大宗商品交易员的推荐引擎：Moshi 创始人 Anekha Sokhal 访谈

当 Anekha Sokhal 还在交易能源衍生品时，掌握市场动态意味着要追踪的信息量远超任何人的阅读能力。如今，作为 Moshi 的 CEO，她正在打造自己当年希望拥有的工具：一个将市场信息与交易员持仓切身相关内容连接起来的推荐引擎。

在 AI Engineer New York 大会上，Anekha 与 swyx 畅谈她从数学和 JPMorgan 走到创办 Moshi 的历程，以及为什么有用的 AI 必须契合人们实际的工作方式。她把 Moshi 描述为“如果 Bloomberg、Claude 和 Netflix 生个孩子会是什么样”：市场数据、处理数据的界面，以及为交易员量身定制的推荐。

他们还谈到了可信信息源、文档提取、自建模型还是购买模型，以及当 AI 工程师被告知“你就是整个团队”时所承受的压力。Anekha 分享了她在大会期间与客户交流的收获，以及为什么在招聘之前应先见用户。

在 YouTube 上观看 Anekha Sokhal 的访谈

Moshi —— Anekha 的公司

Anekha Sokhal —— 个人背景与工作

GIQ 研究论文 —— 访谈中讨论的研究

Reducto —— 文档提取

AI Engineer New York

0:00 —— AI Engineer New York 与“你就是整个团队”

0:54 —— 认识 Anekha Sokhal

2:09 —— 从数学到能源衍生品

3:46 —— Fulbright 奖学金与成为创始人

5:45 —— Moshi 为交易员做什么

6:10 —— 处理海量市场数据

9:03 —— Bloomberg 与市场工作流

10:03 —— Bloomberg、Claude 和 Netflix

12:03 —— 从仪表盘到工作流

15:03 —— 可信信息源与信号

17:13 —— 自建还是购买模型以及文档提取

18:20 —— AI Engineer New York

20:32 —— 客户会面与社区

23:54 —— 招聘与与客户交流

25:55 —— swyx 走进 AI 的历程

自动生成转录；文字可能存在错误。已省略说话人标签。

0:00 事实上我延长了在纽约的停留时间，因为……我本来今天就要离开的。现在我们周四有了会议，于是多待一天；周五又有会议，再延一天；然后是周一。现在还有人对我说，嘿，我们是做能源的，来休斯顿聊聊吧。所以我们把大会结束后的一整周都排满了会议。AI Engineer 大会对我们来说很有意思，因为很多 AI 工程师都感觉被管理层施加的压力压得喘不过气。什么样的压力呢？因为现在人们会说：我们不需要团队，你就是团队。这就变成，嘿，我现在得一个人搭建整套系统，而这套系统通常是由 10 个人来完成的。好了，我们已经在演播室了。这是我在 AIE 的最后一期播客，嘉宾是来自 Moshi 的 Anekha。欢迎你。非常感谢。

1:01 我说对了吗，Anekha？对，你说对了。你的背景引起了我的兴趣，因为我曾是交易员，而你现在是一位创始人。是的。你还刚刚跟我讲了你的经历。我挺想听你亲口聊聊。据我所知，这是你第一次参加 AIE。你是怎么听说我们的？做演讲的体验如何，之后发生了什么？好的，首先感谢 AIE 的所有人，这是一次非常棒的体验。也谢谢你邀请我来播客。我非常兴奋能分享我的经历。而且，我觉得我们正处于一个飞速变化的时代，我交谈过的每个人都感到不堪重负。所以能够分享我经历中的一切真的很有帮助，因为我本科读的是统计和数学，也就是现在大家所称的 AI。谈论这些以及它的发展演变很有意思，而且还能一直和一位前交易员交谈。

2:02 也顺便分享一下这方面的“战争伤疤”。你学过金融微积分吗，比如随机微积分？是的，学过。我的本科专业是数学、运筹学、统计学和经济学，就是在华威大学读的 MORSE。当时所有人都说，天哪，太书呆子了。我都不好意思告诉别人。而现在就变成，哇。是啊，大家都说，天哪，机器学习、AI。对，对。然后是衍生品。所以我学了那个。我的背景是从英国华威大学开始的，然后我知道自己想从事交易。我不知道你进入交易行业的故事是什么，但我想要一种快节奏的、与数据相关的工作，我特别热爱数据。当我读到关于交易的介绍时，我无法想象自己从事任何其他职业。所以我下定决心要做这一行。我先在投资银行和交易部门获得了第一份实习，然后在摩根大通获得了实习机会，我的职业生涯就是从那里开始的。

3:04 我最初在新兴市场交易台工作，后来转到商品部门做衍生品交易。所以我职业生涯的大部分时间都在做能源衍生品。因为我有数据背景，我总是想把市场拆解成各个不同的部分。比如说，在商品交易中，很多东西都关乎基本面、不同的新闻以及实物的实际情况。所以我一直着迷于从零开始构建。当我交易的时候，我看到了这样的转变：先有数据，然后就会发生某些事情。就在那时我离开了摩根大通，实际上我想成为一名企业家和创始人，但我想要做一家数据公司。所以我拿到了富布赖特奖学金来到美国，因为你们这里有如此了不起的风投生态。轻描淡写地就拿了个富布赖特。

4:06 好吧，我想讲个有趣的故事。我当时在伦敦上一个瑜伽课。我说，是这样，我父母经营着一家珠宝生意。在大学期间，我在自己的创业公司之前还兼职做过一个计算机视觉创业项目。所以我就在想，珠宝行业有什么问题呢？哦，比如虚拟试戴。这让我萌生了成为创始人的想法。我接着想，怎样才能在最适合创业的国家成为创始人？我又想，我想成为一个能够谈论技术的创始人。那大概是在 2020、2021 年。我发现 Fulbright 有一个数据奖学金，整个英国只有一个名额。所以我就想，我来这里的途径就是 Fulbright 奖学金，而它只给一个名额。这真的很有意思，不知道你还记不记得 2020 年，当时是新冠疫情，天然气市场疯了。那时候天然气市场出现了极其疯狂的

5:06 波动。所以在我的 Fulbright 面试中，他们问我：你如何看待未来？我就谈到了全球性的能源市场危机，以及数据与之的关系。每个人都能对我说的内容感同身受，因为当时天然气价格疯狂，电费也一路飙升。这把我带到了美国。来到这里后，我深入做机器学习研究，与 Stability AI 合作在 ICLR 上发表论文，还与 NASA 开展合作，做了很多非常有趣的工作，这些最终把我引向了 Moshi。那 Moshi 是什么？我们正在打造一个我在交易时期希望自己拥有的工具。我们所做的，是为金融交易者提供实时洞察，首先从大宗商品、能源市场和宏观市场开始。我们的做法是处理远超人力所能及的数据量，告诉你此时此刻对你的投资组合重要的所有信息。

6:09 你们会处理什么样的数据？能让我们了解一下数据的类型和数量级吗？类型和数量级。那我先说数量级。我向大家解释的一个有趣方式是：我用四秒钟对你说完这句话，而在同样的时间里，Moshi 已经学到了 300 个新东西。这就是我们处理的数据量。至于数据的类型，这就得说到我作为交易者时会怎么琢磨了。我会把市场拆解成交易者在决定下什么单、如何管理风险时所看的各类数据。我做的就是把市场划分一下：有结构化数据和非结构化数据，有期货市场的时间序列，还有围绕它的所有技术分析。我们会关注所有这些统计指标、各种不同的技术指标、所有的移动平均线。

7:11 这是一组数据集。显然它在不断更新。我们看的下一组数据集是基本面市场的时间序列。尤其是在某些大宗商品市场，有大量的供需数据。然后我们再看非结构化数据。新闻显然是其中之一。但还有各种另类数据。例如，有 X 的数据。还有播客的音频数据。X，Twitter。X，Twitter，对。你读 Twitter。好的。也就是要理解所有这些不同类型的数据。我想说的是公开可得的数据。而还有另一大类数据，那就是用户的私人数据。我相信你做交易时也有过这种情况：你有自己关注的分析师。我没法跑来跟你说，嘿，你应该去读这个人的内容，因为你已经有你需要的人了。然后你还有你关注的订阅源。你会有内部数据，对吧？

8:11 比如我们交谈过的一些公司，如果他们在做市场交易、能源市场交易，他们会有专门的人负责统计通过霍尔木兹海峡的 LNG 船只数量。所以有所有这些用户专有的数据。我们把这两类数据点结合起来，做所有的数据清洗、数据转换。然后我们进行统计和机器学习，打上标签，在上面构建我们的整套本体。然后我们把它放进 Moshi，也就是 n 维图里。接着我们产出输出，也就是一个向你推送数据的软件。所以每次你打开 Moshi，都会看到与你的投资组合相关的新内容。你还可以拉取数据。所以 LLM，我会在 30 秒内给你答案，而这通常要花你几天时间。那人们是不是常说你们是新 Bloomberg？还是说你不同意这种说法？你不喜欢被称为新 Bloomberg？对，这是个有意思的问题。

9:13 因为显然那是那头 800 磅重的大猩猩，或者说英国人怎么说 800 磅大猩猩的说法。嗯，你知道，我觉得 Bloomberg 有一些特性，比如 Bloomberg 聊天，它是这个平台上非常棒的一部分。是的，给那些不了解的人科普一下，交易员会在聊天里完成数十亿美元的交易。而且有一套标准化的格式。我当初进入 NLP 领域，其实就是把 Bloomberg 聊天解析成结构化的定价表，用于我的对冲日志。我们就是这么给期权定价的。对，有 Bloomberg 聊天这回事。但我不会说我们是新 Bloomberg。我想说我们是另一种类型的软件。我觉得这是最容易的说法。我不知道这话有多大争议：如果 Bloomberg、Claude 和 Netflix 生了个孩子。Netflix？那孩子就是 Moshi。你们有视频？Netflix。

10:14 我们其实内部搭建了一套推荐系统，思路是：如果你是一个交易员，正在关注某一件事，你其实需要立刻了解二阶和三阶的衍生影响，而这些你不会马上知道。是这样。所以我们搭建了一整套推荐系统，举个简单的例子，比如说你是一个石油交易员，有一家能源股票公司正在做某件事，会间接影响石油，你必须立刻知道这一点。这类信息你从新闻流里是得不到的，只有通过一张关联图谱才能呈现给你。因为如果这两条信息同时出现，唯一的处理方式要么是由人来把它们联系起来，要么由一个模拟人的系统——类似推荐系统——来完成。这正是我们努力在做的事，因为我自己做交易的时候就很希望有这样的工具。是啊。不过你也知道，Netflix 在让人上瘾这方面确实有些不好的地方。

11:15 确实有。不过这很有意思。我认为推荐系统（RecSys）是 AI 中最重要的组成部分之一。作为 AIEs 的策展人，我每年都会设立一个 LLM RecSys 专题。而工程师们往往意识不到它有多重要。这个专题的到场率并不高，尽管其中一些演讲者可是支撑着这些系统的核心人物，我是说，他们为 YouTube 运营推荐系统，为 Netflix 运营 Netflix 的推荐系统，还有 Instagram 和 TikTok 的。结果却几乎没人来听。我就纳闷了，什么意思？你对推荐系统不感兴趣？我觉得这真的很有意思。我认为部分原因在于他们把它显得太简单了，就好像“哦，这太……”。这是整个公司最重要的系统。没错。而且我认为还有一个与之相关的东西，有些公司做得非常好，比如 Spotify、Instagram，就是随着 AI 出现的一件事

12:15：现在每个人都能搭建自己的 Claude 仪表盘了，对吧？就像“嘿，这是我自己做的”。很好，很好。但如果你想让别人也来用它，那是你把你的大脑放进了一个仪表盘或某种工具里。你得设法让一个新用户把它融入自己的工作流程。这时你面对的就不只是一个问题了，而是一个 UI 问题：他们如何与它交互？因为用户不一定总会去用它。这些平台做得非常好的一点是，它们会主动把数据推送给你，从而“钩住”你。你甚至不知不觉就停留在平台上了，心想：哦，我想要这个。不，不，我真的想要这个。所以我们公司内部一直在研究 UI 与推荐系统之间的关系。因为我们的假设是：如果把其中一个问题解决了，自然也就解决了另一个。我觉得这是当下一个很重要的问题：既然人人都在构建软件，怎么才能让它真正成为人们会使用的软件？这是个挺有意思的观点。

13:19 是的，有点先有鸡还是先有蛋的问题。总之，我忘了介绍我在这个领域的背景。我其实以前在伦敦做货币期权交易。后来做了一段时间利率。职业路径非常相似，从 EMEA 开始，然后可能进入 G10。对，至少在货币领域我们是这么叫的。你需要消化大量信息，而 LLM 处理这些信息可能真的比人更好。我 10 年前做这行时还没有这些工具。但现在我看到有了。后来我转到买方，在那里你开始像你那样花钱买另类数据。我们当时在 Balyasny 其实是最早一批接入 X firehose，也就是 Twitter firehose 的人之一。对。那是一种贵得离谱的数据服务，大概每月 30 万美元，用来获取所有推文。它以前是免费的。然后你再去解析它们。

14:19 我不认为——我不知道它是否曾经免费过。对研究人员是免费的。好吧。但如果你是对冲基金之类的，你就得买。而且它噪声很大。所以我一听到就皱眉，因为我不确定我会根据这些东西交易，因为有时候人们就是随口乱说。有时候人们会试图通过发表言论来操纵市场。而且它其实没那么重要。但我们也会有另类数据，比如卫星信息或信用卡信息之类的。所以在买方，我的头号问题是：你在看我的数据吗？答案很可能是否。但你如何让人放心？你如何与你甚至看不到的系统集成？对。我认为这里面有两个问题，第一个是：既然有这么多数据可用，你怎么知道什么才是重要的？所以当我们看 X 数据时，这是我们与人交流时的自然话题，或者干脆扩展到任何类型的数据。

15:20 我们在用户身上发现的一点是，他们真的会有自己信任的人，会关注行业中这些声音，尤其是在大宗商品领域。会有大宗商品的供应商。会有 LNG 以及所有这些设施在那里活跃，因为这是他们发布状态更新最快的方式。哇。所以这很有意思，因为我们发现很多用户会告诉我们这一点。就像，哦，好的，所以你把它当作可信来源，因为你相信某个特定的人。挺可疑的。是吧。所以我们就想办法尽可能地进行过滤。但当我们把内容展示给某人时，我们会给出一个置信度分数，比如，有人说了这一件事，但这是围绕该对话发生的其他所有事情。因为对人们来说有意思的是，当出现分歧的来源时，比如有多少

16:21 有多少船只正在航行，有多少飞机正从我们头顶飞过。如果路透社在报道某件事，或者彭博社在报道某件事，《华尔街日报》也在报道某件事，他们的说法可能并不一致。但他们说法不一致这件事本身就是一条数据，因为这是否意味着机会？因为没人知道。所以我们就是这样努力为人们提供信息的。然后第二个问题是，你知道，人们的数据散落在各处。我认为集成有不同类型。第一种是他们那些乱七八糟的 PDF 数据？我们为此构建的是一个视觉语言模型来理解这些数据。我们会接收他们上传到 Moshi 云端版本的数据。然后我们实际上会去把它拆解，再在我们的数据库里重新构建。而有些类型的数据则必须连接到他们的系统。然后这就更像是——我猜你们是在自己运行这个视觉语言模型——拥有它重要吗？还是你愿意，我是说，有各种供应商，比如 Reducto

17:24 是一家做非文档处理的公司。拥有自己的模型 versus 直接用现成的方案，到底有多重要？我认为这是很多公司现在都在纠结的问题。对我们来说第一个问题是，如果有人把数据交给我们，我们不想把它发给第三方。因为市面上确实有能帮你做这些事情的系统。但你要确保你们已经就“他们如何处理这些数据、他们拿数据做什么”达成了协议。这是第一个问题。第二个问题是，如果你没有工程师团队，那这就是一个很好的解决方案。但如果你像我们一样有一个工程师团队——一个有趣的事实是，团队里大多数人多多少少都和 NASA 合作过——那他们就想自己构建模型。但并不是每个人都有这样的团队。所以，你知道，我觉得这真的取决于你们团队所处的阶段。明白。好，然后说到你的演讲，你显然因此收到了很多主动联系。

18:28 这是我们的第一场聚焦金融的活动。所以我是真的不确定能把什么样的人吸引进来。显然，我们为这个群体做了大量推销和宣传。你最终和什么样的人交谈了？是的，这是一个绝妙的机会，因为我们一直在接连不断地和人交流。我们最初预期的兴趣点和实际情况——就在过去一小时内，有人在 LinkedIn 上给我发消息说：嘿，我看到你的演讲了。你们在休斯顿吗？我们能约个会吗？或者：嘿，你们在纽约吗？能约个会吗？和我们交流的人中有很多是交易员，有的在基金，有的在咨询公司，然后 AI 工程师是一个有趣的群体，因为他们很多人感觉被管理层的压力压得喘不过气。什么压力？因为现在人们会说：我们不需要一个团队，你就是那个团队。所以就像是：嘿，我现在得把这一整套系统都建起来

19:31 我自己。但那种系统通常需要 10 个人来做。很多人找我们聊，他们说，嘿，我需要搭建一个系统。但是，你知道，我真的需要一大群智能体吗？而且，如果出问题了怎么办？有意思的是，嘿，我搭建了系统，人们告诉我他们需要它，它就在他们的邮箱里。可没有一个人，没有一个人去点开它，但他们又抱怨自己有这个难题。我该怎么办？这是其中一个方面。然后是合作伙伴关系。我们一直在与人会面，有人说，嘿，你们在做这个，挺有意思，因为我们也在做这个，我们回头聊聊吧。所以我其实延长了在纽约的停留时间，因为我本来打算今天离开的。现在我们周四有了会议，又延长了一天，周五又延长一天，周一又延长。现在还有会议，人们说，嘿，我们是能源行业的，我们到休斯顿谈吧。所以我们把会议之后的一整周都排满了。天哪。是啊。我的团队一直说，嘿，Anekha，又有人报名了。又有人报名了。太棒了。

20:32 一对一这样做有意思吗？我猜是因为他们需要私下问你一些问题。只是安排这么多会面似乎效率很低，明明你可以把时间用来打造业务或打造产品。是啊。我们尽量帮助别人，我们会先进行一次初始会面，但之后我们真正想做的是理解你要解决的问题，然后在那之后制定一个计划。所以我们现在已经采取了一些措施来简化流程，因为入站咨询太多了，我们正在举办第一场网络研讨会，我们不可能总是做这种一对一。更广泛地说，我在买方的时候，银行实际上会为我们安排这类会议。是的。他们会来到像这样的小房间，大致是圆桌的形式。我一次会见五个人。比如说，我是一家公司的 CFO，需要做投资者关系。

21:33 我一次见五家基金，而我就是那五家基金之一。我想象一下我们将来能为你做些什么，虽然我还没有把这件事推动起来，但我们应该做现场会议。比如，这说得通。人们听了你的演讲，想和你多聊聊。他们应该能够报名，你可以一次对五个人。而且很可能所有这些问题都一模一样。这确实是个好主意，因为我们以前在金融业就是这么做的，这真是个好主意。因为我们以前还遇到过，有时候你根本不知道你要见的人长什么样。哦，这样啊。于是你就得给自己的位置拍照片。真的吗？就像，嘿，在这里见我，在这里见我，然后给他们打电话。所以像这样的主意会很棒。就是一个指定的会议室。是啊。就像，嘿，比如。我是说，这一整层都是会议室，但我们不得不预先分配给其他演讲者，不过，嗯，我们想做一些动态分配，只是我不知道怎么把它搞起来。我正在和你一起琢磨这件事。这样你就不用飞去休斯顿了，或者即使他们在纽约，你也不用去他们的办公室。

22:34 大家只要进来，把会议开完就行，然后离开。我真心觉得这是个好主意。比如给这个人留一个 30 分钟的时段，然后报名。就像你想怎样就怎样。对，更小型的、一对一的。这真是个好主意。对。嗯，还有没有其他我们可以做得更好的地方，或者你在这次大会上有什么其他体验？我觉得这是我参加过的组织得最好的大会，不，不，说真的。我获得的高质量指南数量非常多，而且非常清晰，比如演讲者团队、分组讨论室，还有演讲者休息室。我觉得这个休息室从来没这么好过。呃，对，还有理发。我知道。我没做面部护理。我做了面部护理和按摩。对，我知道你理发了。我确实理发了。嗯，我们确实想留住演讲者。这次绝对是超出了预期，这要感谢 cognition 做到这一点。不过，嗯，组织是一回事。

23:38 我确实认为，就商业价值和效率而言，这是一个重要的元素。我们想把这个做成对你们有用的东西，无论是用于招聘还是销售。我不知道怎么平衡这两者，因为，呃，对你来说哪个更重要，招聘还是销售？就我们而言，我们刚刚招聘了，也计划继续招聘，我们一直在见人，但现在的优先事项是见客户，这是首要的，不一定是招聘。因为招聘方面，我们在 LinkedIn 上有持续的求职者主动投递。真的吗？对。我们曾发布一个职位，不得不关闭。开放了四天，就有 2,500 名申请者。好的。这本身就很难处理，但见那些想购买的人，因为我认为有些人有这个问题但不想买，而有些人既有这个问题又想买。而你正试图找到那种匹配，就是——

24:39 我还没见过有谁做到这一点。嗯，不过我真的很喜欢你的一对一想法。对。嗯，基本上我是把我以前做对冲基金时的经验移植到这个市场，也就是 AI 与金融。对。我们明年会试着做到这一点，试着成为最权威的活动。我认为在招聘方面——那是购买，这很清楚了——我觉得我在那方面绝对能更好地帮到你。在招聘方面，我也想帮你。好的。比如 2,500 太多了，而且大部分是噪音。所以你需要一个更好的过滤器。我有一个很强烈的看法。好，请讲。有很多人以一种隐蔽的方式在做这件事，不是，他们是在观望、在打探。有这种情况，但还有，比如法律上不允许工作的。这里面有太多噪音，比如签证，围绕这个的噪音也非常多。当我第一次，比如我是第一次创业者，当我第一次——

25:41 开始的时候，你并不了解那些东西。你不了解市场之类的情况，对吧。而这其中有很多噪音。是的。好的。那我们会尽力为你提供更高的信噪比。我们想成为一个高信噪比的会议。嗯，我很感激你抽出时间和我们在一起，也祝贺你取得的成功。非常感谢。我有一个问题，就是你是如何转向 AI 的。呃，就是，就是决定直接开始。呃，这个嘛，我离开了，呃，对冲基金行业，进入了科技行业，然后当 AI 浪潮来临时，我意识到我最好非常非常迅速地行动，在这个领域站稳脚跟。于是，我做了 AI Engineering 这个项目，并，呃，创办了这个会议和媒体业务，因为我骨子里，呃，非常是个媒体人。是的。嗯，我确实有点怀念做交易的日子，但这非常有成就感，因为我可以见到真实的人，而不是整天盯着屏幕。呃，是啊，我也有同感。好的，谢谢。我想我们得走了。非常感谢。谢谢。谢谢。