来源：猎云网
从衍生品定价到投资研究，这家公司希望让 AI 从理解金融问题，走向完成专业工作。
近日，Ace Labs旗下Freeride AI 完成数百万美元种子轮融资，由L2F光源创业者基金投资。本轮资金将主要用于金融专业模型研发、专业任务的训练与评测，以及自进化方向的模型研究。后续公司将推进首版自有金融模型与机构产品的验证，重点覆盖机构级衍生品定价、风险分析和投资研究等专业场景。
从回答金融问题，到完成金融工作
当前，大模型已经能够解释复杂的金融概念，并生成相对结构完整的研究报告。但对于专业机构与人士而言，“概念认知”与“落地执行”之间仍存在显著的沟通与信任鸿沟。
以衍生品定价与风险分析等高阶场景为例，单纯解释期权定义，与基于特定合约条款及动态市场条件完成精确定价、归因分析，属于完全不同维度的技术挑战。后者需要模型深谙条款细节、严谨选择假设前提、实时处理市场数据，并对结果的商业实用性作出精准判断——语言流畅的答案，绝不等于具备决策价值的专业交付物。
Freeride AI 立足于跨越这段鸿沟。公司的研发重点，在于将深厚的金融领域知识转化为模型可执行、专业人士可复核的高阶工作能力，而非仅为通用大模型套上一层金融问答的界面外衣。这亦是对金融AI底层价值的判断：不仅关注 AI 能否响应指令，更考量其产出的可靠性、可稽核性与落地效率，从而真正实现从“辅助工具”到“核心生产力”的跨越。
复合型创始团队，兼具模型训练与金融专业能力
Freeride AI 创始团队拥有金融市场和人工智能研究背景。
联合创始人张子辰Zane 拥有牛津大学数学背景，曾在摩根士丹利伦敦和摩根大通香港从事复杂衍生品交易，后负责华泰国际的多资产交易业务。这些经历使公司的场景选择更多从真实交易与研究工作的要求出发，而非从模型能展示的功能出发。
联合创始人兼AI 负责人沈方正 William 拥有牛津大学物理背景，曾在瑞银、Evercore 和麦格理资本从事投行及投资相关工作，后在剑桥大学攻读计算机科学博士，并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。他负责公司的模型路线、训练与评测工作，将金融业务中的专业要求转化为可研究、可验证的模型能力目标。
在研发方向上，Freeride AI 聚焦自有金融专业模型的训练，将专业任务的能力提升和产品交付深度结合。团队建设同时覆盖模型研究、金融专业知识和工程实现三大核心：模型研究团队深度融入金融业务场景，解构复杂任务的底层逻辑；金融专家则深度参与定义专业标准，确保输出结果的精准性、完整性与商业价值。
包括衍生品定价与风险分析在内的多个应用场景，均被视为验证这一综合能力的重要方向。在这些实际业务场景中，模型不仅需要读懂文本，还需要厘清定量关系、业务约束与不同假设之间的差异。Freeride AI 希望以此为切入点，打造能够深入专业工作流程的金融 AI，而非仅在演示中显得熟悉金融术语的助手。
自研STAR自进化系统，让金融AI实现自主迭代优化
除专业模型训练外，Freeride AI还在同步展开一项前沿的研究课题：AI 能否通过任务反馈，自主优化自身的工作模式和能力边界？
团队参与的最新研究论文《STAR Analyst: Self-Tuning Alpha Research》围绕这一问题展开。与现有人类预设范式中反复生成投资信号的系统不同，STAR 将优化的对象进一步扩展到研究智能体本身：不仅关注研究产出本身，更关注其如何自主优化未来研究的策略。
这代表了一种自我演进（Self-Evolving）的研发探索。其核心意义在于，让 AI 有机会从金融数据和任务反馈中自主捕捉有效的训练讯号，实现高度自动化与灵活适应（Flexibility），从而摆脱对人工逐项调整工作流的依赖。
对 Freeride AI 而言，这项前沿探索与其核心的模型训练形成了深度的技术互补：专业模型训练专注于打磨深厚的专业能力基底，而自我演进研究则在实验环境中探索智能体未来如何更高效地调用与释放这些能力。二者相辅相成，共同为未来的金融 AI 应用构建起全方位的技术壁垒。
下一步聚焦专业能力的验证与交付
本轮融资后，Freeride AI 的工作重心将围绕专业模型训练、专业评测体系与机构级场景验证深度展开，通过持续的研发迭代，将包括衍生品定价、风险分析及深度投研在内的高复杂度金融业务需求，转化为稳定、高可靠且可稽核的系统化产品能力。
金融领域本质上是一个对结果有着极高复核与合规要求的行业。对金融 AI 而言，基础模型能力仅是起点，真正融入并重塑机构的实际工作流程，则需要更为严谨的实务验证。
Freeride AI 所致力于解答的核心命题亦因此更加明确：当 AI 切入高阶金融任务时，能否交付一份真正符合专业机构标准、具备实务决策价值的工作成果。
