创业压力与“一人团队”现象

Anekha Sokhal在参加AI Engineer New York会议后，原本计划离开的行程被不断延长的商务会谈填满。这一现象折射出当前AI工程师群体面临的巨大管理压力。许多企业管理层不再组建专业团队，而是要求单个工程师承担原本需要十人协作的系统构建任务。这种“你就是整个团队”的期望，使得工程师不得不独自面对复杂系统的开发挑战。

“人们现在说：我们不需要一个团队，你就是那个团队。所以你得自己构建整个系统。”

这种压力不仅体现在工作量的激增，更在于对工程师全栈能力的苛刻要求。Anekha指出，这种趋势让许多技术人员感到不堪重负。会议期间密集的能源行业会谈进一步证实了市场对AI落地应用的迫切需求，但也暴露出企业在组织结构和人才策略上的认知错位。对于创业者而言，理解这种行业痛点是构建有效解决方案的前提。

从数学背景到能源衍生品交易

Anekha的学术与职业路径始于统计学、运筹学及经济学。她在华威大学（Warwick）攻读本科时，主修数学与运筹学，这一背景在当时被视为过于“极客”，但在如今AI时代却成为核心优势。她最初进入金融行业，在摩根大通（JPMorgan）的新兴市场部门起步，随后转至商品交易台，专注于能源衍生品。这段经历让她深刻认识到数据在快速变化市场中的决定性作用。

“我的本科背景是数学、运筹学、统计学和经济学……现在大家都叫它AI。”

在交易过程中，Anekha发现市场波动往往由基本面数据、新闻事件及物理供需变化共同驱动。她习惯于将市场拆解为各个组成部分进行从零构建的分析，这种数据驱动的思维方式使她在交易员中脱颖而出。然而，随着市场信息量的爆炸式增长，传统的人工跟踪方式已无法应对海量数据与快速决策之间的矛盾。这种痛点最终促使她离开摩根大通，寻求通过技术手段解决信息过载问题。

创立Moshi：连接数据与交易决策

获得富布赖特奖学金（Fulbright Scholarship）后，Anekha前往美国深造并开启创业之路。她创立了Moshi公司，旨在打造一款专为商品交易员设计的推荐引擎。她将Mosi描述为“彭博终端、Claude和Netflix的混合体”：结合市场数据基础设施、自然语言交互界面以及基于用户交易组合的个性化推荐。这一工具的核心目标是解决交易中信息过载与决策效率低下的问题。

“Moshi可能是彭博、Claude和Netflix生下的孩子：市场数据，用于处理它的工作流界面，以及针对交易员的推荐。”

Anekha在2020-2021年疫情期间获得奖学金，当时全球能源市场因疫情和地缘政治因素出现极端波动。她在面试中关于数据与能源危机关系的论述引起了评委共鸣。Moshi的诞生并非偶然，而是源于她作为前交易员对“理想工具”缺失的直接体验。通过整合多源数据并提供智能推荐，Moshi试图帮助交易员从繁杂的信息中筛选出对其特定投资组合（Book）真正关键的市场信号，从而提升决策的精准度与速度。

信任机制、模型策略与客户洞察

在技术实现上，Moshi强调可信数据源（Trusted Sources）的重要性。Anekha指出，在金融领域，数据的准确性与来源的可追溯性优于单纯的模型复杂度。公司采用Reducto等工具进行文档提取（Document Extraction），以处理非结构化数据。关于模型策略，Anekha倾向于构建与购买相结合的方式，而非完全自研或依赖现成黑盒模型。她特别强调客户会议优先于招聘，认为深入理解用户工作流比盲目扩张团队更为关键。

“在AI工程师纽约会议上，我学到了什么？为什么见用户比招聘更重要。”

Anekha认为，AI工程师常被要求构建完整系统，但真正有价值的AI必须适配人们实际的工作方式。通过直接与客户交流，Moshi得以从“仪表盘式”展示转向嵌入工作流（Workflows）的解决方案。这种以用户为中心的开发策略，确保了技术能够切实解决交易员在信号识别、文档处理及数据整合中的实际痛点，而非仅仅展示技术能力。这种务实的态度是Moshi在竞争激烈的金融科技领域立足的关键。

从NASA研究到Moshi的创立初衷

Anekha Sokhal拥有深厚的机器学习研究背景，曾在ICLR发表与Stability AI合作的论文，并与NASA进行过协作。这些经历促使他创立了Moshi公司。Moshi的核心愿景是构建一个交易者希望在自己交易生涯早期就能拥有的工具，旨在为商品、能源及宏观市场的金融交易者提供实时洞察。该平台能够处理远超人类能力极限的数据量，以告知用户其投资组合当前最需要关注的信息。Moshi不仅仅是一个数据聚合器，更是一个旨在解决交易者在复杂市场中难以全面掌握信息的痛点的产品。

海量数据处理能力与数据类型解析

在数据处理的规模上，Moshi展现了惊人的效率。Sokhal用一个形象的比喻来说明其处理速度：在他用四秒钟说完一句话的时间里，Moshi已经学习了300个新信息点。 这种量级的数据处理能力是其核心优势之一。在数据类型方面，Sokhal将市场数据分为结构化与非结构化两大类。结构化数据包括期货市场的时序数据和各种技术分析指标，如统计指示器和移动平均线，这些数据实时更新。此外，还包括基本面的时序数据，特别是在供需关系复杂的商品市场中。

非结构化数据与用户私有数据的融合

除了公开的市场数据，Moshi还深入处理大量的非结构化数据和替代数据。这包括新闻、X（原Twitter）上的社交媒体动态以及播客音频等公共可用信息。 然而，Moshi的独特之处在于它还整合了用户的私有数据。例如，交易者关注的特定分析师、付费订阅内容以及企业内部特有的情报（如通过霍尔木兹海峡的LNG船只数量）。Sokhal指出，这些数据清洗、转换并打上标签后，会构建起一个本体论体系。 这种公私数据的结合使得平台能够提供更个性化的服务。

N维图谱与实时洞察输出

处理后的数据被输入到Moshi的N维图（n-dimensional graph）中，最终输出为一种推送式软件。用户每次打开Moshi时，都会看到与其投资组合相关的新信息，并能通过LLM在30秒内获取通常需要数天才能完成的数据分析答案。这种极速的信息提取能力是Moshi区别于传统金融终端的关键特征之一，它极大地缩短了从数据到决策的时间窗口。

重新定义金融终端：Bloomberg、Claude与Netflix的结合体

面对“是否是新的Bloomberg”的质疑，Sokhal明确表示Moshi是不同类型的软件。他提出一个大胆的定义：如果Bloomberg、Claude和Netflix生下一个孩子，那就是Moshi。 他承认Bloomberg聊天功能在交易执行方面的卓越地位，甚至提到自己早期通过解析Bloomberg聊天记录进行期权定价的经历。但Moshi的定位更偏向于一种基于推荐系统的信息策展工具。它不仅仅展示数据，而是通过算法连接看似无关的信息点。这种模式借鉴了Netflix的推荐逻辑，旨在揭示交易者可能忽略的二阶和三阶衍生品影响。

基于图谱的推荐引擎与间接影响力分析

Moshi内部构建了一套复杂的推荐系统（RecSys），这是其核心价值所在。Sokhal强调，当交易者关注某一特定领域时，系统能提示那些间接影响该领域的二阶或三阶因素。 例如，一家能源股票公司的行为可能间接影响油价，这种关联无法通过简单的新闻流获得。只有通过连接图谱或模拟人类思维的连接能力，才能将这两个信息点关联起来并推送给用户。 这种机制解决了传统新闻流无法捕捉复杂市场联动性的问题。

AI推荐系统的重要性与UI挑战

Sokhal指出，推荐系统是AI中最重要的部分之一，但在工程师群体中往往被低估。尽管YouTube、Netflix和TikTok等巨头都依赖强大的推荐系统，但在AI会议中相关议题的参与度却不高。他认为部分原因是因为人们误以为构建推荐系统很容易，但实际上它是公司最重要的系统之一。 此外，Sokhal还提到了当前AI应用面临的一个普遍挑战：许多用户虽然能构建自己的Claude仪表盘，但这只是个人思维的延伸。 要让他人将这些工具整合到工作流中，面临的不再是技术问题，而是UI/UX交互问题。如何让用户自然地接受并使用这些AI驱动的工具，是Moshi需要解决的关键挑战。

推荐系统与UI的共生关系及交易员背景

Moshi 公司的核心论点在于，解决推荐系统的问题自然也就解决了用户界面（UI）的设计问题。在软件同质化严重的当下，如何让产品真正被用户使用是关键。许多平台擅长通过推送数据来“钩住”用户，使用户在不知不觉中沉浸其中并产生需求。这种数据驱动的用户粘性是平台成功的关键，而 Moshi 试图通过内部研究来验证 UI 与推荐系统之间的这种内在联系。Anekha Sokhal 的个人背景为这一观点提供了实践基础，她曾在伦敦交易货币期权并涉足利率市场。她的职业路径遵循了从 EMEA 到 G10 货币的典型轨迹，这一过程需要摄入和处理海量信息。她指出，尽管十年前缺乏相应的工具，但现在看来 LLM（大语言模型）在信息处理能力上具有显著优势，这为现代金融数据处理提供了新的可能性。

另类数据的高昂成本与市场噪音挑战

在转向买方机构（Buy Side）后，Sokhal 亲历了另类数据的高昂成本与复杂性。她提到 Balyasny 是最早使用 X（原 Twitter）数据流的机构之一，每月需支付高达 $300,000 的数据费用。这种数据流极其嘈杂，包含大量无意义内容甚至市场操纵言论。Sokhal 坦言，她本人不会基于此类数据直接进行交易，因为信息的可信度难以保证。除了社交媒体数据，买方机构还依赖卫星图像和信用卡交易记录等另类数据源。然而，核心痛点在于如何确保数据的整合与信任。当机构向外部提供数据或引入第三方服务时，他们最关心的问题往往是：“你们真的在看我的数据吗？”以及如何在不直接可见的系统中实现无缝集成。这引出了两个核心问题：在数据过载的环境中如何识别重要信息，以及如何安全地整合分散的数据源。

构建信任机制与多源数据冲突的价值

针对“如何从海量数据中识别重要信息”的问题，Sokhal 发现用户倾向于信任行业内的特定意见领袖和供应商。例如，LNG（液化天然气）设施运营商常通过社交媒体发布状态更新，因为这些渠道最为快捷。Moshi 的策略是过滤噪音并引入置信度评分（Confidence Score），不仅展示单一观点，还呈现围绕该话题的其他动态。Sokhal 强调了一个反直觉的观点：不同信源之间的分歧本身也是数据点。例如，当路透社、彭博社和华尔街日报对同一事件（如船只或飞机数量）的报道不一致时，这种信息不对称揭示了潜在的市场机会。因为“没有人知道真相”，所以捕捉这些差异比追求单一事实更具价值。这种机制帮助用户在不确定性中做出判断，而非仅仅依赖权威信源的单向输出。

自研模型与数据隐私的权衡策略

在数据处理的技术实现上，Moshi 采用视觉语言模型来处理用户上传的非结构化数据（如杂乱的 PDF），将其拆解并构建到数据库中。关于自研模型与使用现成第三方服务的权衡，Sokhal 指出首要考量是数据隐私。如果用户将敏感数据传输给第三方，必须明确数据处理协议和用途。对于拥有工程团队的机构（如 Moshi 团队中许多人有 NASA 背景），自研模型是更优选择，因为它能确保数据不出域；但对于缺乏技术资源的团队，使用现成解决方案（如 Reducto 等文档处理工具）则是更务实的路径。这种选择取决于团队的技术能力与对数据控制权的优先级。Sokhal 认为，没有绝对的标准答案，关键在于机构是否具备内部工程能力来支撑自研模型的维护与迭代。

AI 落地困境：从“需要系统”到“无人使用”**

Moshi 的首场金融聚焦会议吸引了大量交易员、咨询顾问和 AI 工程师的关注。Sokhal 观察到，许多 AI 工程师正面临来自管理层的巨大压力，被要求“一个人就是一支队伍”去构建复杂的 AI 系统。然而，这些系统通常需要十人团队才能完成。更令人深思的是“构建即失败”的现象：工程师们按照需求构建了系统，甚至将其集成到用户的电子邮件中，但结果却是“没有人点击它”。这一案例揭示了 AI 落地中的核心矛盾：技术实现与用户实际使用习惯之间的脱节。仅仅满足功能需求并不足以保证产品的成功，UI 与推荐系统的协同优化才是解决“用户不使用”这一顽疾的关键。Sokhal 的经历表明，理解用户的真实行为模式比单纯堆砌技术功能更为重要。

会议期间的密集商务拓展与行程延长

Anekha Sokhal 在纽约参会期间，原本计划当天离开，但因商务洽谈需求不断延长停留时间。她提到最初只是常规的交流，随后对方表示“嘿，你在做这个，这很有趣，因为我们在做那个”，从而引发后续对话。这种自发的商务连接导致她的行程从周四一直延长至周一，甚至有人邀请她去休斯顿进行能源领域的深入交流。 会议结束后的一周内，她的日程被完全填满。她形容这种状态为“太酷了”，团队也反馈不断有新的人报名参与交流。这反映了当前市场对 AI 与金融结合领域的高度关注，以及通过线下会议建立深度连接的巨大潜力。

“Hey, we’re in energy. Let’s talk in Houston.”

优化一对一沟通效率的构想：从分散到集中

尽管一对一交流能解决私密性问题，但 Anekha 认为其效率较低。她指出，“我们尽量对人有帮助，会有初步会议，但真正想了解你解决的问题是什么”，随后制定计划。鉴于涌入量巨大，他们正在举办首次网络研讨会以缓解压力。她借鉴在买方（Buy-side）银行工作的经验，提出“现场会议”或“小组会议”的概念：类似以前 CFO 同时面对五个基金投资者的场景，将多个有相似问题的人聚集在一起交流。

“I imagine what we could do for you in future... meetings on site. Like you’ve, that makes sense.”

这种模式允许参与者提前注册，在指定房间进行 30 分钟的集中交流。Anekha 认为这是一个“非常好的主意”，因为许多问题往往是重复的，且无需双方长途跋涉或前往对方办公室。 她设想通过动态分配会议室资源，让所有人在同一地点高效完成沟通，从而提升整体效率并减少差旅成本。这种从“一对一”向“一对多”或“集中式对接”的转变，旨在解决当前会议安排过于分散、资源利用率低的问题。

对会议组织的评价与招聘痛点分析

Anekha 高度评价本次大会的组织工作，称其为“我参加过的组织最好的会议”。她特别提到高质量的建议、清晰的演讲团队安排以及舒适的休息室体验，甚至幽默地提及自己做了面部护理和理发。 然而，在业务价值与效率方面，她更关注如何平衡招聘与销售。目前，他们的优先级是见客户而非招聘，因为 LinkedIn 上的求职申请量过大且噪音极高。

“I think this has been the best organized conference I’ve been to... no, seriously.”

她透露，曾有一个职位开放仅四天就收到 2500 份申请，最终不得不关闭招聘通道。她指出这些申请者中存在大量“噪音”，包括那些以间谍或窥探为目的的竞争对手，以及因签证问题无法合法工作的人。 作为首次创业者，她坦言起初并不了解市场中的这些复杂情况。因此，建立一个高信号（High Signal）的筛选机制至关重要，以过滤掉无效申请并找到真正有购买意向或合适的人才。

从对冲基金到 AI 领域的转型路径

在讨论个人职业轨迹时，Anekha 解释了她如何进入 AI 领域。她离开对冲基金行业转向科技界，当意识到 AI 浪潮来临时，决定迅速行动以确立在该领域的地位。 她完成了 AI 工程课程后，创办了此次会议及相关媒体业务，因为她自认为是一个“非常注重媒体传播的人”。 这种从传统金融到前沿科技的快速转型，不仅体现了她对市场趋势的敏锐洞察，也展示了她利用媒体影响力推动行业发展的策略。未来一年，他们计划将此次会议打造为该领域的标杆性活动，并继续优化招聘筛选流程。

“I realized that I better move very, very quickly to establish this field.”

职业转型的内心独白与价值重塑

在回顾从交易员到技术产品负责人的职业生涯转变时，Anekha Sokhal 坦诚地表达了一种复杂的情感。尽管他承认自己偶尔会怀念交易本身带来的刺激与挑战，但他更强调当前角色所带来的深层满足感。这种转变不仅仅是工作内容的改变，更是人际互动模式的根本性重构。从独自面对屏幕到与真实的人建立连接，这种变化极大地提升了他的职业幸福感。他不再需要长时间地盯着K线图或数据终端，而是能够走出办公室的狭小空间，去接触更广阔的世界。这种从虚拟数据到现实人际关系的跨越，成为了他职业生涯中最重要的转折点之一。

从屏幕到人的互动体验升级

对于许多传统交易员而言，长时间面对冰冷的数据终端是一种常态，而Anekha的经历则展示了另一种可能性。他提到，现在的日常工作让他有机会去认识真实的人（meet real people），而不是日复一日地对着屏幕发呆。这种互动不仅限于简单的寒暄，更包括深入的业务交流、需求探讨以及合作关系的建立。这种面对面的沟通方式让他能够更直观地理解市场参与者的痛点，从而更好地构建服务于商品交易商的技术引擎。这种以人为本的工作方式不仅丰富了他的职业体验，也为他所在的公司带来了更贴近市场的需求洞察。

共同的感悟与对话的终结

在访谈的最后，另一位参与者（可能是采访者或同事）表达了强烈的共鸣。他坦言自己也有同样的感受（feel the same），这暗示了在从纯技术或交易岗位转向更具交互性的角色时，行业内存在一种普遍的心理认同。这种情感上的共鸣强化了职业转型的合理性，表明这并非个例，而是一种值得肯定的行业趋势。随着对话接近尾声，双方礼貌地结束了这次交流。感谢彼此的分享不仅是对话的结束标志，也象征着对彼此职业选择的理解与支持。这种基于共同价值观的交流，为整个访谈画上了一个温暖而有力的句号。

结论

Moshi通过融合结构化市场数据、非结构化新闻及用户私有情报，构建了基于N维图谱的推荐引擎，旨在解决商品交易中的信息过载与决策滞后问题。其核心优势在于利用LLM实现秒级洞察，并通过捕捉信源分歧挖掘市场机会。然而，该系统高度依赖数据清洗质量与用户工作流的深度嵌入，面临UI/UX接受度及替代数据噪音挑战。Moshi并非传统终端的简单升级，而是以推荐逻辑重构信息策展流程。其成功关键在于平衡自研与采购模型以确保数据隐私，并建立高信号筛选机制以应对市场噪音。