超声波俱乐部「Harness为王」分享会第1期：量化交易和AI游戏|harness|工作流|游戏|量化交易

当大模型被套上缰绳、真正成为能交付结果的生产力，企业之间拉开差距的，正是Harness能力。谁掌握了行业的Harness，谁就掌握了未来竞争的主导权。

在这样的背景下，超声波俱乐部发起了「Harness为王」系列分享会。每一期，我们都会邀请行业内垂直赛道的顶级企业家，跟大家分享AI如何颠覆一个行业，以及Harness规则如何重构这个行业。

2026年8月21日，以量化交易和AI游戏行业者两个AI赛道为主题的第一期分享会线上举行。超声波创始人杨子超，元聚变科技集团CTO、董事殷磊，WorldGPT创始人唐君华，给大家带来了相关的主题分享。

以下为分享会实录，内容有删改。

01 Harness为王：AI时代谁掌握了行业的Harness，谁就能重构行业规则

分享嘉宾：杨子超

超声波创始人，20年的产品经理（从互联网、移动互联网到AI Harness），担任清科集团旗下沙丘大学导师、2018年Hackaday360 产品创新挑战赛决赛专家评审团评委、2023首届新智价值榜专家评审、2023世界智能大会观察员、大浪智库（新浪集团旗下高端研究智库）高级顾问、360数字安全集团「极翼成长计划」领航者智库荣誉专家-公益导师

大家好，作为主办方，我先分享一下我对Harness的思考，后面更多的时间还是要留给今天的两位嘉宾。

为什么2026年才是真正的AI应用井喷期？2024-2025年卷的是大模型，卷参数、卷benchmark、卷上下文长度。马力越来越猛，但车没跑起来。直到2026年，变速箱终于来了：

▸ DSH（DeepSeek Harness）-Harness基础设施层

▸ OpenClaw（龙虾）、Hermes Agent（爱马仕）-个人Harness

▸ 编程Harness：Claude Code、Codex、Cursor

▸ 企业Harness：WorkBuddy、豆包办公、千问办公、纳米Work

光有大模型是没有用的。大模型加Harness，才是真正的生产力释放。2026不是模型元年，是Harness元年。最近刚刚推出的DeepSeek Harness本质上在释放一个信号，就是只有大模型能力完美和Agent（Harness）适配，才能真正发挥更大的AI能力。

没有强悍的Harness支持，再好的大模型能力也会大打折扣。所以今年的大模型厂商都在下场打造自己的Harness体系，而且特别注重与自己极度适配的第三方Harness体系合作。

大家看AI应用，已经完成了三代进化。第一代以豆包、ChatGPT为代表，本质是问答，你问它答；第二代以Manus为代表，是端到端的Agent，你提需求它交付；第三代以OpenClaw为代表，是持续驾驭，AI活在你的工作流里。其实第三代的核心就是Harness体系的搭建，尤其是场景下的记忆体系的搭建。

第一代是百科全书，第二代是外包公司，第三代是你的合伙人：它懂你的行业、记得你的上下文、按你的规则干活。

这个“合伙人”能不能干活，取决于四样东西，也就是Harness的四要素：

▸ 工具链（Tools），行业专用的API、数据库、执行器

▸ 记忆系统（Memory），AI记住用户、项目、行业上下文

▸ 规则引擎（Rules），行业规则、合规要求、最佳实践

▸ 行业know-how，只有干了十年才知道的术语、流程、潜规则

这里要划清一个边界：Harness不是prompt engineering。Prompt是一句话，Harness是一整套驾驭系统。

大模型是马力，有了Harness这条缰绳，就可以驾驭着这匹马在我们的行业场景赛道里跑得又快又好。

我特别喜欢一个类比：大模型是一个天才大学生，聪明、学得快，但不知道行业的坑在哪；行业know-how是一个40年的老师傅，知道每个坑在哪，但效率有限。Harness，就是让天才大学生按照老师傅的规矩干活，同时保留速度和创造力。

其实不是AI替代人，是懂行业的人用Harness驾驭了AI，替代不懂行业的人。马人人都能买到，但驾驭术，只有行业里的人才会。

现在Harness有三个方向：Vibe Coding、AI个人助理、企业办公的Work系列。我把DeepSeek Harness排在基础层而不是产品层，因为它让更多类似Work系列的产品更容易搭建起来。

而Work系列为什么还差一点？因为它们没有深入业务。真正的机会在经营和生产层：招投标的全流程、供应链的最优排产、客户的生命周期管理、合同的审核与风控，这些在Harness没有深入完善前都是FDE（前置部署工程师）的事。

通用办公是Harness 1.0，帮你写邮件。行业Harness是2.0，帮你跑业务。1.0是入场券，2.0才是护城河。

硅谷最近流行的一个理论，原来我们创业拼的是马克·扎克伯格、比尔·盖茨这类辍学创业的年轻人，他们的智能叫流动智能；还有一堆三四十岁、干了十多年的行业老炮，他们的智能叫固体智能。

创业比拼的是快速拥抱变化，年轻人本来机动性很强，现在AI来了，AI的速度和执行比年轻人更快，这点对老炮们特别有优势，“老炮+AI”的模式既有快速机动执行能力，又有行业经验和深度认知，以及对人性的思考和洞察，所以固体智能在AI时代开始真正的崛起。

一个老兵加上AI，顶三四十个年轻人。40岁老炮的春天来了，今年下半年到明年上半年AI应用领域会涌现出一大批老炮明星创业者。

另外说一下Palantir的FDE业务，这家公司用100个FDE人肉服务一个客户，本质是“人肉Harness”，有效，但极贵。而一个做得足够深的Harness产品，可以让一个FDE去服务100个客户，这时候FDE的职能更像客户成功。

现在行业喜欢认AI原生团队，认为年龄越小越好，其实这是个误区，年龄小很多时候并不懂商业和人性，更不了解行业的know-how。什么才是真正的AI原生团队？它不一定是年轻人的团队，但一定是用AI解决真实问题、重构workflow、颠覆商业模式的团队。

▸ 40岁行业老兵 + 20年know-how + AI Harness = AI原生

▸ 25岁只会调API写demo的程序员 ≠ AI原生

你是在用AI重建工作流，还是只是在用AI辅助旧的工作流？你是在用Harness约束AI精准干活，还是让AI自由发挥后人工纠错？你在让AI越来越懂你的业务、让它的业务Loop转起来，还是每次都从头开始？AI原生是思维方式，不是年龄标签。

为什么Harness是天然的护城河？大模型是公共基础设施，谁都能调用，壁垒趋近于零，但Harness是私有知识的编码，别人是抄不走的。

▸ 行业暗知识抄不走

写在文档里的叫流程，没写出来的叫know-how——只有干了十年才知道的东西

▸ Loop经验抄不走

Harness跑起来之后的反馈、校准、迭代，是时间堆出来的

▸ 人+AI的协作默契抄不走

好的Harness不是AI单独跑，是人和AI形成协作节奏，这个节奏是磨出来的

大模型是水电煤，人人能用。Harness是你的独家配方——同样的水电煤，做出来的菜不一样。

我再分享一下构建Harness的三步法和三个必备能力。

三步法：

▸ 第一步：尊重行业，先搞懂行业的真实运作

▸ 第二步：拆解know-how，把老师傅脑子里的隐性知识变成可编码的规则

▸ 第三步：用AI重构，不是自动化旧流程，是创造新的可能性

我们需要的三个必备能力：

▸ 懂AI，知道大模型的边界、幻觉、成本，不然做出来的Harness不靠谱，AI经常犯错

▸ 懂行业，懂供应链、上下游、运营细节、暗知识，不然做出来的Harness很浅，不解决真问题

▸ 懂系统，能把前两个融合成产品，形成Loop，不然做出来只是demo，跑不起来

最后送给大家三句话：

▸ 回去想想：你的行业里，“老师傅脑子里的东西”是什么？那就是你的Harness原材料

▸ 别急着用AI替代人，先用AI学会你的行业规则

▸ 下一个十年的赢家：不是最懂AI的人，是最懂行业的AI驾驭者

我的分享就到这里，今天的重要嘉宾，是我的好友殷磊和唐君华，他们两个都是各自行业里非常优秀的企业家。殷磊在2021年彭博量化交易大赛上拿了特等奖；唐君华是国内极少数能做AI 3D游戏引擎的技术大拿，其公司更是育碧在中国为数不多的长期合作伙伴。接下来把时间交给他们。

02 大模型时代的量化交易

分享嘉宾：殷磊

元聚变科技集团CTO、董事，资深人工智能专家，深圳市金融科技专家库专家，香港优秀人才。殷磊博士曾任百度地图架构师兼数据科学家，去哪儿网技术总监，融360风控部门技术负责人，微众银行AI部门经理。殷磊博士在2021年参加彭博举办的亚太区量化大赛获得特等奖，主导研发的AI量化投研平台moonshot曾获得多项大奖

大家好，我是殷磊。讲量化之前，先给大家举几个反例。我平时跟一些机构交流，他们各家都上线了类似豆包的垂类智能体，后台一看大家问的问题，问得最多的是什么？

是“帮我看看某某标的接下来能涨吗？”那么大模型会怎么回答？它会按自然语言的概率逻辑，一本正经地给你几段分析。

但从某种角度来讲，问大模型是否看涨这个行为跟自己抛硬币差不多。因为模型的训练逻辑不是量化的逻辑，但如果我把量化模型和量化逻辑变成这个大模型能掌握的Harness，它就具备了量化分析的架构。这个Harness，才决定了AI能不能给出有针对性的投资建议。

那大模型在量化里到底该站在什么位置？我把整个pipeline（管线）梳理成五步：数据采集，抽象出有效的因子，因子进到模型、通过一些策略成为可实盘或模拟盘交易的框架，然后经过风控规则，最终进入交易。

我把它们划分两个颜色：绿色，是大语言模型主要进入的领域，包括数据、因子、研究加速；红色，是还得依靠人工的领域，包括最终买卖决策，包括持仓比例、最大回撤这些风控规则，最后还是要落到团队层面来拍板。

总结成一句话：AI帮我们把原材料和假设做验证，但最终交易的时候，还是要风控流程来把控。

今天时间有限，我重点展开数据和因子这两层。我再次强调，本分享仅作技术交流，不构成任何投资建议。

我先说两个概念：

▸ 阿尔法（alpha）：相对于其他人能获得的超额收益

▸ 贝塔（beta）：跟着大盘指数走的收益，比如大盘涨了10个点，这10个点是任何人都能轻松拿到的

一般讲量化，大家常联想到对冲基金或高频交易，而它们的核心追求正是超额收益，超额收益的本源在数据。

数据可以分两类：

▸ 量价数据：比如K线，以及基于量价衍生的MACD、KDJ等指标。海外在上世纪六七十年代流行，中国则是九十年代初期；最容易获取、基本已结构化、准入门槛低。正因为人人可得，很难带来超额收益

▸ 另类数据（alternative data）：相对金融数据（财报、K线等）而言的补充数据。海外约2014–2015年开始流行，国内约2017–2018年。来源包括手机定位、WiFi、支付数据、卫星遥感影像、物联网、摄像头、支付终端、无人机等。加工难度高、门槛高。只有别人拿不到、加工不了的信息，才可能构成超额收益的能力

举个大家容易理解的例子，东亚地区的夜光图：中国、韩国、日本亮度高，朝鲜除平壤外整体暗淡。“灯光越亮、GDP越高”的线性相关性很明显，放到一国内部的区域层面同样成立。

但经济发展到一定水平后，比如日本推行低碳政策，夜间定时关灯、调低亮度等，这个线性关系会逐渐被打破。至少在2019年之前，这层关系仍然显著。

每个时代的信息获取方式，决定了那个时代的超额收益。

▸ 信鸽时代（传说）：罗斯柴尔德家族大量持有英国国债，抢先用信鸽得知滑铁卢战况，比市场上其他交易方早约9个小时。得知结果后他们先行抛售制造恐慌，引发英国国债的抛售潮与价格雪崩，其对手盘则低位吸筹；次日英国获胜的消息传来，价格暴涨，再反手获利

▸ 报刊时代：中国交易市场刚开放时，大家每天靠报纸获取信息做决策，电视剧《繁花》里有类似片段

▸ IT时代：彭博（Bloomberg）创始人的关键动作，是把报纸上零散的交易信息聚合、规范化成Bloomberg终端。信息价值提升、获取门槛降低，直接换来真金白银的收益

▸ AI时代：数据采集方式空前多样（手机、无人驾驶汽车、卫星等），海量信息如何加工成有效因子，是拿到阿尔法的胜负手

我之前做交易的时候，会把一些非结构化数据，加工成结构化数据。其中我用的一项数据，就是卫星遥感数据卫星。大家都知道，最近的商业航天发展特别快，大家发射卫星的成本也越来越低，而之前发射一颗卫星得要几十万，所以未来大家获取卫星数据的门槛也会越来越低。

而对固定区域的持续监测可以用无人机：比如监测海岛炼油厂的储油罐。通过识别浮顶式储油罐，罐顶随液面升降，油量下降时罐顶下沉，通过罐顶阴影的高度差可以估算剩余储量，就能量化跟踪原油库存。

高盛曾做过类似模型，用于预估全球原油储备、支撑原油期货交易。霍尔木兹海峡受封锁影响期间，市场难以掌握每日通行船只数量，曾有基金干脆派分析师去海峡“数船”，另类数据的稀缺价值正在于此。

监测区域较大时，可以多架无人机协同覆盖。对经济价值高的场景，一次交易的收入就足以覆盖采集成本。

再比如某年新能源市场供不应求，生产多少就能卖掉多少，我们把特斯拉、比亚迪还有新势力们停车场上的新车数出来，基本就知道交付量，比别人提前知道交付，就可以提前埋伏。把全国主流车厂全统计出来，还能预估中国汽车的月度产量。

同样的思路，也可以数挖掘机，在中国房地产上行的时候，每个工地的挖掘机数量非常多；经济转型不靠房地产了，挖掘机数量陡降。还可以数全国主流港口的集装箱，能看中国出口的同环比。

除了遥感影像之外，我们还有很多其他手段，比如说手机的定位数据，我们可以把它脱敏之后去做聚合分析。

一个企业除了财务指标外，我们还会关注它的ESG（环境、社会和治理）层面上的表现。传统ESG评估靠专家打分，人来打分就有主观影响。我当时把整个ESG评估逻辑全量化了，包括做了很多高频的一些指标，通过舆情、遥感影像去拿到了很多信息，并且做成了一个平台，把平台信息加工成咱们能投资的ESG因子，最终可以得到一些很有意思的结论。

从数据到因子，是一条流水线：采集（多源另类数据）→ 抽取/结构化（情绪、事件、主题）→ 因子（数值化、可比较）→ 回测（验证有效性）。

大模型主要在“抽取/结构化”这一环发力，这恰好也是整条流水线里最贵、最耗人力的环节：

▸ 以前量化团队要40–50人做的事，现在雇一批AI agent可以做到八九成

▸ 数据采集环节大模型帮不上忙，但非结构化到结构化是它的强项：舆情分析、事件抽取、构建知识图谱，现在都是“分分钟”的事

▸ 以前靠手工，现在模型做、人来定框架

这也正是我的核心方法论：通过数据获得别人获取不到的信息，从而拿到超额收益。大模型把这套方法从“手工作坊”变成“流水线”。价值没变，变的只是加工成本与迭代速度，而时间就是金钱。

至于更前沿的端到端量化，是把K线当成一种语言，token化后直接喂给Transformer做预测，这个方向是成立的，但现在的瓶颈在数据：预训练所需的海量标注还没完成，至少从我了解到的，还没有端到端模型达到能真正上线跑的程度。

最后总结一下。大模型擅长的：非结构化数据的结构化、语言层面的对齐、核心事件和关系的抽取、生成回测和策略代码、总结舆情、生成假设去做验证。

它做不了的：没有量化框架就直接预测涨跌、实时的订单流管理、风控角色，而且它还会产生幻觉。大模型把基本面数据的加工成本打下来了，让更多非结构化信息直接进入投资决策，但最终能不能用它做交易、做回测、做风控，要放在一个可控的量化框架里。我们还是要理性地看待大模型，我觉得这个才是大模型时代正确的量化投资观。

03 AI改变游戏行业的：过去、现在、未来

分享嘉宾：唐君华

WorldGPT创始人，中国游戏引擎领域资深专家，联合打造中国首个国产商业化游戏引擎「白鹭3D」（连续3年国产引擎市场第一），并深度参与微信小游戏生态系统的早期构建。打造了首个XR游戏商业化引擎「Reality Engine」。主导并支持华为、腾讯等公司多款引擎项目研发；以技术负责人身份长期服务育碧全球多个工作室。参与多家公司十余款2D/3D引擎项目的研发：CatDog、Reality、GD3D、Anvil、Snowdrop、Ubisoft Art、Onion、Cosmo等

大家好，我是Cafe唐君华。其实AI改变游戏行业已经很久了，从AI诞生的那一刻起，游戏行业跟AI就是绑到一起的。为什么？因为你一定会有个对手，那个对手就是由AI来操作的。

今天我们不讨论AI能不能做游戏，这个大家已经知道了。要讨论的是，AI到底改变了游戏行业的哪些层面。我把它分成三层：

▸ 第一层是生产，就是立项、脚本、美术、程序、测试这些幕后环节，大家知道的文生图、文生声音、文生3D，都发生在这一层

▸ 第二层是产品，AI已经进入runtime（运行时期）了，你玩游戏的时候它实时产生改变，比如陪伴类产品

▸ 第三层是产业，AI原生游戏出现之后，今天的游戏公司、运营部门、代理商、平台方之间的关系，在未来肯定会发生很大的变化

行业发展真正的分水岭，是“AI 是否进入了可复用的生产链和可验证的产品闭环”。很多人把AI看成可以提高30%效率的工具，但我认为远不止于此，因为工具是不会改变我们的工作流和产业结构的。

先讲过去。以前的游戏AI主要是一门规则、搜索和调参工程。它的核心任务不是创造内容，而是控制复杂性。比如关卡生成就是写个算法随机一下，让你不那么容易通关。

拿NPC的AI来说：行为树是最高效的做法，国内基本以行为树为主；GOAP（目标导向行动规划）在3A里特别多，特点是给AI一个目标让它自己规划行动序列。HTN（层次任务网络规划）可以理解成一份现成的计划表，《杀戮地带2》是第一个用它的商业游戏。

育碧分享过，《刺客信条：奥德赛》和《渡神纪》用了GOAP规划系统，《彩虹六号：围攻》则是HTN和GOAP的混合架构。这些是我2009年刚毕业时接触到的部分，写游戏AI比写渲染、写玩法实现更花时间，但我觉得非常有意思。

再讲现在。第一波生成式AI先落在最容易标准化的环节：概念草图、文案初稿、代码助手、运营物料。很多公司说自己在AI化，其实大部分都停在这个阶段。

历史经验证明，每一轮AI热潮都是先被工具化，再被流程化，最后产品化。真正能留下来的AI能力，必须进入生产链。进不去，模型再厉害，意义都不大。

举个例子。当年随便一个端游公司一两百号人，做游戏要三五年；今天用Unity和UE，十个人做半年一年就能达到当年端游的效果。为什么？因为Unity已经把大量能力嵌进生产链，你在无意识中就使用了。

所以你问文生3D哪家好用，对游戏公司来讲，我并不想知道。我只要在一个工具里生成了，再选一个好看的就完事了，就像你不会关心模型是3ds Max做的还是Blender做的。如果你做生成式AI做的是模型、资产这一类工作，就要想清楚：你是不是生产链里的环节？进不去，后面的发展就会有问题。

第二件事，AI肯定是先改进幕后工序，而不是先出爆品。现在大量投资人都在问AI原生游戏什么时候出爆品，赶紧投不投就错过了。我个人认为：既然是AI原生的游戏，连AI原生的工具链、工作流都没有，哪里来的AI原生的游戏？

就像用铁做刀，硬度刚性就是不达标，因为材质决定最终样品的性能。1.0版本“AI生成资产”已经过去了；2.0“以AI为主导的工作流、和AI协作创造”才是今年下半年到未来三年的核心。

然后聊聊未来。接下来聊的都是畅想，甚至可能是我的妄想，大家别介意。游戏在未来可能会变成一种由玩家、角色与模型共同协商的动态系统。AI会和你一起参与游戏，与你共同生成新的事件、关系、记忆和世界状态。

我觉得AI原生游戏会有一个Loop，围绕游戏中的对话、试探、记忆、反应形成AI对你的理解，以及你对世界的探索。未来的NPC绝对不是更会聊天，而是拥有持续的状态、目标和记忆。我个人觉得它会变成你一个非常信任的人，甚至它还可以影响你的价值观和行为逻辑。

举个具体的例子。在座各位可能有一部分人不玩游戏，没关系，你肯定对西游记有兴趣。假设西游记里所有NPC都遵循某种世界规则，每一个NPC你都可以影响。你有没有可能让唐僧不再跟孙悟空去取经？有没有可能拉上牛魔王去取经？你不取经了，西游的世界会变成什么样？

大世界品类游戏，很有可能就是AI原生游戏的一个环节。目前能做这个品类的主要就三家公司：育碧、Take-Two（R星母公司）和CDPR（代表作《巫师》系列、《赛博朋克2077》）。

我们WorldGPT团队现在的整套工作流就是面向3A、面向大世界品类的。我们对自家产品的定义不是Photoshop、不是Unity，而是平台。因为只有平台才能提供服务，才能长时间持有你的反馈数据、让AI更懂你。

数字孪生、元宇宙、具身智能，在我个人眼里都会归到游戏产业里来。因为当机器人能动之后，它要处理的所有决策流程，比如怎么走、什么表情、说什么话、什么时候说，都在游戏产业的覆盖范围内。

“西部世界”会不会来？有可能。我不太喜欢“世界模型”这个词，因为每个人都有自己的定义，容易产生歧义。我们团队更愿意叫它3D模态。原因很简单：文字模态有了，图像、声音、视频模态都有了，但少了一个，3D模态在哪？文字其实是灵魂：现实中我们的灵魂说要去吃饭，我们的身体在无意识中就执行了这个操作。在我看来，3D模态的本质，就是完成文字这个灵魂所做出的决定。

关于风险，我的判断跟主流不太一样：真正的危险不是AI太强大导致我们没工作，而是AI太强大之后生产出来的同质化内容。

什么叫AI感？某个人觉得某种风格很好，训到模型里，用的人多了，就有AI感了；大家就去找另一种风格，重新训进去，但用的人多了又有AI感了。衣服的版型是十年二十年一个轮回，AI这种迭代速度，很有可能把现有的人类审美体系逼疯。

至于岗位，不会消失，而是会被重新切分成各种角色：导演型的人定义世界的边界和审美，编辑型的人把世界修整得更好，工具型的人管控模型的能力，治理型的人维持世界的平衡，运营型的人维持经济循环。