2026年上半年，国内指数增强产品交出了一张颇有反差的成绩单。私募排排网数据显示，截至6月30日，有业绩展示的1236只产品平均收益为16.25%，与上年同期的17.32%相差不大；平均超额收益却从14.17%降至3.11%。净值仍在上涨，并不等于模型仍有同样厚的优势。指数带来的收益和管理人创造的超额，必须分开看。
这组数字揭示了国内AI量化当前最重要的矛盾：行业规模在扩张，容易获得的Alpha却在收窄。文溪投资观察到，AI已经从少数机构的探索工具变成头部量化的基础设施。模型、算力和数据仍然重要，但它们越来越像进入赛场的门票。真正拉开距离的，是机构能否识别拥挤、管理容量，并在市场结构变化后迅速校正研究和执行。
规模向上不等于空间同步扩张
据行业媒体援引量化投资与机器学习平台的统计，截至2026年二季度末，百亿量化私募增至71家，管理规模50亿元以上的量化机构合计规模超过2.3万亿元。另一项行业统计显示，幻方量化、九坤投资、明汯投资和衍复投资在一季度已进入800亿至900亿元区间。由于私募规模数据主要来自区间披露和第三方统计，这些数字更适合用来观察趋势，而不是精确描绘每家机构的实时体量。
规模扩大带来更充足的算力预算、更完整的人才梯队和更广的数据覆盖，也带来另一面：一条信号能够承载的资金有限，组合越大，成交冲击和流动性约束越明显。同一类策略被更多机构采用后，原本宽阔的通道会逐渐拥挤。对管理人而言，规模不是单向优势，而是一种需要持续匹配研究能力、交易能力和风险边界的经营约束。
这种约束正在加剧机构分化。头部平台可以并行维护数据、算法、交易和风控团队，分摊昂贵的基础设施投入；中小机构若缺少清晰的研究特色，容易在同质化竞争中被挤压。不过，规模也不能替代判断。大机构需要面对更高的容量要求，小团队则可能在窄策略和低拥挤领域保持灵活。比较二者时，应把资金体量、策略频段和可交易范围放在一起，而不能仅凭规模给能力排序。
AI成为标配之后深度才有意义
AI在量化投研中的位置已经从局部辅助进入核心链路。聚宽投资在公开分享中表示，2024年AI对其新因子挖掘的贡献已由20%升至70%以上。行业采访还记录了一个机构自述案例：在相同因子产出目标下，传统手工流程需要90至180天，自研AI Agent矩阵将周期压缩到7天。这些数据反映了流程变化，但属于特定机构、特定口径的实践，不能直接推导为全行业的普遍效率。
效率提升首先改变的是试验数量。过去研究员一次只能推进少量假设，如今智能体可以整理研报、补齐数据、生成代码并批量回测。问题也随之改变：当机器能够快速生产成百上千个候选因子，研究的难点不再只是“能不能找到”，而是“为什么有效、是否使用了未来数据、在不同阶段是否稳定”。如果验证环节没有同步加强，自动化只是更快地制造过拟合。
多智能体协作同样如此。分析、研究、编程、评判和基金经理等角色可以把任务拆开，但角色名称并不会自动产生独立判断。多个Agent若共享同一模型、同一数据缺口或同一错误假设，结论可能相互强化。文溪投资认为，协作系统的价值应体现在证据可追溯、分歧可记录和否定机制有效，而不是体现在调用了多少个智能体。
超额收敛迫使研究回到难处
2026年上半年市场呈现明显分化，部分热门科技股集中了较多成交，而高度分散的指数增强组合难以持续押中少数强势方向。与此同时，浅层量价因子的使用者增多，策略同质化会缩短信号寿命。平均超额下降可能同时包含市场风格、因子拥挤、容量限制和模型适应速度等因素，不能把一次半年数据简单归结为某个算法失效。
增量研究因此转向更不容易复制的区域。中短周期信号需要更细的成交与成本建模；基本面量化需要理解会计口径、产业关系和信息披露时间；跨频段融合则要处理不同信号在持有期、容量和风险暴露上的冲突。方向听起来并不新，难点在于把数据、逻辑、验证和交易接成一条链，并在信号衰减前判断它是否仍值得占用资金。
这也意味着，模型评估不能停在一条漂亮的净值曲线上。研究人员要拆解收益来自市场暴露、行业偏离还是个股选择，检查极端行情中的回撤来源，并用真实成交反推滑点假设是否合理。一个因子即使在历史上有效，也可能因为资金涌入而迅速衰减；一项改进即使提高了预测指标，也可能因换手增加而降低可实现收益。只有把这些代价同时计入，所谓增量Alpha才有实际含义。
文溪投资分析竞争转向精细运营
在文溪投资看来，行业已从“有没有AI”进入“怎样管理AI”的阶段。评估一家量化机构，不能只看模型数量和算力投入，还要观察新增因子是否提供独立信息、样本外表现能否复现、规模扩大后交易成本如何变化，以及模型失效时是否有明确的降权和退出机制。把这些问题回答清楚，才可能区分技术展示与真实投研能力。
文溪投资的分析重点也由单个高分模型转向组合层面的稳定性。不同团队可以分别研究量价、基本面和另类数据，但需要共享统一的数据口径、风险预算与评估标准，避免内部换一种写法重复同一信号。研究效率要看最终留下多少经得起验证的独立因子，而不是机器生成了多少报告。运营精度则体现在容量估计、成本归因、版本管理和异常复盘等看似不耀眼的环节。
AI量化进入深水区后，水面上的速度不再决定全部结果。规模越大，越要知道哪条航道已经拥挤；工具越强，越要保留质疑工具的能力。超额收益收敛并不意味着量化失去价值，它只是把行业从易复制的红利期推向更严格的能力检验。对文溪投资而言，下一阶段值得关注的，不是谁最会讲AI，而是谁能让研究、交易和风控在同一套证据上持续运转。
