30 秒版： AI 真正降低的不是写代码的成本，而是整个 hypothesis space 的搜索成本——以前 20% 成功率、要做两天的想法不值得试，现在值得。 于是瓶颈从 execution 移到 selection：一天能跑两百个实验时，难的是哪两个值得看。 而且 alpha discovery 变便宜了，alpha validation 没有——搜索空间一大，multiple testing、overfitting、selection bias 全部加重，噪声里总能捞出漂亮的 equity curve。 所以研究员的活儿从“找到一个好结果”变成“给一堆结果排证据强度”，稀缺的不再是搜索能力，而是知道该去哪里搜的先验，以及愿意 kill signal 的纪律。

这是当写代码不再是量化研究的瓶颈的接续：那篇讲的是感受，这篇想把它推成一份提纲式的框架，关于 AI Agent 如何改变量化研究的方法本身。 后面几个方向都还可以各自展开成独立文章，先把骨架记在这里。

1. 起点：真正发生变化的可能不是 coding，而是实验成本 链接到标题

过去的研究流程大致是：

提出一个想法
↓
判断值不值得做
↓
写代码
↓
准备数据
↓
跑实验
↓
分析结果
↓
决定是否继续

这里有一个隐含约束：

实验是有成本的。

因此研究员在实验之前，就必须进行大量筛选。

一个想法即使只有 20% 的成功概率，如果实现需要两三天，也许就不会尝试。

而 AI Agent 正在改变这个约束。

如果一个研究想法可以在几个小时甚至一晚上内完成：

  • 数据处理
  • 特征构造
  • 回测
  • 统计检验
  • robustness
  • 可视化
  • 多种实现方式交叉验证

那么研究员面对的就不再是：

“我还有时间研究什么？”

而可能变成：

“既然什么都可以试，我到底应该试什么？”

这可能是整个变化最重要的起点。

过去更像：

Idea A → 深挖
Idea B → 放弃
Idea C → 深挖

未来可能变成：

Idea 1
Idea 2
Idea 3
...
Idea 1000
    ↓
廉价实验
    ↓
快速淘汰
    ↓
少数值得深入的方向

这意味着研究可能从：

深度优先

逐渐变成：

广度探索 + 深度验证

研究员不一定需要在最开始就准确判断一个想法是否值得投入大量时间。

可以先用极低成本进行筛选。

因此：

AI 降低的可能不只是单个实验的执行成本，而是整个 hypothesis space 的搜索成本。

3. 新瓶颈：Selection，而不是 Execution 链接到标题

如果一个研究员每天只能完成两个实验，那么提高 coding efficiency 很重要。

但如果每天可以完成两百个实验，情况会发生变化。

问题变成：

哪两个值得看？

甚至：

哪十个值得继续？

这会产生新的瓶颈：

  • hypothesis selection
  • experiment selection
  • result selection
  • attention allocation

过去研究员的稀缺资源主要是：

时间 + coding capacity

未来可能变成：

注意力 + 判断力

于是“研究效率”的定义也会变化。

不是：

一天完成多少实验。

而是：

有限的人类注意力最终集中在多少真正有价值的问题上。

4. 实验成本下降，不意味着“发现 alpha”成本下降 链接到标题

这是一个非常值得深入讨论的反直觉问题。

假设过去只能测试 20 个策略。

现在可以测试 20,000 个。

那么即使所有策略都是随机的，也很容易找到：

  • 高 IC
  • 高 Sharpe
  • 高 t-stat
  • 很漂亮的 equity curve

因为总会有一些噪声恰好表现得很好。

所以：

发现一个漂亮结果的成本可能趋近于零。

但：

证明这个结果不是偶然的成本并没有同步下降。

甚至可能上升。

因为搜索空间扩大以后：

  • multiple testing 更严重
  • data mining 更严重
  • selection bias 更严重
  • backtest overfitting 更严重
  • researcher degrees of freedom 更多

于是未来可能出现一个有趣的变化：

Alpha discovery 越来越便宜，alpha validation 越来越重要。

5. 探索与验证可能彻底分离 链接到标题

传统研究中：

发现现象
↓
调整参数
↓
再发现现象
↓
修改规则
↓
继续回测

探索与验证往往混在一起。

但如果实验成本足够低，可以明确分成两个阶段。

Exploration 链接到标题

目标：

尽可能大范围寻找有趣的现象。

允许：

  • 大量尝试
  • 大量参数
  • 大量数据切片
  • 多种假设
  • 快速失败

这一阶段不追求严格证明。

Validation 链接到标题

一旦确定方向：

  • 冻结 hypothesis
  • 冻结数据处理
  • 冻结参数
  • 明确 OOS
  • 独立数据验证
  • 多市场验证
  • 不同 regime 验证
  • 交叉实现
  • 检查 alternative explanations

这一阶段才真正回答：

这个东西可信吗？

AI 可能让 exploration 变得极其廉价，而 research discipline 的价值越来越集中到 validation。

6. 研究员可能从“寻找结果”变成“管理证据” 链接到标题

未来可能面对这样的情况：

1000 个实验
↓
100 个显著结果
↓
30 个 OOS 还不错
↓
10 个有经济直觉
↓
5 个跨市场成立
↓
2 个值得下注

这时候研究员的任务不再只是：

找到一个漂亮的结果。

而是：

给不同结果建立证据强度。

可以形成一套 evidence hierarchy：

较弱证据 链接到标题

  • 单一市场
  • 单一样本区间
  • 单一参数
  • 单一数据源
  • in-sample 显著

中等证据 链接到标题

  • OOS
  • 不同参数稳定
  • 不同股票池稳定
  • 多种实现方式一致

较强证据 链接到标题

  • 多市场
  • 多 regime
  • 独立数据源
  • 经济机制成立
  • alternative explanations 被排除
  • 独立研究流程可以复现

最终研究员真正要做的是：

判断哪些结果值得相信。

7. 负结果可能第一次真正成为资产 链接到标题

过去：

“这个因子没用。”

通常不会成为正式产出。

因为验证一个负结果需要时间，而研究员更愿意把时间投入到下一个可能成功的想法。

但当实验成本趋近于零以后，可以积累：

Hypothesis
↓
Experiment
↓
Failure
↓
Failure reason

于是可能出现：

Failed Hypothesis Database

例如：

  • 某类技术指标在某 universe 中无效
  • 某种 volatility signal 只是 liquidity proxy
  • 某类 cross-sectional signal 在 OOS 消失
  • 某种 event effect 只存在于特定 regime

这些负结果本身就是知识。

而且它们可以防止未来的 agent 重复探索同一片已经证明贫瘠的区域。

8. 研究可能从线性流程变成反馈系统 链接到标题

传统研究：

Hypothesis
↓
Experiment
↓
Result
↓
Report

Agent 化以后可能变成：

Hypothesis
↓
Experiment
↓
Result
↓
Interpretation
↓
New Hypothesis
↓
Experiment
↓
Result
↓
...

甚至可以让 Agent 根据实验结果自动生成下一批实验。

于是研究从：

一次性的 project

变成：

持续运行的 feedback loop

真正值得研究的问题变成：

人在这个 loop 中应该介入哪些节点？

可能不是每一个实验都需要人工参与。

人更适合介入：

  • hypothesis space 的定义
  • 研究方向选择
  • 关键实验设计
  • 异常结果判断
  • 最终证据判断

9. 最危险的情况：不是 AI 找不到东西，而是找到太多东西 链接到标题

以前：

“怎么才能找到 alpha？”

以后可能变成：

“怎么避免被大量伪 alpha 淹没？”

如果可以任意组合：

  • features
  • universes
  • holding periods
  • rebalance rules
  • transformations
  • parameter ranges
  • time periods

那么搜索空间几乎无限。

机器一定可以找到大量看起来有效的东西。

因此：

搜索能力越强，研究纪律越重要。

一个强大的研究系统不能只负责：

Find signals.

还必须负责：

Kill signals.

甚至：

证明为什么应该 kill 一个 signal。

10. 真正稀缺的可能变成“先验” 链接到标题

当所有人都可以低成本搜索巨大 hypothesis space 时：

谁搜索得更多？

可能不再是核心优势。

真正的问题变成：

谁知道应该去哪里搜索？

这重新凸显：

  • market intuition
  • domain knowledge
  • economic mechanism
  • prior beliefs
  • 对异常的敏感度
  • 对数据生成过程的理解

因此 AI 并不一定消灭人的经验。

反而可能让经验变得更加重要：

不是因为经验可以替代 AI，而是因为经验决定 AI 应该搜索哪里。

11. Researcher 可能逐渐变成“研究实验室的管理者” 链接到标题

如果一个研究员可以同时管理：

Agent 1 → Hypothesis A
Agent 2 → Hypothesis B
Agent 3 → Hypothesis C
...
Agent 100 → Hypothesis Z

那么一个人实际拥有的 research capacity 可能发生数量级变化。

研究员不再一定是：

亲自做每一个实验的人。

而更像：

管理 hypothesis generation、experiment generation、evidence accumulation 的人。

这和传统意义上的“research assistant”也很不一样。

因为 AI 不只是执行已经定义好的任务，而可能参与：

  • 生成假设
  • 设计实验
  • 实现实验
  • 分析结果
  • 生成下一轮假设

12. 可能出现新的研究生产函数 链接到标题

可以粗略地把过去的研究能力写成：

Research Output
≈
Researcher Time
×
Coding Efficiency
×
Research Skill

AI 主要提高了：

Coding Efficiency

但如果 coding efficiency 已经足够高，继续提高它的边际收益会越来越低。

未来可能更接近：

Research Output
≈
Hypothesis Quality
×
Experiment Capacity
×
Validation Quality
×
Researcher Judgment

当 Experiment Capacity 可以通过 Agent 大规模扩张以后：

Hypothesis Quality 和 Validation Quality 的相对重要性上升。

这可能就是“研究员价值转移”的更精确表达。

13. 一个值得继续追问的问题 链接到标题

如果：

  • coding 几乎免费
  • data processing 几乎免费
  • backtest 几乎免费
  • experiment 几乎免费
  • agent 可以自己迭代

那么：

什么仍然是昂贵的？

可能剩下：

  1. 人类注意力
  2. 高质量数据
  3. 独立验证
  4. 真实交易验证
  5. 研究先验
  6. 因果解释
  7. 对异常的判断
  8. 最终承担决策责任

这意味着未来最稀缺的资源未必是计算资源。

可能是：

可信的证据，以及能够判断证据的人。

14. 最核心的几个待深入方向 链接到标题

后续可以分别发展成独立文章。

A. 当实验成本趋近于零，Alpha Discovery 会发生什么？ 链接到标题

核心问题：

Search cost ↓
→ hypothesis space ↑
→ experiments ↑
→ false discoveries ↑

重点讨论：

  • hypothesis search
  • multiple testing
  • backtest overfitting
  • signal discovery
  • exploration vs exploitation

B. 为什么 Alpha Validation 可能比 Alpha Discovery 更重要？ 链接到标题

核心问题：

发现一个显著结果越来越便宜，但证明它是真的没有变便宜。

重点讨论：

  • OOS
  • multiple testing
  • independent replication
  • robustness
  • alternative explanations
  • evidence hierarchy

C. 如果 AI 可以自己提出下一个实验，研究员还需要做什么？ 链接到标题

核心问题：

Human-in-the-loop 应该存在于哪里？

重点讨论：

  • hypothesis generation
  • experiment design
  • agent feedback loop
  • autonomous research
  • human judgment

D. 研究员的优势会不会从“执行能力”转向“先验”？ 链接到标题

核心问题：

当搜索空间足够大时，知道去哪里搜索可能比搜索本身更重要。

重点讨论：

  • domain knowledge
  • market intuition
  • economic mechanism
  • priors
  • research taste

E. 失败的研究为什么可能成为新的知识资产？ 链接到标题

核心问题：

当实验足够便宜以后，failed hypothesis 是否应该被系统性保存？

重点讨论：

  • negative results
  • failed hypothesis database
  • research memory
  • avoiding repeated exploration
  • agent institutional memory

15. 暂时的核心判断 链接到标题

目前可以先把整个思路浓缩成一句话：

AI 真正改变的可能不是“研究员做一件实验的速度”，而是“研究员愿意尝试多少个想法”。

如果这个判断成立，那么下一步真正值得研究的就不再只是：

AI 能不能把代码写得更快？

而是：

当 hypothesis search 的成本大幅下降以后，研究的方法、研究员的角色，以及“什么算证据”的标准，会不会一起改变？

这可能是比“AI 会不会取代量化研究员”更值得讨论的问题。