这集讲什么
前能源衍生品交易员 Anekha Sokhal 正在用 Moshi 把市场数据、交易员的私有资料与推荐系统连接起来；但真正决定产品能否进入交易工作流的，不只是模型能力，还有可信度、界面设计和客户购买意愿。
1-3要点
- 交易工具的价值单位是“与当前组合相关的变化”，不是收集到的消息条数。
- 关联图与推荐系统是 Moshi 产品主张的核心：它们试图发现用户没有主动搜索的间接联系。
- 来源分歧应被保留，而非总被模型抹平；不确定性本身可能值得交易员调查。
0:00 / --:--
Latent Space · 10 月 22 日
Moshi 创始人 Anekha Sokhal 认为，交易工具的价值不在于收集多少消息，而在于通过关联图和推荐系统主动发现与当前组合相关的间接变化，同时保留来源分歧而非用模型抹平不确定性。
前能源衍生品交易员 Anekha Sokhal 正在用 Moshi 把市场数据、交易员的私有资料与推荐系统连接起来；但真正决定产品能否进入交易工作流的，不只是模型能力，还有可信度、界面设计和客户购买意愿。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
a16z Show· 2026-10-19当 AI 智能体能花你的钱时，会发生什么？What Happens When Al Agents Can Spend Your Money?内容相近a16z Show· 2026-10-04David George 与 Jack Altman 谈 AI、自主性和下一个 25 万亿美元David George & Jack Altman on AI, Autonomy, and the Next $25 Trillion内容相近
All-In Podcast· 2026-10-30Anthropic S-1 令人震惊，史上最伟大的企业？谷歌市值蒸发 5000 亿美元，中期选举预测Sokhal 在英国华威大学学习数学、运筹学、统计学与经济学，随后进入摩根大通，从新兴市场交易转向商品交易，职业经历主要集中在能源衍生品。她说，交易员不仅要看价格，还要持续拼合供需、实体市场动态、新闻和各类替代数据；Moshi 正是她希望自己当年交易时能够使用的工具。
这场对话发生在 AI Engineer NYC 活动期间。主持人 swyx 也曾从事外汇期权与买方交易，因此访谈既讨论 Moshi 的产品设计，也追问交易数据的噪声、私有资料的处理方式，以及会议带来的潜在客户能否转化为生意。
本集从一个看似矛盾的处境切入：AI 工具让个人更容易做出系统，管理层却也因此可能要求一名工程师承担原本需要整队完成的工作。Sokhal 的创业故事给这个问题提供了金融市场版本。她并不想再造一个供交易员自行检索信息的终端，而是让 Moshi 持续处理公开市场数据和用户自己的研究资料，再根据持仓主动提示可能有关、却不容易一眼看出的变化。
产品主张的关键在于“连接”。期货价格、供需时间序列、新闻、社交媒体、播客与内部资料本来分散在不同地方；Moshi 试图清洗并标注它们，用关联图和推荐系统找出间接影响。例如，能源公司的动作可能经由数层关系影响一名石油交易员的组合。由此，访谈从“模型能回答什么”转向“软件能否在正确时刻，把值得核查的信息送到正确的人面前”。Sokhal 认为，用户会不会使用产品，与推荐逻辑和界面一样有关。
主持人的追问也划出了尚未解决的边界。社交媒体可能被操纵；来源相互矛盾时，置信度不能代替判断；私有 PDF 上传后如何处理、何时必须接入客户系统，都涉及数据治理。Moshi 在节目中描述了做法，却没有提供足以评估准确率、安全性或交易收益的独立结果。后半段转向创业经营：一次演讲带来了密集会面，但“有人感兴趣”和“有人愿意购买”并不是同一回事。这也是全集的落点——AI 可以降低建造门槛，产品仍须赢得信任、嵌入工作流，并找到真正愿意付费的客户。
💬 他们说了什么：开场先摘出 Sokhal 在会场听到的一种说法：管理者不再想配置一支团队，而是对一名 AI 工程师说“你就是团队”。正式访谈随后介绍她的数学、运筹学、统计学与经济学背景，以及她与主持人共同拥有的交易经历。
💡 为什么重要：这不是单纯的效率口号。它预告了全集的两个问题：软件能否把大量信息处理工作交给更少的人，以及系统的可靠性、维护和交付责任会不会也集中到更少的人身上。
⚡ 争议点：“一个人能做过去十个人的工作”在此是受访者转述的职场压力，并非经过验证的生产率测量。能搭出系统，也不等于能独自长期运营它。
💬 Sokhal 将 Moshi 定义为面向金融交易员的实时洞察软件，从商品、能源和宏观市场做起，目标是指出“此刻哪些事与我的投资组合有关”。她用一个量级比喻说明处理速度：说出一句约需 4 秒 的话时，Moshi 已“学到 300 件新事”。
💡 产品承诺不是再给交易员一条更长的信息流，而是依据组合筛选相关变化。在信息到达过快的市场中，筛选、关联和送达的时间点，可能与搜集信息本身同样重要。
⚡ “300 件新事”没有在节目中定义计数单位：它可能指事件、记录或系统内部生成的条目，不能直接理解为 300 条经过核实、可交易的独立事实。
💬 她把输入分为结构化和非结构化数据：前者包括期货时间序列、统计与技术指标、移动平均线，以及商品供需等基本面序列；后者包括新闻、X 上的消息和播客音频。另有用户自己的分析师名单、订阅资料与内部数据，例如对液化天然气船舶动态的专门跟踪。
💡 交易判断依赖的不是一份通用资料库。不同团队信任不同分析师、购买不同数据，也持有不同头寸；只有把公共信息与获授权的客户资料结合，个性化提醒才有实际含义。
⚡ 数据类型越多，不代表信号越强。时间频率、许可范围和来源可靠性各不相同；尤其是私人订阅资料和内部数据，必须先厘清访问权限与使用边界。
💬 Sokhal 描述的流程是：合并公共与用户私有数据，完成清洗和转换，利用统计、机器学习与标签建立本体，再放入她所称的 Moshi“多维图”中。输出既包括打开产品时主动出现的持仓相关内容，也包括用户提问后的回答；她称后者可在 30 秒 内给出原本可能要花数天寻找的答案。
💡 这里的设计重点是保留数据之间的关系，而不只是把文件塞进搜索框。若系统知道某事件涉及哪些企业、商品、运输路线和头寸，就更有机会发现间接影响。
⚡ “30 秒对比数天”是访谈中的产品表述，节目没有展示同一任务的对照测试。快速回答是否完整、是否附有可追溯证据，仍需另行评估。
💬 面对主持人的类比，Sokhal 说 Moshi 更像 Bloomberg、Claude 和 Netflix 的结合：有金融工作场景中的数据与交互、有问答能力，也有推荐系统。她举例说，能源企业的一项行动可能间接影响石油交易员关心的市场；普通新闻流未必会把这层关系及时推到交易员面前。
💡 Netflix 的类比指的是“推荐”，不是视频内容。Moshi 想解决的，是交易员只盯着当前主题时，如何发现第二、第三层关联，而不是等人手动把分散的消息串起来。
⚡ 关联不等于因果，更不等于交易机会。推荐系统如果倾向于不断推送新奇联系，也可能增加噪声；判断它是否有效，需要观察命中率及错误提醒的成本。
💬 Sokhal 指出，用 AI 搭一个自己理解的仪表盘，如今相对容易；难的是让另一位用户把它纳入日常工作。她认为推荐系统与界面设计相互牵连：产品既要知道该推什么，也要让用户自然地看见、理解并采取下一步行动。
💡 这把产品问题从“有没有数据和模型”推进到“有没有被使用”。一个只映射创建者本人思路的界面，即使分析正确，也可能无法融入其他人的决策节奏。
⚡ 主动推送能降低发现信息的成本，也会争夺注意力。金融场景尤其需要区分紧急风险提示、值得稍后核查的线索，以及不该打断用户的低优先级内容。
💬 swyx 回忆买方机构购买 X／Twitter 全量数据的经历，称当时费用约为每月 30 万美元，同时指出社交媒体嘈杂，甚至可能有人试图操纵市场。Sokhal 回应，商品领域的一些供应方或设施确实会通过这些渠道快速发布状态；她会关注用户信任的业内声音，并在展示信息时给出置信度及周边语境。
💡 这个交锋说明，昂贵或实时都不是可信的同义词。对于交易员，来源是谁、过去是否可靠、是否有其他证据支持，往往比“系统最先看到了什么”更重要。
⚡ 主持人所述费用是其个人经历中的量级，不能据此推断当前采购价。受访者也没有说明置信度的计算与校准方式；显示一个分数，并不能自动排除虚假或操纵性消息。
💬 Sokhal 认为，Reuters、Bloomberg 与《华尔街日报》等来源若对同一情况说法不同，分歧本身值得呈现。它可能说明事实尚未明朗，交易员不应只看到系统替自己选出的单一答案。
💡 这比把所有报道压成一段肯定陈述更适合高风险判断。对用户而言，“目前有哪些相互冲突的说法”有时正是下一步调查的起点。
⚡ 来源分歧可能意味着机会，也可能只是发布时间、统计口径或定义不同。系统应保留原始表述与时间，而不能仅凭“不一致”暗示市场存在可获利空间。
💬 在此前关于私有数据的追问中，Sokhal 介绍了处理杂乱 PDF 的办法：用户可将资料上传到其 Moshi 云端环境，公司使用视觉语言模型解析，再拆解并组织进数据库；另一些资料则需要与客户系统直接连接。她倾向于审慎处理第三方服务，因为客户会关心资料被怎样使用。话题随后转到会场反馈：交易员、基金、咨询人士和 AI 工程师都主动联系了她。
💡 文档解析并非孤立的技术模块，而是客户是否愿意交出资料、产品能否完成部署的一部分。会场交流也让她听到另一类需求：工程师被要求独自构建原本可能需要约 10 人 的系统，却还得负责故障和使用率。
⚡ 节目没有给出 PDF 解析准确率、云端部署隔离方式或合同条款；“自建模型”也不天然比采购合规方案更安全。工程师转述的“10 人工作量”同样是压力描述，不是经测量的人力替代率。
💬 Sokhal 说，演讲后来自纽约及能源业人士的会面邀约，让她延长了行程，并考虑去休斯敦交流。大量一对一谈话难以持续，团队因此准备举办网络研讨会。swyx 则借鉴金融业的小型圆桌，提议让听众在会议现场预约集中交流，例如一场约 30 分钟 的时段。
💡 对早期产品，逐一听客户讲问题有价值；但重复回答相同问题，也会挤占建造产品的时间。集中交流可以先处理共性疑问，再筛选值得深入讨论的具体部署需求。
⚡ 会面数量、报名和社交媒体消息只能表明关注度，不能当作已签约收入。多人会谈提高效率的同时，涉及持仓、内部数据或采购计划的问题仍可能需要私下沟通。
💬 被问及招聘和销售何者更重要时，Sokhal 说团队仍会招聘，但当前优先事项是见客户。她称曾有一个职位开放 4 天 就收到 2500 份申请，不得不关闭职位。相比吸引更多申请者，她更需要找到既有问题、又愿意购买解决方案的人。
💡 这区分了两种常被混淆的“需求”：有人承认痛点，不等于有预算、采购权限或购买意愿。对 Moshi 来说，高质量客户对话比单纯增加线索数量更接近当前目标。
⚡ 申请量是受访者自述，节目未提供职位及统计记录。谈到签证和工作资格造成的筛选噪声时，也不宜把所有候选人概括为同一种情况；具体资格应按职位和适用规则核查。
💬 访谈末尾，Sokhal 反问 swyx 如何进入 AI。他说自己离开高频交易领域进入科技业，在 AI 浪潮到来时决定迅速投入，写下 AI engineering 相关文章，并开始经营会议与媒体。他仍有些怀念交易，但更喜欢如今与真实的人交流，而不是整天盯着屏幕。
💡 结尾与 Sokhal 的路径相呼应：两人都把交易市场形成的信息处理习惯带到了新领域，只是一个将其做成交易软件，另一个将其用于内容与行业连接。
⚡ 这是主持人的个人经历，并非进入 AI 行业的通用路线；媒体影响力、产品能力与商业结果也需要分别衡量。
“We don't need a team. You are the team.” “我们不需要一支团队。你就是团队。”——Sokhal 转述部分 AI 工程师面临的管理层期待
“If Bloomberg and Claude and Netflix had a baby, it would be Moshi.” “如果 Bloomberg、Claude 和 Netflix 有了一个孩子，那会是 Moshi。”——Sokhal 的产品类比
“The fact that they don't agree is a point of data.” “它们意见不一致，这件事本身就是一个数据点。”——Sokhal 谈来源分歧
“There's people who have the problem, but they don't want to buy.” “有些人确实有这个问题，但并不想购买解决方案。”——Sokhal 谈寻找客户
推荐系统在专业软件中，不只是“猜你喜欢”。 消费产品常以停留和互动衡量推荐效果；交易场景还必须考虑误报造成的注意力损失、漏报造成的风险，以及用户能否追溯每一条提醒的依据。Sokhal 借用 Netflix 作比喻，真正值得追问的是：Moshi 如何定义一条“有用”的推荐。
客户私有数据既可能形成差异化，也会抬高部署门槛。 分析师订阅、内部报告与持仓信息让提示更贴近个人工作，却同时要求更严格的许可、隔离、审计和删除机制。本集说明了产品希望整合什么，没有充分说明这些治理机制已经实现到什么程度。
“独自建系统”的压力与“无人点击”是同一个组织问题的两面。 工程师可以更快交付功能，但若没有时间理解用户、设计进入工作流的路径并维护系统，交付速度未必转化为采用率。
