成立于2015年的平方和投资，是国内量化行业的早期开拓者之一，十年来专注于量化投资策略，涵盖指数增强、量化选股与市场中性三大类产品，管理规模逾320亿元，曾多次获得金牛奖。

2026年4月26日，平方和投资创始合伙人/总经理吕杰勇受邀参加金斧子第十届私募大会高峰论坛，与投资者面对面深度交流。当AI技术以前所未有的速度渗透各个行业，量化投资领域同样面临一个核心问题：大模型究竟能做什么，不能做什么？人与机器的边界应当如何划定？

平方和给出的答案，是一套经过十年实践检验的判断框架。

2016年，AlphaGo击败围棋世界冠军李世石。吕杰勇表示，它的突破依赖CNN、LSTM为代表的深度学习技术，这些技术在时序预测、特征提取方面具有广泛迁移价值，由此引发量化行业对深度学习的系统性关注。

2017年，AlphaZero以100比0碾压前代，进一步实现从有监督学习到强化学习的跨越。吕杰勇认为，这一范式转变意味着AI系统在特定条件下具备自主生成知识的能力，无需人类经验的直接输入。

在吕杰勇看来，这两个事件共同确立了一个判断，那就是AI技术在处理复杂规律、海量数据方面具备显著优势。“但这一优势能否直接迁移到量化投资，以及具体改变了哪些环节，需要结合落地条件来理解。”

谈及AI在量化领域的有效应用，吕杰勇认为这依赖数据、算力、算法三个维度的同步支撑。

他指出，海量数据的长期积累，为模型训练提供了充足的“燃料”；大规模计算基础设施的可及性，提高了AI策略的研发效率上限；而各类算法模型的相继成熟，则推动了量化策略的不断迭代。

“在这三大核心要素的支撑下，AI给量化研究带来了实质性的改变。”吕杰勇在论坛上表示。他具体解释道，在因子组合、组合优化、端到端模型中，AI都发挥了关键作用，展现了预测信号更加稳定、组合优化更灵活、更强的模型表达力等一系列优势。

吕杰勇指出，以ChatGPT为代表的大语言模型虽然在自然语言处理领域取得了显著成果，但将其直接应用于量化投资的核心预测任务，仍面临四个结构性挑战。

他逐一作出了剖析：其一，大语言模型与金融场景的预测方式并不完全天然匹配；其二，金融数据噪音较大，容易过拟合；其三，大模型链路较长，更易出现隐性数据泄漏风险；其四，大模型推理成本高、耗时久，在成本与效率两端形成压力。

在他看来，只有认清这些能力边界，才能理解为什么“人机结合”是当前阶段更为合理的选择。

“机器的优势在于处理复杂问题与持续工作能力，可以摆脱量化对经验型人才的过度依赖。”吕杰勇坦言，“但机器并不能取代人类的核心角色——决策责任和创造性”

他同时指出了当前AI工具还存在三个主要痛点：同质化严重、模型可解释性弱、对极端情况适应性不足。“这三点，恰恰需要人类判断力加以弥补。”

因此，平方和明确提倡增量式创新而非替代式创新——在已有量化体系的因子挖掘、信号预测、组合构造、交易执行等具体环节引入AI工具，逐步验证有效性，让整个系统更加稳定，而非推倒重来。

平方和投资认为，大模型在量化领域的作用显著，但有其边界；人类研究员的价值不会消失，但其角色正在转变——从亲自写代码，到指挥机器工作。在这一转变过程中，增量式创新比激进的范式替换更为稳健，人机结合比单纯依赖任何一方都更具竞争力。

这或许是量化投资在AI时代更务实，也更经得起时间检验的答案。