桥水双轨投资体系：AI已参与Investment Decision，Token 支出约增 200 倍

桥水不是让 AI 给基金经理多写一份研报，而是让它在一只真实基金里决定买入还是卖出。2026 年 9 月，桥水管理 CIO Greg Jensen 披露，公司同时运行两套投资体系：Pure Alpha 仍由人类投资逻辑主导，AIA Macro 则把 AI 放在决策中心，人类负责数据和风险边界。投研机构原来相信的“AI 只是辅助 Alpha 生成的分析工具”需要修正：桥水已经让 AI 参与真正的 Investment Decision，并让它与积累 50 年的人类体系并行接受市场检验。

这并不等于 AI 已经取代基金经理。更准确的变化是，桥水把人机分工切在了决策链内部：机器可以形成市场判断和交易方向，人仍控制它能看什么数据、能承担多大风险。Jensen 所说约 200 倍的 Token 支出增长，基期未被公开拆清，仍是这套体系快速扩产的信号；一只超过 45 亿美元、已经运行近三年的基金，才是它不再停留在试验台上的证据。

桥水把“辅助分析”与“机器决策”拆成了两条生产线

双轨设计回答了 AI 究竟掌握什么权限。

Jensen 在 Bloomberg《Odd Lots》访谈中把 Pure Alpha 描述为“人类直觉转成算法、再由 AI 加速”的体系；另一条 AIA Macro 生产线则由 AI 判断日元该买还是卖、股票该做多还是做空。AIA Macro 的员工训练机器，人类团队控制数据接入并设置风险约束，但具体投资判断由机器作出。

这条边界比“AI 生成信号”更靠近资金。一个模型读取 10-K、10-Q、业绩公告和管理层指引，生成盈利预测，仍可能只是分析师工具；当预测继续进入因果推理、观点压力测试和多空选择，它才承担投资决策的一部分。桥水目前让 AIA 走到了后一步，同时保留人在数据接入和风险控制上的权限。

Jensen 还给出了组织形态的对照。桥水的人类体系积累了 50 年的推理记录，AIA 当时只运行约两年半；人类体系规模仍更大，表现也仍更好。桥水因此没有把两者合成一个无法归因的黑箱，而是让两套系统用不同方法预测同一世界，再逐步把 AIA 的能力并入主体系。所谓“并行运行”，不是两款研究助手同时上线，而是两种决策智能分别对收益负责。

从手写规则到 45 亿美元基金，关键变化发生在 2023—2026 年

桥水今天能把 AI 放进决策环节，源头不是大模型突然学会看财报。

公司长期把投资判断写成明确规则，并保存经济因果、历史案例和验证结果。Jensen 早在 2012 年就开始追问机器何时能“写规则”，并于 2018 年启动相关投资项目。到 2023 年，桥水成立独立的 AIA Labs，并刻意与 Pure Alpha 分开。团队由此可以围绕机器重建流程，而不是复制现有基金经理的看法。

资金轨迹把这一演进变得可核验。AIA 在 2023 年末先用约 1 亿美元测试，2024 年 7 月向外部客户开放时接近 20 亿美元。Bloomberg 当时的报道已经把机器学习称为该基金决策的主要基础，但 Jensen 同时强调，人类仍参与风险管理、数据获取和交易执行。换言之，2024 年已经完成“机器生成 Alpha”的产品化，2026 年的新信息则是桥水公开说明机器在 AIA 内负责具体投资决定。

到 2026 年 9 月末，Reuters 报道 AIA Macro 管理规模超过 45 亿美元，年内前三季度收益为 16.4%。该基金成立以来年化收益为 13.2%。同期 Pure Alpha 收益为 18.4%。这些数字不能证明机器已经胜过人类，因为两只基金的风险预算和持仓并未公开对齐；它们能证明的是，AIA 已有真实客户资本、持续收费和跨市场运行记录，不再是内部演示。

AIA Macro 的技术路线也解释了为何桥水比一般投研 Copilot 更容易跨过决策边界。桥水把数十年在不同时间点记录的宏观数据、历史因果判断和投资专家反馈作为训练材料。团队再用专用模型、开源模型的强化学习和诊断系统处理具体任务。通用模型提供推理能力，机构独有的历史记录把它约束在可检验的投资问题上。真正稀缺的资产因而不是 Token 本身，而是可训练、可回放、能与盈亏对应的决策记录。

与 Citadel 对齐后，差异在最终决策权而不在是否使用 AI

本文比较的桥水、Citadel 和六家受访基金都使用机器学习或 AI，桥水的公开差异是把最终方向判断交给机器。

把这些机构按“信息处理—信号形成—投资决定”三层对齐，分界会更清楚。

Citadel 的对照尤其有效。Citadel 在 2026 年公开介绍其 Data Strategies Group 时，仍把团队职责写成向基本面和量化投资人提供“可用于决策的洞见”。创始人 Ken Griffin 在 2025 年还表示，生成式 AI 能提高生产率，却不足以发现 Alpha。桥水没有证明这种谨慎已经过时，但 AIA 的真实资金和收益记录表明，生成式与推理型模型至少可以被嵌进完整投资流程，而非永远停在资料整理层。

美国参议院 2024 年的调查提供了更早的行业基线。

• 当时六家受访基金都称人类参与模型设计、部署、审核和上线后监控；
• WorldQuant 的做法是把通过质量检查的 Alpha 放入库中，再由投资经理组合成策略。

桥水当时也向调查人员表示，机器学习在投资流程中只有狭窄用途，同时准备推出由 AI 模型贯穿交易流程的基金。两年后的 AIA 披露显示，这项计划已经落实：机器负责具体投资决定，基金管理真实客户资本。

因此，桥水这里的差异不是“最早用 AI”，也不是已经拿到更高收益。它把投资机构最敏感的一项权力——形成可落地的多空判断——交给了机器，同时把人类留在控制面。这个组织接口，比单个模型在盈利预测上的准确率更难复制，也更直接改变 CIO 与 CTO 对 AI 系统权限的设计。

观察点：200 倍投入只有在权限、收益和控制能分别核实时才成立

Token 增长最容易被误读。

访谈主持人问桥水当前支出相较“去年或 2023 年”如何，Jensen 回答约增长 200 倍，并称 AIA 已经盈利；公开访谈没有披露绝对金额，也没有进一步拆清基期、训练与推理占比。这个数字足以确认算力消耗快速扩张，却不能单独证明模型更聪明或单位经济性更好。

收益也只能给出有限支持。Jensen 以基金收取固定管理费和业绩报酬来解释 AI 投入为何回本，Reuters 报道则显示 AIA Macro 今年前三季度仍落后 Pure Alpha 两个百分点。短记录、不同风险预算和未公开的成本归因，使“AI 已胜过桥水人类投资者”目前无法成立。Jensen 预计机器在未来几年会超过公司全部人类投资者，并希望在 6—12 个月内形成能自行串起研究步骤的循环；这两项仍是预测，不是已经发生的事实。

真正需要继续观察的是三组可验证变化。第一，AIA 是否获得仓位规模、组合构建和交易执行权限，以及人类能否逐笔否决。第二，桥水是否披露 Token 绝对成本、模型供应结构和扣除算力后的净收益。第三，AIA 能否在未见过的政策冲击和市场结构变化中保持与 Pure Alpha 低相关，而不是重新学出同一套拥挤交易。只要这三项仍由人控制或无法归因，桥水的结论就应停在“AI 已参与投资决定”，不能上推为“无人基金已经成熟”。