前 DeepMind 三人组把扑克 AI 用到量化交易，EquiLibre 估值已超 5 亿美元

三名前 DeepMind 研究员创办了一家布拉格 AI 公司。现在，这家公司估值已经超过 5 亿美元。

公司叫 EquiLibre Technologies。TechCrunch 报道称，它完成了未披露金额的 A 轮融资，由 Creandum 领投。

有意思的地方不只是“DeepMind 校友创业”。EquiLibre 做的事更直接：把曾用于扑克 AI 的强化学习技术，搬到量化交易里。

它称算法已通过与 Tower Research Capital 的合作，覆盖 S&P 500 和 NASDAQ，日交易规模达到数十亿美元。公司还称，自 2025 年在加密市场上线以来，到进入股票市场阶段，月度表现从未为负。

这句话很抓人。但也最需要冷处理。

“月度未负”不是无风险收益，也不等于长期业绩已经被独立验证。金融市场认的不是一次漂亮迁移，而是策略在更长周期、更大规模、更强对手面前还能不能活下来。

从扑克桌到美股市场，迁移有逻辑，也有硬墙

EquiLibre 的三位创始人是 Martin Schmid、Rudolf Kadlec 和 Matej Moravcik。他们都曾在 DeepMind 工作，并参与过 DeepStack。

DeepStack 是首个击败职业玩家的无限注德州扑克 AI。这个背景重要，因为无限注德州扑克和交易有相似处：信息不完整，对手会反应，策略不能只靠固定规则。

强化学习适合这类问题。模型通过奖励信号不断调整动作。放到交易里，奖励更直接：赚钱，或者亏钱。

但市场不是牌桌。

扑克的规则相对固定。金融市场的参与者、流动性和交易成本都在变化。策略一旦跑出规模，还可能反过来影响价格。

这也是我更在意的主线：EquiLibre 要证明的不是 AI 会玩牌，而是 AI 能在真实市场里承担摩擦、冲击和对手盘。

对量化团队来说，这会影响工具选择。强化学习不再只是研究论文里的方法，而是在进入交易基础设施。团队可以开始评估类似路线，但不宜马上替换现有系统。更稳妥的动作，是先放在小资金、低风险策略里做旁路验证。

对 AI 投资人来说，这类公司也不能只按“模型公司”看。需要追问三个口径：收益是不是扣除交易成本，回撤怎么计算，规模扩大后边际收益会不会被摊薄。

VC 押的是 AI lab，不是传统对冲基金

EquiLibre 自称是“AI lab first”。这句话不是包装细节，而是融资叙事的核心。

它不是按传统对冲基金的方式讲故事。它讲的是算法、人才密度和算力效率。

公司目前约 25 人，选择把总部放在布拉格。Schmid 的说法是，相比旧金山，布拉格更容易留住核心人才。本地不会每两个月冒出一个新的热门 AI 项目来挖人。

这对小团队很实际。AI 创业不是只拼论文，也拼人员稳定性。核心研究员频繁流动，策略迭代会断层。

EquiLibre 还计划建设中东欧地区较大的计算集群。但它强调的不是单纯堆 GPU，而是用更少芯片提高效率。

这里有一个现实约束：它面对的不是空白赛道。

Jane Street 已公开表示，会在机器学习中使用强化学习、LLM 或其他需要的模型，并称拥有数万块高端 GPU。相比之下，EquiLibre 是小团队、小算力路线。

所以，Creandum 愿意重注，不难理解。量化交易本来就是高度自动化行业。模型只要带来一点稳定边际优势，就可能迅速变成现金流。

但这也意味着估值压力会来得很快。聊天机器人可以讲用户增长，交易系统最终要交账户结果。账面盈亏不会给光环留情面。

接下来别盯融资，盯三件硬指标

EquiLibre 现在已经越过了“有趣研究”的阶段。它进入的是“业绩口径必须说清楚”的阶段。

目前最该看的不是下一轮估值，而是三件事。

这三件事，比“估值超过 5 亿美元”更能说明问题。

如果你是关注 AI 商业化的投资人，现在不该只问“是不是 DeepMind 出身”。更应该问：这家公司有没有可复用的交易智能，还是只在特定市场窗口里跑得好。

如果你在量化或金融科技团队，动作也很具体：不要急着追概念，先把强化学习路线加入技术评估清单。重点看回测外表现、交易成本、风险控制和上线后的监控机制。

EquiLibre 已经证明自己不是只靠 DeepMind 光环讲故事。它有真实合作，有交易覆盖，也有早期业绩说法。

还没证明的是更难的部分：扑克桌上封神的算法，能不能在市场里长期落袋为安。