正文
断非如此。
我来举个例子。比如，CVPR是(IEEE)计算机视觉领域的“学术奥斯卡”，在2024年收到的论文投稿量为11875篇，最终只录用了2719篇，论文接收率仅为23%；并且，2024年CVPR官方认证的杰出/优秀论文总共只有10篇，是年投稿量的1‰。可见，创新研究很难，有大价值的创新更是难上加难，怎么可能是一通百通呢？
再谈谈梁文锋的经验。
梁文锋在接受暗涌Wave主笔于丽丽的专访时说，2012年伊尔亚（Ilya）提出AlexNet，使沉寂多年的人工智能技术研究重新苏醒，而幻方从2014年就开始同步跟踪，准备将AI应用到量化交易中。
他们的思想准备很早，行动也很早。
（图源：pixabay）
更重要的是，按于丽丽在文中的描述，梁文锋总是一个“每天看论文，写代码，参与小组讨论”、“兼具强大的infra工程构架能力和模型研究能力、既可从高处做精准判断，又可在细节上强过一线研究员、拥有令人恐怖的学习能力、能调动资源、完全不像一般意义上的老板”。
梁文锋说，“外部（外人）看到的是幻方2015年后（光彩绚丽）的部分，但其实我们做了16年（从2008年开始）。
我们经历了一个漫长的积累过程（不都是坦途）。
幻方有很强的技术和创新基因，幻方的成功在某种程度上增强了我们对技术驱动型（大）创新的信心。”
我听朋友说过，幻方的团队早期也经历过毕业就创业、创业创业没钱了；没钱了就解散、后来有点钱了，再聚在一起再创业的过程。没有笃定、没有爱和痴迷，是不可能这么做的。
当然，DeepSeek的成功，一定是这个聪明团队整体的成功。
但梁文锋作为领军统帅，有16年漫长的积累过程，在长期处理复杂问题、长期学习实践中沉淀出的经验，包括组织高密度人才实现有效创新的经验，才是DeepSeek可以组队不到2年、就拿到大结果的第一原因。
在DeepSeek_V2, _V3, _R1, 和Janus Pro等公开的论文中，我看到了几处
金融量化模型常见的处理手法
。
（图源：pixabay）
比如，DeepSeek_V2创新提出的细颗粒度MoE混合专家模型，通过提高专家专业化程度，减少了知识冗余、降低了训练成本、减少了推理计算量；这个技术思路，就可类比于在量化因子模型中，不是用某个因子（专家）来解释整体A股5300支股票的大截面，而是用特定的因子来解释特定二级行业的股票子截面，这样的因子就是细颗粒度因子。
（MoE混合专家模型并不是DeepSeek首先提出来的。谷歌的GShard_MoE 将分布式切片训练框架（GSha rd，Google Sha rding）与混合专家模型（MoE）做结合。但
DeepSeek“聪明地、灵巧地”提出了细颗粒度MoE方法，产生了显著的效果提升
；
又如，DeepSeek在Janus中创新引入统一的自回归架构，我看到了金融时间序列中ARMA、ARIMA、GARCH等自回归模型的影子；
再比如，Engle（诺贝尔经济学奖2003得主）在 2002 年提出了多标的动态条件相关系数模型 DCC-GARCH(2002)，将多标的时间序列的波动性特征，纳入统一的多变量波动率模
型，这是将不同标的的特征做时间序列上的对齐(Alignment)或同步(Synchronization)的(建模)方法。
而Janus中引入的统一自回归架构，也是以
时序
生成为范式（也就是时序对齐，比如将眼神、面部表情、口型、声音、肢体动作等多模态做时序对齐），这就突破了传统多模态模型在生成连贯性上的瓶颈、在模态交互深度上的瓶颈、和在任务泛化性上的瓶颈。
Janus的这种架构创新，提升了现有任务性能，为统一的多模态生成模型提供了全新的技术路线。
上述这两个不同领域的模型，我认为思想方法是类通的。
（图源：pixabay）
跨领域可以找到灵感
，有时候，在A领域很常见的数理方法或思路，B领域的研究人员很难想到，即便灵光一现想到了，多半将信将疑，未必敢投入精力做工程验证。
如何恺明（ResNet创造者）在香港中文大学的一次讲座中提到的，“科研（创新）中95%的时间是令人沮丧的”。他的原话是，“研究总是充满了挫折、情绪和沮丧，它与你能想到的所有负面词语有关。这就是现实（真实情况）。如果你没有经历过这些，说明你没有做出最好的研究。我的生活就是这样：我可能95%的时间都很沮丧，而剩下的5%时间（是在想法完成后）花在完成论文上。然后进入下一个（沮丧）周期。”
我本人做量化策略研究的感觉大致如此，很多次有新的策略想法，
想到的时候热血澎湃，设计的时候理顺复杂逻辑的过程让人煎熬，看到结果也就是最后搞明白的时候，却非常沮丧
：“哦，原来是这样啊、我怎么这么蠢、没事先想到这一层呢。”
分析一个创新，可能全球研究者想到了一万条路径；而有经验的领军统帅，能快速pass掉其中的9900条，只在剩余的100条路径上寻找宝藏。
这就是经验的价值。
统计学中的各种算法工具，可以类比为数学兵器，兵器可能有999件，但每一类兵器适用于什么场景、解决什么问题，这个太需要历练、太需要经验、太需要直觉了。
我敢断言，
整个幻方量化和DeepSeek的模型团队，身体力行的梁文锋经历的沮丧和痛苦最多
，所以他的经验和直觉最多。
（图源：pixabay）
他本科阶段在浙江大学学习电子信息工程，研究生阶段学习信息通信和人工智能，毕业后长期做量化金融模型，从2014年就开始follow人工智能领域的论文，可能在多个领域有深入思辨、有长期经验。
在研究中，找出新方法的人最值得称颂。
