券商最想提前知道的一件事：客户明天会买还是卖

券商的风险管理长期被困在一个时间差里。客户下单的那一刻，流动性部门才知道需要准备多少资金；保证金团队才意识到某只股票集中平仓可能触发连锁反应；对冲台才开始计算需要买入多少衍生品来抵消敞口。所有动作都是反应式的，而市场波动不会等人。如果一家券商能提前24小时知道客户大概率会交易什么品种、什么方向、多大数量，它就可以把风险管理从“事后补救”变成“事前部署”。

以色列初创公司42AI在2026年11月2日结束隐身状态，宣布累计获得6250万美元种子轮资金。这笔钱并非一次性完成的外部融资，而是由公司创始人和Infinity Group在三年间持续投入。公司称其“行为世界模型”已经部署在金融券商中，用于预测个人客户在波动市场中的交易行为。TechCrunch当天发布的独家报道是本次事件的原始来源，后续多家媒体均基于该报道转述。

42AI的切入点之所以值得关注，不在于它又做了一家金融AI公司，而在于它试图把“世界模型”这个概念从物理环境模拟迁移到人类决策预测。公司创始人向TechCrunch表示，人的行为不是确定性的，而是持续的概率分布。这个判断构成了42AI全部技术叙事的起点，也埋下了它最大的验证难题：概率预测在真实交易环境中到底能创造多少可归因的价值。

字段 内容
公司 42AI
轮次 种子轮
金额 6250万美元
投资方 公司创始人、Infinity Group
总部 以色列
创始人 Amit Gal-Or、Ehud Ezra、Amir Gal-Or
官网 https://landing.hey42.com/

把“每个人”当成一个世界来建模，而不是把交易历史当答案

42AI的技术路径与常见的交易预测模型有本质区别。传统量化模型通常从历史价格、成交量和订单流中寻找统计规律，预测的是市场层面的聚合行为。42AI则试图下沉到个体层面，把一个人的开户流程、客服通话、转账记录、交易时点和当时的市场环境全部转化为行为特征的数学表征，再输入基于Transformer的世界模型，输出不同情境下可能决策的概率分布。公司联合创始人兼首席技术官Ehud Ezra对TechCrunch的表述是：“在世界模型里，每个个体就是那个世界。”

这套方法的技术叙事建立在心理学、神经科学和遗传学的交叉地带。据创始人向TechCrunch介绍，团队先用心理评估和行为情境研究覆盖了数千人，随后加入覆盖200多万人的政府与生物样本库数据集，客户数据集此后扩展到近3000万人。公司称模型输出的是概率分布而非确定性结论，另有一个语言模型负责生成预测解释。据Unite.AI转述，42AI网站列出的世界模型响应时间为1至10毫秒，大型行为模型为2至12毫秒。

这里有一个关键的技术边界需要说清楚。42AI所称的98%市场交易预测准确率，并非指98%的逐笔交易都被正确预测。CEO Amit Gal-Or向TechCrunch澄清，该指标衡量的是交易流是否落在预测区间内。两者差异巨大：前者要求模型在每一笔交易上都做出正确判断，后者只要求模型给出的区间能够覆盖实际发生的交易流。公司同时披露，预测交易方向和交易量的F1分数为0.8至0.85。这些均为公司自报指标，本次公开材料中未见独立第三方评估。

另一个容易被忽略的细节是，一篇2026年2月19日提交至arXiv的预印本由Ben Yellin、Ehud Ezra、Mark Foreman和Shula Grinapol撰写，介绍了一种基于心理测量特征预测个人策略性选择的大型行为模型。该研究在55个情境的留出评估中报告62%准确率和0.45的宏观F1分数，条件是模型基于20个特征。这个数字与券商产品宣称的98%准确率分属不同任务：前者测的是假设性策略选择，后者测的是交易流区间覆盖。TokenPost在报道中明确指出，该研究的设计目标为2500名参与者，使用志愿者样本，且研究本身警告假设情境或过往情境的回答可能与真实行为不符。把这两个数字混为一谈，会严重误读42AI的技术成熟度。

“98%准确率”的统计口径，决定了它离交易信号还有多远

理解42AI的商业价值，必须先拆解它的性能指标。98%这个数字在营销层面极具冲击力，但在统计层面含义完全不同。如果模型预测某客户未来24小时的交易流落在某个区间内，而实际交易流确实落在该区间，就算一次“正确”。问题在于，这个区间可以被设计得足够宽，以至于几乎任何正常交易行为都能被覆盖。一个永远预测“客户会交易0到100万股”的模型，准确率可能接近100%，但对券商的对冲决策毫无帮助。

F1分数0.8至0.85提供了更有信息量的参照。F1是精确率和召回率的调和平均，衡量模型在预测交易方向和交易量时能否在“正确预测”和“误报/漏报”之间取得平衡。0.8至0.85在分类任务中属于不错的水平，但前提是这个分数确实来自与生产环境一致的评估。Gal-Or没有向TechCrunch提供市场交易指标的具体评估方法，这意味着外界无法判断该F1分数是在什么时间窗口、什么市场条件下、什么客户群体上测得的。

从已披露的信息看，42AI的模型存在一个创始人自己承认的天然上限。Ezra对TechCrunch表示，系统无法获知一个人经历的一切，当重要情境信息缺失时准确率会下降，比如客户因为朋友的建议改变了交易决定。这意味着模型捕捉的是客户在券商体系内留下的行为痕迹，而体系外的信息——家庭变故、社交影响、媒体报道、其他平台的持仓——都不在模型视野内。这不是技术缺陷，而是数据边界的结构性限制。对于券商而言，这个限制直接决定了模型能在多大程度上替代或增强现有的风险管理流程。

卖给券商的是预测能力，还是风险管理的优先知情权

42AI的商业模式并不复杂。据创始人向TechCrunch介绍，客户可以支付固定费用，也可以按平台帮助其创造的价值的一定比例付费。创始人称公司营收超过七位数，但未给出具体金额。公司称正与10家大型券商合作，用于流动性管理、保证金要求和对冲敞口管理，但未披露任何客户名称。

真正值得拆解的是“创造价值”的度量方式。创始人称一家券商通过动态对冲创造了约3000万美元的额外价值，但未披露该券商的名称，也未说明统计期间。这个数字的问题在于归因：一家券商在某个时间段内通过动态对冲获得的收益，有多少可以归因于42AI的预测，有多少来自市场波动本身、券商自身的对冲策略调整或其他因素？在没有对照实验或审计的情况下，3000万美元更像一个销售话术，而非可验证的商业成果。

从产品定位看，42AI卖给券商的核心价值是“提前知情”。如果模型真的能提前24小时预测客户交易的方向和数量，券商可以在客户下单前就调整自己的流动性储备、保证金要求和风险敞口。这本质上是把券商的风险管理从被动响应变成主动部署。但这里存在一个微妙的利益冲突：券商提前知道客户要交易什么，它既可以用这个信息来更好地服务客户，也可以用这个信息在客户交易前先行操作，从而获得优于客户的执行价格。42AI的创始人承认这是一个“合理的担忧”，但仅以监管、监控和内部道德委员会作为回应，未说明具体防范机制。

一笔不像种子轮的种子轮：6250万美元背后的资本结构

42AI这轮融资最不寻常的地方在于它的资本结构。6250万美元标注为种子轮，但并非一次性完成的外部融资，而是由公司创始人和Infinity Group在三年间持续投入。CEO Gal-Or对TechCrunch明确表示，这笔钱并非全部来自外部投资者，且未给出各出资方的拆分，也未披露融资完成日期。

Infinity Group的角色让这笔交易的“外部验证”色彩进一步减弱。据TechCrunch报道，Infinity Group由Amit Gal-Or的父亲Amir Gal-Or创立，而Amir Gal-Or同时是42AI的董事长和联合创始人。这意味着6250万美元中的相当部分可能来自创始人家族体系内部，而非独立的第三方风险投资机构。对于一家宣称要重塑人类行为预测的AI公司来说，这笔融资更多证明了创始团队的自我投入意愿，而非外部资本市场对技术路线的认可。

这种资本结构在以色列科技生态中并非孤例。家族办公室和关联基金在早期阶段支持创始人，可以给团队更长的研发周期和更少的业绩压力。但代价是，公司对外部市场的信号不够清晰。当42AI计划继续融资时，新的外部投资者会问的第一个问题就是：这6250万美元里，真正来自独立第三方的资金有多少？如果答案接近零，那么42AI的估值锚点和后续融资谈判将面临更大的不确定性。

从券商到游戏、反欺诈：跨领域复制需要重训，不是迁移

42AI在金融券商之外描绘了更广阔的图景：游戏、欺诈防范、网络安全，最终让机器人和AI智能体理解人类。但Ezra对TechCrunch的表述给这个愿景加了一个重要限制：模型必须根据每个新领域的规则和背景重新训练。这意味着42AI在券商场景中积累的模型能力，不能直接迁移到游戏或网络安全场景。

这个限制的技术逻辑是清晰的。行为世界模型的核心输入是特定领域内的行为痕迹——券商场景中是KYC、客服通话、转账和交易记录；游戏场景中可能是玩家的操作序列、付费行为和社交互动；欺诈防范场景中则是登录模式、设备指纹和交易异常。每个领域的行为特征空间不同，情境规则不同，决策后果也不同。模型需要在每个新领域重新学习“什么行为特征在什么情境下预示什么决策”。

从商业角度看，这意味着42AI的扩张成本是线性的，而非边际递减的。每进入一个新领域，公司都需要投入数据获取、模型训练和场景验证的完整周期。在券商场景中，42AI已经积累了近3000万人的客户数据集，但这个数据优势无法直接转化为游戏或网络安全领域的竞争力。公司计划继续融资，但未披露估值和时间表，也未说明资金将优先投向哪个新领域。

行为预测的伦理边界：券商提前知道客户要交易，然后呢

42AI的技术引发了一个无法回避的问题：如果一家券商能够提前24小时预测客户大概率要买什么、卖什么，它应该如何对待这个信息？TechCrunch在采访中直接向创始人提出了这个问题：什么能阻止券商利用这些预测来为自己谋利，而不是为客户服务？Ezra承认这是一个“合理的担忧”。

创始人给出的回应是监管、监控和内部道德委员会。但TechCrunch的报道指出，创始人没有解释任何具体机制来阻止客户利用预测获得相对于被分析对象的优势。这是一个重要的空白。券商和客户之间存在天然的信息不对称，而42AI的技术如果有效，会显著放大这种不对称。券商提前知道客户要交易，它可以选择提前部署流动性来改善客户体验，也可以选择在客户交易前先行操作，从客户的行为中获利。

Gal-Or对TechCrunch的回应是：“我们很自豪我们实际上是解决方案的一部分；我们就是这个问题解决方案。”这句话的修辞力度大于实质内容。它没有回答一个具体的操作问题：42AI的合同条款中是否包含禁止券商将预测用于损害客户利益的规定？如果有，如何监控和执行？如果没有，42AI的“道德委员会”对客户行为有多少约束力？这些问题的答案目前均未披露。

另一个值得注意的细节是，Gal-Or称系统不需要个人身份信息，“模型永远不知道这个人是谁”。但TechCrunch的报道同时指出，公司仍然会根据关联的客户活动建立个人行为档案。这两个说法之间存在张力：模型在技术层面可能不存储姓名或身份证号，但通过关联交易记录、客服通话和转账行为，它实际上构建了足以识别个体行为模式的档案。对于券商客户而言，这意味着他们的交易倾向、风险偏好和决策习惯可能被系统化地记录和预测，而他们未必知情。

本轮验证边界：哪些数字能信，哪些还只是说法

42AI本次公开的信息中，能够确认的事实和需要保留判断的说法需要明确区分。可以确认的是：公司于2026年11月2日结束隐身状态；6250万美元为三年累计投入，来自创始人和Infinity Group，并非一次性外部融资；Infinity Group由Amir Gal-Or创立，他同时是42AI的董事长和联合创始人；公司产品定位为行为世界模型，初期部署于金融券商。

需要保留判断的是：98%准确率、F1分数0.8至0.85、10家券商客户、营收超过七位数、单家券商约3000万美元额外价值、客户数据集覆盖近3000万人。这些数字均来自公司或创始人的单方陈述，本次公开材料中未见独立审计、具名客户验证或第三方评估。特别是98%准确率的统计口径——交易流是否落在预测区间内——与公众通常理解的“预测准确率”存在显著差异。F1分数虽然更有信息量，但缺乏评估方法细节。3000万美元额外价值的归因逻辑未披露，无法判断其中多少来自模型预测，多少来自市场条件或券商自身策略。

从已披露的信息看，42AI的技术路线在概念上具有创新性：把世界模型从物理环境模拟迁移到个体行为预测，用心理测量特征而非交易历史来驱动预测。但概念创新与商业验证之间的距离，取决于三个尚未回答的问题：第一，模型在真实交易环境中的预测能力是否稳定到足以改变券商的风险管理决策流程；第二，券商愿意为这种预测能力支付的价格能否支撑42AI的营收增长；第三，行为预测的伦理边界能否被有效约束，避免技术被用于损害被预测者的利益。这三个问题的答案，将决定42AI是成为行为预测领域的先行者，还是又一个技术叙事大于商业验证的AI公司。

RecodeX 极客视：42AI把“世界模型”从物理模拟搬进了人的决策空间，这个迁移本身值得认真对待。但它的真正考验不在模型架构，而在归因：98%是区间覆盖不是逐笔命中，3000万美元是单方说法不是审计结果，6250万美元是家族投入不是市场验证。当一家公司用概率分布来描述人的行为时，它必须接受同样严格的标准来检验自己的商业主张。否则，它预测的不是人的决策，而是媒体对“预测人类行为”这个故事的反应。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。