為大宗商品交易員打造推薦引擎——專訪 Moshi 創辦人 Anekha Sokhal

Moshi 創辦人 Anekha Sokhal 主張，金融資料的下一個價值層不在於更多資料來源，而在於一套推薦系統，能把交易員原本會漏掉的二階、三階關聯主動推到他眼前。Moshi 處理大宗商品、能源與宏觀資料——公開時間序列、新聞、X 這類替代資料源，以及客戶的私有檔案——並即時浮現與投資組合相關的訊號。本集大部分時間談的是這個產品如何打造、如何銷售，以及 Sokhal 在一場以金融為主題的 AI 大會演講之後發生了什麼事；「推薦引擎」這個框架是全集的組織主軸，但對話橫跨資料架構、模型自建或外購，以及會後跟進。

Sokhal 的可信度來自她在 JP Morgan 的交易職涯——先做新興市場，再轉大宗商品與能源衍生品——在此之前是華威大學數學、作業研究、統計與經濟學學位，之後拿傅爾布萊特獎學金赴美，與 Stability AI 合作在 ICLR 發表機器學習研究，並與 NASA 的合作者共事。主持人本身是外匯選擇權與利率交易員出身，後來轉往避險基金買方，如今主辦這場大會。讀者讀完應該能掌握 Moshi 的資料管線與市場定位、它對檔案模型該自建還是外購的看法，以及創辦人在大會演講後實際面對的 inbound 與招募難題。

Moshi 的賣點：推薦層，而非終端機

Sokhal 把 Moshi 定位成一套軟體，能告訴交易員「此刻對你的投資組合有意義的一切」，並明確拒絕「新 Bloomberg」這個標籤。她的說法是，Bloomberg 的聊天功能是真正的強項——交易員在裡面成交數十億美元，她自己也提到，她踏入 NLP 的起點，就是把 Bloomberg 聊天內容解析成結構化的選擇權報價表——但 Moshi 屬於不同類別的產品。她的形容是：「如果 Bloomberg、Claude 和 Netflix 生了一個孩子」，那就是 Moshi。

Netflix 那個成分，指的是內部自建的推薦系統。論點是：交易員盯著某一項商品時，真正在意的是這項資訊的二階、三階衍生影響，但他不會立刻想到該去看什麼。她舉例：能源股票公司做了某件事、間接影響到油價時，原油交易員必須立刻知道。新聞流不會浮現這層連結，一張有關聯的圖才會。沒有這套系統，替代方案就是分析師人工把點連起來，或是一套模仿這個人的推薦系統。

Sokhal 對資料量的說法刻意講得鮮明：她講一句話的四秒鐘裡，Moshi 已經「學了 300 件新事情」。

資料管線：結構化、非結構化與私有資料

Sokhal 說，做法是先按交易員實際使用的分類把市場切開，再逐類處理。管線從資料攝取開始，經過清洗與轉換、統計與機器學習標記、本體層（ontology）、n 維圖譜，最後到推送介面。

flowchart TD
    A["結構化資料：期貨時間序列、技術指標、移動平均"] --> D["清洗與轉換"]
    B["基本面時間序列：需求與供給"] --> D
    C["非結構化資料：新聞、X 貼文、podcast 音訊"] --> D
    P["客戶私有資料：信任的分析師、訂閱內容、內部資料集、PDF"] --> D
    D --> E["統計與機器學習標記、本體"]
    E --> F["Moshi n 維圖譜"]
    F --> G["推送輸出：開啟即見的投資組合相關新訊，加上 30 秒的 LLM 問答"]

| 資料類別 | Sokhal 舉例的內容 | 更新型態 | |---|---|---| | 結構化市場資料 | 期貨時間序列、統計指標、移動平均、技術分析 | 持續更新 | | 基本面 | 需求與供給時間序列，大宗商品尤其重要 | 週期性 | | 非結構化公開資料 | 新聞、X/Twitter、podcast 音訊 | 連續、雜訊多 | | 客戶私有資料 | 信任的分析師、付費訂閱、內部資料集（例如荷莫茲海峽的 LNG 船數）、雜亂的 PDF | 依客戶而異 |

私有資料這一點，正是她把 Moshi 與一般資料源區隔開的地方。客戶本來就知道自己信任哪些分析師，Moshi 不去替他們判斷，而是把這些偏好與內部資料集連同公開資料一起吸收進來。輸出端主打速度：30 秒內回答「通常要花你好幾天」的問題。

過濾雜訊、為互相矛盾的來源打分

主持人本身是買方交易員出身，對社群資料強力質疑：他在 Balyasny 做過最早一批 Twitter 全流量（fire-hose）整合，形容那是一條每月約 30 萬美元的資料流，而且大部分是「垃圾」或試圖操縱市場的內容。Sokhal 的回答不是雜訊會消失，而是雜訊會被評分、被放進脈絡裡。

她的過濾邏輯有兩層。第一，由使用者自己指出可信的聲音——在大宗商品領域，供應商和 LNG 設施營運商會在 X 上發布狀態更新，因為那是最快的管道，客戶會告訴 Moshi 這些人是誰。第二，Moshi 會給每一項說法附上信心分數，並同時呈現「這場對話周邊正在發生的其他一切」。

她最有意思的論點是：來源之間的歧異本身就是訊號。如果 Reuters、Bloomberg 和華爾街日報報導的船隻或飛機數量不一致，這個落差就是一個資料點，因為它意味著存在某個資訊缺口，可能有人會拿來交易。

涉及客戶資料時，檔案模型自己養

被問到解析客戶雜亂 PDF 的視覺語言模型該自己擁有還是向廠商購買，Sokhal 給了兩段式回答。第一是資料治理：客戶把資料交出來，Moshi 不想把它轉手給第三方，也希望掌控處理協議。第二是團隊能力：沒有工程師的公司，外購是合理的解法，但 Moshi 有工程師——她提到團隊多數人都以某種身分與 NASA 合作過——而他們想自己做。

她把這件事定調為許多公司正在掙扎的開放問題，而不是通則，並把選擇扣回團隊組成。

一場演講，換來一整週的會議

Sokhal 說這是她第一次參加大會，inbound 超出預期。演講結束一小時內，LinkedIn 訊息就湧進來，問她人在休士頓還是紐約、要求約見。她一再延長紐約行程——原本錄音當天就要離開，後來加了週四、週五、週一——整週排滿會後會議，團隊還即時回報報名人數。

inbound 大致分成三類：

交易員，來自基金與顧問業。
AI 工程師，承受管理層壓力——被交代「我們不需要一個團隊，你就是團隊」——如今被期待獨力打造一套通常要十個人才能做的系統。他們的問題都很實際：我需要一整群 agent 嗎？東西壞掉的時候怎麼辦？為什麼照需求規格做出來的系統，躺在大家的信箱裡沒人開啟，大家卻還是在抱怨同一個問題？
潛在合作物件，本身的工作與 Moshi 有重疊，因而促成後續對談。

量太大，逼得流程改變：Moshi 正在辦第一場線上研討會，因為一對一會議吃不下需求。主持人提議借用買方慣例——銀行以前會辦圓桌會議，讓一家公司在同一個房間裡一次見五檔基金——並建議未來大會在現場安排團體時段。Sokhal 認同，回憶起在金融圈，有時你連要見的人長什麼樣子都不知道。

招募：inbound 很多，訊號很少

Sokhal 說招募目前不是優先事項，見買家才是。原因是招募端的 inbound 已經多到難以處理：一則職缺刊登四天，就收到 2,500 份申請。她形容當中的雜訊包括簽證與資格問題、來「逛逛」或「探底」的應徵者，以及整體上很難把「有這個問題的人」和「真的會付錢的人」對上。

「有些人有這個問題，但不想買。有些人有這個問題，也想買。然後是你，試著把這兩邊湊起來。」

她把其中一部分歸結為第一次創業的學習——一開始不熟悉市場的雜訊型態。主持人也承認，大會在招募端協助篩選高訊號這件事情上，還有改進空間。

本集留下的開放問題

有兩條線值得追。第一，Moshi 的推薦層能不能撐起護城河：價值主張建立在關聯圖譜與信心評分機制上，而兩者都依賴客戶私有資料的品質，偏偏競爭對手同樣可以取得授權。第二，Sokhal 描述的 AI 工程壓力——單一工程師被要求做出以前要十人團隊才做得出的東西，然後看著成果無人使用。這對工具市場是個需求訊號，也印證了 Moshi 套用在交易員身上的那套推薦與介面思維；對金融圈以外的人來說，這是本集最有遷移價值的觀察。大會本身還有一個未解的問題——如何把暴增的 inbound 轉化成合格的會議，又不燒掉創辦人的行事曆——主持人說，明年打算用事先分配的團體時段來解決。