KeyFrame內部研究專用

The Investor's Edge Lives in Their Head — Anekha Sokhal, Moshi

AI Engineer英文
觀看原始影片

三句話摘要

如何設計 AI 工具輔助(而非替代)金融投資者決策,保留人類判斷力同時自動化數據密集工作。 真正的投資邊際優勢存在於人類頭腦,AI 應自動化繁雜工作推送洞見以增強決策,而非試圖取代人類判斷。 邊際優勢的本質無法複製:真正的優勢不在模型、API 或提示詞(所有人都能取得),而在於投資者頭腦中數十年積累的經驗與直覺。當投資者跳槽或退休時,這些無形資產隨之消失,這是金融業被忽視的最大成本。

重點整理

  1. 邊際優勢的本質無法複製:真正的優勢不在模型、API 或提示詞(所有人都能取得),而在於投資者頭腦中數十年積累的經驗與直覺。當投資者跳槽或退休時,這些無形資產隨之消失,這是金融業被忽視的最大成本。

  2. AI 應是助手而非替代品:機器擅長數據清理、資訊蒐集、尋找模式;人類擅長判斷、建立信念、承擔責任。應該讓兩者各司其職,而非試圖用 AI 取代人類思考。

  3. 可信度和可追蹤性是金融決策的根本:金融決策必須有人能站出來說明理由。AI 代理若出錯只能道歉,但在金融領域,一個小錯誤會指數級擴大,因此人類必須保留最終決策權和責任。

  4. 知識傳承模式的危機:傳統金融文化靠新手坐在資深交易員身邊學習,若每個人都成為獨立工作室,這個知識流動就中斷了,新一代將缺乏從實踐中學習的環境。

實用技巧與重點

  • 2025 年全球資料產量:175 zettabytes
  • 人腦消耗電力:20W(如一盞昏暗燈泡)
  • 人腦神經元數:86 billion
  • Edge 三要素:更早知道、認識盲點、對決策有信心
  • Moshi 已讀取資料點:2.4 billion
  • 4 秒內 Moshi 學習新事物數:300 個
  • Moshi 運行 AI 代理數:6 個(決定性設計)
  • 效率提升幅度:up to 35%

結論

真正的投資邊際優勢存在於人類頭腦,AI 應自動化繁雜工作推送洞見以增強決策,而非試圖取代人類判斷。

完整解析

金融投資者每天面臨一個根本悖論:數據呈指數成長(2025 年達 175 zettabytes),但人類注意力固定不變。傳統信息來源——新聞、報紙、書籍——已演變為 PDF、訂閱服務、播客及無窮社群媒體。結果不是更聰慧,而是所有人溺於相同資訊洪流,注意力與數據量之間的鴻溝越來越寬。

Annika 橫跨兩個世界:十年衍生品交易員與機器學習專家(在 NASA 發表 ICLR 論文)。她深知人腦的非凡之處:儘管只消耗 20W 電力,卻擁有 86 億神經元和難以理解的複雜連接,效率比任何試圖模仿它的系統高數百萬倍。這提出一個根本問題:若大腦是最強大的工具,為什麼我們費力試著把它推出決策迴圈?

真正的邊際優勢(edge)有三要素:比他人更早發現、認識自己的盲點(事物的二三階導數)、對決策有信心以加大倉位。但當所有人都能取得相同的 AI 模型、MCP 連接器、提示詞甚至更好的模型時,優勢在哪?答案是:無法下載的東西——存在於投資者頭腦的知識。這來自數十年在頂尖交易員身邊的工作,當投資者離職時,這些智慧資產就消失了。

傳統金融決策涉及多層次:監控 24/7 市場、理解數十億數據連接、比較歷史背景、整合資訊、應用內部模型、做出決策。AI 時代前需要昂貴的團隊;AI 工具讓人誤以為一個人加幾個 API 呼叫能替代。但生產化需要考慮安全、數據庫、儲存、成本——這正是許多人忽視的鴻溝。同時,交易員不想與 LLM 辯論「FOMC 是今天還是明天」(而它可能答錯),他們需要時間深化對交易的信念。

Moshi 採取根本不同的策略:不替代,而是輔助。用 6 個決定性設計的 AI 代理,24/7 監控 2.4 billion 資料點,整合投資者的 PDF、電郵、訂閱。4 秒內 Moshi 學習 300 個新事物。但新內容只在可信且可追蹤時有價值——Moshi 衡量每項聲稱、揭示幻覺風險、展示所有假設。

這正是金融的關鍵:決策者要能解釋為什麼做決定。AI 代理若洩漏 API 金鑰只能說「對不起」,在金融界無法接受——小錯會指數級擴大。因此決策權必須留給人類。

一個被忽視的成本是知識傳承破裂。傳統上新手坐在資深交易員身邊學習;若每人成為獨立工作室,這個知識流動就斷了。Moshi 相信每家機構應能取得機構級分析而無需自建團隊,讓交易員多出 35% 效率,把時間用在真正重要的事:更有信念的決策,而非爭論事實。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。