（来源：金科之家网）

”：Bob Prince、Ray Dalio、Greg Jensen）

在资管行业，桥水基金近50年的稳健运营堪称标杆。尤其在创始人瑞・达利欧（Ray Dalio）2025年退出董事会后，联席首席投资官格雷格・詹森（Greg Jensen）作为核心管理层之一，不仅扛起战略传承大旗，更推动了这家超级机构从“原则驱动”到“技术赋能原则”的迭代。

这位1996年从达特茅斯学院经济学与应用数学专业毕业就加入桥水的老将，不仅主导了基金投资策略与研究体系的系统化升级，更因在AI领域的前瞻性布局，于2023年跻身《商业内幕》（Business Insider）“全球AI百人榜”（The AI 100），与桥水AIA实验室首席科学家Jasjeet Sekhon一同被视为华尔街AI投研的标杆人物。

Jensen对AI的投入，远早于行业热潮。他研究机器学习已超过15年，在大多数人质疑“AI能为资管带来什么”时，就已开始布局技术与投研的融合。这种坚持并非盲目押注，而是源于桥水的核心基因——将投资逻辑系统化、可复制化。

作为《每日观察》的核心撰稿人，Jensen深知人类认知偏差对投资的致命影响，而AI正是对冲这种偏差的最佳工具。如今，桥水的AI布局已形成闭环体系：

20人规模的AIA跨学科实验室（整合投资者、数据科学家与工程师）专攻技术落地；

专属AI系统“AYA”（人工投资助理）作为核心载体，构建起从宏观数据拆解、策略推演到风险校验的全链路能力，本质是对达利欧“原则”体系的算法化延伸。

一、AI落地资管业务流程的三个维度：

1. 投研升级：

桥水以全球宏观策略立足，而宏观研究的核心难点在于海量信息的高效拆解与趋势预判。AI恰好补上了这一短板。

借助亚马逊云科技的Bedrock服务与Textract工具，AYA系统能快速解析复杂PDF中的表格与文本，通过检索增强生成技术匹配知识库答案，甚至在无直接答案时基于现有数据推理新观点。这种能力让分析师从繁琐的信息整理中解放，聚焦核心判断。

一个典型案例是桥水对中国市场的布局，其公开招聘的“中国政策AI研究助理”岗位，明确要求用大语言模型处理中文政策文件、提取核心信息，预测政策对资产的影响。该岗位年薪高达16-22.5万美元，足见桥水对AI+宏观研究的重视。

2. 策略落地：

桥水并非将AI视为辅助工具，而是直接落地为独立投资策略。2024年推出的AIA宏观基金，以机器学习为核心决策依据，2025年业绩与人类主导策略“相当”，募资规模已突破50亿美元。

这一表现虽不及桥水旗舰Pure Alpha II基金34%的年度高收益，却能生成与人类操盘手低相关性的“独立阿尔法收益”，完美契合桥水分散风险的核心诉求。

据SEC 13F持仓报告，截至2025年9月30日，桥水持仓市值约255亿美元（包含桥水在美国境内持有的、市值超过 1 亿美元的美股及特定可交易证券）。而公司在全球管理资产的总额超1000亿美元，其中AI驱动策略已成为组合配置的重要组成部分之一。

Jensen强调，AI策略的核心不是追求短期高收益，而是通过对历史数据的深度挖掘，捕捉人类难以察觉的市场规律，这与桥水“生存优先于致富”的投资哲学高度契合。

3. 风险管控：

资管行业对AI的最大顾虑，在于“黑箱模型”的不可控性。桥水通过制度与技术结合，给出了应对方案。

在技术层面，AYA系统采用多模型协同架构，通过Amazon Bedrock灵活调用Claude、LLaMa等模型，避免单一模型的偏见风险。

同时引入可解释性工具，一旦出现异常信号能快速定位问题根源，类似金融风控中通过工具排查黑箱异常的思路。

在制度层面，桥水延续“安全花园”算法化体系，要求所有AI生成的投资逻辑必须转化为可验证的代码与文字，纳入全流程监控。这种透明化机制，从根源上降低了AI模型的操作风险。

二、人机协同：桥水AI的核心底层逻辑

Jensen始终强调，桥水的AI战略绝非“用技术替代人类”，而是“让AI补位，让人填空”。

在桥水的流程中，AYA先对复杂问题进行初步分析，再由人类分析师审核并注入专家判断。

这种模式既发挥了AI处理海量数据的效率优势，又保留了人类在极端市场、地缘政治等复杂场景下的决策能力。

他在近期与挪威央行投资管理公司（NBIM）首席投资官尼古拉·坦根的对话中提到：

投资本质是“一场关于概率的练习”，AI能提升决策的概率优势，但永远无法替代人类应对极端不确定性、地缘政治突变等非量化场景的判断力。

他还强调，AI和人类一样需要负面反馈迭代，而他对AI行业的判断更具辩证性——既认为“泡沫在前方，而非身后”，也警示当前AI支出依赖外部融资的“危险阶段”。

这种协同理念贯穿人才策略与实操落地：Jensen推动数据科学家占比提升至投研团队的18%，同时要求核心分析师必须掌握AI工具的基础应用。

在模型选择上，他既关注DeepSeek等开源模型的成本优势，也警惕其数据安全风险，持仓调整更体现深层研判——

据SEC 13F报告，2025年三季度桥水减持472万股英伟达，并非看空AI，而是基于“AI转型遇供应限制引发通胀压力”的宏观判断，同时保留了微软、Alphabet等AI生态核心标的，兼顾风险分散与赛道布局。

三、桥水与头部机构的AI路径差异

桥水的AI实践并非孤例，全球头部资管机构均在加速布局，但路径各有侧重，形成鲜明对照。

作为全球最大资管机构，贝莱德的AI核心是“阿拉丁”系统，该系统由数十台超级计算机支撑，每天可监测2000个以上风险因素，每周执行5000个投资组合压力测试及1.8亿个期权调整计算。

与桥水聚焦投研协同不同，阿拉丁的核心优势在风险管理，还能通过深度学习模拟“黑天鹅”事件对市场的冲击，甚至对外输出风险管理解决方案。

贝莱德的系统化主动权益策略（SAE），则依托另类数据和AI生成量化信号，侧重对市场情绪、企业基本面细微变化的捕捉。

同为被动投资巨头，先锋领航的AI布局则深度贴合其“低成本、广覆盖”的核心基因，聚焦运营效率与客户服务优化。

其基于机器学习的指数跟踪模型，能实时校准ETF持仓偏离度，将标的跟踪误差控制在0.02%以内，显著低于行业平均水平，这与其管理超7万亿美元被动资产的规模需求高度适配。

道富环球作为资管托管龙头，AI应用聚焦托管清算与风险监控核心业务。

其自研的AI风控系统，可对每日超百万笔跨境资金流转进行实时校验，通过自然语言处理解析监管政策变动，自动更新合规校验规则，2025年将托管业务操作风险发生率降至0.003%以下，强化了其作为全球最大资产托管机构的壁垒。

高盛资管则走“AI+量化+投行资源”协同路径，依托高盛集团的投行数据优势，用AI挖掘并购重组、业绩预告等另类数据中的Alpha信号。

其AI驱动的量化宏观基金，通过深度学习整合全球央行表态、企业高管电话会议内容，2025年实现15.2%的收益，兼顾了量化效率与投行资源禀赋。

这些AI应用的路径差异，本质是机构基因与商业模式的必然结果，符合“适配性优于先进性”的AI应用原则：

桥水以全球宏观策略为根基，AI核心解决“海量宏观变量的高效穿透”问题；

贝莱德从风控工具起家，阿拉丁系统通过对外输出服务构建生态壁垒，已成其第二增长曲线；

先锋领航、道富、高盛资管则分别围绕被动投资、托管清算、量化投行的核心能力布局。

四、对资管行业的三个启示：

1.  技术布局需锚定机构基因。

Jensen的AI实践理念，是用技术强化桥水与生俱来的“系统化决策”基因，而非颠覆原有体系。

中小资管机构与其追逐全栈AI，不如聚焦自身核心能力（如固收、量化）的细分场景突破，性价比更高。

2.  人机协同符合资管AI发展趋势。

AI擅长处理高维度、可量化的数据规律，人类则掌控极端不确定性、地缘政治等非量化场景的判断。

Jensen的“AI补位、人类填空”模式，本质是技术做重复劳动和复杂处理，人类做创造性决策。

3.  透明化是AI跨越合规红线的关键。

资管的核心是信任，尤其在SEC强化AI风控监管的背景下，桥水“AI逻辑代码化、全流程可追溯”的机制，既解决了黑箱风险，也契合监管对“模型可解释性”的隐性要求，这是AI从“辅助工具”升级为“核心基建”的前提。

桥水的AI布局是对“生存优先”哲学的传承，与贝莱德、先锋领航等巨头的路径对照也表明：资管AI没有统一范式，需要适配自身投资哲学、合规要求与核心业务禀赋。

资管AI应用的价值，不完全在于追求短期更好的收益曲线，而在于通过技术与投资理念、文化、制度的深度融合，构建可传承、可迭代的稳健决策生态。

免责声明：自媒体内容仅用于记录和分享，请勿用于商业用途。所有内容来自于网络，或由人工智能服务生成。如有文字或图片涉及侵权，请联系修改或删除。文章内容不代表本人观点，亦不代表本人所在机构观点，不构成任何投资建议。