。数据平台、研究规范、嵌入式工程和跨团队协作，都是多年积累。Agent 只是把这些基础设施的价值一次性放大了。

---

六、机构知识要共享，但不是把所有秘密都倒进去

AI 要理解机构，必然要接触人的经验。到了投资机构，这会立刻碰到一个敏感问题：如果一个人的独特判断直接决定其价值，他为什么愿意把全部方法交给共同系统？

Man Group 的回答不是“全部共享”。

在系统化投资团队里，共享代码库和协作研究已经运行多年，知识比较容易沉淀。主观投资团队则不同。访谈中的观察是，很多共同流程可以开放，例如怎样做回测、怎样读一份投资报告、怎样验证一项数据；但最敏感、最接近个人策略与投资逻辑的部分，仍可能被保留。

这两类知识不应该混在一起。

共同流程适合做成 AI playbook 或 skill，让整个机构复用；策略核心则需要更严格的权限、来源和使用边界。强迫所有人把“秘密武器”交给一个中央知识库，不仅会遇到激励问题，也会让系统难以区分通用方法与个体判断。

对金融机构来说，知识层的设计至少要回答三件事：这条规则是谁提供的，适用于什么场景，什么时候可以撤回或更新。

否则，所谓“机构记忆”很容易变成一个没有责任人的答案池。

锋睿注：知识共享不是把所有内容变成公共内容。真正可扩展的做法，是把共同流程沉淀下来，把敏感判断保留在正确的权限边界内，同时让每条规则仍能追溯到来源和负责人。

---

锋睿怎么看：先别问模型选哪一个，先回答四个问题

这期访谈最有价值的地方，不是展示了一家大型资管机构用了多少 AI，而是把“用了之后”的问题讲得足够具体。

如果一家金融机构准备把 AI 从试点推向生产，我们认为可以先用四个问题做验收。

第一，AI 进入的是哪一条工作流？

不是“研究部在用 AI”，而是它究竟在读材料、形成假设、写代码、跑回测、生成报告，还是执行动作。没有明确步骤，就没有权限与责任边界。

第二，它拿到了哪些机构上下文？

通用模型知道市场常识，但不知道你的数据口径、研究规范、内部工具和执行假设。缺少这些内容，模型越会表达，越容易产出一份看起来专业、实际上不可行动的结果。

第三，谁来判断它过关？

每一步需要什么证据，谁可以批准进入下一步，失败后怎样停止或退回。金融 AI 的核心不是“有人在环”，而是人在什么节点、依据什么标准做决定。

第四，价值用什么数字衡量？

token、调用次数和活跃用户只能说明系统被使用。真正的结果应落到研究覆盖、交付时间、错误率、审批效率、收入或风险调整后的投资表现，而且要保留合理的对照口径。

这样再回看 86 倍 token 增长，含义就变了。

它既不是成本失控的自动证明，也不是 AI 成功的勋章。它更像一场压力测试：当 AI 开始承担真实工作，机构原有的数据、流程、预算和治理结构，是否还能撑得住。

Man Group 给出的答案不是“换一个更强的模型”。

它在做的是另一件更慢、也更难复制的事：把专有数据、机构知识、内部工具、执行能力和人类审批，接成一条能够反复运行的生产系统。

金融 AI 的竞争单位，正在从一个模型，变成一整条工作流。

如果你正在推进研究、投顾、风控或运营中的 AI 工作流，我们也想知道：你现在最难跨过的一道门，是数据、评估、权限、成本，还是组织协作？

---

来源与口径：Bloomberg Odd Lots《One of the World's Largest Hedge Funds on its 86x Growth in Token Spending》（2026-07-09，Gary Collier 与 Tushara Fernando 访谈）；Man Group 官网 Technology、About Man 页面；Man Group 2025 年报与 2026 年中期公开数据；Man Group 官方研究文章《What AI Can (and Can't Yet) Do for Alpha》《A Trend Following Deep Dive: AI, Agents and Trend》。文中 86 倍 token 用量、每日接近 1TB tick 数据、约 15–20 个研究模型等均为嘉宾在访谈中的公司口径；不代表经独立审计的成本、收益或投资业绩。本文仅作行业研究与信息交流，不构成投资建议。