--- id: "zPLc3jjHbnU" title: "3Blue1Brown 与 Jane Street 聊机器学习：文化、做市、算力拍卖与二十年技术演变" channel: "Jane Street" host: ["Grant Sanderson"] guests: ["Nitya","In Young","Craig","Alok"] date: "2026-08-21" updated: "2026-08-23" duration: "27:39" duration_seconds: 1659 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=zPLc3jjHbnU" canonical: "https://pod-exp.pages.dev/zPLc3jjHbnU/" transcript_jsonl: "https://pod-exp.pages.dev/zPLc3jjHbnU/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["人工智能","AI 研究","量化投资","职业发展"] series: ["Jane Street"] --- # 3Blue1Brown 与 Jane Street 聊机器学习：文化、做市、算力拍卖与二十年技术演变 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Grant Sanderson 与 Jane Street 的 Nitya、In Young、Craig、Alok 从“Jane Street 到底是一家什么样的公司”聊起：低 ego、跨团队直接交流、把算力当作实时拍卖市场，以及把做市比作“股票杂货店”。随后话题转向机器学习：金融数据噪声极高，现成模型并不能直接套用，Jane Street 因而做了大量基础研究；机器学习近年已成为其系统化交易最重要的驱动力。后半段回顾了从 2005 年 Excel 交易系统到神经网络的变化，也谈到长期留任、通才招聘、Nitya 的 PhD 休假、Alok 的 M-estimator 实习项目，以及 Craig 从 OCaml 邮件列表加入公司的故事。 ## [0:01] 低 ego、跨团队交流与“有一点混乱” · YouTube **Grant Sanderson：** 好，首先非常感谢你们愿意抽时间。我想做的一件事，就是先感受一下 Jane Street 的文化到底是什么；另外从技术上讲，你们实际到底在做什么？如果要提炼几个最显著的特征，尤其是和别的地方不同的地方，你们最先想到什么？ **Jane Street 嘉宾：** Jane Street 真的很怪，但我是说，以最好的一种方式怪。大家讨论问题时，目标不是带着 ego 去证明一个观点，也不是展示自己有多聪明——那样会非常累。更像是大家面对一个有意思的问题，通过把事情讲清楚、聊透，尽量接近真相。我觉得这里的人也很愿意接受自己原来不知道的东西。能以一种“这场对话结束时，我很可能会改变看法”的预期进入任何讨论，我觉得挺酷的。 **Grant Sanderson：** 那有没有哪一次互动特别能体现这一点？比如你在某次交流里明显改变了自己的想法，或者反过来，你让别人改变了想法，而且整个过程都很低 ego？ **Jane Street 嘉宾：** 我反而觉得，更反常的是找出一次“大家完全没有改变想法”的会议。很多会议里，人们会先带着一些初始判断进来。我们经常会先让大家在听到别人意见之前说出自己的想法，这样能看见每个人的起点；然后大家讨论，之后再分享听完所有人之后的想法。通常到那时，大家已经收敛了。看到这个过程其实非常舒服。我觉得这是一种很独特的交流方式。 **Jane Street 嘉宾：** 我之所以知道它很独特，是因为我回去和大学里的朋友聊天，他们会说：“哇，你现在说话的方式真的很奇怪。” **Grant Sanderson：** 你是说，你在这里讨论互动的方式变了？还是说你养成了某种贝叶斯式的习惯？ **Jane Street 嘉宾：** 确实有某种贝叶斯式的习惯，也有一些 Jane Street 自己的口头禅。比如人们会说：“哦，这并不是不合理。”我也说不太清，就是有一些表达在这里非常常见，但出了 Jane Street 就会显得很奇怪。 **Jane Street 嘉宾：** 我的感觉是，我们更像“只有一家公司”，你具体属于哪个组没那么重要。跨组交流很多，不需要先让自己的经理去找另一个组的经理安排。你可以直接走到另一个组，问：“我在想一个问题，你们谁有一分钟能一起随便碰一碰想法吗？感觉这个你们可能懂。”很多交流就是这样非常自然地发生。 **Grant Sanderson：** 这听起来非常重要，但也感觉非常难扩展。别的组织之所以会逐渐变得层级化，很多事情要一层层经过经理；也许是我想得太简单，但如果完全不这样做，好像就会变成一团混乱。 **Jane Street 嘉宾：** 是会有一点混乱。 **Grant Sanderson：** 好，所以某种程度上，你们是在接受这种混乱，因为它换来了跨专业交流的好处？ **Jane Street 嘉宾：** 对，有一点。但也不是没有结构。大家有经理，也有团队负责人、项目负责人，你也知道某类问题应该问谁。所以组织和结构是存在的。只是我觉得，当你要启动一个持续一个月、涉及多个人的项目时，那就应该认真组织起来；可如果只是走过去一起想几个点子，范围足够小，那么“有点混乱”反而可能是更好的方式。 **Grant Sanderson：** 明白。我在这里其实还有很多问题，不过—— **Jane Street 嘉宾：** 我再补一个很能体现这种“混乱”的例子：我们对计算资源实行实时拍卖。计算集群对所有人开放，你自己要认真判断正在跑的这个任务，相对于其他所有任务到底值多少，然后给它定一个你愿意出的价格。基本上没有什么护栏。 **Grant Sanderson：** 这太有意思了。也就是说，在别的公司，大规模算力可能要经过一整套官僚式的流程，像是在不同人之间调芯片，决定—— ## [4:03] 算力实时拍卖、集体责任与 Jane Street 到底做什么 · YouTube **Grant Sanderson：** ——谁能拿到多少配额；而你们这里就是直接拍卖，任何人都可以为算力时间出价。很有意思，我差点会把这当成“高度组织化”的例子：毕竟你们确实有一套别人实现出来的拍卖系统。 **Jane Street 嘉宾：** 我确实觉得这样有优势。人们会以一种很健康的方式，对“所有人正在做的事情”产生集体责任感。比如我离开工位时还有一个任务在跑，结果它开始疯狂报错，我当然对自己的任务比对别人的更负责，但我也不需要每一分钟都回来检查。别人可能会看见它出错，然后说：“我注意到这里有错误，我先帮你暂停，等你回来再处理。”这种感觉非常好。即使超出我所在的本地小组，大家也真的会有“我们是一支队伍”的感觉。 **Grant Sanderson：** 这真的很有意思。 **Jane Street 嘉宾：** 跑任务的人和任务本身对其他人是可见的。如果你看到某个任务有点不对，就可以直接去找那个人，说：“我看到你这个任务在跑，但 MFU 糟透了，怎么回事？”然后两个人聊一下。很多问题不需要层层往上报，就能直接解决，所以事情会推进得快很多。 **Jane Street 嘉宾：** 而且我觉得它在全局上也是可操作的，对吧？如果有需要，你甚至可以直接把别人的任务停掉。 **Grant Sanderson：** 真的？ **Jane Street 嘉宾：** 对。以前发生过一次，一个毫无防备的研究员在 Jupyter Notebook 里运行了一个调整自己任务出价的命令。他不小心在没有任何参数的情况下执行了，于是把 Hive 上当时所有正在运行任务的出价都改了。 **Jane Street 嘉宾：** 那次不太妙。后来我想我们把这个坑修掉了。不过这也很像我们的做法：先按照当下合理的方式把系统做出来，再随着实际使用自然地修改，而不是一开始就先设计一个限制得很死的结构。 **Grant Sanderson：** 我其实很好奇，你们怎么向外部的人解释 Jane Street 是做什么的。最宽泛的说法是“量化金融”，再具体下去又会碰到商业机密，当然不能讲。但这两者之间还有很大空间。对像我这样不在金融行业的人，你会怎么说明：你们到底在做什么？这个组织实际上在朝什么目标工作？ **Jane Street 嘉宾：** 我记得有一句话，好像是 Chander 想出来的：Jane Street 是一家“通才型金融服务流动性提供商”（generalist financial services liquidity provider）。说实话，这句话到现在也没让我觉得更清楚。 **Jane Street 嘉宾：** 我经常给来办公室的大学生做介绍。我常说，Jane Street 很核心的一项业务——很多年前尤其是绝对的核心业务，而且今天仍然影响着我们的交易哲学——就是做市。我的比喻是“股票的杂货店”。不是字面意思，但杂货店其实很神奇：如果你买苹果得跑去果园，买牛奶得再跑去奶牛场，你会很痛苦。杂货店把东西集中起来，同时还必须考虑怎样公平定价。 **Jane Street 嘉宾：** 它当然可以把一个苹果标成 10 美元，但那样没人会买。做市也有类似的原则。比如我们会给 ETF 和相关股票定价，看它们是否出现偏离。换个角度，如果我人在美国，想投资中国或其他海外市场的一组公司，最方便的方式之一就是买 ETF。提供这种可交易性和价格，就是解释 Jane Street 在做什么的一部分。 **Grant Sanderson：** 当然这肯定还远远没覆盖交易这一半的全部内容。但我最近听到的另一种语气，越来越像是在和一家 AI 实验室聊天。 **Jane Street 嘉宾：** 对。“AI 实验室”和“杂货店”这两个比喻之间确实有点跳。可以继续用杂货店来想：万圣节快到的时候，它得知道要准备很多做南瓜灯的南瓜。也就是说，它要预判供给和需求—— ## [8:04] 为什么金融机器学习不是“买 GPU 跑现成模型” · YouTube **Jane Street 嘉宾：** ——这就变成了一个可能相当复杂的预测问题。机器学习之类的方法就是在这里进来的：你想持有合适的“库存”，才能为即将发生的需求提供流动性，知道接下来人们可能会想要什么。 **Grant Sanderson：** 这和我原先的理解很一致。理论上，如果 ETF 这类工具能创造价值，你也可以想象由某个管理机构刻意维持它和底层资产的关系；但在市场机制下，是市场里的其他参与者在做这件事。那外界有没有什么常见误解？不论是媒体讨论，还是候选人来面试时，你会不会经常发现，他们以为内部是某种样子，但实际上完全不是？ **Jane Street 嘉宾：** 我觉得大家不只是低估了我们做机器学习的规模，也低估了它的新颖程度。很容易想象我们只是从货架上拿一些现成模型，买一堆 GPU 跑起来，但在金融领域，这基本上完全行不通。我们处理的问题噪声要大得多。 **Jane Street 嘉宾：** 所以我们不得不做很多更基础的科学工作。甚至这点都让我有些意外：我们真的在试图理解一些基本原理，并在研究社区当前已知范围的前沿做工作。 **Jane Street 嘉宾：** 外界有误解也不奇怪，因为过去几年这些事情的规模增长得非常快。总之，整个过程有点像一段很不可思议的旅程。 **Grant Sanderson：** 所以你是真的觉得，就在过去这两年，日常工作的实际感觉发生了明显变化？ **Jane Street 嘉宾：** 主要是我们在一些机器学习方向上看到的成功程度。感觉我们可能才刚到 S 曲线的开头，但它已经成为交易中非常重要的输入。我会说，它现在是我们系统化交易中单一最大的驱动力。 **Jane Street 嘉宾：** 我觉得误解还有很多，而且来自不同方向。其他交易公司或银行的人通常会以为 Jane Street 和他们熟悉的那些机构更相似，但实际上没那么像。我们从这些地方招人时，他们有时会惊讶：这里在某些方面更像科技公司，甚至更像学术环境。 **Jane Street 嘉宾：** 还有人看到我们有很多“trader”，而“research”组在人数上明显更小，就会推断大多数交易是不是有人手工在 Bloomberg 之类的终端里一笔笔下单。其实这个称谓很大程度上是历史遗留。我们叫“trader”的角色，在很多方面本质上也大量是在做研究；整个公司比外界通常想象的系统化得多。 **Grant Sanderson：** 那来个突击问答：在座各位在公司通讯录里，到底是显示 researcher 还是 trader？ **Jane Street 嘉宾：** 我还真不确定。 **Grant Sanderson：** 你是说，你想到一个同事时，真的可能会发现：“我其实不知道他的正式 title 是什么？” **Jane Street 嘉宾：** 对。我们当然有团队和某种结构，只是有时连一个人到底属于哪个组都没那么绝对；你可能一部分时间在一个组，一部分时间又在另一个组。 **Jane Street 嘉宾：** 更宽泛地说，有一种专业化：有些人主要写代码，但对交易也理解得很好；另一些人也写代码，不过他们的“客户”主要是其他程序员，所以离直接交易会更远一层。 **Grant Sanderson：** 比如内部工具？ **Jane Street 嘉宾：** 对。像管理各个代码分支、谁 review 了什么、能不能发布，以及处理市场数据的各种基础设施。市场数据量其实非常大，是 PB 级的，所以这是个很大的任务。 ## [12:07] Trader / Researcher 的模糊边界与二十年技术变化 · YouTube **Jane Street 嘉宾：** 此外，trader 和 researcher 之间其实更像一条很松的连续谱，中间有很多状态。差别有一部分在于：你有多经常关注某一只具体证券、今天发生了什么、某个实时交易系统现在怎么样；还是更偏向启动一些计算任务、做机器学习、训练模型、做工具，再让这些东西经过更长的周期逐步进入交易系统。 **Grant Sanderson：** 明白。Craig，我想这个问题特别适合问你。你已经在这里大约 20 年了。这段时间里发生了哪些变化？我对答案有一些猜测，不过我们先从技术上说，再聊文化：当年的实际工作和现在相比，到底有什么不同？ **Craig：** 非常、非常不一样。我刚来的时候，如果你能说“我们真的把数据记录下来了，而且现在能在计算集群上训练一个线性模型”，你就会觉得自己非常高级。那已经算是当时比较先进的东西了。 **Craig：** 相比之下，当时很多机会是这样的：你只要看两种证券，理解它们各自怎么运作，再想一想，就能说：“哦，这两个价格偏了，应该把它们交易回合理关系。” **Craig：** 当时甚至真的有交易系统直接跑在 Excel 表格里。你看一眼交易结果，就能说：“哦，对，这是一笔好交易。”甚至不太需要统计学之类的东西。 **Craig：** 所以那时的挑战和今天完全不同。现在大多数建模类工作确实是机器学习：近年越来越多神经网络，也有 GBT 之类，还有很多别的方法。中间当然经历了很多阶段。大致每五年左右，所使用的技术都会变化相当多。 **Grant Sanderson：** 但很奇怪的是，文化好像又挺相似，很多最早期的人现在还在。为什么大家会待这么久？是什么让人留下，而这种情况在别的地方似乎没那么常见？ **Jane Street 嘉宾：** 你前面问过“什么让 Jane Street 成为 Jane Street”。对我来说，一个很重要的答案还是人。 **Jane Street 嘉宾：** 有很多工作场所都很友好，同事也很好相处；Jane Street 当然也是。但更进一步的是，我现在很多同事——包括最近才认识、或者我后来换到新团队才遇到的人——真的就是我现实生活里的朋友。 **Jane Street 嘉宾：** 大家互相帮忙和协作，不只是因为人很好、很友善，而是因为他们真的会投入到“希望你成功”这件事里。像在大学里，你有室友或朋友，有时他们甚至比你自己还希望你把那道题做出来。我在身边很多人身上确实有这种感觉：他们对我的成功投入程度，和我自己差不多。 **Jane Street 嘉宾：** 这也慢慢变成了公司的规范：大家会帮助彼此。结果是很多事情的摩擦都很低。上班会变成一种“我要去和朋友待在一起，顺便做一些真的很酷的问题”的感觉。 **Jane Street 嘉宾：** 尤其当你进入一个新领域，事情很难、挑战很大、摩擦很多时，你知道身边会有很多支持，会有人和你一起扛。对我来说，这非常重要。我和很多人聊过，他们也把这看成留下来的重要因素。 **Jane Street 嘉宾：** 从我个人的角度，我刚进 Jane Street 时并不是想着“我要在这里干 10 年”。它更像是每天都重新评估一次：我在这里还学到很多东西吗？我还觉得有趣吗？我进行的这些讨论、我拥有的自主性，和其他可比的机会相比，仍然更好吗？我觉得这些年里，我学习新东西的速度反而一直在增加，这其实挺让我惊讶的。我很喜欢这种感觉。 ## [16:07] Nitya 的加入经历、PhD 休假与面试 · YouTube **Jane Street 嘉宾：** 也就是说，我会不断问自己—— **Jane Street 嘉宾：** ——我还在大量学习吗？我还玩得开心吗？我拥有的讨论质量和自主性，和别的机会相比怎么样？而这些年的答案一直都让我愿意继续留下。 **Grant Sanderson：** 我还很好奇大家加入 Jane Street 的故事。Nitya，先从你开始吧。你来之前在做什么？一路是怎么走到这里的？ **Nitya：** 我自己的路线，也许对这里的人来说算比较普通，但当时对我自己感觉很独特。我真的非常确定自己想当数学家。家人和朋友都知道我很喜欢数学，他们就说：“数学当然很好，但如果你要当数学家，要不要至少试一次不是教数学的工作，看看自己喜不喜欢？你永远不知道。” **Nitya：** 所以我申请了 Jane Street 的实习，也拿到了。我来了以后非常、非常喜欢，自己都很惊讶。下一年夏天我又回来，后来就全职加入了。 **Grant Sanderson：** 这种留存本身就很说明问题。不过你的路线其实还更“不靠惯性”一些，对吧？你后来回了学术界，然后又回来。 **Nitya：** 对。我先在 Jane Street 工作了几年，之后休假去读 PhD，再回来。那段经历非常好。 **Grant Sanderson：** 这有多常见？你为了 PhD 离开了一段时间。这算一个特例，还是也有不少 Jane Streeter 走过类似的“离开读博再回来”的路径？ **Nitya：** 做过和我完全一样这件事的人非常少。但 Jane Street 有很多人都走过各自很独特的路径。我觉得公司在适配个人具体情况这件事上一直非常灵活。像我这样在职业生涯中途以一种近似长期休假的方式离开几年读 PhD，确实属于很少见的情况。 **Grant Sanderson：** 那你当年的面试是什么样？ **Nitya：** 面试其实很有趣。电话面里既有概率问题，也有更杂一些的问题解决题。我记得电话面试很好玩。到了现场以后，却和我预想的很不一样：我原本以为会做更高级的数学，结果有不少面试更像是在玩游戏。 **Nitya：** 这当然很好玩，但当时也非常有压力。我几乎没什么朋友走过这套流程，所以并没有准备好。现在回头看，我会把它叫“第二类乐趣”（type-two fun）：事后会觉得“哇，那真是一套有意思的面试”，但如果你在当时问我，我可能不会这么说。 **Nitya：** 我记得那天安排了很多轮。最后一轮是和 Chander，我们好像在往墙边扔筹码。进行到一半时，两个招聘人员冲进来，说“Nitya 要赶不上飞机了，Nitya 要赶不上飞机了”，然后我就被匆匆送去赶飞机。我当时想：“哇，我肯定把面试搞砸了。”不过后来看来结果还行。 **Grant Sanderson：** 你们现在面试别人时，有什么东西发生了变化吗？比如五年前和现在相比，看人的标准、面试方式有没有改变？ **Jane Street 嘉宾：** 我们的核心策略一直是找聪明、努力、讲道理、适应性强、喜欢学新东西的人，然后相信他们能把新的事情学会。现在机器学习技能当然是加分项，但整体并没有变化特别大，因为我们主要看的是这些非常通用的能力。 **Jane Street 嘉宾：** 所以我们会故意出一些像数学谜题的问题，但尽量避免“上过正确的那门课就知道工具，于是题就很简单”的类型。我们更希望拿一个对候选人稍微新鲜的问题，和他一起讨论、看他怎么想。 **Jane Street 嘉宾：** 当然，说“就招聪明、通才、能适应新东西的人”很容易，真正识别出来就难多了。 **Jane Street 嘉宾：** 这也和你前面问的人员流动率有关。如果一个人的中位留任时间只有—— ## [20:07] 如何识别通才，以及 Alok 从数学与 CS 进入研究 · YouTube **Jane Street 嘉宾：** ——三年，那么你花一年把他重新训练到机器学习上就不划算，直接去招一个已经会的人可能更合理。但如果你很确定大多数人会留下很久，那投资这种再训练就更有意义。 **Jane Street 嘉宾：** 面试还有一个很棘手的地方：尤其是这个岗位本来就不要求候选人在入职时已经拥有全部技能，你其实是在预测——这个人一年后、五年后的能力和产出会是什么样？而你手里只有一小时，或者几轮各一小时的交流。 **Jane Street 嘉宾：** 你怎么判断一个人能不能经过几个月训练，变得非常擅长某件事？这里没有一个漂亮的结论，我没法说“这个办法我们已经彻底解决了”。我们就是尝试各种启发式方法。 **Jane Street 嘉宾：** 目前很有效的一条策略，是寻找能学很多不同东西、适应性很强的通才。这也是我们能比较快适应岗位新需求的原因之一：如果一个人在五年前就很擅长学习并应用新技能，那么即使今天要求他的技能组合已经变化很大，他大概率仍然擅长学习和迁移。 **Grant Sanderson：** 这也很合理：它正好和那些本来就喜欢学习的人重合，而持续学习似乎也是让这份职业更有满足感的一部分。那我对你的经历也问同样的问题：加入 Jane Street 之前你在哪里？怎么进来的？面试是什么样？ **Alok：** 我的路径也算相对典型。我申请了 2018 年夏天的 research internship。当时我同时学数学和计算机科学。我的默认想法一直是：CS 是将来拿来找工作的，数学则是有趣、好玩，但我不知道现实里到底谁会用它。 **Grant Sanderson：** 所以你当初加上 CS，主要是出于职业考虑？ **Alok：** 也不完全是，我确实也单纯喜欢 CS。只是我会想象，自己考虑的工作应该主要使用我 CS 背景里的东西；如果还能顺便用数学，那是很棒的 bonus，但我不会把它当作一个现实可设的筛选条件。 **Alok：** 不过当时我心里也大概知道，有两个领域同时在乎数学和 CS：一个广义上是机器学习和数据科学，另一个就是“金融那边到底在干的那些东西”。我当时其实不太懂金融。 **Alok：** 我脑内的想象是，那里肯定坐着一群人，手里拿着某种“银河大脑模型”，可以解释一切——至少解释某个很窄的领域。可实习一个夏天之后，我发现这里在很多方面比我原来想象的更像其他地方的数据科学。 **Alok：** 真正让我惊讶的是，我此前学的很多东西都能迁移过来。大学课程里那些看起来非常抽象、理论化的想法，居然会在分析我们正在做的建模时出现非常具体的用途。这个发现对我来说很有意思，我也很高兴自己碰到了它。 **Grant Sanderson：** 举例总是最难的，不过有没有一个例子？某种你作为年轻的数学和 CS 学生时没想到会实际派上用场的抽象思维，后来突然真的用了？ **Alok：** 有。实习前一个学期，我在一门统计课里学过 M-estimator 的理论，是 Huber 在二十世纪提出的一类东西。当时给我的感觉很像那种理论数学研究：某个结果只有在“银河尺度”上才渐近正确之类的。我知道这种例子不少。 **Alok：** 但后来发现，这类东西其实非常、非常具体地有用。比如你要处理损坏、畸形或有严重异常的数据时，这类有点特殊的稳健估计量有时就是更好。我的实习项目实际上就在尝试把这套理论应用到一个具体的建模问题上，而且我发现它很实用，尤其当—— ## [24:07] M-estimator、Craig 的 OCaml 入职故事与办公室物理课 · YouTube **Alok：** ——你要面对格式异常、污染或者其他不理想的数据时。也就是说，原本看起来非常抽象的稳健估计理论，最后真的变成了建模工具。 **Grant Sanderson：** 太好了。Craig，我觉得你和我以前碰过好几次，所以这次不是套模板地问，我是真的不知道：你当年是怎么来到 Jane Street 的？我猜你的答案和前面几位会有点不一样。 **Craig：** 确实不太一样，因为当时公司还很小。大家有时会开玩笑说我是“被狼养大的”。现在很多人可能来自不错的学校，或者以前在数学夏令营就彼此认识之类的；我的情况非常随机。或者从另一个角度说，也可以叫“非常不随机”。 **Craig：** 我这辈子基本只正式申请过一份工作。我在 OCaml 邮件列表上看到一条招聘信息。当时我只是为了练习做了一份简历，主要计划其实是去读 PhD。后来我想：“那就发过去看看吧。” **Craig：** 当年的流程和现在差很多。我甚至觉得按现在的流程我未必会被录用。那时好像只做了一次电话面试，然后我就来纽约现场——反正有一次免费纽约之旅，为什么不来？结果我很喜欢见到的这些人，于是就接了这份工作。那大概是 2005 年，然后我就一直在这里了。 **Grant Sanderson：** 我往前追一下。你当时会关注 OCaml。先说它是什么，然后为什么你会对它这么感兴趣，甚至去看这种相对冷门语言邮件列表里的招聘？ **Craig：** 基线就是：我整体上是个 nerd。主要拿它做个人项目。 **Craig：** 比如我想画一个分形，或者只是想用电脑做点好玩的东西，我默认会用 OCaml。我还写过一个小游戏的 bot，主要就是想看看“给游戏写 bot 到底怎么做”。都不是什么严肃项目。 **Grant Sanderson：** 那你们平时到底都拿什么当娱乐？ **Jane Street 嘉宾：** 我觉得你在办公室里随手开的那些物理课就算娱乐吧。比如什么“e 的图之幂”之类的，那些到底是什么？ **Craig：** 对，我偶尔会在旁边找一个房间，临时讲点数学或者物理。 **Grant Sanderson：** 最近一次临时讲的是什么？ **Craig：** 大概是统计力学。我们在聊一些配分函数，后来又聊到，只要你把思路放得足够开，基本什么东西都可以“取指数”。 **Jane Street 嘉宾：** 是不是还讲到 Feynman 图了？ **Craig：** 对。后来我们就说到 Feynman 图和配分函数、统计力学之间的关系，它们其实联系得非常紧。不过再继续下去，就会出现“e 的图之幂”这种东西，开始变得有点怪了。 **Grant Sanderson：** 对，这简直就是经典的 3Blue1Brown 点击诱饵标题：“e 的图之幂”之类的。 **Jane Street 嘉宾：** 你应该真的做一期。 **Grant Sanderson：** 会很好玩，确实会很好玩。说真的，这次聊得非常有启发。我以前和 Craig 聊过，也和 Nitya 碰过面、聊过，但即便如此，我对 Jane Street 还是有很多问号。今天这次谈话帮我澄清了不少，也会让正在看视频的人对这里有更真实的感觉。所以，非常感谢你们愿意花时间，我真的很享受这次对话。