我启动了10个AI模型，让它们“竞逐”最优交易策略。结果出人意料：成本最低的模型每次都胜出。 尽管Claude Opus 4.6价格是其他模型的10倍，却从未跑赢过标普500指数。 起初我完全不相信结果，于是重复实验了三次。每次结果一致：胜者不断轮换，但那些昂贵的模型始终垫底。 这是一场“AI智能体集群”实验——我同时调用10个不同的大语言模型，从最便宜的开源模型（被一些人称为“间谍软件”）到全球最昂贵、最受赞誉的闭源模型，让它们共同完成一项任务：在收益率和风险调整后收益方面，设计出最佳交易策略。 每个模型都像一名量化分析师，接收任务后，自行制定研究计划，包括数据来源、指标选择、回测方法、交易逻辑等，然后生成策略并进行模拟回测。 实验结果显示，那些被嘲讽为“低质”“不安全”的低成本模型，反而在实际表现中屡屡胜出。它们的策略不仅收益更高，风险控制也更稳健。 这背后的原因或许在于：高成本模型往往过于复杂，容易陷入过度拟合或生成冗余逻辑；而低成本模型更“务实”，在有限资源下反而能聚焦核心变量，生成更简洁有效的策略。 这说明，在特定任务中，模型的“贵”并不等于“强”。尤其是在需要快速迭代、试错和实用性的场景中，效率与成本比性能更重要。 这场实验也揭示了一个趋势：未来AI的应用价值，可能不在于模型本身的规模，而在于如何高效组织和调度智能体，形成协同决策的“集群智慧”。