橋水如何把一億份檔案變成競爭優勢——Sam Green 與 Aaron Linsky 談橋水的資料平臺

Bridgewater Associates 應用 AI 團隊主管 Sam Green 主張，非結構化資料唯有經過清洗、加上時間戳，並做到足以讓真人分析師與 AI 代理都能查詢的治理水準，才會真正變成投資上的優勢；而真正的價值在於讓代理主動浮現投資人該看什麼，而不只是被動回答問題。Green 與 Bridgewater 產品工程負責人 Aaron Linsky 在本集中，把大部分時間放在 Vault 這個一億份檔案庫背後的工程細節：為什麼真人搜尋與代理搜尋的需求會分道揚鑣、一套手工打造的基準測試如何暴露出搜尋品質不佳，以及向量資料庫的過濾與規模問題又是怎麼解決的。「一億份檔案」這個說法大致公允；節目最後幾分鐘則轉向較新的 Investor Workbench 與 Bridgewater 的 AI 分析師工具。

兩位講者描述的是自己親手打造、親自營運的系統，因此以下數字都是 Bridgewater 自己的說法，並非經第三方獨立驗證。讀者讀完應該能具體掌握幾個設計取捨——精確度與規模、前過濾與後過濾、既有習慣與新工具——正是這些取捨，決定了一個資料平臺是代理真的能用，還是隻是看起來很完整。

真人與代理的搜尋需求分道揚鑣，平臺必須同時滿足兩者

Linsky 的切入點是：搜尋本來就難，而當平臺同時服務兩種容忍度截然相反的讀者時，難度更高。真人需要精確度與高訊噪比，因為閱讀速度上限大約就是每分鐘 300 字。代理對精確度遠不敏感——「只要資料在，它們就找得到」——但消耗速度約快 100 倍，每分鐘約 3 萬字。這個落差直接左右了設計。

他列出 Vault 必須滿足的五個構面：召回率、精確度、過濾、許可權控管與規模。有些對人更重要，有些對代理更重要，有幾項則兩者皆然。他深入談了其中三項。

Linsky 給的真人規模基準刻意樸素：300 位使用者三不五時搜尋一下，每小時約 100 次查詢，每次都要花幾分鐘讀完回傳的內容。代理的運作量則是高出好幾個數量級，「代理叢集輕鬆就能衝到數千次」。

一週的基準測試，把「搜尋很爛」變成可量測的目標

資料團隊與法務團隊把 Vault 填滿之後——Linsky 稱之為「一場英勇的行動」——召回率不再是問題，但頭號客訴變成了「Vault 搜尋很爛」。團隊沒有爭辯，而是直接做基準測試。他們蒐集問題、人工找出最佳檔案（包括那些看起來有幫助、實際上沒用的檔案），不到一週就湊出約 200 個範例。Linsky 的評語是：「過程既不有趣也不光鮮，但非常有用。」

關鍵指標是 precision at 10，也就是前 10 筆結果中有幾筆是正確檔案。基準值約 60%，證實了使用者的抱怨。經過一連串改善、最後一項是代理式搜尋之後，precision at 10 達到 90–95%。這裡的教訓是流程面的：一套規模小、成本低、人工標註的評估集，把一句模糊的抱怨變成了計分板，後續每一次改動都能拿它來衡量。

過濾與規模迫使團隊更換向量資料庫

生產環境的追蹤紀錄顯示，查詢幾乎不會是裸的——背後幾乎總帶著某個條件，可能是基準日期、來源或特定資產。這需要進階過濾，而過濾正是第一個重大效能問題的所在。Linsky 拆解了經典的取捨：

• 後過濾（post-filtering）： 先查向量索引，再依中介資料過濾前幾筆結果。速度快，但召回率可能很差，因為全域最相關的結果未必符合過濾條件。
• 前過濾（pre-filtering）： 先過濾，再對每一筆符合的資料計算距離。召回率非常好，但可能非常慢。

Bridgewater 想要介於兩者之間的做法，於是改用 Turbopuffer；它的「原生過濾」只會搜尋最接近、且含有符合項的叢集，並且只對這些專案計分。Linsky 說，結果是速度像後過濾、召回率卻接近前過濾。Turbopuffer 同時也撐住了代理規模的查詢負載。對平臺開發者的啟示是：決定向量儲存能不能禁得起真實分析查詢考驗的，是過濾策略，而不只是嵌入模型。

再好的工具，若不承接既有習慣就會失敗

Linsky 的第二個教訓是：「工具再怎麼厲害，我們也不能直接丟到投資人的桌上，就期待他們會用。」研究員並不是每天早上都會開啟 Vault。於是團隊去研究他們原本的工作方式：很多人整天住在 email 裡，研究報告直接從券商寄來，他們會維護訂閱清單，也用規則把一切歸檔到資料夾。這套做法行得通、很熟悉，而且他們知道自己沒有漏掉任何東西。

Vault 把這些習慣搬進新家——所有內容都可搜尋，訂閱清單變成儲存的搜尋，資料夾變成儲存的集合。等使用者進到平臺之後，新習慣才有機會展開：跨所有資料提問、依主題追蹤動態資訊流，以及把集合交給代理做後續處理。Linsky 說，到這個階段，他們才明確感受到產品市場契合度（product-market fit）。契合之後，需求開始擴散：Vault 進了聊天介面、手機 App、Slack 與 IDE，也開放給代理使用，包括一個 CLI——「因為代理超愛 CLI」。

Vault 支撐起日益壯大的 AI 分析師與訊號堆疊

平臺就位之後，Bridgewater 在其上打造工具，全部都以 Vault 為資料來源：

• Pocket Analyst，公司第一位 AI 分析師；Linsky 說它能在幾分鐘內、花幾塊美元，完成好幾小時的研究。
• The Researcher，新一代工具，把同樣的概念延伸到以天、以週計的研究。
• The Forecaster，客製化模型，產出 AI 生成的宏觀相關預測，與基礎模型並用，餵給系統化決策流程。
• 投資訊號，以 Vault 為基礎打造，把非結構化資料轉成結構化、可交易的策略。

貫穿其中的主軸，是研究迴圈的速度。Vault 是共用的底層；分析師、預測模型與訊號都是它的消費者。

終極目標是會主動出擊的代理，而不只是被動回應

Green 的結尾論點是：真正的價值在於讓代理從「回答人類問題」的被動資源，進化成主動參與者，把高價值專業人士導向最需要他們注意的地方。載體就是 Investor Workbench：代理隨時線上，追蹤某位投資人關心的事，並主動呈現值得「深入挖掘或直接略過」的議題。

每張卡片都附有代理生成的摘要供快速掃描、代理所依據的確切證據（讓投資人能判斷這個建議可不可信），以及直接通往上述工具研究產出的入口。當投資人與代理一起深入探究時，綜合出的結論會自動回存到 Vault，供下一輪使用。Green 的說法是：「Vault 之所以能產生複利，是因為它把正確的證據、正確的外部與內部資訊，送到我們投資人與代理的指尖，並自動捕捉他們產生的綜合結論，再放回語料庫。」

一場即時查詢示範，說明語料庫與聯結器如何決定代理品質

Green 用來破題的示範，是拿同一個投資問題——AI 基礎建設投資如何影響韓元，以及市場參與者是否預期這個影響會持續——分別對開放網路與 Vault 各跑一次。

開放網路那次最致命的失誤是：引用的主要報告之一發表於 2026 年 7 月，但問題是在 2026 年 10 月初提出、答案也是當時產出的。Green 的重點是，在投資領域「三個月是一段極長的時間」——過期的來源不是小瑕疵，而是足以讓結論作廢的致命傷。Vault 的貢獻有兩層：一是規模大得多的投資相關內容語料庫，二是會提示代理限縮時間範圍的聯結器。

Vault 的規模與加值處理是整個基礎

Vault 收納超過一億份檔案，每天、每分鐘都還有數千份新資料進來，來源包括 135 個外部來源，以及 Bridgewater 所有內部資料——備忘錄、會議逐字稿，還有過去「飄在虛空之中」的內部辯論。關鍵在於，檔案不是原封不動丟給投資人，而是對齊 Bridgewater 的內部知識本體（ontology），並加上國家、概念、市場，以及最重要的——所討論的時間區間——等加值標註。

Green 把這件事定位成公司歷史的延續。50 多年來，Bridgewater 一直追求對市場與經濟運作方式的最佳理解，並把它系統化地編碼下來：從黃色橫線筆記本上的 if-then 規則，到建立在嚴謹治理之結構化資料上的時間序列模型，再到如今的 AIA（Artificial Investment Associate，人工投資助理），把機器放在這個持續迴圈流程的核心。語言模型開啟了非結構化資料的廣闊世界，但這些資料需要和結構化資料一樣的對待：清洗、治理，並且同時適合單一時點的研究與長期的系統化研究。市面上沒有廠商能提供公司想要的掌控度，於是 Bridgewater 乾脆自己打造平臺。

flowchart TD
    A["135 個外部來源，加上內部備忘錄、逐字稿、內部辯論"] --> B["清洗與治理"]
    B --> C["本體對齊與加值標註：國家、概念、市場、時間區間"]
    C --> D["Vault，一億份以上檔案"]
    D --> E["真人介面：聊天、手機 App、Slack、IDE、儲存的搜尋"]
    D --> F["代理介面：API、CLI"]
    E --> G["Pocket Analyst、Researcher、Forecaster、投資訊號"]
    F --> G
    G --> H["Investor Workbench：主動推送的議題卡片"]
    H --> I["投資人的綜合結論回存至 Vault"]
    I --> D

平臺論述留下的未解問題

這場演講是開發者現身說法，所有主張都出自 Bridgewater 之口：精確度從 60% 躍升到 90–95%、100 倍的閱讀速度落差、查詢頻率數字，以及示範比較，全都是打造這套系統、也從中受益的人自己報告的。有兩件事只被宣稱、沒有被展示。其一是許可權控管——橫跨 300 位真人使用者與高速運轉的代理叢集的存取控制——被列為五大核心構面之一，卻只是帶過而沒有說明。其二是複利迴圈：投資人與代理產生的綜合結論會迴流到語料庫，這就牽涉到演講沒有處理的治理問題——回存的綜合結論在成為下一次查詢的證據之前，是如何被驗證的？無論如何都站得住腳的策略重點是：護城河在於那些不光鮮的底層工作——人工標註的評估集、正確的過濾策略，以及能貼合使用者既有習慣的介面——而不是在模型本身。Green 對聽眾的結尾提問把這個論點講得最明白：「你的 AI 知道世界上正在發生什麼事嗎？它記得你的公司從中學到了什麼嗎？」