You are the Team — Anekha Sokhal, Moshi

你们就是团队 —— Anekha Sokhal, Moshi - Latent.Space

Latent Space：AI工程师播客

你们就是团队 —— Anekha Sokhal, Moshi

×

0:00

当前时间

:

/

总时长

-26:40

您的浏览器不支持音频播放。请升级浏览器。

你们就是团队 —— Anekha Sokhal, Moshi

Moshi如何将市场数据转化为可操作的洞察，以及为什么AI工具必须适配交易员的工作流程。

2026年10月22日

文字记录

AIE CODE的门票和申请现已开放，这是今年最后一场AIE旗舰活动。

当Anekha Sokhal交易能源衍生品时，保持对市场的掌控意味着要跟踪比任何人能阅读的更多信息。如今，作为Moshi的CEO，她正在构建自己梦寐以求的工具：一个推荐引擎，将市场信息与交易员账簿中真正重要的因素联系起来。

在AI Engineer纽约峰会上，Anekha与swyx讨论了她从数学到摩根大通，再到创立Moshi的历程，以及为什么实用的AI必须适配人们实际的工作方式。她将Moshi描述为如果Bloomberg、Claude和Netflix有一个孩子可能会出现的样子：市场数据、处理数据的界面，以及为交易员定制的推荐。

他们还讨论了可信信息源、文档提取、自建模型与购买模型的抉择，以及那些被要求"你们就是团队"的AI工程师所面临的压力。Anekha分享了她在峰会上从客户对话中学到的经验，以及为什么与用户交流要优先于招聘。

观看本期节目

在YouTube上观看Anekha Sokhal的访谈

节目备注

Moshi —— Anekha的公司

Anekha Sokhal —— 背景与工作经历

GIQ研究论文 —— 采访中讨论的研究

Reducto —— 文档提取工具

AI Engineer纽约峰会

时间戳

0:00 —— AI Engineer纽约峰会与"你们就是团队"话题

0:54 —— 认识Anekha Sokhal

2:09 —— 从数学到能源衍生品交易

3:46 —— 富布赖特项目与创业历程

5:45 —— Moshi为交易员提供的价值

6:10 —— 处理海量市场数据

9:03 —— Bloomberg与市场工作流程

10:03 —— Bloomberg、Claude与Netflix的融合

12:03 —— 从仪表盘到工作流程的转变

15:03 —— 可信信息源与信号处理

17:13 —— 自建模型/购买模型与文档提取

18:20 —— AI Engineer纽约峰会

20:32 —— 客户会议与社区建设

23:54 —— 招聘与客户沟通

25:55 —— swyx进入AI领域的历程

文字记录

自动转录文本，可能存在用词错误。已省略发言人标签。

0:00 实际上我延长了在纽约的逗留时间，因为原本今天应该离开。现在我们周四有会议，又延长了一天到周五，再延长到周一。现在我有会议，人们说："我们在能源领域，去休斯顿聊聊吧。" 所以在峰会之后的一周里，我几乎每天都有会议。AI工程师峰会很特别，因为很多工程师都感到被管理层的压力压得喘不过气。他们被要求做什么？因为现在人们说，"我们不需要团队，你们就是团队。" 所以这就变成了，"嘿，我需要自己构建整个系统。" 但通常这个系统需要10个人才能完成。好了，我们现在在录音棚里。这是我与Moshi的Anekha的最后一次AIE播客。欢迎。非常感谢。

2:02 顺便说一下，能分享一些你在那方面的"战争伤疤"吗？你学过金融微积分，比如随机微积分吗？是的，我学过。我的本科学位是数学、运筹学、统计学和经济学，也就是在华威大学的MORSE专业。当时所有人都觉得这专业非常"极客"，我甚至讨厌向别人提起。但现在大家却都说："哇，机器学习、人工智能，太酷了。"对，我确实做过衍生品交易。我的背景始于英国华威大学，之后我决定投身交易领域。我不太清楚你当初是怎么进入交易行业的，但我想找一份节奏快、与数据相关的工作，我非常热爱数据。当我了解到交易是做什么的时候，我完全无法想象自己从事其他职业。所以我一心一意地选择了这条路。我首先在投行和交易部门实习，后来在摩根大通获得了实习机会，正式开始了职业生涯。

3:04 我最初在新兴市场交易台工作，之后转到大宗商品部门从事衍生品交易。我的职业生涯大部分时间都专注于能源衍生品。由于我有数据背景，我总是试图将市场拆解成各个组成部分来分析。例如在大宗商品领域，很多因素都与基本面、新闻事件以及实体市场的动态有关。我总是着迷于从零开始构建分析框架。当我进行交易时，我注意到市场正在发生转变，数据开始变得越来越重要。正是在那个时候，我离开了摩根大通，决定成为一名创业者和创始人。我想要创办一家数据公司，因此我获得了富布赖特奖学金来到美国，因为你们这里拥有如此卓越的创业环境。顺便说一下，我就是这么偶然地获得了富布赖特奖学金。

4:06 是的，我想我讲笑话的方式可能有点特别。我曾在伦敦上过一节瑜伽课，当时我爸妈经营着一家珠宝生意。在大学创业之前，我曾兼职做过一家计算机视觉初创公司的项目。当时我就在想，珠宝行业存在哪些问题呢？比如虚拟试戴这样的需求。这让我产生了成为创始人的想法。我思考着，如果要在最适合创业的国家成为创始人，我应该怎么做？我希望成为能够谈论技术的创始人。这发生在2020年到2021年之间。我了解到富布赖特有一个数据奖学金，而且整个英国只提供一个名额。所以我决定，我来到这里的方式就是通过富布赖特奖学金，而且他们只提供一个名额。这真的很有趣，因为我不确定你们是否还记得2020年新冠疫情爆发时，天然气市场一度疯狂波动。

5:06 当时天然气市场出现了前所未有的剧烈波动。在进行富布赖特面试时，他们问我如何看待未来。我谈到了全球能源市场危机这一普遍问题，以及数据如何与之相关。当时所有人都能理解我的观点，因为天然气价格疯狂上涨，他们的电费账单也变得难以承受。这最终让我来到美国，在这里深入进行机器学习研究，曾在ICLR会议上与Stability AI合作发表论文，还与NASA有过合作，做了很多非常有趣的研究，这些经历最终引导我来到了Moshi。那么Moshi是什么？Moshi正在开发一个我当年交易时梦寐以求的系统。我们为金融交易者提供实时洞察，目前主要聚焦于大宗商品和能源市场以及宏观市场。我们通过处理远超人类处理能力的数据，实时告诉你所有影响你投资组合的关键信息。

6:09 你们处理的数据类型和数量级大概是什么样的？先说数量级，再谈数据类型。我经常用一个有趣的方式来解释：我用四秒钟说这句话的时间，Moshi已经学习到了300个新信息。这就是我们处理数据的体量。至于数据类型，这让我非常兴奋，因为这涉及到我交易时的思维方式。我会将市场拆解成各种不同的数据类型，这些是交易者用来决定交易策略和管理风险的数据。具体来说，我会将市场分为结构化数据和非结构化数据。包括期货市场的时序数据，以及围绕它的所有技术分析。我们关注所有这些统计指标，各种不同的技术指标，各种移动平均线。

7:11 这是其中一个数据集。显然，它会持续更新。我们接下来关注的是基本面市场的时序数据。在某些大宗商品市场中，供需关系变化非常显著。然后我们还要处理非结构化数据，新闻是最明显的例子。此外还有大量替代数据存在，比如X数据、播客中的音频数据、X推特数据。X推特，是的。你阅读推特。好的。理解所有这些不同类型的数据，我认为这就是所谓的公开数据可获取性。还存在另一种数据类型，即用户的私有数据。在交易时，你肯定也有这类数据，比如你关注的分析师名单。我无法告诉你，嘿，你应该去读这个人，因为你已经有了需要关注的对象。此外还有你订阅的资料，以及你内部的数据，对吧？

8:11 举个例子，我们接触的一些公司，如果他们在交易市场，比如能源市场，他们会有专门人员跟踪霍尔木兹海峡通过的液化天然气船数量。因此存在大量仅属于用户的个性化数据。我们将这两类数据整合，完成数据清洗和数据转换，然后进行统计分析和机器学习处理，对其进行标注，并构建完整的本体论体系。接着我们将这些数据输入Moshi，形成多维图结构。最终产出的是一款软件，它会将数据推送到你的终端。每次你打开Moshi时，都会看到与你的投资组合相关的新内容。你也可以主动拉取数据。LLM，我能在30秒内给你答案，而通常这需要你几天时间。人们经常说这是"新的彭博"吗？你不喜欢被描述为"新的彭博"吗？是的，这确实是个有趣的问题。

9:13 显然，彭博就是那个800磅的大猩猩，或者说英国人说的类似表达。我知道彭博平台确实有其独特功能，比如彭博聊天功能，这是平台的一大亮点。对于不了解的人来说，交易员会在聊天中完成数十亿美元的交易，而且有标准化的定价公式。我进入自然语言处理领域的契机，就是将彭博聊天记录解析成结构化定价表用于我的日志。我们正是通过这种方式进行期权定价的。彭博聊天确实有其独特价值。我不会说我们是"新的彭博"，而是说我们是完全不同的软件类型。我认为这样表述最简单明了。我不知道这种说法有多具争议性，但如果彭博、Claude和Netflix有一个孩子，那会是Moshi。你们有视频？Netflix。

10:14 我们实际上有一个内部构建的推荐系统。如果你是交易员，当你关注某件事情时，实际上你此刻更关心的是二阶、三阶导数，但你可能不会立即意识到这一点。明白了。因此，我们构建了一个完整的推荐系统。举个简单的例子，假设你是一名石油交易员，有一家能源类股票公司正在做某件事情，这会间接影响石油价格，你此刻就需要了解这个信息。你不会从新闻流中获得这个信息，但通过一个连接图谱，它会向你展示这些关联。因为如果这两个信息点此刻同时出现，你只能通过两种方式处理：要么是人类自己去建立这些联系，要么是通过模仿人类思维的推荐系统来实现。这就是我们试图做到的事情，因为我希望在交易时能有这样一个系统。是的，你知道，Netflix的成瘾性元素确实存在，而且是有害的。

11:15 确实如此。但确实非常有趣。我认为RecSys是AI中最重要的组成部分之一。作为AIE的策展人，我每年都会设置一个LLM RecSys专题。但工程师们往往不理解它的重要性。尽管有些推动这些系统运行的人，比如为YouTube运行RecSys的人，为Netflix运行推荐系统的人，为Instagram和TikTok运行系统的人，但即使如此，参加的人却寥寥无几。我就会问：你们不感兴趣吗？我认为这非常有趣。我觉得部分原因在于，他们让这个过程看起来太简单了。就像，哦，这其实是最关键的系统，整个公司最重要的系统。确实如此。我认为有些公司在这方面做得很好，比如Spotify和Instagram，他们推出了一些人工智能相关的产品。

12:15 现在每个人都可以构建自己的Claude仪表板，对吧？就像，嘿，我自己构建了这个。太棒了。太棒了。如果你想让其他人使用它，那你的大脑就变成了一个仪表板，或者变成了某个东西。试着让新用户将它整合到他们的工作流程中。这样你就不再处理问题本身，而是处理UI问题，也就是他们如何与它互动？因为有时候用户并不总是使用这些功能。这些平台做得非常好的一点是，他们会主动将数据推送给用户，这种推送会吸引用户。因此你自然不会意识到自己正在使用平台，你会想：哦，我想要这个。不，不是，我其实想要这个。因此，我们公司一直在尝试理解UI如何与推荐系统相关联？因为我们的假设是，如果你解决了其中一个，自然也会解决另一个。我认为这目前是一个非常重要的问题，即当每个人都在构建软件时，如何让这些软件真正被用户使用？这是一个有趣的视角。

13:19 是的，这有点像先有鸡还是先有蛋的问题。不过，我之前忘记提到我的背景了。我以前在伦敦从事过货币期权交易，后来又在利率市场工作过一段时间。那条职业路径和我现在的情况非常相似，通常是从EMEA地区起步，然后进入G10市场。至少我们对货币是这么称呼的。当时需要处理大量信息，而大语言模型（LLMs）显然能更好地处理这些数据。十年前我做这些工作时，还没有现在这样的工具。但现在我看到了。后来我转到了买方机构，开始像你们一样为替代数据付费。事实上，我们是Balyasny最早尝试X数据流或Twitter数据流的几家公司之一。是的，这是一笔每月高达30万美元的昂贵数据服务，必须付费才能获取所有推文。以前这种服务是免费的，但后来需要付费了。你得对这些数据进行筛选和解析。

14:19 我不确定它是否曾经免费过。研究人员可以免费使用。但如果你是像对冲基金这样的机构，就必须购买。这些数据非常嘈杂。因此我总是担心，不知道是否应该基于这些信息进行交易，因为有时人们只是胡说八道，有时人们会通过发布信息来操纵市场。但这些信息其实影响并不大。不过我们也会使用其他替代数据，比如卫星数据或信用卡数据等。在买方机构，我最常问的问题是：你们在查看我的数据吗？可能不是。但如何向人们保证数据的可靠性？如何与你甚至无法看到的系统进行整合？我认为这里其实包含两个问题：第一个问题是，当有如此多数据时，如何判断哪些数据是重要的？当我们分析X平台的数据时，这通常会自然地引发我们与用户讨论的对话，甚至可以扩展到所有类型的数据。

15:20 我们发现人们的一个特点是，他们通常会信任某些特定的人，这些人在行业中（尤其是大宗商品领域）有影响力。比如大宗商品的供应商、LNG设施等，这些机构会积极在平台上发布信息，因为这是他们快速更新状态的最有效方式。这很有趣，因为我们的许多用户都会向我们提到这一点。例如，他们会说：“哦，原来你是通过信任某个特定的人来确认信息来源的。”但这也有些可疑。因此，我们找到了一种方法，尽可能地过滤掉噪音。当我们向用户展示信息时，会给出一个置信度评分，比如：“某人说了某件事，但同时还有其他相关事件正在发生。”因为对用户来说，不同来源的信息差异往往更值得关注。例如，我们可以讨论有多少

16:21 船只正在出发，此刻有多少架飞机正在我们头顶飞行。如果路透社、彭博社或《华尔街日报》发表了某些内容，它们之间可能意见不一。但它们的分歧本身就是一个数据点，因为这是否意味着存在机会？因为没有人知道。这就是我们试图为人们提供信息的方式。第二个问题是，人们的大量数据分散在各处。我认为存在不同类型的整合方式。第一种情况是他们的杂乱PDF数据，我们为此开发了视觉语言模型来解析这些数据。我们会将用户上传到Moshi云版本的数据进行处理，然后将其拆解并构建到我们的数据库中。对于某些类型的数据，必须直接连接到他们的系统，这更像是一个对话过程。假设你正在自行运行这个视觉语言模型，拥有它是否重要？或者你更倾向于使用现成的解决方案？比如，Reducto就是一家不提供文档的处理公司。拥有自己的模型与使用现成模型有多重要？我认为这正是许多公司目前面临的难题。对我们来说，第一个问题是，如果有人将数据交给我们，我们不希望将这些数据发送给第三方。因为确实存在一些系统可以为你完成这些工作。但你必须确保双方就数据处理方式达成一致，他们具体会如何处理这些数据？这是第一个问题。第二个问题是，如果你没有工程师团队，这将是一个很好的解决方案。但如果你像我们一样拥有工程师团队，有趣的是，我们团队的大多数人曾在某些方面与NASA合作过，他们更倾向于自己构建模型。但并非所有人都具备这样的条件。因此，我认为这取决于你团队所处的阶段。明白了，好的。然后在你的演讲中，你似乎收到了很多来自该领域的反馈。

17:24 这是我们第一次专注于金融领域的活动。我之前真的不确定能邀请到哪些人。显然，我们为这个群体进行了大量宣传和推广。你最终和哪些人进行了交流？是的，这是一次绝佳的机会，因为我们一直在连续不断地与人们沟通。最初我们以为的潜在兴趣群体，结果却出现了许多意想不到的反馈。在过去一小时内，有人通过LinkedIn给我发消息说："我看到了你的演讲，你在休斯顿吗？我们能安排一次会面吗？"或者"你在纽约吗？我们能安排一次会面吗？"我们接触到的大多是基金公司或咨询公司的交易员，而人工智能工程师则是一个有趣的群体，因为他们中的许多人正感受到来自管理层的压力。要做什么？因为现在人们常说："我们不需要团队，你就是团队。"所以这就变成了："我需要现在构建整个系统"

19:31 我自己。但这样的系统通常需要10个人来完成。很多人跟我们聊过，他们说：“嘿，我需要构建一个系统。但像，你知道的，我是否需要使用代理群体？但万一有什么出问题怎么办？”有趣的是，有人告诉我：“我构建了这个系统，人们告诉我他们需要它，这在他们的邮件里。但没人点击它，他们却抱怨自己有这个问题。那我该怎么办？”这就是其中一个领域。然后是关于合作。你知道，我们一直在和人们会面，人们说：“嘿，你们在做这个，这很有趣，因为我们也在做这个。我们之后可以聊聊。”因此，我实际上延长了在纽约的逗留时间，因为原本我今天应该离开。现在我们安排了周四的会议，又延长了一天到周五，再延长到周一。现在我还有会议，人们说：“嘿，我们在能源行业，我们在休斯顿见吧。”所以，我们会在会议结束后的一周内安排满满的会议。天哪。是的。我的团队还说：“嘿，Anekha，又有人报名了，又有人报名了。”这真的很酷。

20:32 一对一的交流有趣吗？我想是因为他们需要私下向你提问。但当你本可以构建业务或产品时，安排这么多会议似乎效率很低。是的。我们尽量帮助人们，我们会先安排一次初步会议，但真正想要的是了解你解决的问题，然后制定后续计划。因此我们现在正在采取一些措施来优化这个流程，因为我们收到了大量外部请求，所以我们正在举办首次网络研讨会。我们无法一直进行这些一对一的会议。一般来说，当我还在买方市场时，银行实际上会为我们安排这些会议。是的。他们会来到这样的小房间，有个圆桌会议。我会一次见五个人。比如，我会说：“我是某家公司的CFO，我需要做投资者关系。”

21:33 我一次会见五个基金，而我本人就是其中之一。我想象着未来我们可以为你们做些什么，虽然目前还没有完全落实，但我觉得我们应该安排现场会议。比如，你们在那里，这很有意义。人们看了你的演讲，他们想和你多聊聊，他们应该能报名，你可以一次见五个人。而且，这些问题很可能都是一样的。实际上，这会是个好主意，因为我们以前在金融行业就是这样做的，这确实是个好主意。比如，我们曾有一次会议，有时你甚至不知道你要见的人长什么样子。好吧，你试图拍下你所在的位置的照片。真的吗？就像，“来这儿见我，来这儿见我，然后打电话给他们。”这样的想法会很棒。比如，分配一个会议房间。是的，就像，“嘿，整个楼层都是这样，但我们不得不提前分配给其他演讲者，我们想做动态分配。我只是不知道如何开始，我正试图和你一起完善这个方案。所以，你不需要飞到休斯顿，甚至如果他们在纽约，你甚至不需要去他们的办公室。”

22:34 大家都进来，完成各自的会议。你就可以走了。我觉得这个想法其实挺不错的。比如给这个人安排一个30分钟的时段，然后让大家报名。想怎么安排就怎么安排。是的，比如更短一点的时段。这个主意很好。是的，是的。嗯，除了这些，还有其他方面我们能做得更好吗？或者你在大会上有什么特别的体验？我觉得这是我参加过的组织最出色的会议。真的，我收到的高质量指导建议非常多，而且安排得非常清晰，比如演讲者团队、分组讨论室，还有演讲者休息区。我觉得休息区的设置从未这么好过。嗯，对了，理发。我知道你没做面部护理。我做了面部护理和按摩。是的，我知道你剪了头发。我也剪了头发。嗯，我想说，我们确实需要好好照顾演讲者。这次活动的组织确实超出了预期，这要感谢认知团队的付出。不过，总的来说，组织工作确实很重要。

23:38 我认为从商业价值和效率的角度来看，这是一个重要的因素。我们希望打造一个对招聘和销售都有用的平台。但我不确定如何平衡这两者，因为对你来说，招聘和销售哪个更重要？就我们目前的情况而言，我们刚刚完成了招聘，接下来也计划继续招聘。我们一直在与人见面，但目前的优先级是与客户见面，而不是招聘。因为我觉得我们在招聘方面已经有很多来自LinkedIn的持续申请。真的吗？是的，我们曾发布过一个职位，只用了四天就关闭了，收到了2500份申请。这本身就很棘手，但与那些想购买的人见面，以及与那些有需求但不想购买的人见面，这之间的区别很重要。你正在寻找的匹配对象是，

24:39 我还没有遇到过任何能成功做到这一点的人。嗯，不过，我真的很喜欢你提出的1对1见面的建议。是的，是的。基本上，我正在将我之前在对冲基金领域积累的经验转移到人工智能和金融领域。是的，我们会尝试在明年做到这一点，努力成为该领域的权威。我认为在招聘方面，这相当于购买，而且非常明确。我觉得我在这方面可以更好地帮助你。在招聘方面，我也想帮助你。是的，2500份申请太多了，其中大部分都是噪音。你需要一个更好的筛选方式。我有一个很强的观点。好的，请继续。有很多人以一种隐蔽的方式参与，比如他们是在购物或窥探。你有这种情况，但你也有那些在法律上不允许工作的人。这中间有很多噪音，比如签证问题，围绕签证的噪音也很多。当我第一次创业时，也就是我第一次作为创始人，当我第一次

25:41 开始的时候，你并不了解这些事情。你并不了解市场。对的。而且与这些相关存在很多噪音。是的。好吧，我们会尽力为你获取更强的信号。我们希望成为一个高信号的会议。嗯，我非常感激你花时间与我们交流，并祝贺你的成功。非常感谢。我有一个问题想问，就是你是如何进入AI领域的？嗯，就是，决定开始的。嗯，我离开了对冲基金领域，进入了科技行业，当AI浪潮来临时，我意识到我必须非常迅速地进入这个领域，建立自己的立足点。因此我做了AI工程职位，并开始举办这个会议和媒体相关的工作，因为我本质上是一个媒体人。是的。在我的内心深处。嗯，我有点想念交易，但这份工作非常充实，因为可以见到真实的人，而不是整天盯着屏幕。嗯，我也有同感。好吧，非常感谢。我想我们得走了。非常感谢。谢谢。谢谢。

#### 关于本集的讨论

评论

Restacks

由AI工程师打造的播客！在2025年，超过1000万读者和听众来到Latent Space，聆听关于Software 3.0的新闻、论文和访谈。我们涵盖基础模型在代码生成、多模态、AI代理、GPU基础设施等各个领域的变革，直接来自推动前沿的创始人、构建者和思想家。我们致力于为你提供当前热点的权威解读，以及未来三个月你将使用的技术的首次介绍！我们独家报道OpenAI、Anthropic、Gemini、Meta（Soumith Chintala）、Sierra（Bret Taylor）、tiny（George Hotz）、Databricks/MosaicML（Jon Frankle）、Modular（Chris Lattner）、Answer.ai（Jeremy Howard）等的新闻和独家访谈。完整的节目备注始终在https://latent.space 赞助和商业合作：

[email protected]

收听渠道：

Substack App

Apple Podcasts

Spotify

RSS Feed

近期节目

为什么AI计算采用矩形设计 —— Modal首席执行官Erik Bernhardsson

8分钟前

•

Basil Chatha

为财富2000强企业打造AI：Tenex如何构建原生AI的SDLC —— Alex Lieberman & CJ Hess

10月21日

可编程数据中心 —— SF Compute的Evan Conrad

10月20日

以计算速度实现闭环实验室 —— Leash Bio的Ian Quigley

10月14日

Brandon Anderson

Dyna-2：具备小时级自主性的通用物理代理 —— Dyna Robotics的Jason Ma

10月13日

为什么AlphaFold没有解决蛋白质折叠问题 —— Google DeepMind的Pushmeet Kohli & Biohub的Sal Candido

10月10日

从半导体到超导体的合成超级智能 —— Periodic Labs的Liam Fedus和Ekin Dogus Cubuk

10月8日