"如果 Bloomberg、Claude 和 Netflix 生了个孩子"：给交易员做推荐系统、"二阶和三阶导数你现在就得知道"，以及"我把系统建好了，人人都说需要，没人点"（Latent Space / Anekha Sokhal，2026-10-22）¶

嘉宾: Anekha Sokhal — Moshi 创始人（给商品、能源与宏观交易员做实时洞察）。英国华威大学 MORSE（数学、运筹学、统计与经济）本科；JP Morgan 新兴市场台转商品台做衍生品，职业生涯多数在能源衍生品；拿到 Fulbright 数据方向奖学金赴美（⚠️ 她自述"全英国只给一个"），与 Stability AI 合作在 ICLR 发表过论文、与 NASA 有过合作。
主持: swyx — ✅ 本期主持身份可确认（他自述"作为 AIE 的策展人，我每年都办一个 LLM RecSys track"、"我写了那篇 AI engineering 的文章、办了这个会"）。⚠️⚠️ 而他本期还披露了一段与本期主题直接相关的个人履历，本页认为必须一并记下：他曾在伦敦做外汇期权交易、后转利率，再转买方，在 Balyasny 是最早做 X / Twitter firehose 的少数几家之一。
来源: YouTube · 27 分钟 · AI Engineer 大会 NYC 现场录制（他说这是"本届 AIE 我录的最后一期"）
转录稿: sources/latent-space/20261022-DWHyPWnzGAI

✅ 信源形态：人工字幕（en-US），专名损坏极少。⚠️ 字幕无说话人标签、本库未做分离；✅ 但本期只有两人、且两人的背景与立场差异很大（创始人 vs 曾任交易员的主持人），逐条归属在内容上基本无歧义，本页据此标注。

⚠️⚠️ 本页必须先说明收录范围，因为这一期有将近一半内容没有 AI 实质：[00:18:28] 之后基本转为会议组织与招聘经验的对谈——她在会上拿到多少 inbound、要不要把一对一改成一对五的现场会议室、speaker lounge 的理发与按摩、会议体验反馈。✅ 本页只收录其中两条有实质的（AI 工程师在会上反映的管理层压力、以及一个岗位四天 2,500 份申请的招聘噪声），其余会议运营细节不收录。✅ 本期真正的内容集中在 [00:05:02]–[00:17:24]。

⚠️⚠️ 引用她时必须一并标注的利益相关：她是创始人，本期全部关于产品能力与数据规模的描述都是产品自述，没有一个客户案例、没有一个效果数字、也没有任何第三方验证。⚠️ "同样四秒钟里 Moshi 学到了 300 件新东西"这类说法本库记为营销口径，不作为能力指标（见下文标注）。

✅ 本期自我削弱有两处，本页记下：① 被问要不要自建视觉语言模型时她明说"如果你没有一支工程师团队，那么现成方案是个很好的解法"（[00:17:24]）；② 她把"用户信任某个个人账号"这件事如实讲了出来，而主持人当场评价为"sketchy（不靠谱）"，她没有反驳（[00:15:17]）。

✅ 本页认为这一期值得保存的是三处，其中两处与本库最近的材料直接对话： ① ⚠️⚠️ "推荐系统"是本期的真论证：交易员真正需要的是二阶、三阶导数——"如果有家能源股票公司在做某件会间接影响石油的事，你现在就得知道。这个你从新闻流里拿不到，你只能从一张连起来的图里拿到。" ✅ 她给的替代方案只有两个：一个能做这种连接的人，或者一个模仿人的推荐系统。见第二节。 ② ⚠️⚠️ "现在人人都能给自己搭一个 Claude 仪表盘……那是你的大脑装进一个仪表盘里。你试试让一个新的人把它纳入他的工作流"（[00:12:15]）——✅ 她的结论是"你面对的就不再是一个数据问题了，你面对的是一个 UI 问题"，而配套的那条一手观察是本页认为本期最该被保存的一句：⚠️⚠️ "我把系统建好了。人们告诉我他们需要它。它就在他们邮箱里。没人点。但他们还在抱怨自己有这个问题。" ✅ 这与 Tenex 那条"生产环境里的非工程 agent 约 5%"的漏斗是同一现象的两份独立材料，见第三节。 ③ ⚠️ "分歧本身就是一个数据点"：当路透、Bloomberg、华尔街日报对同一件事说法不一致时，"它们不一致这件事本身就是数据，因为那里是不是有机会？因为没人知道。"（[00:16:21]）

一、她的背景，以及主持人披露的同构履历¶

她的路径（[00:01:58]–[00:05:02]）¶

本科是华威大学的 MORSE（数学、运筹学、统计与经济）。⚠️ 她对这个专业的社会评价变化讲得很直接："当时所有人都说'天啊，太书呆子了'，我讨厭告诉别人我学什么。现在变成'哇'。" ✅ 她的概括是："我本科读的是统计和数学，也就是现在所有人叫 AI 的那个东西。"
进交易的动机：想要节奏快、和数据有关的工作——"我读到交易是什么之后，我没法想象自己做任何别的职业。"
路径：投行与交易实习 → JP Morgan 新兴市场台 → 商品台做衍生品 → 多数时间在能源衍生品。
⚠️⚠️ 她自述的那条职业转向的理由，本页认为是她后来产品形态的来源：因为有数据背景，她一直想把市场拆成所有不同的部分——"商品里很多东西是关于基本面、关于各种消息、关于实际在发生的实物"，而她"一直着迷于从零开始把它搭起来"。她说交易时看到了一个位移——"先是数据，然后某件事就要发生了"，于是离开 JP Morgan。
来美国的方式：⚠️ Fulbright 的数据方向奖学金，她说"全英国只给一个"。✅ 她讲的那个面试细节本页认为值得记，因为它是一次时机的运用：2020 年疫情期间天然气市场波动极大，面试问她"你怎么看未来"，她讲的是全球能源市场危机与数据的关系——"所有人都能对上我在说的东西，因为天然气价格疯了、他们的电费单疯了。"
⚠️ 一条顺带的前史（[00:04:01]）：她在大学期间侧着做过一个计算机视觉创业项目，起点是父母的珠宝生意——"珠宝这行有什么问题？哦，虚拟试戴。" 她说这件事让她想当创始人，而"我想当一个能讲明白技术的创始人"（彼时约 2020–2021）。

⚠️⚠️ 主持人本期披露的履历，以及他对替代数据的怀疑¶

（[00:13:15]–[00:14:17]）✅ 本页认为这段必须记下，因为它让本期的提问方成了一个有一手经验的对照者，而不是单纯的访谈者：

他的路径：在伦敦做外汇期权交易，之后做过一段利率，职业路径与她相似（"你从 EMEA 开始，然后进 G10"）；后来转到买方，开始花钱买替代数据。
⚠️⚠️ 他给的那个数字与那条怀疑：他们在 Balyasny 是最早做 X / Twitter firehose 的少数几家之一——"那是个贵得离谱的数据，大概每月 30 万美元，你得付这个钱才能拿到所有推文。" ⚠️ 而他的评价是否定的：

"它非常嘈杂。所以我有点瞪眼，因为我不确定我会不会拿这些东西去交易——因为有时候人就是在胡说，有时候人是故意说点什么来操纵市场。而且它就是没那么重要。"

他另提到买方还会买卫星信息、信用卡数据之类。 - ⚠️ 他对自己那个年代工具的说法："我做这事是十年前，那时候我们没有这些工具。" ✅ 本页标注：这条是对本期产品前提（"LLM 大概能比人处理得更好"）的一个来自同岗位前任的确认，但他同时否定了其中一个具体数据源的价值。本页并列两条，不判定。

二、⚠️⚠️ 产品形态：数据分类学，以及"推荐系统"为什么是这里的正确抽象¶

来源：Latent Space / Anekha Sokhal（本期）

她给的产品定义与数据分类（[00:05:02]–[00:08:09]）¶

定位："Moshi 就是我当交易员时希望自己有的那个程序"——给金融交易员提供实时洞察，从商品与能源市场、宏观市场开始，做的是"处理超出人力可能的数据量，告诉你此刻一切与你的组合有关的事"。

⚠️⚠️ 她给的规模说法本页记为营销口径，不作为能力指标：

⚠️ "我跟你说这句话要花四秒钟。在同样这段时间里，Moshi 学到了 300 件新东西。"

⚠️ "学到一件新东西"没有定义（是一条记录？一个实体？一条边？），本库不换算、不采信。

✅ 而她给的数据分类本页认为是本期最有结构的一段，因为它来自她自己的交易方法（"这其实就是我在显摆我会怎么交易"）。她把市场拆成四类：

类别	内容
结构化：期货时间序列	全部技术分析——统计指标、各种技术指标、各种移动平均；"而这显然在不断更新"
结构化：基本面时间序列	"尤其在某些商品市场，供给和需求的分量很大"
非结构化：公开	新闻是最明显的那个；⚠️ 另有 X（Twitter）数据、播客的音频数据
⚠️⚠️ 非结构化：用户私有	用户自己在意的分析师、自己的订阅、以及内部数据

⚠️⚠️ 她对第四类给的例子本页认为是最能说明问题的一处（[00:08:09]）："我不能过来告诉你'你该读这个人'，因为你有你需要的那些人"；而内部数据的具体形态是——"我们聊过的一些公司，如果他们在交易能源市场，他们会有专人盯着穿过霍尔木兹海峡的 LNG 船数量。"

她给的管线：把两类数据合在一起 → 数据清洗与转换 → 统计与机器学习 → 打标 → 在上面建一整套本体（ontology） → 放进"Moshi 的 n 维图" → 产出一个会把数据推给你的软件。⚠️ 输出有两种模式：推（"每次你打开 Moshi，你都会看到一个与你的组合有关的新东西"）与拉（"LLM，我会在 30 秒里给你通常要花几天才有的答案"）。

⚠️ "不是新的 Bloomberg"：她自己给的定位¶

（[00:08:09]–[00:10:12]）被问是不是常被叫"新 Bloomberg"，她的回答分成两半：

✅ 她先承认 Bloomberg 的护城河在哪：Bloomberg chat 是平台"非常棒的一面"。⚠️ 而主持人补的那条背景本页认为比她的回答更有信息量："交易员会在聊天里成交几十亿美元，而且有一套标准化的格式"——他自己进入 NLP 的起点就是把 Bloomberg chat 解析成结构化的定价表来做期权定价。
⚠️⚠️ 然后是她的定位句："我不会说我们是新的 Bloomberg。我会说我们是一种不同类型的软件。……我不知道这有多有争议，但：如果 Bloomberg、Claude 和 Netflix 生了个孩子，那就是 Moshi。"
她说 Netflix 指的不是视频，是推荐系统（见下）。

⚠️⚠️ 本页认为本期最该保存的论证：为什么是推荐系统，而不是新闻流¶

（[00:10:12]–[00:11:13]）

⚠️⚠️ "如果你是个交易员、你在看某一件事，你真正在意的其实是此刻的二阶和三阶导数——而那些你不会立刻知道。"

她给的具体例子：一个石油交易员，而有家能源股票公司在做某件会间接影响石油的事——"你现在就得知道。"

⚠️⚠️ "这个你从新闻流里拿不到。你只能从一张连起来的图里拿到，是它把这件事指给你。因为如果这两个信息点是现在同时出来的，那么唯一能做到的办法，要么是一个人——一个能把这些连起来的人，要么是一个模仿人的东西，也就是一个能做这件事的推荐系统。"

✅ 本页认为这条值得记的理由：⚠️ 它把"信息过载"这个常见问题重新定义成了一个具体的技术问题形态——不是摘要问题（把多变少），也不是检索问题（按查询找），而是关联推荐问题（在用户没有查询的时候，推送与他持仓有二阶关系的事件）。 ✅ 而她给出的可选方案只有两个（人 / 模仿人的推荐系统），这使这条论证可以被检验：如果摘要或检索能解决，她的论证就错了。

⚠️ 主持人那条关于 RecSys 被低估的观察¶

（[00:11:13]–[00:12:15]）✅ 本页认为这段是本期一条独立的、关于行业注意力分配的材料：

他的身份披露："作为 AIE 的策展人，我每年都办一个 LLM RecSys track。"
⚠️⚠️ 而他给的现象："工程师往往不理解它有多重要。这个 track 甚至没什么人来，尽管来讲的有些人就是在给 YouTube 做 RecSys、给 Netflix 做 Netflix、给 Instagram 和 TikTok 做的那些人。然后没人来。我就想：什么意思？你对 RecSys 不感兴趣？"
✅ 她给的解释："我想部分原因是他们把它做得看起来太容易了。" 主持人接："这是整个公司里最重要的系统。"
⚠️ 他另加了一句对自家嘉宾产品的保留（[00:11:13]）："Netflix 有一整套成瘾性的那一面，那是坏的。" ✅ 她的回答只有"确实有"，没有展开。本页照录这处未被追问的张力——她的产品主张之一就是"推给你、钩住你"（见下），而成瘾性正是这条主张的另一面。

三、⚠️⚠️ "你面对的是一个 UI 问题"：本页认为本期最有迁移价值的一条¶

来源：Latent Space / Anekha Sokhal（本期）

（[00:12:15]–[00:13:15]）她从 Spotify 与 Instagram 的做法起头，给了一条关于"AI 时代人人都能做软件之后会怎样"的论证：

⚠️⚠️ "AI 之后大家得出的一个结论是，现在人人都能给自己搭一个 Claude 仪表盘，对吧？'嘿，我自己做了这个。'很好，很好。但如果你想让别人也用它——那是你的大脑装进一个仪表盘里、装进某个东西里。你试试让一个新的人把它纳入他的工作流。"

⚠️⚠️ "你面对的就不再是一个数据问题了。你面对的是一个 UI 问题——他们怎么和它交互？因为有时候用户就是不会用。"

她给的对照是那些平台做对的事："它们把数据推给你，这就钩住了你。于是你自然而然甚至没意识到自己在平台上，然后你会想：哦，我要那个。不不，我其实要那个。"

✅ 他们公司内部因此在问的那个问题，本页认为是这一节的落点：

"UI 和推荐系统是什么关系？因为我们的论点是：如果你解决了其中一个，你自然也就在解决另一个。"

她对当下的概括："我觉得这是现在一件很大的事：如果所有人都在做软件，你怎么让它真的成为人们会用的软件？"

⚠️⚠️ 配套的那条一手观察：她在会上听到的失败形态¶

（[00:19:31]）✅ 本页认为这是本期最该被保存的一句，因为它是一条具体的、带机制的采用失败记录，而且出自第三方（会上来找她的 AI 工程师），不是她自己的产品叙事：

⚠️⚠️ "还有个有意思的：'嘿，我把系统建好了。人们告诉我他们需要它。它就在他们邮箱里。没人点。但他们还在抱怨自己有这个问题。我该怎么办？'"

✅ 本页认为这与 Tenex 那条企业采用四级漏斗是同一现象的两份独立材料，而且两者互补：

	观察到的	给出的机制
⚠️ Tenex（服务商侧）	生产环境里的非工程 agent 只有约 5%，而前三级（铺工具 90% / 培训 60% / coding agent 约 50%）都高得多	"你没法自动化一个并不存在的流程"——没有标准化就建不了 eval
⚠️⚠️ 本期（工程师侧的转述 + 她的归纳）	系统建好了、需求是用户自己提的、东西送到了邮箱里、没人点	⚠️⚠️ "你面对的不再是数据问题，是 UI 问题"——别人的工作流不会为你的仪表盘让位

⚠️⚠️ 本页的读法（综合，不应归给任何人）：✅ 两条材料指向同一个断点的两侧——Tenex 说的是"流程不存在所以自动化无处落脚"，她说的是"流程存在但新界面挤不进去"。 ⚠️ 而她给的解法（把拉改成推、用推荐系统钩住用户）恰好绕过了"让用户改变工作流"这一步，这是本库目前见到的对该断点唯一一条产品层面的具体对策。 ⚠️ 但它未被验证——本期没有一个客户留存数字。

四、数据质量：信任源、分歧作为信号，以及自建模型的两条理由¶

来源：Latent Space / Anekha Sokhal（本期）

⚠️ 信任源：一条她如实讲出、而主持人当场判为"不靠谱"的用户行为¶

（[00:14:17]–[00:16:21]）主持人的问题是"数据这么多，你怎么知道什么重要"。

⚠️⚠️ 她给的是一条用户行为观察，而不是一个算法："我们发现人们真的会有他们信任的那些人，他们会去追这些业内的声音，尤其在商品里。" ✅ 她给的机制很具体：那些人就是商品的供应方——"LNG、所有这些设施，他们会在上面很活跃，因为这也是他们发布状态更新最快的方式。"
⚠️⚠️ 而主持人的评价只有一个词："sketchy（不靠谱）"。✅ 她没有反驳，接的是"所以这是那种事情之一：我们已经找到了尽可能过滤掉的办法"**。
✅ 她给的产出形式是置信度加语境，本页认为这比"过滤"更可检验："但当我们把它展示给人时，我们给一个置信分——好，某人说了这一件事，但这是围绕这场对话发生的所有其他事情。"
⚠️ 本页标注：关于"怎么过滤"她没有给任何方法细节，而主持人的怀疑（有人胡说、有人故意操纵市场）本期没有被回答。本库记为一处未填的缺口。

⚠️⚠️ "它们不一致这件事本身就是数据"¶

（[00:16:21]）✅ 本页认为这是本期一条独立的、可迁移的方法论：

她的例子："有多少船在走、此刻我们头上有多少飞机过去"这类事实性问题上，路透说一个数、Bloomberg 说一个数、华尔街日报说一个数，⚠️ "它们可能并不互相同意"。

⚠️⚠️ "但它们不一致这件事本身就是一个数据点，因为那里是不是有机会？因为没人知道。"

✅ 本页标注：这把来源冲突从一个要被消解的噪声问题，变成了一个要被保留并上报的信号。 ⚠️ 而本库评估与 Benchmark 与 LLM 心理学上关于"多来源不一致"的材料此前都把它当作需要裁决的问题（谁对），没有一条把分歧本身当作输出。本库记为一条新的处理方式，但注意它的适用前提是交易——分歧在这里之所以有价值，是因为它直接对应可交易的不确定性，这未必能迁移到别的领域。

⚠️ 自建还是用现成：她给了两条理由，第二条很诚实¶

（[00:16:21]–[00:17:24]）她说处理客户那些"乱七八糟的 PDF 数据"用的是他们自建的视觉语言模型（用户上传到自己的 Moshi 云端版本，再拆解并在他们的数据库里重建）；⚠️ 有些类型的数据"就是得接到他们的系统里，那就更需要谈"。

被问"自己拥有这个模型重要吗，还是用现成的（他点名了 Reducto 这类文档处理厂商）"：

⚠️ 她先说"这是现在很多公司都在搏斗的问题"，然后给了两条：
✅ 数据不出门："如果有人把数据给我们，我们不想把它发给第三方。外面确实有能替你做这些事的系统，但你得确保你和他们有那个关于'他们怎么处理这些数据、他们拿它做什么'的协议。"
⚠️⚠️ 而第二条是团队禀赋，而不是技术必要性，本页认为这处很诚实：

"第二个是：如果你没有一支工程师团队，那么那（现成方案）是个很好的解法。但如果你像我们一样有一支工程师团队——一个有趣的事实是团队里大多数人都在某种程度上和 NASA 合作过——那他们就想自己造模型。但不是每个人都有这个。所以我觉得这真的取决于你的团队在什么位置。"
✅ 本页标注：她没有把自建说成一条普适的正确路线，而是把它归到数据协议 + 团队构成这两个具体条件上。 🔗 与本库 Kurtz 自建安全模型给的四条理由并读——⚠️ 两人（同一天、不同行业）给的第一条理由都是"客户的数据不想给第三方"，而这是本库目前关于"为什么垂直厂商要自己训模型"最常复现的一条。

五、两条关于人的材料（会议段落中本页唯一收录的部分）¶

来源：Latent Space / Anekha Sokhal（本期）

⚠️⚠️ "现在人们说：我们不需要一个团队，你就是那个团队"¶

（[00:18:28]–[00:19:31]）被问在会上都见到了什么人，她说交易员（基金、咨询）之外，AI 工程师是一个意外的人群，⚠️ 而原因是压力：

⚠️⚠️ "他们很多人感觉被管理层的压力压得不行。……因为人们现在说：我们不需要一个团队，你就是那个团队。于是就变成'嘿，我现在得自己把这整套系统建出来'。可那套系统通常是 10 个人做的。"

她转述的具体困惑有两类：⚠️ "我需要建个系统，但我是不是得有一群 agent（a swarm of agents）？那万一有东西坏了怎么办？"；以及上文第三节那条"建好了没人点"。

✅ 本页标注这条相对本库既有材料的位置：⚠️⚠️ 本库 AI 与就业上关于"岗位被压缩"的材料多来自雇主侧或投资人侧的判断；这一条是从被压缩的那一侧转述出来的，而且压缩的形态很具体——不是裁员，是对单个工程师的产出预期直接按 10 人团队计。 ⚠️ 样本是一场会议上的若干次对话，无规模、无行业分布，本库记为一条质性观察。 🔗 可与 Tenex 的"AI 替掉人们不喜欢的工作是一种 cope" 并读。

⚠️ 一个岗位四天 2,500 份申请，以及她给的噪声构成¶

（[00:23:34]–[00:25:37]）

⚠️ 数字："我们挂了一个岗位，开了四天就不得不关掉。我们收到了 2,500 份申请。" ✅ 她说招聘上"从 LinkedIn 持续有 inbound"，所以当前优先级是见客户而不是招人。
⚠️ 主持人的判断："2,500 太多了，而且大部分是噪声。所以你需要一个更好的筛子。"
⚠️⚠️ 她说自己对此"有一个强烈的意见"，给的噪声构成有两类：① 有人是"卧底"——"他们在逛，他们在打探"；② 有人在法律上根本不能工作——"所以签证那块有很多噪声。"
✅ 她加的那句本页认为是这条的价值所在："而我是第一次创业。刚开始的时候你不知道这些事。你不了解这个市场。"
⚠️ 本页标注：这是本库 AI 与就业上"雇主侧招聘流程被重写"那条线的一个供给侧量级样本（一个岗位四天 2,500 份），⚠️ 但它只有一家公司一个岗位，且她对噪声构成的两条归因没有任何数据支撑，本库不采信构成、只记量级。

本页不收录的部分¶

⚠️ [00:19:31]–[00:23:34] 与 [00:25:37] 之后基本是会议运营与双方的个人闲聊：把一对一改成现场一对五的会议室、动态分配房间、speaker lounge 的理发与按摩、"这是我参加过组织得最好的会议"、以及主持人自述从对冲基金转入 AI 的时间线（"我意识到我最好非常非常快地动，来确立这个领域"）。✅ 本页判定其中没有 AI 实质内容，不收录，⚠️ 但记一笔：主持人在这段里说"我确实有点怀念交易，但这个很充实，因为我能见到真人，而不是整天盯屏幕"，与他本期开头披露的交易员履历构成同一条线。