How Kepler Built Verifiable AI for Financial Services — Vinoo Ganesh

金融服務業對AI陷入了一個看似矛盾的困境。LLM能以驚人速度生成龐大內容量——程式碼、文案、財務分析——但業界卻幾乎無法驗證這些內容的準確性。Venu Ganesh指出，當前討論都聚焦於「如何讓AI做更多工作」，卻很少涉及「如何讓AI產出可信結果」。根本問題在於業界將「信任與可驗證性」這兩個術語濫用，用非確定性LLM得出確定性結論，但LLM本質是機率機器，無法保證確定性。

傳統金融工具如彭博社和FactSet被廣泛採用的真實原因並非數據更準確，而是能推卸責任——給所有華爾街人提供「共同的事實基礎」。但這些都是唯讀系統，無法改變工作流程。分析師依然需要消費資訊後產出分析，這導致分析師凌晨四點還在工作，投資銀行員工因過度勞累瀕臨崩潰。AI雖能快速給出答案，卻無法支撐任何有意義的工作流。

監管機構（如SEC、OCC）的硬性要求使問題更加複雑：所有交易決策必須有可追蹤的信息來源支撐。傳統做法是透過引用列出資料來源，但這只是成功的一半。真正的驗證需要確定性證明某個數字確實正確，並符合組織特定的邏輯規範。舉例來說，兩個投資人可能持有相同信息卻做出相反決策，驗證的不是「事實真相」，而是「輸出是否符合我們組織的邏輯」。

Kepler的解決方案在於分離AI的能力邊界。LLM擅長推理和決策規劃，卻不應進行數學計算——為什麼要用十億參數模型算1+1而不用CPU週期？平台採用三個核心機制：首先是原子溯源，模型決定從何處提取數字，由確定性程式寫入和驗證，模型本身無法篡改數字；其次是作用域決定論，模型決策層與計算層完全分離，模型決定「要計算什麼」，由數據庫等確定性工具執行「如何計算」；最後是推導鏈，每個數字都能被追蹤到來源，整個過程可重播和驗證。

這個設計帶來實際收益。複雜工作如合併財務報表能在幾秒內完成，每個數字都可溯源，且不會產生虛假引用。不再需要依賴CapIQ、Deloopa等使用海外承包商的服務。更重要的是，分析師能從消耗數年職業生涯的重複性勞動中解放——不用再花時間聽財報電話逐字稿、翻閱多年10-K表格、手工建立財務模型V0版本。這類工作通常佔據年薪600-700萬美元分析師的大量時間。

Ganesh認為這種轉變是不可避免的。他將其類比於電商的SSL前時代——在加密技術出現前，沒有人願意在線輸入信用卡號。同樣地，若不建立可驗證機制，AI永遠無法在金融領域達成真正的規模應用。這不是技術問題，而是系統設計的根本性轉變。