3Blue1Brown × Jane Street：机器学习、交易与公司文化

中文对话整理自英文自动字幕。对上下文能够明确判断的少量自动识别错误进行了最小校正，例如 M-估计量（M-estimators）、统计力学（statistical mechanics） 等；字幕无法可靠确认的多人对话身份，则统一使用“嘉宾”而不擅自补全姓名。

---

一、Jane Street 到底是一种什么样的文化？｜00:00–05:50

主持人： 好，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 的文化究竟是什么样的，另外也想从技术层面弄清楚：你们实际上到底在做什么？这里最突出的特征是什么？如果想提炼出一种 Jane Street 的文化气质，尤其是它和其他地方不同的地方，你们首先会想到什么？

嘉宾： Jane Street 真的很怪，不过是最好意义上的那种怪。真的，人们在这里进行讨论时，目标并不是维护自己的自尊，也不是为了证明某个观点，更不是为了向别人展示自己有多聪明——那样会非常累。大家更像是在面对一个有意思的问题，然后通过不断讨论，努力接近真相。我觉得这里的人对于自己原本不知道的东西非常开放。怎么说呢，如果你可以进入任何一场对话，并且预期在对话结束时自己的看法可能会发生变化，其实是一件很酷的事。

主持人： 那有没有某一次互动特别能体现这一点？比如你们当中的谁原本持一种看法，后来被说服改变了想法；或者反过来，你改变了别人的想法，而且整个过程都非常没有 ego，很能说明你刚才描述的这种文化？

嘉宾： 我反而觉得，如果要找到一次这种事情没有发生的情况，可能才比较反常。很多会议里，大家进来时各自都有一些想法。我们经常会让每个人在听到其他人的观点之前，先说说自己一开始是怎么想的，这样大家能看到每个人的起点。然后一起讨论，到最后再重新说一遍，在听过所有人的意见之后，现在的想法是什么。通常这时大家的观点已经收敛了。看到这个过程其实非常舒服，会有一种“哇”的感觉。我觉得这是一种相当独特的交流方式。我之所以知道它独特，是因为我回去跟大学时代认识的人聊天时，他们会说：“哇，你现在说话的方式真的挺奇怪的。”（笑）

主持人： 是说你讨论人与人互动的方式变了，还是你已经养成了某种贝叶斯式的思维习惯？

嘉宾： 确实有某种贝叶斯式的习惯。还有一些很典型的“Jane Street 话术”。比如这里的人经常会说：“哦，这也不是不合理。”（笑）我不知道，就是有些说法你在这里会一直听到，但出了 Jane Street 再这么说，就显得非常奇怪。

嘉宾： 我的感觉是，我们更像是只有一家公司，而不是很多彼此分隔的小组。你具体在哪一个组，并没有那么重要。不同组之间的人经常直接交流，不需要先让自己的经理去找对方的经理，再由经理们安排沟通。你可以直接走到另一个组，说：“嘿，我刚才在想一个问题。有人能抽几分钟跟我一起随便碰一碰想法吗？我觉得这可能是你们比较了解的东西。”所以很多交流都是非常自然发生的。

主持人： 这听起来极其重要，但同时听起来也非常难扩展，对吧？如果让我去想，为什么很多其他组织最后都会演化出层级结构——经理、经理的经理等等——也许我的理解很天真，但否则听起来就会变成一片混乱。

嘉宾： 确实有一点乱。

主持人： 好。所以这里是不是某种程度上主动接受这种混乱，因为跨领域、跨专业知识交流带来的收益值得这么做？

嘉宾： 某种程度上是。不过大家当然还是有经理的，也有团队负责人、项目负责人，你也知道某类问题应该去找谁。所以它并不是完全没有结构和组织。我觉得区别在于，结构会在需要的时候介入。比如你准备启动一个持续一个月、涉及多个人的项目，那当然应该认真组织起来。但如果你只是想走到别人的桌边一起想几个点子，这件事的规模很小，那么这种“混乱”的方式可能反而更好。

主持人： 明白了。我在这里其实还有很多问题想问——

嘉宾： 我想补充一点。

主持人： 对，对，请。

嘉宾： 有件事特别能体现这种“混乱”：我们的计算资源是通过实时拍卖来分配的。计算集群对所有人开放。你的任务之一，就是比较现实地判断自己正在运行的这个作业，相对于其他所有作业到底值多少计算资源，然后给它出价。这里其实没有太多护栏。

主持人： 等一下，这太有意思了。别的公司如果有大型计算资源，往往会有一整套官僚流程，相当于大家在那里搬来搬去地分芯片，决定各组能拿到多少资源；而你们就是直接拍卖，任何人基本都可以为计算时间竞价。不过有意思的是，我差点会把这个反过来理解为一种“组织化”——因为你们毕竟有人专门实现了一整套拍卖系统。

嘉宾： 我确实觉得这种方式有好处。一个重要原因是，人们会产生一种集体责任感，而且是好的那种责任感。比如我离开工位时还有一个任务在运行，结果它出了很糟糕的问题，不断报错，我并不需要每隔一分钟自己检查一次。当然，我对自己的任务还是比对别人的任务更负责，但其他人可能会看到它，说：“哦，我注意到这里报错了，我先帮你暂停一下，等你回来再处理。”我很喜欢这一点。大家会有一种感觉：即使不属于同一个本地小组，我们仍然是一支团队。

主持人： 这个真的很有意思。

嘉宾： 而且运行这些任务的人基本都能看到正在运行的作业。如果你发现某个东西有点不对劲，你可以直接去找那个人说：“嘿，我看到你这个任务在跑，但这个 MFU 糟糕得不得了，发生什么了？”然后两个人聊一聊。很多问题根本不需要层层向上汇报，就可以解决，我觉得这让整个系统运转得快得多。

嘉宾： 而且好像基本是全局权限，对吧？你随时都可以把别人的任务直接干掉。

主持人： 真的？

众人： （笑）

嘉宾： 有一次，一个完全没意识到后果的研究员，在一个 Jupyter Notebook 里运行了一条命令，用来修改自己任务的竞价。结果他不小心在没有传任何参数的情况下执行了那条命令，于是就把 Hive 上正在运行的每一个任务的竞价全部改了。

主持人： 而且他真的有权限这么做？

嘉宾： 对，那次不太妙。我想后来我们已经修掉这个问题了。但这也挺能体现我们的方式：我们通常会先按照当下觉得合理的方式把系统做出来，然后随着实际使用，自然地调整它，而不是一开始就设计出一套非常严格、限制重重的结构。

---

二、Jane Street 究竟在做什么？从做市商到机器学习｜05:51–12:43

主持人： 我很好奇你们平时怎么向外行解释 Jane Street 到底是做什么的。你可以用“量化金融”这种非常笼统、一挥手就过去的描述；另一端又是非常具体、涉及商业机密、显然不能谈的东西。但这两端之间其实还有很大的空间，可以真正帮助像我这样不属于金融行业的人理解：你们究竟在做什么？整个组织实际上是在朝什么方向努力？

嘉宾： 有一句话，我记得可能是 Sandor 想出来的，不过有点拗口：Jane Street 是一家 “通才型金融服务流动性提供商”（generalist financial services liquidity provider）。

主持人： 我得坦白说，到目前为止，这句话并没有让我更明白。

嘉宾： 我们办公室里有大学生来访时，我经常会做一些入门介绍。有一点我经常说：Jane Street 的核心业务之一，而且很多年前它真的是我们最最核心的业务，到今天依然很大程度决定着我们的交易理念，就是做市（market making）。

主持人： 好。

嘉宾： 我经常跟别人说，做市商有点像是**“股票的杂货店”**。当然不是字面意义上的，但杂货店其实挺神奇的。假设你买日常食品时，苹果必须自己跑去果园买，牛奶必须去奶牛场买，那生活会非常痛苦。杂货店还必须思考怎么合理定价。它当然可以把一个苹果标成 10 美元，但那样没人会买。做市在原则上跟这个有些相似。我们的确会做一些事情，比如给 ETF 相对于其成分股票进行定价，当价格关系偏离时进行交易。但也可以换一种方式理解：比如我人在美国，希望投资中国的一些公司，或者希望投资某个海外市场，对我来说最方便的方式之一就是购买 ETF。

主持人： 这算是对“Jane Street 做什么”这个问题的一类回答，但我相信即使只看交易本身，它也远远没有触及全部。可我最近越来越经常听到另一种语气——听起来你们有时候反而更像一家 AI 实验室。

嘉宾： 对。“AI 实验室”和“股票杂货店”这两个比喻之间的距离确实有点大。也许可以继续从杂货店想。杂货店需要提前知道，万圣节的时候应该准备大量可以雕南瓜灯的南瓜，对吧？所以它必须预测供给和需求。这么一想，你就会发现这本身可能是一个相当复杂的预测问题。机器学习之类的东西，就是从这里进入的。为了在未来人们需要的时候提供流动性，你需要提前准备适当的“库存”。

主持人： 这跟我的一个理解挺吻合。理论上，如果 ETF 这类金融工具能够创造价值，你完全可以有一家管理公司，专门有意识地把各种价格关系维持在合理范围内。但如果它是通过市场机制完成的，那么就会是市场里的其他参与者去做这件事。那有没有哪些常见的误解？比如你在大众媒体里看到的讨论，或者来面试的候选人对你们的想象，有没有什么地方是外面的人觉得事情应该是这样，但你们在内部看起来完全不是那么回事？

嘉宾： 我觉得大家不仅误解了我们做机器学习的规模，也误解了它的新颖程度。很容易想象成：我们主要就是从货架上拿一些现成模型，买一大堆 GPU，然后把模型跑起来。但在金融领域，这基本上完全行不通。我们处理的问题要吵闹得多、噪声大得多。所以我们实际上不得不做很多更接近基础科学的工作，这一点连我自己都很惊讶。我们是真的在试图理解一些基本问题，并且在某些地方工作在整个研究社区现有知识的前沿。

嘉宾： 不过大家有这种误解，也不算太令人意外，因为这件事在过去几年里扩张得非常非常快。整个过程确实很不可思议。

主持人： 所以仅仅过去这几年里，你就明显感觉到实际工作的性质发生了变化？

嘉宾： 最明显的，是我们看到一些机器学习工作取得了多大的成功。感觉我们可能才刚刚进入 S 曲线的起始阶段。而且它已经是交易中非常实质性的输入。我会说，机器学习现在是我们系统化交易中最大的单一驱动因素。

嘉宾： 我觉得还有很多其他误解，而且是从不同方向来的。其他交易公司或者银行的人，通常会假设 Jane Street 跟他们熟悉的那些金融机构更相似。但实际上并没有那么像。所以我们从这些地方招来的人，有时会很惊讶：Jane Street 在某些方面可能反而更像科技公司或者学术界，而不是他们原来的机构。

嘉宾： 还有一种误解是，大家看到我们有很多职位叫“trader”，而正式叫“research”的研究团队相对小，就会认为我们大部分交易仍然是由人坐在 Bloomberg 终端前手动输入订单。实际上，这很大程度只是历史命名造成的错觉。我们所谓的“交易员”这个职位，在很多方面实际上本身就高度偏研究。整个公司系统化的程度，比外界通常想象的要高得多。

主持人： 对。那可以来个突击测验：在座各位，在公司通讯录里到底谁被写成 researcher，谁被写成 trader？（笑）

嘉宾： 我都不确定。

嘉宾： 很多时候你想到自己的一个同事，都会突然意识到：“我其实不知道他的正式职位叫什么。”

嘉宾： 我们当然还是有团队，也还是有某种结构。只不过并不是每个人都很确定自己到底属于哪一个团队，有的人一部分时间在这个组、一部分时间又在另一个组。大致来说，会有一种专业分工：有些人主要写代码，同时对交易本身也理解得很深；还有些人也是写代码，但他们的“客户”主要是其他程序员，所以离直接交易又稍微远了一层。

主持人： 也就是内部工具？

嘉宾： 对。比如管理我们的各种代码分支，谁 review 了什么代码、是不是可以发布；还有大量处理市场数据的基础设施。事实证明，市场数据真的很多——以 PB 计——所以这是非常大的工作。另一方面，在 trader 和 researcher 之间其实存在一个相当宽松的连续谱，中间有很多状态。区别大概在于，你到底花多少时间思考具体证券、今天某套交易系统正在发生什么；还是更偏另一端，比如启动一个计算任务做机器学习、训练模型，或者构建训练模型的工具，而这些东西最终会在较长的时间周期里逐渐进入交易系统。

---

三、二十年来，技术变了多少？文化为什么没怎么变？｜12:44–16:31

主持人： 明白。Craig，既然正好在跟你聊——你已经在这里二十年了。这二十年间，事情到底发生了多大的变化？我对答案有一些猜测，不过如果你回头看过去二十年，最大的差别是什么？先从技术说起，然后再问文化。实际工作的样子，当年和现在相比有多不一样？

Craig： 非常、非常不一样。我刚来的时候，如果你能说：“哦，我们居然把数据记录下来了，现在可以在计算集群上训练一个线性模型。”你都会觉得自己特别高级，会觉得：“哇。”那已经算是我们当时比较先进的东西了。相比之下，当年有大量工作其实是，你看两只证券，只要知道它们分别怎么运作，稍微想一想，就会说：“哦，这两个价格不对，我们应该交易，把它们拉回合理关系。”真的有交易系统是直接跑在 Excel 表格里的。你看一眼交易就能说：“对，这是笔好交易。”根本不需要什么统计方法。所以当时的挑战跟今天完全不同。

现在，大多数模型相关工作真的都属于机器学习了。最近越来越多是神经网络，也有 GBT 之类的东西，各种方法都有。这中间我们经历过很多阶段。我的感觉是，大概每隔五年，实际使用的技术都会发生相当大的变化。但很奇怪的是，在文化层面又感觉非常相似。很多最早的那些人，到现在仍然还在这里。

主持人： 为什么大家会待这么久？其他地方似乎很少出现这种情况。究竟是什么让人愿意留下来？

嘉宾： 你之前问过“什么东西让 Jane Street 成为 Jane Street”。对我来说，感受最明显的一点就是这里的人。当然，有很多工作环境也非常好、非常友善，同事对你很好；Jane Street 当然也是这样。但我觉得不只是“同事友好”。我的很多同事，包括最近认识的新同事以及最近所在团队里的人，是真的成为了我现实生活里的朋友。

人们互相帮助、合作，并不只是因为他们人很好、很友善——当然这已经很棒了——而是因为他们真的会把你的成功当成一件自己也投入其中的事。有点像大学里你的室友或者朋友，希望你把那套习题做出来，有时候他们甚至比你本人还希望你成功。我从周围很多人身上确实会感觉到，他们对我的成功投入的程度几乎和我自己一样。而且这是针对“我这个人”的，不只是因为他们是好人，或者因为公司规定大家就应该这样做。

当然，互相帮助本身也已经成为一种公司规范。但这会让很多事情的摩擦非常低，上班也真的会觉得很好玩。你会想：“哦，我要去上班了，我会见到我的朋友，然后一起解决一些特别酷的问题。”如果事情真的很困难、挑战很大、阻力很多——尤其是进入一个新领域的时候——你知道会有很多人支持你，而且会有人跟你一起做。对我来说，这一点差别非常大。跟很多人聊下来，我觉得这也是一个非常重要的因素。

嘉宾： 从我个人的角度，我加入 Jane Street 的时候并没有想：“哦，我准备在这里工作十年。”更像是每天都重新评估一次：我在这里还学到了很多东西吗？我还开心吗？我在这里进行的对话、我拥有的自主空间，跟其他类似机会相比，是不是依然更好？而我发现，我学习新东西的速度居然随着时间过去反而越来越快，这件事本身有点令人吃惊。能有这种感觉挺好的。

---

四、Nithya：从想当数学家，到 Jane Street，再去读博士｜16:32–21:28

主持人： 还有一件事我一直挺想问，就是你们分别是怎么来到 Jane Street 的。Nithya，不如先从你开始。加入 Jane Street 之前你在做什么？整个轨迹是怎样的？

Nithya： 我不知道，对这里的人来说，我的路径可能算比较正常，但对我自己来说当时感觉挺特别的。我以前真的非常确定自己想成为一个数学家。我已经完全认定这件事了。然后我的家人和朋友会说：“数学当然非常好，我们也很希望你当数学家。不过要不你至少试一次，找一份不是教数学的工作？就试一次，看看喜不喜欢，谁知道呢。”

于是我申请了 Jane Street 的实习，拿到了 offer，来了之后发现自己真的、真的很喜欢这里，这让我特别意外。第二年夏天我又回来了，之后就正式全职加入了。

主持人： 光是这个过程其实已经挺说明问题了。（笑）不过你的路径后来比这个更不按惯性发展，对吧？因为你后来又回到了学术界，然后再回来。

Nithya： 对。我在 Jane Street 工作了几年之后，确实请假离开了一段时间，去读了博士，然后又回来。整个体验真的非常好。

主持人： 这种情况有多常见？你暂时离开去读博士，是很特殊的例外吗？还是也有其他 Jane Street 的人会这样离开、读完博士以后再回来？

Nithya： 我觉得像我这样做这件非常具体的事的人确实很少。不过 Jane Street 有很多人都有自己非常独特的经历。我一直觉得，公司对于怎样让每个人自己的具体人生情况能够成立，非常灵活。我可能确实是极少数会在职业生涯中间，用一种类似“长期休假”的方式离开几年去拿博士学位的人。

主持人： 当时的面试是什么样的？

Nithya： 面试其实特别有趣。我遇到的是概率题和一些比较杂的解题题目的组合。电话面试我觉得很好玩。真正到了现场面试之后，跟我的预期差别很大。我原本以为会做更多、更高级的数学，结果现场面试很大一部分是在玩各种游戏。我觉得这些游戏确实很有趣，不过当时也非常紧张，因为我完全没准备。我身边也没有很多已经经历过这套面试流程的朋友。

有人把这种事叫 “第二类乐趣”（type-two fun）：回头看会觉得，“哇，那次经历真的太有意思了。”但如果你在当时问我，我大概不会这么说。

Nithya： 我特别记得那天排了非常多场面试。最后一场是跟 Sandor，我们好像在往墙上扔筹码。面试进行到一半的时候，突然有两名招聘人员冲进来说：“她要赶不上飞机了！她要赶不上飞机了！”然后我基本就直接被从走廊里赶出去，送去坐飞机了。（笑）当时我心想：“哇，我肯定搞砸了，这次面试一定失败了。”不过最后看起来结果还不错。

主持人： 你们现在面试别人的时候，有没有什么发生了变化？比如五年前和今天相比，你们看重的东西或者面试方式有没有明显不同？

嘉宾： 我们一直以来最主要的招聘策略，其实都是找那些聪明、努力、讲道理、适应能力强，而且喜欢学习新东西的人。然后只要新问题出现，他们就可以去学、去做。当然，现在拥有机器学习技能肯定是加分项，但整体没有发生特别大的变化，因为我们主要寻找的仍然是这种非常通用的能力。

所以我们会有意识地出一些数学题或者谜题，但不会出那种“只要你恰好上过正确的课，就会某个工具，然后一下子就能解出来”的题。我们更希望它是一个可以拿来一起讨论、一起思考的问题，而且对候选人来说可能稍微有一点陌生。

主持人： 但这件事其实很难，对吧？“招一个聪明的通才，而且能够适应全新的东西”听起来很简单，实际做起来远远没那么容易。

嘉宾： 对。而且这也跟你前面问的人员流动有关。如果一个员工加入以后，中位数三年就离开，那你花一年时间把他重新训练成机器学习方向的人，根本不划算；你还不如直接去招聘已经会机器学习的人。但如果你相当确定，大部分人都会在这里待很长时间，那么投入这种长期培养就合理得多。

嘉宾： 面试有一个特别困难的地方：尤其当这个岗位本来就不要求候选人在入职时已经具备全部技能时，你真正试图评估的其实是——这个人一年以后、五年以后会有什么能力，能产出什么？

而你要在一个小时，或者几场一小时的面试里判断这件事，真的非常难。你怎么知道一个人经过几个月训练之后，能不能变得在某件事上非常高效？这里没有什么漂亮的结论。我没有办法说：“哦，对，我们终于找到一个方法完美解决它了。”并没有。我们只是不断尝试。

到目前为止，找那些能够学习很多不同东西的人，找适应能力非常强的通才，这个策略运行得很好。而且我觉得，这也是我们能快速适应工作中新需求的重要原因之一。如果一个人在五年前就很擅长学习新技能并把它用起来，那么即使今天我们要求的具体技能已经发生了很大变化，他大概率依然会很擅长这件事。

---

五、Alok：数学、计算机科学，以及“抽象理论居然真的有用”｜21:29–24:25

主持人： 这也很合理，因为这似乎正好对应了那种本身就很喜欢学习的人；可能也是让这份职业更有满足感的一部分。Alok，同样问问你的“起源故事”。加入 Jane Street 之前你在哪里？整个路径是什么样的？面试又是什么样？

Alok： 我的路径也算是比较典型。我申请的是 2018 年夏季的研究实习。当时我学的是数学和计算机科学。不过我一直有一个大致的假设：计算机科学是你将来拿来找工作的，而数学当然非常有意思，但我不知道现实工作到底会不会用得上。

主持人： 所以你同时学计算机科学，主要是出于职业上的考虑吗？

Alok： 也不完全是。我本身也确实喜欢计算机科学。但我脑子里一直想的是：“好吧，我以后考虑的那些工作，大概都会用到我计算机科学这一部分的背景。如果还能顺便用上一些数学，那算是额外的乐趣，但我不能把它当成一个真正可以要求的择业条件。”

不过即使当时，我心里其实也大致知道，有两个领域同时在意这两样东西。一个是广义上的机器学习和数据科学，另一个就是金融行业里“他们不知道究竟在干什么的那些东西”。我当时其实不太清楚。我原本想象的是：“那里肯定坐着一群人，脑子里装着某种高斯模型，可以解释一切。”至少可以解释某个极其特定领域里的一切。

但在那里待了一个暑假以后，我意识到，它在很多方面其实比我原本以为的更像其他地方的数据科学工作。更让我惊讶的是，我之前学过的很多东西迁移得非常好。大学课堂里一些看起来特别抽象、特别理论化的想法，居然真的能够在分析我们正在做的模型时找到非常具体的用途。这个发现对我来说特别有意思，我也真的很高兴能意识到这一点。

主持人： 举例总是很难，不过有没有哪个例子会马上跳进你的脑子？就是那种年轻时学数学和计算机科学的你，完全没有想到有一天会在工作里冒出来，结果突然真的用上了的抽象思想？

Alok： 有。就在去实习的前一个学期，我上过一门统计课，里面学到过 M-估计量（M-estimators）理论。这是 Huber 在二十世纪发展出来的一套想法。当时给我的感觉很像那种理论统计研究者会研究的东西——“哦，它在渐近意义下是正确的”，或者只有当你的数据规模大到像银河系一样时才有意义。类似的东西其实不少。

结果事实证明，当你需要处理异常、畸形或者受污染的数据时，它就是一种非常具体而且实用的工具。有些时候，这类更广义的稳健估计量（robust estimators）就是会表现得更好。我印象里这实际上就是我实习期间做过的一个项目：把这套理论真正应用到一个具体的建模问题上。

---

六、Craig：从 OCaml 邮件列表到 Jane Street，以及办公室里的物理讨论｜24:26–27:39

主持人： 很好。Craig，我感觉我们以前已经碰到过很多次了，所以这次并不是机械地对每个人都问同一道问题，我是真的很好奇：你是怎么来到 Jane Street 的？因为我猜你的答案可能会跟前面的人稍微不一样。

Craig： 对，确实有点不一样。（笑）因为我加入的时候公司还非常小。大家有时会开玩笑，说我好像是**“被狼养大的”**之类的。（笑）现在很多人似乎都来自某所很不错的学校，或者以前就在数学夏令营之类的地方认识彼此。我的经历要随机得多。

不过换个角度，也可以说它一点都不随机。我这辈子基本上只申请过一份工作。我当时在 OCaml 邮件列表上看到了一则招聘信息。我只是为了练习而做了一份简历，因为原本主要的计划是开始读博士。然后我想：“好吧，那就投一下吧。”

那时候的招聘流程跟现在也完全不一样。以今天的标准，我觉得自己可能根本不会被录用。当时好像只做了一次电话面试，然后我到纽约参加现场面试——反正能免费去一趟纽约，为什么不去呢？最后我发现自己挺喜欢在那里见到的那些人，于是接受了这份工作。那大概是 2005 年。然后我现在还在这里。

主持人： 我往回问一步。你当时一直在关注 OCaml。你能不能先简单说说它是什么，然后再说说为什么你会喜欢它？为什么你会去看这么一种相对冷门的编程语言邮件列表里的招聘信息？

Craig： 哦，这个嘛，首先就是总体上比较 nerd，这是基本前提。

主持人： 那你当时拿它做什么？最早的一些项目是什么？

Craig： 就是各种小项目。比如我想画个分形，或者单纯想用电脑做点好玩的东西，我默认就会用 OCaml。还做过一个 Othello，也就是黑白棋的机器人之类的东西，只是想看看游戏机器人要怎么写。基本都是这种东西，不是什么严肃项目。

主持人： 那你们平时都做什么消遣？

嘉宾： 我觉得你在办公室里给大家讲物理课，本身就已经算“消遣”了吧？什么“图的指数”之类的，那些到底都是什么？

嘉宾： 对，我偶尔会临时起意，在旁边找个房间，给大家做一场数学或者物理的小讲座。

主持人： 最近一次这种临时讲座讲的是什么？

嘉宾： 是一些统计力学相关的东西。我们聊了配分函数，然后最后话题又一路跑到了——基本上，只要你把自己的思维扩展得足够开，好像什么东西都可以欣赏。

嘉宾： 当时是不是还讲到费曼图了？

嘉宾： 对。后来我们讨论了费曼图和统计力学里的配分函数之间是怎么联系起来的。它们之间其实有非常、非常紧密的关系。不过再往下，你就会开始碰到类似“(e) 的指数是一个图”这种东西，然后事情就开始有那么一点奇怪了。

主持人： 对，对。这简直就是最典型的 3Blue1Brown 式点击诱饵标题——（笑）“(e) 的图次方”。

嘉宾： 对，你应该真做一期。

主持人： 不，这个确实会很好玩，真的会很好玩。说实话，我觉得这次谈话特别有启发。我以前也跟一些 Jane Street 的人聊过，比如 Kenji，我想你们以前应该碰到过；Nithin 我也聊过。但即使这样，我对 Jane Street 一直还是有很多问号。我觉得今天这次交流澄清了不少东西，而且也能让正在看这段内容的人，对 Jane Street 有一个更加具体、更真实的感觉。

所以最后真的非常感谢你们愿意抽时间。我非常享受这次交流。

（音乐）