對話 Bitget AI 負責人：AI 交易可以無限逼近高分，但無法達到 100 分

本期播客圍繞 Bitget 的 AI 交易產品佈局展開。Bitget AI 負責人 Bill 博士回顧了自己從傳統 AI 研究與產業經歷轉入加密行業的過程，並系統介紹了 Bitget 在過去一年多對 AI 交易產品的迭代路徑：從最初幫助用戶捕捉市場信息、整理新聞與信號，到結合用戶歷史行為做風險畫像與個性化建議，再到嘗試通過 Agent Hub、Telegram 形態和類似 Claude Code 的交互方式降低 AI 交易使用門檻。

訪談還討論了 AI 在交易中的邊界：它已能顯著提升普通用戶的信息處理與輔助決策效率，但還難以完全替代頂級交易者；未來競爭重點不只是模型能力，更是安全體系、成本控制、產品絲滑度、長期記憶系統，以及對用戶真實交易習慣的持續學習。雙方最後也探討了 AI 交易是否會「贏家通吃」、策略是否會快速失效等問題，結論是市場仍高度複雜，人性與黑天鵝因素仍讓交易難以被單一系統徹底統治。

Bill 博士的 AI 背景與進入加密行業的契機

貓弟：歡迎大家來到這一期的《吳說不加密播客》。今天的採訪對象是 Bitget AI 負責人 Bill 博士。先請您介紹一下自己，您是怎麼進入加密行業的？另外，也想聊聊您在 AI 方面的經歷。因為我聽他們都叫您 Bill 博士，您是 AI 方向出身嗎？

Bill 博士：我是 2009 年博士畢業的，本科、碩士、博士一直都是 AI 方向。讀書期間也去過不少企業和研究院交流，還參加過很多國際會議。

畢業之後，我先在一家海外研究院做了 4 年人工智能的研發。後來去了國內一家大企業，做了 4 年搜索推薦和自然語言處理，並負責自然語言處理部門。再後來，我又去了一家海外電商公司 4 年負責 AI 整體研發，之後去另外一家大型企業負責了 3 年的全球營銷算法整體研發。前後共計做了十六年。

去年年初，當時有獵頭聯繫我，說 Bitget 有這樣一個機會。雖然我之前沒在幣圈工作過，但我一直對金融比較感興趣，也做過很多年的美股、港股交易，所以就去試了試。

那時候我對 Web3 其實談不上熟，只是有一些瞭解，沒有真正做過相關工作，所以面試前也有點忐忑。結果面試很快就通過了，拿到了 offer。職位是 Bitget 的 AI 負責人，到現在已經一年多了。整體來說，這段經歷還是挺讓我興奮的。每天都有新的挑戰和項目，雖然壓力很大，但也很有成就感。

對我來說，最大的變化還是認知上的衝擊。因為我原來對 Web3 只是聽說過，沒有真正深度參與，所以進來之後基本就是一邊學習，一邊做項目，過得非常充實。

AI 與交易結合是噱頭，還是已經進入實用階段？

貓弟：Bitget 是以交易產品為主的平臺。你怎麼看「AI + 交易」這件事？它現在是真的進入可行階段了，還是更多還是市場炒作？因為現在不只是加密行業，幾乎所有行業都在擁抱 AI。回到這個話題，你覺得它現在是實用性為主，還是也有蹭熱點的成分？

Bill 博士：我覺得對 Bitget 來說，這件事已經不是噱頭了，而是剛需。因為 Bitget 前七年其實沒有專門的 AI 團隊，甚至算法應用都極少，到了近兩年才開始系統性投入，核心原因就是 AI 已經足夠成熟，能夠真正進入交易場景，不管是降本增效，還是提升收入和交易效率，都已經有現實價值。

交易本身非常複雜，不同用戶的認知、風險偏好、策略和操作方式都不一樣，所以關鍵不在於「要不要做 AI」，而在於 AI 切入交易鏈條的哪一層。

如果說完全自動化、像全自動駕駛那樣，我覺得現在還做不到；但如果是做輔助，而且是分環節、分層次地輔助，那已經非常可行了。其實不管 Bitget 做不做，其他公司也都在做，而且已經拿到不少紅利。

比如有些交易者主要看短期走勢和量化信號，以前可能要盯很多屏幕和數據，現在 AI 很適合做整合和輔助判斷。還有一些人是看新聞、財報和社交媒體來做決策，這裡面很多工作本來就是信息蒐集和整理，AI 也能明顯提升效率。

再進一步，用戶還會希望 AI 不只是幫他找信息，而是給出更具體的策略建議，比如倉位、方向、槓桿，甚至把交易按鈕都準備好。更高階一點，甚至接近資產管理的模式。

所以我們的判斷是，AI 不可能完全替代最頂尖的專業交易員，但對普通用戶來說，做到 95% 工作的替代，今天其實已經進入實用階段了。

Bitget 的 AI 產品演進：從信息整理到交易輔助

貓弟：你的意思是，第一層其實已經比較成熟了，比如幫用戶瞭解項目背景、做信息整理和輔助判斷。那 Bitget 現在的 AI 產品，更偏向前期輔助決策，還是已經往具體執行走了？

Bill 博士：這要從去年說起。我入職一個月後，我們就啟動了 Agent 方向。那時候 Agent 還是很新的概念，大家都在摸索。最開始我們先做了一個小嚐試，叫「Meme 捕手」，因為當時 Meme 幣特別火，市場信號又快又雜，用戶很難及時抓住交易機會。

這個產品做了兩個月，效果還不錯，但能力比較單一，主要還是抓 Meme 相關信號。後來我們把它升級成 GetAgent，最初的目標就是解決第一層需求，也就是信息收集和整理。因為這部分本質上是體力活，只要把流程和模型調好，就能顯著提升效率。

所以一開始我們重點做的是信息側能力，包括定製幣圈的重要新聞源，再把這些高質量信息提供給模型做分析，而不是單純讓模型自己去全網搜索。這樣做下來，信息收集和分析的準確性提升了很多，用戶滿意度也比較高。

但後來用戶開始提出更進一步的需求，不只是想看信息，還希望得到決策建議。比如做多還是做空、買多少、適合什麼風險等級的策略。於是我們開始結合用戶歷史交易記錄做畫像，分析他的風險偏好和交易習慣，再給出更個性化的建議。

因為信息層相對可以通用，但到了交易層，差異就很大了。不同用戶面對同一個問題，答案可能完全不一樣。所以後來 GetAgent 逐步往個性化匹配上走，這部分也做了很多細節打磨。

我們當時甚至做到了執行層。比如用戶可以直接說「幫我買 10U 的比特幣」，系統會很快把交易按鈕準備好，用戶確認後就能下單。當然，前提是指令必須足夠明確，不能太模糊。

這個功能上線後，確實有人在用，交易量也在漲。但後來我們發現，如果繼續往「直接幫用戶下單」這個方向深推，用戶很容易產生誤解，覺得這個產品已經能替他賺錢了。一旦虧損，預期和現實之間就會出現問題。

所以後來我們調整了方向，沒有繼續重點優化自動下單，而是把重心放回到信息採集、聚合分析和個性化供給上，把這些能力做得更紮實。

再到今年年初，我們上線了 Agent Hub。它不是像 GetAgent 那樣在 App 裡一問一答、返回長篇內容，而是更偏向高級用戶，支持他們通過程序調用底層能力，用命令行等方式完成交易。

這個方向當時獲得了一些關注，但使用門檻還是偏高。因為真正會寫程序、會用命令行做交易的人很少，絕大多數用戶還是普通交易者，他們需要的是更簡單、更直接的產品形態。

所以後來我們又把入口放到了 Telegram 上。用戶只要打開鏈接、登錄 Bitget 賬號，就可以用類似 Agent 的方式來完成交易，整體體驗會更順暢。

貓弟：那安全性怎麼解決？

Bill 博士：安全上我們做了沙箱隔離、四層身份驗證和獨立環境，核心就是保證用戶資產安全。另外，我們也儘量降低普通用戶的使用門檻。因為很多類似產品需要用戶自己接模型、管 Token 成本、選服務方案，這對大部分人來說太複雜了。我們希望把這些底層複雜度都收起來，讓用戶更容易上手。

Bitget AI 交易產品的底層邏輯與用戶體驗設計

貓弟：你們用的是哪個大模型？

Bill 博士：我們用了多個大模型，會根據不同任務做智能分配，核心是同時兼顧成本和效果。簡單任務不能一直用最貴的模型，複雜任務也不能只靠便宜模型，所以我們更像是在做一套整體優化。

在產品設計上，我們一開始就希望把門檻降下來。比如先給用戶一定的免費額度，額度用完再付費，這樣更容易上手。用戶也不用自己去買 Token、選模型，直接就能用到我們已經打磨好的底層能力。

後來我們把很多能力都遷到了 Telegram 上，包括信息獲取、分析處理和一些基礎交易策略。Telegram 上的這個產品叫 GetClaw。這樣用戶就像聊天一樣，直接和系統交互，使用起來會更順滑。因為以前放在 App 裡時，很多用戶其實連入口都找不到，但放到 Telegram 裡，路徑就更直接了。

這一套體驗打通之後，GetClaw 很快就起來了。我們還配合做了交易大賽，給用戶提供體驗金和獎勵，本質上是希望幫助大家更自然地適應這種 Agent 交易模式。

但我們也一直強調，工具再好，交易也不可能完全脫離人的判斷。什麼時候進、什麼時候出，還是很關鍵。完全依賴模型不行，完全不用模型也不行，所以我們想做的不是替代用戶，而是把工具做到足夠好，同時幫助用戶提升認知。這也是為什麼我們從開始做 AI 起，就提出了一個目標，叫「讓 1 億用戶比肩華爾街」，本質上是要讓他們成為更好的交易者。

我們的目標，其實是讓交易變得更簡單、更個性化。比如系統能逐步理解你的交易習慣、風險偏好和操作風格，把前面複雜的分析過程收斂掉，最後給你幾個清晰的決策選項。這樣你在操作的時候，會更有依據，也更放心。

所以這個產品模式最核心的有兩點：第一，是長期記憶和個性化適配，系統能夠不斷學習用戶；第二，是安全、有效，而且底層工具還在持續進化。GetAgent 這一年多已經打磨了很多底層能力，GetClaw 也是在這個基礎上做出來的。當然，現在還不完美，後面還會繼續迭代。

貓弟：你們有沒有統計過，目前 AI 交易的交易量大概是多少？

Bill 博士：現在其實還不多。放在公司整體交易量裡看，完全由 AI 驅動的佔比還很低。因為要讓用戶大規模信任「由 AI 引導交易」這件事，本身還需要一個培育過程。

另外，這個領域變化也特別快。大模型一直在快速迭代，很多時候你前面的產品形態不需要大改，只是把後端模型從舊版本切到新版本，整體效果就能明顯提升。這說明現在模型能力和應用層其實已經開始解耦了，底層模型一升級，上層體驗就會跟著提升。

所以現在的狀態是，前面的應用在快速迭代，後面的模型也在不斷進步，整個生態變化非常快。以前一個需求可能要做一兩個月，現在幾天甚至一天就能上線。

在這種情況下，真正重要的反而不只是開發能力，而是對業務本身，尤其是對交易這件事的理解。因為工具和模型都在進化，但最終決定產品價值的，還是你對場景的認知。

Bitget AI 產品的競爭優勢與持續優化方向

貓弟：現在不只是 Bitget，幣安、OKX 也都在做 AI 相關產品。你有沒有看過他們發佈的那些 skill 或產品？你覺得 Bitget 的 AI 產品和其他交易所相比，有哪些優勢？會在哪些方面做得更好？

Bill 博士：這是個很好的問題，我們也一直非常關注行業裡的最新進展。在 AI 方面，所有交易所都在同一起跑線，所以我們將其視為「彎道超車」的機會，同時，AI 是一個無論人才還是資金都投入巨大的領域，註定是幾家頭部交易所的賽場，Bitget 在這塊的投入是巨大的。

其實從去年做 GetAgent 開始，我們就在探索幣圈裡的 AI Agent 應該怎麼做。當時幾乎沒有現成的參考對象，只能一邊看其他領域怎麼做，一邊結合自己的業務不斷摸索。到現在做了一年多，我們已經積累了比較紮實的底層能力，也形成了一套持續迭代的方法。

如果說和其他交易所相比，我覺得我們的優勢主要有幾個方面。

第一，是迭代經驗。從去年 3 月開始做 AI Agent 到現在，我們已經經歷了多個季度的持續迭代。這個過程其實很痛苦，很多時候都像是推翻重來，但也正因為這樣，積累下來的經驗會比較深。這方面我們不敢說一定是行業第一，但至少是做得比較早、也比較深入的。

第二，是安全。像這類 Agent 產品剛出來時，很多人一窩蜂去嘗試，但後來又因為安全問題退出來。我們內部一直把安全放在很高的位置，哪怕會影響開發效率，也必須優先保證安全。經過連續幾個季度的打磨，到目前為止，我們在 AI 交易和 AI Agent 這塊還沒有出過明顯問題，這也是一個很重要的優勢。

第三，是我們跟進新產品形態的速度比較快。無論是 Agent Hub，還是後來的 GetClaw，我們都上線得比較早，而且不只是做產品本身，也會結合交易場景去設計玩法。比如之前我們嘗試過把 AI 交易員和跟單體系結合起來，用戶可以根據 AI 交易員的表現去選擇跟單，這其實是在交易場景上的進一步創新。

表面上看，這類產品現在誰都能做，藉助一些開發工具，很快就能搭一個出來。但真正做出來之後，是否絲滑、是否穩定、是否可靠，其實差別非常大。這背後不是隻看用了哪個模型，而是看你能不能把模型、成本、質量、安全和用戶體驗一起做好。

尤其是在 C 端場景裡，成本控制非常關鍵。如果不做優化，這類產品的成本很容易失控。所以我們現在做的，已經不只是「用哪個大模型」，而是怎樣把多個能力做更深的組合和調優，在保證體驗和質量的同時，把成本控制在合理範圍內。

所以總結下來，我覺得我們的優勢主要是三點：一是做得早，迭代久，積累深；二是安全體系相對紮實；三是在 skill 和產品能力的整合上，已經形成了一定的方法和底座。

當然，如果說還有什麼需要持續優化的地方，我覺得最重要的不是繼續盯著同行，而是更多向用戶學習。因為 AI 交易最終不是比誰功能更多，而是比誰更理解用戶。用戶今天對 AI 交易的認知、習慣和預期到底是什麼，這件事我們還要持續去研究。

說到底，用戶來交易平臺的目標還是賺錢。我們不能保證用戶一定賺錢，但我們希望能讓他在交易這件事上走得更快、更方便、更舒服。比如最後系統只給你幾個清晰、個性化的選項，並把背後的邏輯講清楚，讓你比以前更容易判斷、更安心地下決策。

所以這件事還遠沒有到終點。我們現在的重點，就是繼續把體驗做得更絲滑、更安全、更個性化，同時也繼續向同行和用戶學習。

AI 交易會贏者通吃嗎？策略會不會很快失效？

貓弟：你剛才講了一個比較理想的「AI + 交易」場景，我再問兩個細節問題。

第一個問題是，執行 AI 交易的模型能力一定有強有弱。未來會不會出現「贏者通吃」的情況？比如資金更多的人可以買更強的大模型，擁有更多算力和更快速度，最後少數人就能戰勝絕大多數人，把市場上的錢都賺走。

第二個問題是，交易市場變化很快，一套策略往往只在某個階段有效，很快就會被模仿、跟進，甚至被針對。那 AI 交易是不是也有這個侷限？是不是不可能長期維持固定優勢，而必須持續迭代？

Bill 博士：這兩個問題，確實都是行業裡非常關注的話題。

先說「贏者通吃」。我覺得不太容易出現。可以類比股票市場，量化和基金行業已經發展很多年了，但到今天也沒有哪一家公司把市場利潤全部吃掉。即便頭部機構很強，市場裡依然會長期存在很多參與者。

原因很簡單，交易系統本身太複雜了，不是幾個變量就能決定結果，背後可能有成千上萬個變量，還有各種突發事件和黑天鵝。所以我不認為會有誰能真正百分之百通吃市場。

第二個問題，我覺得 AI 交易一定有天花板。假設完美交易是 100 分，那今天 AI 可能能做到 90 分，未來也許會逼近 99 分，但很難真正到 100 分。

貓弟：你說的是現在 90 分，還是未來也只能到這個水平？

Bill 博士：我是說現在大概 90 分。未來會繼續提升，但我覺得永遠很難做到滿分。因為金融交易最難的地方，歸根結底還是人性。只要市場背後還有人在參與、在決策，就一定會有情緒、偏差和非理性存在。

當然，未來也可能出現一種更極端的情況，就是市場裡主要不是人在交易，而是 Agent 和 Agent 在交易。那時候情況會不一樣，因為機器執行紀律一定比人更穩定，拼的就是模型能力、系統能力和速度。

但就今天的加密市場來看，還遠沒有發展到那個階段。所以整體上，這仍然是一個持續演化的過程。只要交易裡還有人的參與，就不可能完全消除不確定性。

貓弟：這個回答我很認同。因為交易很多時候本來就是用理性去克服情緒。如果未來全都是 AI 在交易，那最後拼的可能就是智能水平和速度了。

Bill 博士：對，現在還遠沒到那一步，所以這個領域還有很大的空間，也很有意思。