AI时代的数据公司：专访Moshi创始人Anekha Sokhal

从交易员到创业者：Moshi的诞生

Anekha Sokhal在JP Morgan做了近十年能源衍生品交易员，之后拿到Fulbright奖学金赴美，在Rice University攻读数据科学硕士。如今她是休斯顿实时量化平台Moshi的创始人兼CEO。Moshi为机构金融交易员提供实时分析，监控超过25亿个数据点，内部数据库每分钟都在增长。

"人类读一句话需要4秒，同样的时间Moshi已经学到了300件新事物。"Anekha这样形容产品的数据吞吐能力。她做交易员时连实习生都招不起，所有数据分析只能自己扛，于是决定构建一个"当年自己最想要"的平台。Moshi的核心价值不在于提供更多数据，而在于回答交易员最头疼的问题：什么是真实的？什么与我相关？什么可以信任？

Anekha的背景横跨统计、机器学习和衍生品交易，她在ICLR等会议发表过论文。面试对冲基金时她发现几乎每家都有"数据综合"的痛点，与其为一家基金重复劳动，不如把解决方案产品化。

能源衍生品交易是金融市场中复杂度最高的领域之一：交易员需要同时跟踪原油、天然气、电力等品类的期货、期权和掉期合约，并实时响应地缘政治、天气、库存数据的变化。这个岗位对数据吞吐和判断速度的要求极高，也正因如此，Anekha在JP Morgan的近十年经历让她深刻体会到"信息过载但洞察稀缺"的痛点。Fulbright奖学金是美国最著名的国际教育交流项目之一，每年从全球选拔各领域优秀人才赴美深造，Anekha通过该项目进入Rice University攻读数据科学硕士，完成了从交易执行者到技术构建者的身份转换。Rice University位于休斯顿，其数据科学项目以统计与机器学习交叉见长，这为她后来在ICLR等顶级AI会议发表论文、并将学术方法直接转化为产品能力奠定了基础。

休斯顿创业：大池塘里的大鱼

"在休斯顿创业，你可以做小池塘里的大鱼。"Anekha坦言，Moshi是德州最大VC基金投资的公司之一，在当地AI和金融圈几乎无人不知。休斯顿的能源行业根基深厚，她做能源交易员时积累的客户资源直接转化为Moshi的早期用户。

但她也清醒地认识到，AI和金融的" hype"集中在旧金山、纽约、伦敦和新加坡。"你必须和这些城市保持连接，因为热闹在那边。"休斯顿社区友善、人才愿意帮忙，但城市空间分散，缺少步行城市那种"肩并肩"的偶遇式交流。

"数据公司"的定位哲学

Anekha明确称Moshi为"数据公司"而非"AI公司"，这不是文字游戏，而是一种技术架构的宣言。Moshi的底层是大量的数据工程和机器学习，生成式AI只是最上层的交互界面。"我想理解数据，生成式AI是我们更人性化地传达数据的方式。"

她给出一组直观数据：凌晨1点刷了40分钟Instagram，看到25条AI广告，全部截图发给增长负责人并说"我们绝不能在Instagram上投广告"。当25家公司用同一套话术标榜"AI for finance"时，信任就成了稀缺品。

"以前投资人要求我们有.ai域名，现在我不叫自己AI公司。如果你的产品里有LLM，那不酷，那是标配。"

生成式AI（Generative AI）指基于大规模预训练模型自动生成文本、图像、代码等内容的技术，ChatGPT、Claude等对话模型是其典型代表。在金融科技语境中，许多公司把生成式AI当作产品核心，但Anekha的判断是：生成式AI本质上是一个自然语言交互层，它擅长把结构化数据翻译成人能理解的表述，却不擅长保证数据的准确性、实时性和合规性。因此Moshi选择把数据工程和机器学习作为底层能力，让生成式AI退居"界面"位置。这一架构选择的深层逻辑在于：金融交易员真正需要的是可信、可溯源、低延迟的事实，而非流畅但可能产生幻觉的文本。当25家公司用同一套"AI for finance"话术营销时，底层数据管道的质量才是不可复制的壁垒。

建起来容易，跑起来难

Anekha指出了一个被行业普遍低估的断层：用AI构建原型极其容易，让系统在生产环境可靠运行则完全是另一回事。你可以花200美元订阅Claude，一周内给自己搭一个漂亮的仪表盘，但当你想让妈妈（没有Claude账号）也能使用时，问题就开始了。

企业级部署需要的远不止一个prompt：DevOps、错误处理、DDoS防护、API密钥管理、数据库运维——"这些是任何LLM不会主动告诉你的"。更隐蔽的是prompt疲劳：改一个地方，却意外改动了50个其他地方。

她将此形容为一种需要"排毒"的阵痛期：人们先用AI做所有事，然后会意识到——"我其实想要一个需要用大脑核对的电子表格，我想要记住别人的电话号码，我想要看到一个不完美的PDF。"

DDoS防护（分布式拒绝服务攻击防护）是指通过流量清洗、速率限制、CDN分流等手段，防止恶意流量洪峰冲垮服务可用性的安全措施。对于面向机构交易员的实时平台，服务中断几分钟就可能造成实际交易损失，因此DDoS防护不是可选项而是基础设施。API密钥管理则涉及密钥的加密存储、轮换、权限最小化和审计追踪，一旦泄露，攻击者可以冒用平台身份调用下游数据源或模型接口，带来数据泄露和费用失控风险。这些工程细节之所以被Anekha称为"任何LLM不会主动告诉你的"，是因为大语言模型的训练语料偏重算法和产品演示，而生产环境中的运维、安全、容错知识往往存在于资深工程师的隐性经验中。从原型到生产，团队需要补齐的正是这些不性感但决定生死的工程能力。

人类判断力：Claude建不了Moshi

Anekha做了一次招聘实验：用Claude筛选简历并排序，然后让每位候选人到办公室，花三到四小时面对面交流，同时见团队成员和投资人。结果所有人类面试官给出的排名高度一致，而Claude排第一的人甚至不在人类的前五名。

另一个实验更令人震惊：给20人布置销售线索调研任务，允许使用任何AI工具，从LinkedIn的数百万人中选出10个目标联系人。90%的人给出了相同的10家公司。

"每个人都能用同样的工具，你仍然在拉取和推送同样的数据，用的是同样的模型。如果我的工程师问Claude一个问题，不管prompt怎么变，答案基本一样。"

Anekha认为人类的独特价值在于二阶、三阶联想和"看到拐角后面的东西"。Claude擅长总结和解释，但不擅长直觉判断和人际互动。她提到一家融资3000万美元的"一人公司"，社交媒体数据亮眼，但用户评论里反复出现"我只想和真人说句话"。

二阶、三阶联想指的是人类在决策时能够跳出直接因果关系，推演"如果A发生，B会怎样，进而C又会怎样"的多层链条。在交易场景中，这意味着不仅看到库存数据上升，还能联想到运输瓶颈、炼厂检修计划、天气模式变化以及对手方可能的行为反应。当前的大语言模型本质上是基于统计规律预测下一个词，擅长在已有语料覆盖的模式内进行总结和解释，但在面对训练数据中罕见或从未出现过的组合情境时，缺乏真正的因果推理和直觉跳跃能力。Anekha的招聘实验恰好证明了这一点：Claude能按简历关键词排序，却无法捕捉面对面交流中体现的韧性、好奇心和团队化学反应，而这些恰恰是高频交易团队长期表现的关键变量。

人机协作的未来

Moshi的商业模式印证了这种判断：客户开始把prompt发过来，说"你们帮我们跑吧"。企业软件正在从工具交付转向"托管式信任"——客户不想自己运行，不想管安全，不想在交易日提醒Claude今天是FOMC会议。

"Claude可以做90%，但那10%正是你不想要Claude的地方。因为归根结底，出了问题你想找个人聊聊，说'嘿，我们一起想想办法'，而不是跟一个聊天模型对话。"

Anekha的结论务实而克制：AI是特定场景的工具，不是替代一切的万能钥匙。Moshi提供数据和信心，让交易员看到自己看不到的盲区，但最终按下交易键、承担风险入眠的，仍然是人。