投資人的優勢藏在腦子裡——專訪 Moshi 的 Anekha Sokhal

Moshi 創辦人暨執行長 Anekha Sokhal 主張，AI 應該滋養交易者的判斷力，而不是取代它——因為人腦仍是最有效率的推理引擎，真正的優勢（edge）來自投資人腦中的脈絡。這場演講大部分時間聚焦在交易者決策迴路的結構、為金融打造 AI 工具的經濟學，以及 Moshi 作為全天候機構級量化分析師的定位；標題所說的「優勢藏在他們腦裡」是貫穿全場的主軸，而非隨口一提。

Sokhal 的視角橫跨交易桌兩側：先當了近十年的衍生性商品交易員，之後轉進資料科學與機器學習（拿全額獎學金攻讀 ML，並與 NASA 合作發表了一篇關於機器學習系統的 ICLR 論文）。這樣的雙重背景，正是她核心分工論的基礎——機器負責苦工，人類負責判斷。讀者讀完應該能掌握：她認為 AI 在金融決策中該扮演什麼角色的框架、她為 Moshi 規模引用的具體數字，以及她留下的一個未解問題：機器究竟能捕捉多少人類的優勢。

核心論點：餵養大腦，而非取代它

Sokhal 的核心主張是：人腦以約 20 瓦運轉——相當於一顆昏暗燈泡的功率——卻能讓 860 億個神經元建立「我們至今仍無法理解」的連結；而為了模仿「那力量的一小片」所打造的 AI 系統，卻得用上一整座發電廠。從這個效率落差，她匯出一個設計結論：如果最有效率的推理引擎就在你兩耳之間，那問題不是要不要取代它，而是該在決策迴圈的哪個環節匯入科技。

她把這套想法定調為對業界現行做法的刻意反轉。「如果大腦是我們最強大的工具，為什麼我們要傾盡全力把它踢出迴圈？」她的答案是分工：機器處理苦工（閱讀、蒐集、資料清理、交叉核對），人類負責判斷（做決定）。Moshi 就是照這個分工打造的。

「Moshi 不是一個模型——它是吃了類固醇的你，同樣的直覺，但餵給它的是散落在各處的所有資料。」

優勢，是你下載不來的脈絡

Sokhal 把優勢定義為投資人想要的三件事：比任何人更早知道發生什麼事、知道自己的盲點（事件的三階與二階導數），以及有把握把交易部位放大。她拋出的問題是：如果每個人用的都是同樣的模型、同樣的技能檔案、同樣的 MCP 聯結器、同樣的提示詞，那這些全都算不上優勢。「優勢其實是你下載不來的東西，它存在投資人的腦子裡」——那是幾十年坐在頂尖交易員身旁、吸收他們思考方式所累積出來的。

她點出這件事的代價，而且是一筆沒人計價的成本：當投資人跳槽或退休，這份智慧財產也跟著離開。而如果業界走向由一人小組（pod）各自率領代理團隊的模式，孕育這份脈絡的學徒養成管道——那個「一隻耳朵盯著交易桌、另一隻耳朵聽著周遭一切」的初階分析師——就會悄悄斷掉。

| 投資人想要的（優勢） | 來源 | 什麼會威脅它 |
|---|---|---|
| 速度：比任何人早知道 | 即時盯盤 | 每個人收到的資料洪水都一樣 |
| 盲點：二階、三階效應 | 數十年的交易桌經驗 | 交易員一走，脈絡也跟著走 |
| 放大部位的把握 | 建立在綜合判斷上的判斷力 | 一人小組侵蝕學徒養成 |

資料變多不等於資訊變多——注意力才是瓶頸

Sokhal 開場先請聽眾舉手：誰在決策時覺得被資料淹沒？誰覺得自己的注意力比以前更少？她說，這個矛盾正是金融投資人每天面對的處境。她引用 2025 年約 175 ZB 的資料生成量——比二十多年前多出指數級的量，當年一組網路連線、幾份報紙和幾本書就是全部的資訊來源；如今還得加上 PDF、訂閱內容、podcast，以及 X 和 LinkedIn 上永無止境的動態流。

她的重點是：資料變多不等於資訊變多。它帶給每個人同樣的洪水，而注意力始終是「所有東西裡那條平躺的線」。對靠金融綜合分析吃飯的專業人士來說，注意力與資料之間的缺口「只會越拉越大、越拉越大」。

兩種金融工具，兩種不同的失效模式

Sokhal 把金融工具分成兩類：你從中拉資料的，以及把資料推給你的；她說兩者的失效方式各不相同。

• 拉式工具（對模型下提示詞）： 你就是脈絡。你得向一個「凍結在時間裡」的模型解釋、跟它爭辯——明明現在是週三下午三點，它卻叫你去睡覺。她說，把這跟和真人一起推理相比，「根本沒得比」。
• 推式工具： 它們把資訊灌給你。這是資料工程的問題，不是推理的問題。

實務上的意涵是：當你對模型下提示詞，你餵進去的是過時的脈絡；當系統把新資料推給你，它會逼你的大腦建立原本不會建立的連結——盲點的發現與深入探究，正是從這裡來的。

為什麼決策迴路不能交給代理

Sokhal 提出兩個理由，說明金融業為什麼不能把決策交給一整隊代理。第一，交易的另一方是活生生的人或實體的東西——一個客戶、一船大宗商品、一間滿是人的公司。第二，問責。金融業出事時，必須有人站出來說「我基於這個理由做了這個決定」。一個洩漏 API 金鑰的代理只會說「哎呀，抱歉，我不該那麼做的，請輪換金鑰」——而它的自我修正，會讓一個小錯誤呈指數級複合放大。

她也反駁 AI 工具推銷的那套「一個人、幾次 API 呼叫」的承諾。沒人談的那個缺口是正式上線（productionization）：當一個週末拼出來的儀錶板必須多分享給一個人，你就需要資安、資料庫、儲存、可靠性——還有額度，因為計價方式已經從按工具收費改成按 API 呼叫收費。這就是週末小工具與基礎設施的差別：基礎設施是別人能信任、能追溯回源頭的東西。

flowchart TD
    A["交易者的決策迴路"] --> B["苦工：閱讀、蒐集、清理、交叉核對"]
    A --> C["判斷：做決定"]
    B --> D["機器：全天候代理、大數據、投資人的 PDF 與 email"]
    C --> E["人類：問責與把握"]
    D --> F["把脈絡與盲點餵給人類"]
    F --> C

Moshi：六個確定性代理、24 億個資料點、可量測的幻覺

Moshi 被定位為機構交易員的全天候量化分析師，旗下六個代理以確定性（deterministic）方式打造。它們全天候盯盤，處理的資料量遠超人類所能負荷，再加上投資人自己的 PDF、email 與訂閱內容。Sokhal 說，Moshi 已讀過 24 億個資料點，而讀完這句話的那四秒鐘裡，它又學了 300 件新東西。

她講得很明白：新的脈絡若沒有信任就一文不值——它可信嗎？從哪來的？我到底在不在乎這位分析師的意見？在金融業，「就算答案再怎麼有自信，只要是錯的，就一文不值。」Moshi 的回應是量測——幻覺是被量測的，每一項主張都經過可追溯性檢查，並向使用者揭露結論背後的假設，因為一個來問你意見的投資人，要的是推理過程，不只是觀點。

| Moshi 的主張 | 數字／細節 |
|---|---|
| 代理 | 六個，以確定性方式打造 |
| 已讀資料點 | 24 億個，每毫秒持續增加 |
| 學習速度 | 約 4 秒學 300 件新東西 |
| 宣稱的效率提升 | 最高多出 35%，把腦力空間釋放給「把握」 |
| 信任機制 | 幻覺量測、主張可追溯、揭露假設 |

Sokhal 把這定位成機構級分析，讓你不用自己養一組量化與資料科學團隊——她說這種團隊按人頭養根本不可能，按人頭算也不符經濟效益。她提到 Moshi 一直低調地與「交易業幾家最大的玩家」共同開發，而這場演講是它首次公開亮相。

未解的問題：機器能捕捉多少優勢？

Sokhal 以一個她說目前還沒有答案的問題作結：如果真正的優勢存在人腦裡，機器究竟能捕捉多少？她的看法是，誰能回答這個問題，「他打造的不是一個產品，而是一套金融業全新的思考方式。」這場演講留下的張力在於：Moshi 自身的價值主張，恰恰取決於它能否捕捉到一部分這樣的優勢——35% 的效率提升與主動推送的盲點，算是部分答案——但它的設計又刻意把決策與問責留給人類。可量測的幻覺與可追溯的假設，是否足以讓機器提供的脈絡取信於交易員，將是這個產品面對它如今正在爭取的機構玩家時，必須通過的考驗。