大宗商品交易员的推荐引擎——Anekha Sokhal，Moshi

摘要

• Moshi 的定位刻意不是“新 Bloomberg”——创始人 Anekha Sokhal 的说法是：“如果 Bloomberg、Claude 和 Netflix 生了个孩子，那就是 Moshi。” Netflix 的部分是字面意思：Moshi 自建推荐系统，实时找出交易员关注事项的“二阶、三阶影响”——比如能源股走势如何间接影响油价；这类信息“不是看新闻流就能得到的”。
• “我说完这句话要 4 秒，而同样这段时间里，Moshi 已经学会了300件新东西。” 数据覆盖期货时间序列与技术指标、供需基本面、非结构化新闻/X/播客音频，以及用户私有数据（内部分析师观点、霍尔木兹海峡 LNG 船舶数量），并将它们融合进“N 维图谱”，承诺把“通常要花几天才能得到的答案”压缩到30秒内。
• Sokhal 最鲜明的产品判断是：AI 让搭建仪表盘变得容易，却没让人愿意用；“你现在要解决的已不再是问题本身，而是 UI 问题。” 如今谁都能把“你的大脑做成仪表盘”，但要让别人真正用起来，需要 Spotify、Instagram 式的推送钩子；Moshi 内部押注的是，“解决一个问题 [UI]，自然也就在解决另一个问题 [推荐系统]。”
• swyx 从买方角度给出了本期最有力的压力测试：他说自己在 Balyasny 时是最早使用 X Firehose 的一批人之一，称获取全部推文每月约需30万美元，并质疑自己是否会据此交易——“有时人们只是随口胡说，有时则有人试图操纵市场。” Sokhal 的回应是，大宗商品供应商和 LNG 设施会在 X 上发布状态更新，属于可信信息源；Moshi 会附上置信度评分，而 Reuters、Bloomberg 与《华尔街日报》之间的分歧“本身就是一个数据点”——是否存在交易机会则不得而知。
• 在文档 AI 方面，Moshi 为杂乱难读的 PDF 自研了视觉语言模型。 Sokhal 表示，决定是否把客户数据交给第三方时，数据隐私是首要考量；但如果协议明确，第三方供应商也能派上用场，而没有工程师的团队可以选择现成方案。她的团队希望自研模型，团队里多数人都曾以某种形式与 NASA 合作。
• 她首次参加 AIE 后的需求信号看起来很真实：在纽约的停留时间延长了3次，会后整整一周的会面安排排满，还收到赴休斯敦讨论能源的邀约。 招人是另一道难题：一则开放4天的招聘启事收到2,500份申请。swyx 认为大部分申请都是噪声；Sokhal 则提到有人暗中应聘，也有人没有合法工作资格，包括签证问题。她的首要任务是见客户，不一定是招人。
• 一个反复出现的目标客户画像是：被管理层新默认要求压得喘不过气的 AI 工程师——“我们不需要团队，你就是团队。” 他们被要求独自搭建“通常需要10个人完成”的系统，有人问是否需要“一群智能体”，也有人困惑自己做的工具为何无人点击；这些正是他们带给 Moshi 的问题。

精读

1. 从摩根大通能源衍生品交易到赴美获得富布赖特奖学金

• Sokhal 在华威大学学习 MORSE（数学、运筹学、统计学、经济学）——“也就是如今大家所说的 AI”。她在投资银行和交易领域实习，包括在 JPMorgan 实习，之后先做新兴市场，再转向大宗商品和能源衍生品。她的交易方式已经显露出后来产品的影子：把市场拆解开来，再从基本面、新闻和现实中的实物动态出发重新拼起来。
• 创业的念头来自她大学期间兼职做的一家计算机视觉初创公司：父母从事珠宝生意，她因此探索虚拟试戴，也希望成为能谈技术的创业者。大约在2020或2021年，她发现了富布赖特的数据奖学金；她说，这项奖学金在整个英国只颁给1个人。面试时，她谈到能源市场危机和剧烈波动的天然气价格，面试官可以从自己的电费账单切身理解。富布赖特把她带到美国；在那里，她从事机器学习研究，与 Stability AI 合作在 ICLR 发表论文，也曾与 NASA 合作，之后创立 Moshi。

2. Moshi 接入哪些数据，以及吞吐量之说

• Sokhal 用一句话概括规模：“我说完这句话要 4 秒，而同样这段时间里，Moshi 已经学会了300件新东西。”她称这是“我交易时就希望拥有的程序”，为大宗商品、能源和宏观交易员提供实时洞察。
• 她最津津乐道的数据分类包括：带有技术指标和移动平均线的期货时间序列；供需基本面时间序列；非结构化新闻、X 数据和播客音频；以及用户的私有数据层——可信分析师、订阅内容、内部数据，例如追踪穿越霍尔木兹海峡的 LNG 船舶。Moshi 对数据进行清洗和转换，运用统计方法与机器学习，按本体分类打标签，再纳入“Moshi N 维图谱”。
• 输出既有推送，也有按需查询：用户每次打开 Moshi，它都会展示与其投资组合相关的新信息；LLM 则能在30秒内给出通常需要数天才能得到的答案。

3. Bloomberg、Claude 与 Netflix 的结合体：推荐系统为何重要

• 被问到是否在打造“新 Bloomberg”时，Sokhal 没有认同这个说法——她称 Bloomberg Chat 是一项“很棒”的功能，但 Moshi 属于另一类软件：“如果 Bloomberg、Claude 和 Netflix 生了个孩子，那就是 Moshi。”
• Netflix 的那一部分就是推荐系统。交易员关注一件事时，可能也会关心它带来的“二阶、三阶影响”——例如能源股走势如何间接影响油价。Sokhal 说，新闻流不会主动把这层关联呈现出来；相互连接的图谱可以，而建立这种联系需要人，或是能模拟人的系统，例如推荐系统。
• swyx 说自己每年都会在 AIE 组织 LLM 推荐系统专题，邀请 YouTube、Netflix、Instagram 和 TikTok 推荐系统背后的从业者；但工程师往往意识不到推荐系统有多重要。Sokhal 的解释是：“他们让这件事看起来太容易了。”
• 她对 AI 之后软件供给激增的看法是：人人都能做“claw 仪表盘”，但要让别人把它纳入工作流，难点在 UI。能够主动推送数据的平台可以抓住用户；Moshi 内部押注，解决 UI 和解决推荐系统是相互关联的。

4. swyx 的买方盘问：噪声推文、私有数据与自研还是采购

• 主持人的履历也为这轮追问定下基调：swyx 说自己先在伦敦交易外汇期权，之后转做利率产品，再去了买方机构。他称自己在 Balyasny 时，他们是最早使用 X Firehose 的机构之一；这项服务“贵得离谱”，获取全部推文每月约需30万美元。面对噪声数据，他说自己看得眼花，质疑是否会据此交易：有人“随口胡说”，也有人试图操纵市场。他对 Moshi 的头号买方问题是：“你们在看我的数据吗？”
• Sokhal 的筛选逻辑是：大宗商品供应商和 LNG 设施会活跃在 X 上，因为这是发布状态更新的快捷方式；用户也有信任的业内人士。Moshi 会附上置信度评分，并展示相关讨论。Reuters、Bloomberg 和《华尔街日报》之间的分歧本身就是一个数据点；是否存在交易机会则不得而知。
• 针对杂乱难读的 PDF，Moshi 自研了视觉语言模型，用来拆解用户上传的数据并纳入数据库。谈到自研还是采购时，Sokhal 说，首先要考虑的是：没有明确约定数据处理方式，就不应把客户数据交给第三方。她也表示，没有工程师的团队采用现成系统是不错的选择；她的团队希望自研模型，团队里多数人都曾以某种形式与 NASA 合作。

5. 演讲后的客户涌入折射市场需求：不堪重负的 AI 工程师与2,500份申请

• 演讲结束后，Sokhal 原本当天就要离开纽约，却为了周四、周五和周一的会面延长了行程。也有人邀她去休斯敦聊能源；她说，会议结束后的那一周，日程已经排满。主动找上门的包括基金或咨询公司的交易员、AI 工程师，以及潜在合作伙伴。
• 最值得关注的一类客户，是“被管理层压力压得喘不过气”的 AI 工程师，因为“现在大家都说：‘我们不需要团队，你就是团队。’”他们被要求独自搭建“通常需要10个人完成”的系统；有人问自己是否需要“一群智能体”，也有人不知道该如何处理这种情况：系统已经发到用户邮箱，却没人点击。
• 一则开放4天的招聘启事收到2,500份申请。swyx 认为大部分申请都是噪声；Sokhal 则提到有人暗中应聘，也有人没有合法工作资格，包括签证问题。她说，目前的优先事项是见客户，不一定是招人；团队正在筹办首场网络研讨会，因为已经无法逐一接待所有主动找上门的人。swyx 建议在现场组织小组会面；Sokhal 认可这个想法，倾向于安排固定时段，让大家不用专程跑去见她或团队成员也能交流。