Anekha Sokhal 谈 Moshi：给大宗商品交易员用的推荐引擎

这一集开场时，Anekha Sokhal 已经说到半截。按计划她录完当天就该离开纽约。AI Engineer 之后，周四排满了，接着周五，接着周一；能源圈的人下一站要她去休斯敦。大会长出了一整周的会面。她在会场走廊里反复听到的另一件事是压力：管理者现在告诉 AI 工程师，不需要团队，因为那一个人就是团队，而他们要做的系统，是以前十个人才交得出的那种。

swyx 切回演播室。这是他本周最后一期 AI Engineer 播客，嘉宾是 Moshi 的 Anekha。他欢迎她；她感谢他请自己来。

他核对名字有没有念对——Anekha，对——并说正是她的背景让他想聊这一场。他以前做交易；她现在是创始人，这也是她第一次来 AI Engineer。他问她怎么找到这场大会、演讲是什么感觉、之后发生了什么。

Anekha 感谢 AI Engineer 团队，说很高兴来上这期播客。她碰到的每个人都应接不暇。分享自己的路径感觉有用，因为她本科做的是统计和数学，现在人们直接叫它 AI，也因为对面是另一个从前的交易员。

swyx 问她有没有做过金融和随机微积分。做过。学位是 Warwick 的 MORSE：数学、运筹、统计和经济学。当时听起来书呆子得要命，她讨厌跟人解释。现在同样的背景读起来就是机器学习和 AI，反应反过来了。

她知道自己想做交易。她不清楚 swyx 怎么坐上那个位子，但她想要又快、又建立在数据上的事。一旦明白交易到底是什么，她就无法想象别的职业。投行交易的第一次实习把她带到了 JP Morgan，她从那里起步。

她从新兴市场交易台起步，转到大宗商品，职业生涯大部分时间做能源衍生品。因为有数据背景，她总想把市场拆成零件。在大宗商品里，那就是基本面、新闻，以及真实在动的物理世界。她喜欢从零拼出图景，还在做交易时就已经看见转向：先有数据，再有事件。

她就是在那时离开了 JP Morgan。她想做创始人，想做一家数据公司。她拿到 Fulbright 来到美国，swyx 插嘴说：“随随便便就拿了个 Fulbright。”

起源故事其实比听上去干巴。她当时在伦敦上一节瑜伽课。父母经营珠宝生意；大学时她已经副业做过一家计算机视觉创业公司，给这个行业做虚拟试戴。问题是：怎样成为能讲技术的创始人，而且是在创业最容易的那个国家。那是 2020 年和 2021 年。Fulbright 有一个数据奖学金，整个英国就一个名额。那就是门票。

面试正好赶上 COVID 期间天然气市场暴涨。他们问她怎么看未来。她讲全球能源市场危机，以及数据在其中的位置。面试官能在电费单上感觉到这件事。她因此来到美国。

到了之后，她深入机器学习研究，与 Stability AI 合作在 ICLR 发表论文，并和 NASA 协作。她说，正是那些有意思的工作把她带到了 Moshi。

swyx 问 Moshi 是什么。她在做自己做交易时就希望拥有的那个程序。公司给金融交易员提供实时洞察，从大宗商品和能源市场起步，也覆盖宏观。它处理的数据超过人力所能，并告诉你此刻投资组合里一切要紧的事。

他想听数据类型，以及数量级。她先从体量说起。她说完一句话要四秒；这期间 Moshi 已经学到大约 300 件新事。这就是吞吐量。说到类型，她像当年做交易那样开始极客起来。她把市场拆成交易员下单和管风险会用到的每一类数据：结构化和非结构化。有期货时间序列，以及围着它转的全部技术分析——统计指标、移动平均——不停地更新。

接下来是基本面的时间序列，尤其在供需主导的大宗商品市场。然后是非结构化数据。新闻是最明显的一层。下面是另类数据：X、播客音频。swyx 再确认她说的是 Twitter；她说是。她说，这些就是公开可得的数据。

另一层是用户的私有数据。他做交易时有自己真正信任的分析师。她不能走进去告诉一个交易台该听谁。人们有在意的订阅，也有内部数据。她接触的一些能源商号自己有人在数经过霍尔木兹海峡的 LNG 船。那条数据流是用户自己的。

Moshi 把公开和私有数据流合在一起，清洗、转换，跑统计和机器学习，打标，再铺上一层本体。结果进入她所说的 Moshi n 维图。产品然后推送：每次打开，都能看到和投资组合相关的新东西。也可以拉取。她说，一个 LLM 能在三十秒里给出本来要花几天的答案。

swyx 问到品牌问题：人们会不会叫它新的 Bloomberg，她烦不烦？他先摸到“八百磅的大猩猩”这个说法，再找英国人会怎么讲。他说 Bloomberg 聊天是这个平台真正出色的部分。交易员在那个聊天里用标准化公式成交数十亿美元。他自己进 NLP 的入口，就是把 Bloomberg 聊天解析成日志用的结构化定价表，他们当时就是这样给期权定价的。

她不会把 Moshi 叫成新的 Bloomberg。这是另一种软件。最容易的说法——她也不确定有多有争议——如果 Bloomberg、Claude 和 Netflix 生了个孩子，那就是 Moshi。swyx 抓住“Netflix”，问他们有没有视频。没有。他们有的是推荐系统。

推荐系统是内部的。如果你是交易员，盯着一件事，真正在意的是那些你不会马上知道的二阶、三阶效应。拉回石油交易员：一家能源股票公司做了件会间接打到原油的事，你现在就得知道。新闻流给不了你这个。连通的图可以，因为两件事实同时抵达。另一条路是有人能把两件事同时装在脑子里。她做交易时就想要这个。

swyx 提到 Netflix 让人上瘾，而这在那个产品里是个问题。Anekha 同意这一点依然有意思。他认为推荐系统是 AI 最重要的部分之一。作为 AI Engineer 的策划人，他每年都办 LLM RecSys 专场。工程师常常不来，哪怕讲者是给 YouTube、Netflix、Instagram 和 TikTok 跑推荐系统的人。空房间他想不通。

她觉得一部分原因是那些团队把问题做得看起来很容易。他插话：这是整个公司最重要的系统。她同意，并把它和 Spotify、Instagram 做得好的地方连起来。

她说，新的默认是人人都能给自己做一个 Claude 仪表盘。可以，如果那是你装在盒子里的大脑。试着让一个新人把那个盒子放进工作流，你就不再是在解模型问题。你在解界面问题：他们到底怎么跟它交互。用户并不总是会用自己开口要的东西。

真正管用的平台会把数据推到你脸上，直到你上瘾。你甚至没注意到自己还在上面；你只是想看下一件，再下一件。Moshi 内部他们一直在问：界面和推荐系统是什么关系。论点是，解了其中一个，也就解了另一个。如果人人都在做软件，眼下的问题是怎样做出人们真的会用的软件。

swyx 补上自己的背景，他刚才忘了提。他在伦敦做外汇期权，也做过利率，走的地图差不多：从 EMEA 起步，然后也许是 G10，至少外汇圈是这么说的。你吞进海量信息。LLM 现在大概处理得更好。十年前他做这件事时，还没有这些工具。

然后他转到买方，开始为另类数据付钱。Balyasny 是那里最早接入 X 信息洪流——也就是 Twitter 信息洪流——的商号之一，大约每月 30 万美元，要全部推文。他说以前是免费的。她不确定到底有没有免费过。他对研究人员免费，他澄清；对冲基金得买。

而且非常吵。一想到拿这个交易，他眼睛都翻上去了。人们胡说八道，也有人靠说无关紧要的话试图撬动市场。他们还有卫星数据、信用卡数据，以及另类数据栈的其余部分。在买方，他的头号问题是：你在看我的数据吗？大概没有，他说，但你怎么让人放心，又怎么对接那些你甚至看不见的系统？

Anekha 听出两个问题。第一个是，数据这么多，你怎么知道什么重要？在 X 上，这个话题立刻就会出现，而且可以推广。尤其在大宗商品，人们有自己跟随的可信声音。供应商和 LNG 设施在上面很活跃，因为那是发状态更新最快的办法。用户告诉 Moshi 那些人是谁。所以他们把某个账号当成可信的：交易台本来就信这个人。swyx 嘀咕说这还是有点玄。

他们能筛多狠就筛多狠。展示一条说法时，会附上置信度：有人在说这个，而对话周围还在发生这些事。用户真正在意的是分歧。

举个简单的计数：有多少船在动，天上有多少飞机。Reuters 可能说一套，Bloomberg 另一套，Wall Street Journal 再一套。他们可能对不上。对不上这件事本身就是一个数据点。是不是因为谁也不清楚，所以有机会？Moshi 就是想这样呈现信息。

第二个问题是，人们的数据到处都是，对接也不是一件事。第一种是乱七八糟的 PDF。Moshi 做了视觉语言模型来读。用户上传到自己的云实例；系统把文档拆开，再在 Moshi 的数据库里重新组装。其他数据你只能去对接他们的系统，那是更长的对话。

swyx 假定他们自己跑视觉语言模型，并问自己掌握和用供应商相比有多重要。供应商不缺；他点了 Reducto 作为文档处理的例子。自己有模型重要吗，还是货架上有什么就用什么？

她说很多公司眼下都在跟这件事较劲。第一：有人把数据交给你，你就不该发给第三方。有系统可以代劳，但你需要一份协议，约定他们怎么处理、拿数据做什么。第二：如果没有工程师团队，供应商是很好的答案。如果有团队——一个有趣的事实是，Moshi 的大多数人在某种程度上都和 NASA 共过事——那些人就想自己做模型。不是谁都有这个条件。取决于团队处在什么阶段。

swyx 转到她的演讲。她显然接到不少询盘。这是 AI Engineer 第一场面向金融的专场，尽管他们向那群人使劲推销过，他当时真不确定谁会进门。她实际都跟谁聊了？

一场接一场的对话，她说。预期和实际不完全一样。过去一小时里不断有人在 LinkedIn 上找她：看了演讲，你在休斯敦吗，能不能见一面；你在纽约吗，能不能见一面。其中不少是交易员，在基金或咨询公司。

意外的是 AI 工程师。很多人觉得管理层的压力让他们应接不暇。swyx 问，压他们做什么？现在有人说不需要团队：你就是团队。于是一个人要做出整套系统，而这样的系统通常是十个人做的。

他们过来问要不要上一群智能体，以及东西坏了怎么办。更有意思的抱怨是：我把系统做出来了，人们说需要它，它躺在邮件里，没人点，他们还在抱怨有这个问题。我该怎么办？这是一簇。另一簇是合作：你在做这个，我们在做那个，回头聊聊。

所以她延长了纽约行程——周四、周五、周一——休斯敦也上了日程。大会后一周已经排满。团队不断戳她：又有人报名了，又有人报名了。她觉得超酷。swyx 说我的天。

他问这些一对一到底有没有意思，还是纯粹低效。人需要私下问事，但她本可以去做产品。她说他们尽量帮忙：先见一次，弄清问题，再有个计划。他们已经在提效。因为询盘太多，他们要办第一场网络研讨会；一对一没法每次都做。

他拿出买方的一套做法。他在那边时，会由银行安排会面。他们来到这样的小房间，一张圆桌，他一次见五个。一位做投资者关系的 CFO 会和五个基金坐下来；他是五个之一。

这事他还没落地，但 AI Engineer 应该在现场做这种会面。人们看了她的演讲还想多聊；他们该报名，她做一对五。问题大概都一样。她眼睛亮了：金融圈以前就是这么干的。这是个好主意，还有个小理由——你常常不知道对面长什么样，最后只能给见面地点拍照，再打电话找人。

指定会议室就能解决。swyx 说整层楼本来就是干这个的，但他们不得不预先分给其他讲者。他想要动态分配，还不知道怎么跑。重点是她不该飞去休斯敦，就算人都在纽约，也不该再跑对方办公室。大家都到这儿，把会面做完，她就可以走。

她喜欢 30 分钟一个时段，再加报名。他问大会还能在哪些地方做得更好。她说，不开玩笑，这是她参加过组织得最好的大会：指南清楚，讲者团队强，有分组讨论室，讲者休息室从来没这么好过。他理了发。她做了面部护理和按摩。他说那是 Cognition 赞助的；他们就是想把讲者伺候好，今年更是加码。组织是一回事。

商业价值和效率也重要。他希望大会对招人和卖东西都有用，不知道两者怎么平衡。对她眼下更重要的是招人还是卖？他们刚招过人，也打算继续招，而且一直在见人，但优先的是客户。不是招人。

招人的询盘在 LinkedIn 上已经源源不断。他们发了一个岗位，不得不关掉，只开了四天，来了 2,500 份申请。那是另一类问题。见想买的人是另一回事。有人有这个问题却不想买；有人有这个问题也想买。找到那个匹配才是工作。

她还没找到谁把这种匹配做得很好。她喜欢他那个一对一的主意。他说，自己是在把当年做对冲基金时的那套搬进这个市场，也就是 AI 和金融。他们明年会试着做，也想做成标杆活动。在买方这边，他觉得更能帮上她。招人也想帮：2,500 太多了，大多是噪声，所以她需要更好的过滤器。她有很明确的看法。他让她说。

很大一部分量是暗地里的：有人在逛岗位，或者刺探。还有依法不能工作的人。签证，围绕签证的噪声。作为第一次做创始人，她起步时不知道这些。她不了解这个市场。附着在上面的噪声很多。他说他们会尽量给她更高的信号。他们想做一场高信号的大会。

他高兴她花了这些时间，并祝贺她拿到的进展。她道谢，然后问他怎么进了 AI——是不是一拍脑袋就开始。他离开对冲基金世界，转入科技，AI 浪潮来时他意识到必须很快动手把这个领域立起来。他写了那篇 AI engineering 的文章，然后办了这场大会和围绕它的媒体，因为骨子里他是做媒体的人。

他还是有点想交易，但这更充实：能见到真人，而不是整天盯着屏幕。她有同样的感觉。他们得走了。彼此道谢，然后离场。