摩根大通的四层 AI 组织

摩根大通 9 月在纽约、伦敦和新加坡为一支叫 AI Market Lab 的新团队招人，共 12 个岗位。这支团队设在它的量化交易与研究部门（QTR）下面，负责人是电子市场 AI 负责人、纽约大学教授 Xi Chen。把这支新团队放回摩根大通已有的 AI 组织里看，它是第四层，也是唯一一层设在业务部门内部的。前三层分别是覆盖全行的大模型平台、技术部下的机器学习卓越中心和 2018 年设立的 AI 研究部，服务对象都是全行，不对某一条业务线的损益负责。第四层设在交易业务内部，用自己的市场和订单簿数据从零训练模型。对同样在搭 AI 组织的人来说，这四层是一张可以直接对照的图：哪些能力放中心、哪些留在业务线、什么情况下业务线要自己训模型。

四层分别归谁管、用谁的模型

第一层解决的是全员可用：LLM Suite 接外部厂商的大模型，给员工写作、检索和总结。

第二层是技术部派给各业务线的项目团队，覆盖自然语言处理、语音、时间序列和强化学习。第三层做研究、发论文，不对业务损益负责。这三层共用一个前提：能力放在中心，业务线提需求；面向员工的平台用的是外部厂商的模型。

第四层换了前提。它长在交易业务内部，训练数据是这个业务自己产生的，研究议程也由这个业务定。

值得注意的是，同期总部那条线在收缩。据 Quartz 报道，负责全行 AI 战略三年的 Teresa Heitsenrether 将于年底退休。接任的 CTO Scot Baldry 不进入运营委员会，改向 CIO Lori Beer 汇报。Business Insider 援引的内部备忘录说，基础已经打好，AI 的交付正更多转向业务和职能部门。

第四层要做的事，前三层做不了

招聘说明把任务写得很具体。

第一步是用大规模的市场、订单簿、成交和跨资产数据，从零预训练基于 Transformer 的模型和时间序列基础模型。第二步是把这些模型微调到找交易信号、定价、做市、执行和风险管理上。它明确写着，只会调用 API 或写提示词的经验不够。

这份说明还少见地公开了研究议程。要研究的问题包括规模定律、数据效率、跨品种和跨资产的迁移、不同市场状态下的稳健性，以及模型质量、推理成本和延迟之间怎么取舍。原话说，这些问题不是学术脚注，而是整个议程的核心。评测要求把预训练阶段的指标接到有经济含义的结果上，包括样本外预测、模拟交易、交易成本、容量和实盘 markout。markout 指成交后一段时间内价格相对成交价的变化，是做市商衡量报价好坏的常用口径。

这些事前三层做不了，不是能力问题，是数据和口径问题。订单簿数据在交易业务手里，评测标准也只有交易业务说得清。

摩根大通的交易部门很早就用过 AI，但路径不同。2017 年，它在欧洲股票算法交易里上线 LOXM，从数十亿笔历史成交中学习怎样又快又便宜地完成客户订单。那套系统只决定怎么下单、什么时候下单，买卖什么由客户决定，针对的是一个具体任务。新团队反过来，先训一个通用的基础模型，再微调到各个任务上，这是大模型这几年的标准做法。

为什么是交易业务先自己动手

压力来自外部。

据 Bloomberg 报道，Jane Street 2025 年净交易收入 396 亿美元。摩根大通年报显示，其 Markets 业务同年收入 358 亿美元。两个数都是各自披露的全年交易口径，但一个是公司整体、一个是银行内部的一个分部，只能看量级，不宜当成同一口径的精确对比。据 FT 报道，Jane Street 扩大美国国债做市后，摩根大通削减了对它的部分融资，削减额度约占其固定收益授信的 5%。Dimon 在今年 4 月的致股东信里，把 Citadel Securities 列为最成功的非传统竞争对手之一。

对手花钱的方式也和 AI 公司趋同。今年 4 月，Jane Street 承诺在 CoreWeave 的 AI 云上支出约 60 亿美元，另以 10 亿美元入股 CoreWeave。采购的算力包括英伟达的 Vera Rubin 系统，用途是量化交易。Vera Rubin 是英伟达下一代 AI 芯片平台的名称。

摩根大通全行每年的 AI 投入约 20 亿美元。Dimon 2025 年说过，这笔钱带来的收益也在 20 亿美元左右，衡量的是省下多少人工和时间。这笔账和交易业务要算的账不是一回事：一边是省成本，一边是多赚交易收入。

第四层还没被证明成立

12 个岗位在摩根大通的体量里是个很小的团队。

摩根大通没有披露它主攻哪类资产，也没说明它是否拿到独立的资本额度和交易权限。在这些信息公开之前，这一层只能算能力储备。

它押的技术前提也没有公开证据。语言模型能一直变好，前提是数据量几乎无上限且分布相对稳定。行情数据的量受限于市场本身，分布还会随市场状态变化，这正是招聘说明把稳健性和数据效率单列为课题的原因。

历史上 AI 带来的交易优势还在缩水。Shuang Chen、Clemens Sialm 和 David Xu 今年在美国国家经济研究局发表工作论文，研究了 7896 只美国对冲基金。

• 2017 年前，使用 AI 的基金每月跑赢同行约 50 个基点；
• 2017 年后，这部分超额收益在统计上与零没有差别，早用和晚用的基金都是如此。

这一层也不是摩根大通独有。XTX Markets 的 Atlas Wang 判断，两三年内每家认真的交易公司要么有真正的 AI/ML 实验室，要么在结构上落后。如果这个判断成立，业务线自训模型会变成入场资格，而不是领先优势。

几个节点可以判断第四层的分量：

• 摩根大通是否公开这套模型在样本外预测、模拟交易或实盘 markout 上的结果
• 12 个岗位招满后团队是否扩编，以及是否公布资产类别和交易权限
• 其他大行是否在交易业务内部设立同类团队

如果第四层被证明有效，各家银行的 AI 组织图上就会多出一层：中心管平台，业务线管自己的模型。