随着金融AI工具的普及，华尔街分析师的工作模式正被彻底重塑，而垂直领域的专有数据和零容错率要求，正成为AI在金融市场中创造"超额收益"的核心壁垒。
近日，在知名投资播客节目《How I Invest》的访谈中，营收已突破5亿美元的市场情报平台AlphaSense产品高级副总裁Chris Ackerson，就AI如何重塑金融分析师角色、专有数据的商业价值以及AI智能体在金融领域的未来应用空间等市场核心关注点，进行了深度分享。
"随着我们系统的功能越来越强大，我们能够承担很多繁琐的工作，也就是分析师们过去熬夜完成的那些手动工作。"Ackerson指出，"现在，他们可以专注于更高价值的活动，比如与客户会面、参与公司动态等等。"
在实际的商业落地和订单转化案例中，这种效率提升已经可以直接量化。Ackerson透露，一家大型投资银行在剥离部分业务后，通过几个月的测试证明，"AlphaSense 可以将平均覆盖率提高 15%，从而显著提高银行家的工作效率。"这意味着金融机构在不增加人力成本的情况下，能够扩大业务半径，从而构筑了AI工具持续增长的底层逻辑。
通用大模型的高错误率痛点与垂直AI的破局
尽管OpenAI等横向通用大模型发展迅猛，但在金融这一容错率极低的垂直领域，其商业化落地仍面临巨大阻力。这也是市场高度关注垂直AI企业能否建立技术护城河的关键点。
Ackerson直言不讳地指出了通用大模型的软肋："就在上周，一家领先的 AI 实验室发布的数据显示，使用领先的市场数据时，错误率在 5% 到 9% 之间。这对任何一位严肃的投资专业人士来说都是无法接受的。任何错误率都会阻碍 AI 的真正普及。"
为了解决幻觉问题并降低误判率，垂直AI的解决方案在于对数据的极致控制。通过汇总数据、索引信息，并利用AI读取每一行文档以理解数据间的关联，再集成到智能体系统中进行提取。Ackerson提供了一组核心数据："通过在 AlphaSense 平台内利用前沿 AI 模型，并结合 AlphaSense 的数据和工具，我们可以以更低的成本提供质量高出三倍的评估结果，这正是垂直整合的真正优势所在。"
专有数据成为最强护城河："世界上绝大多数知识并非以文字形式存在"
随着各家AI实验室在底层模型能力上的竞争逐渐从预训练转向后训练，能够直接影响模型质量的"专有数据"正在成为最为稀缺的资产。
"所有人工智能公司最终都会转型为数据公司，我们看到，随着越来越多的公司涌现，这种趋势愈演愈烈。"Ackerson表示。
在金融尽调中，渠道调研和专家访谈是获取超额收益（Alpha）的重要信息源。AlphaSense目前的护城河之一正是一个包含全球顶尖投资者与行业专家访谈的庞大记录库。目前，该资料库拥有超过30万份访谈记录，且每个季度以新增超过2.5万份的速度迅速增长。
"世界上绝大多数知识并非以文字形式存在，而是存在于人们的脑海中。"Ackerson强调。基于这些独家数据，AlphaSense开发了AI访谈系统（AI Interviewer），这打开了巨大的商业想象空间。过去，分析师可能只做5通专家电话，现在借助AI智能体，可以进行20通甚至50通深入不同领域的电话访谈，在财报发布前提取量化数据并预测业绩指引。目前，该系统进行访谈的质量"已经达到甚至超过了最优秀的分析师的水平"。
未来的竞争：降低40倍成本与人类判断力的溢价
如果华尔街所有机构都使用相同的AI工具和数据集，对冲基金的超额收益将从何而来？这也是投资者对金融AI赛道长期逻辑的终极拷问。
在研究环节（占金融研究总成本的约80%），盲目使用前沿大语言模型进行网络搜索不仅成本高昂，还会引入无关信息导致"上下文污染"。Ackerson透露，通过训练专有的搜索模型精准调用工具，可以"在提供比前沿模型更高质量的同时，将成本降低高达40倍。"
展望未来五年，金融行业的交付形态将从静态的文档（幻灯片、备忘录）转向实时更新的定制化软件和智能体生态。超级分析师（Super Analyst）将像"永不眠的分析师一样全天候工作"。
在这样的环境中，人机协同的深度和人类的判断力将决定最终的投资胜负。"你引导系统的方式、你提出的问题、你在与人工智能互动时做出的选择，这些都是人为因素造成的差异。"Ackerson总结道，并引用了其CEO的观点来定义未来的企业价值："企业的价值是其所有决策的总和。将判断力应用于人工智能系统的决策之上，将始终至关重要。"
以下是文字记录
David Weisburd 00:00 在软件工程领域，一直存在这样一个悖论：人工智能越强大，对工程师的需求就越高，因为现在的工程师效率几乎是过去的数倍。你认为金融领域也会出现同样的情况吗？或者你认为分析师这一层级会被彻底颠覆？
Chris Ackerson 00:20 随着我们系统的功能越来越强大，我们能够承担很多繁琐的工作，也就是分析师们过去熬夜完成的那些手动工作。现在，他们可以专注于更高价值的活动，比如与客户会面、参与公司动态等等。这真正意味着，随着公司效率的提高，他们能够覆盖更多公司，推出更多产品，加快产品路线图的推进。
我们在 Alphasense 内部也看到了这一点。随着我们的工程师和产品经理在人工智能方面效率的提升，我们的产品路线图也在加速推进，竞争格局日趋激烈。因此，我们在客户群体中也看到了同样的情况。人们究竟是在使用像 Super Analyst 这样的工具来辅助分析师，还是说这些工具正在颠覆关于劳动力替代的争论？这场争论在未来很多年里都将持续下去。
我们看到客户的能力大幅提升，这意味着他们将加大对员工的投入，但员工的角色也在不断变化和调整。有一家大型投资银行剥离了部分业务，他们想尝试使用 Alpha Sense，看看能否利用我们的产品来提高其余银行家的服务覆盖率。他们花了几个月的时间对 Alpha Sense 进行测试，结果证明 Alpha Sense 可以将平均覆盖率提高 15%，从而显著提高银行家的工作效率。至于如何利用这些节省下来的资源，则取决于银行自身的决定。他们可能会因为能够覆盖更多公司而招聘更多银行家，或者为客户提供更优质的咨询服务，也可能从事其他工作。但毫无疑问，员工的角色正在发生变化。
David Weisburd 02:06 随着人工智能系统日趋完善，相关职责和工作内容也会随之演变。您提到您的客户正在开展越来越多的业务，一些早期案例研究表明，他们已经开始使用 Alpha Sense 和 Agentic AI 等工具来拓展业务。以对冲基金领域为例，能否具体说说？
Chris Ackerson 02:29 分析师的工作是追踪某个行业或板块，他们需要了解新兴公司，提出新的投资理念，为财报季做准备，密切关注财报季对投资组合中所有公司的影响。所有这些领域都非常适合人工智能的应用。
David Weisburd 02:53 效率显著提升，我们在所服务的各个行业都看到了同样的情况。许多人都在考虑利用像 OpenAI 和 Anthropic 这样的横向平台来满足他们的投资需求，而你们是垂直领域的。你们的方式与横向人工智能有何不同？
Chris Ackerson 03:13 我们的理念从一开始就始终如一，那就是通过聚合和控制高质量数据，并构建专门用于理解和利用这些数据的 AI，我们可以以更低的成本提供更高的准确率，从而赢得市场的信任。我们今天也确实看到了这一点。就在上周，一家领先的 AI 实验室发布的数据显示，使用领先的市场数据时，错误率在 5% 到 9% 之间。这对任何一位严肃的投资专业人士来说都是无法接受的。任何错误率都会阻碍 AI 的真正普及。正因如此，人们仍然花费大量时间来构建和验证所有信息，因为这些系统根本无法正常工作。
在专业分析师层面，我们解决这个问题的方法是：汇总所有数据，索引所有信息，利用人工智能进行丰富和理解，读取系统中流经的每份文档的每一行，准确理解数据的含义以及不同来源之间的关联和关系，然后将这些信息集成到智能体系统中，使它们能够准确地提取特定任务所需的信息。这样，我们就能显著降低错误率和误判率。此外，当数据真正集成到系统中时，最终用户验证信息的速度和效率也显著提高。例如，您可以查看每行数据以及每个文件的具体来源。
David Weisburd 05:14 我认为，人工智能在高增长领域推进缓慢，最大的原因之一在于错误的代价因场景而异。一方面，像医院系统这样，即使 5% 的错误率也可能导致病人死亡；另一方面，你可能只是在研究给狗狗吃的零食。人们期望所有这些领域都能以相同的速度发展，但实际上，关键在于……
Chris Ackerson 05:34 这些数据用于什么用途？出错的代价是什么？没错。我们已经做了相关测试，即使在数据缺失的情况下也能进行测试。我们构建了评估框架，对所有人工智能系统进行全面测试，并针对用户实际执行的所有任务制定了非常详细和具体的评估标准。
在 Alpha Sense 平台，我们采用自动化评估和人工评估相结合的方式。我们聘请了金融分析师加入 Alpha Sense，负责抽查并验证这些评估的准确性。我们发现，通过在 Alpha Sense 平台内利用前沿 AI 模型，并结合 Alpha Sense 的数据和工具，我们可以以更低的成本提供质量高出三倍的评估结果，这正是垂直整合的真正优势所在。
Chris Ackerson 06:32 或许你能解开我这几年一直在思考的问题：为什么大语言模型（LLM）会产生幻觉？因为从定义上讲，它们是概率性的。它们经过训练，训练数据来自数百万份文档、数据点和强化学习循环记录，这些记录本质上将所有信息编码成一组压缩的模型权重。这使得这些模型具有极强的泛化能力，但也意味着模型的输出是概率性的，取决于它所看到的数据。
这些模型是基于整个互联网进行训练的。众所周知，互联网上充斥着大量信息，其中既有不可信赖的，也有非常有价值的。因此，在 Alpha Sense，我们人工智能系统输出的所有内容都基于我们精心整理的权威可信数据，例如公司实际的表述、专家访谈以及卖方研究分析师的观点。我们努力的目标是充分利用这些概率模型的优势——它们具有创造性，能够跳出固有思维模式，完成传统机器学习无法完成的任务——同时，将它们建立在真正值得信赖的数据之上，以便将其呈现给投资委员会或客户会议上的首席财务官。
Chris Ackerson 07:55 数据似乎是垂直行业人工智能公司最有价值的方面之一。Alpha Sense 是如何具体运用数据的呢？人们经常谈论数据，但我仍然认为数据的重要性被严重低估了。让我先退一步，简单谈谈我们聚合的数据集。
其中一项是我们的专家访谈记录库。这是一个汇集了全球顶尖投资者和最佳买方分析师与行业专家访谈的数据集。这些专家包括曾在公司工作过的人员、前高管、供应商和客户，他们会被问及能够引导实际投资决策的问题。所有这些都是独家洞察。世界上绝大多数知识并非以文字形式存在，而是存在于人们的脑海中。我们的专家访谈记录库旨在挖掘并记录这些洞察，使其可供用户使用，现在我们的人工智能代理也可以利用这些洞察来影响系统输出的答案。这是独家数据的一个典型例子，你无法在任何其他面向公共互联网的人工智能系统中找到这些数据。因此，获取独家洞察的能力是关键之一。
Chris Ackerson 09:16 在我们的领域，数据控制至关重要，原因如下。第二个关键原因是，它能真正提升模型质量，降低错误率和误判率。在 Alpha Sense，我们不断训练搜索模型和人工智能模型，以提高输入这些模型的实际上下文质量。我们的研究表明，最新的前沿模型推理能力非常出色，是强大的工具，但它们的搜索能力却很差——它们不知道如何为特定任务找到合适的上下文。因此，我们正在训练自己的模型，使其在这方面表现卓越。而这一切只有在对数据拥有控制权和所有权的情况下才能实现。
第三个原因在于，数据在未来几年对构建智能体至关重要，因为智能体的输出本身就构成了一个数据集。回顾问答时代，也就是人工智能的聊天机器人时代，你提出问题，得到答案，答案就进入了聊天记录，也许你会再次查看，也许它会被删除。
如今，智能体们正在像对待真正的工作成果一样，撰写投资备忘录和推介材料，这些工作本身就具有价值。因此展望未来，任何机构都应该思考的问题是：我们是否应该预先设想客户会提出的问题，并真正产出对他们来说高价值的成果？
Chris Ackerson 11:00 今天的例子是，Alpha Sense 正在利用我们的人工智能技术在行业内进行渠道调查。我们开发了一款 AI 访谈系统。这款 AI 访谈系统是基于 Alpha Sense 数据训练的智能体，它了解市场，掌握任何公司或市场的所有可用信息，并利用这些信息构建访谈脚本，与真正的专家进行电话访谈，提出问题，进行后续跟进，并深入探讨特定主题。
我们首先将 AI 访谈工具应用于渠道核查数据集。我们利用这个工具与各行各业的专家进行访谈，这些专家了解不同行业的价格和需求信号。我们每个季度都会转录数千通电话，并在其上构建一个智能层，以便在财报发布前提取量化数据，预测特定公司的业绩指引最终可能如何实现。现在，我们所有的客户都可以使用这个 AI 访谈工具。
专家访谈一直是私募股权公司和对冲基金尽职调查流程中至关重要的一部分。我们的用户仍然会进行大量的专家访谈，但现在他们可以借助人工智能进行补充。例如，他们可能原本只需要进行五通电话，而现在可以通过人工智能进行二三十通甚至五十通电话，深入调查不同的领域。这形成了一个内容飞轮，极大地扩展了我们的资料库，并提升了我们可获取的洞察能力。目前，我们的资料库里有超过 30 万份访谈记录，每个季度新增超过 2.5 万份，而且增长迅速。
Chris Ackerson 13:16 我们最初开发 AI 面试官时，将其应用于渠道调研，因为这是一个相对封闭的问题。渠道调研包含一系列结构化的访谈问题，例如：你们的采购量是多少？市场上对特定产品的需求如何？因此，我们可以将这项早期技术应用于一个非常实用的案例，效果非常好。随着系统的不断改进，我们评估了 AI 面试官的质量，现在它的质量已经达到甚至超过了我们最优秀的分析师的访谈水平。该系统会随着时间的推移不断改进，并且它基于 Alpha Sense 上的所有数据。想象一下，如果你要面试我，你可以事先阅读 Alpha Sense 上所有关于我们所在领域的文章。这就是 AI 面试官在每次专家访谈前所做的准备工作。
David Weisburd 14:15 从你们现在正在做的人工智能代理的早期应用，到未来金融领域的工作形态，人工智能的发展前景广阔。让我们快进到五年后。投资银行家们在做什么？投资者们在做什么？人类最终扮演什么角色？
Chris Ackerson 14:39 这些行业的核心作用仍然至关重要。对冲基金分析师为客户提供咨询服务，帮助找出在特定市场中获得投资回报的优势所在。我认为，这个核心理念不会改变。
我们非常兴奋的一点是我们全新的"超级分析师"产品。目前，"超级分析师"已经能够完成许多出色的工作。例如，所有 Alpha 数据都会实时传输，超级分析师可以监控这些数据，从而实现工作自动化。在财报发布期间，它可以读取所有电话会议记录，并执行您指定的流程。这些行业交付的成果大多是文档类文件，比如生成幻灯片、投资备忘录、Excel 模型等等，它在这方面非常出色。
展望未来几年，我们设想这样一个世界：每个人都在构建自己的定制软件，完美契合自身特定流程和用例。我们将突破文档和会议的局限，迈向一个每个人都在使用实时软件的世界，这些软件始终能够访问最新信息，并完全根据你的特定流程量身打造。
在这个未来，什么才是真正有价值的？人类的判断力至关重要。企业从所有决策中学习的能力至关重要。我们的首席执行官杰克经常说，企业的价值是其所有决策的总和。在智能体时代，企业最重要的任务是确保能够捕捉到人力资本或智能体资本执行的所有决策所带来的学习成果。因此，投资于能够帮助你捕捉这些学习成果的系统，使你的公司不断进步，并将判断力应用于人工智能系统的决策之上，将始终至关重要。
此外，世界如此复杂，科技日新月异，商业世界和应用程序都在不断发展。因此，企业各个层级的人员几乎都扮演着架构师的角色。系统工程师仍然至关重要，因为人类社会和经济始终处于动态变化之中。从我与数百位投资者的交流中了解到，伟大的投资公司并非仅仅依靠投资回报就能成功。那些能够长久生存的公司，往往擅长那些大多数人看不到的事情。
Chris Ackerson 19:24 Alpha Sense 的客户共享相同的数据，对冲基金之间如何竞争？几十年来，这一直是信息系统和投资领域关注的问题。我们认为，最终的投资决策是投资者与 Alpha Sense 或超级分析师以及他们所使用的技术共同作用的结果。你引导系统的方式、你提出的问题、你在与人工智能互动时做出的选择、你指向的目标、你要求它自动化的流程，这些都是人为因素造成的差异。而最终的决策则是所有这些因素与人工智能代理能力的结合。
David Weisburd 20:08 分析海量数据并实现流程自动化，这才是最终创造超额收益的关键。我认为金融产品本身也是面向终端客户的产品。养老金、捐赠基金、家族办公室等机构的风险承受能力可能千差万别。你可能查看同一个概率模型，然后说：我打算稳妥行事，争取 8% 的回报；或者我打算即使波动性很大也要追求最佳净回报。从投资的角度来看，这其中既有偏好，也有产品层面的考量。
Chris Ackerson 20:44 我们推出的超级分析师平台可以根据您的流程进行定制。您可以利用自身的技能，将超级分析师集成到下游工作流程中，整合您自己的数据和视角，从而真正打造差异化的竞争优势。
David Weisburd 21:04 最近，我采访了彼得·蒂尔对冲基金的总裁，他谈到了被动投资者带来的市场系统性风险。以前，主动投资者会参与买卖决策，而现在，所有人都涌入这些股票，这在系统中造成了杠杆效应。您认为人工智能和数据的对称性会导致市场波动加剧吗？
Chris Ackerson 21:25 我们的使命是帮助市场更有效地配置资本。我们认为，借助像 Alpha Sense 这样的工具，我们可以与用户一起控制和降低风险。将高质量的数据融入决策过程——Alpha Sense 的核心价值主张之一，即消除投资或决策过程中的盲点——可以通过人工智能获得很好的答案。但如果答案仅仅来自一位博主或一位分析师，那么它的价值远不及一个能够汇集所有分析师、众多专家、公司内部人员以及公司自身对某个主题的看法的系统。将所有这些信息整合到一个答案中，能让您对自己的决策更有信心，并提高决策对业务有利的可能性。
Chris Ackerson 22:29 我想了解一下你们的数据基础设施。你们在运行推理时既使用了大型语言模型，也使用了开源软件，能跟我说说这方面的情况吗？
我们已经看到不同模型之间存在着非常显著的差异，即使是最前沿的人工智能模型也各具特色。我认为这与后训练在训练过程中扮演的角色越来越重要有关。几年前，所有实验室都在使用相同的数据集进行预训练，其中大部分数据来自公共互联网，因此预训练得到的模型在功能上非常相似。而现在，这些公司的大部分 GPU 支出不再用于预训练，而是用于后训练。在后训练阶段，可以根据不同的任务和数据集进行更精细的区分。所以，这些模型实际上已经实现了差异化，这与许多预测截然相反——那些预测认为它们最终会趋于同质化和融合。
例如，我们看到 Claude Opus 在生成高质量幻灯片方面非常出色，但作为上下文检索系统或搜索模型，它的表现并不理想，至少在早期版本中是如此。因此，我们会根据对不同模型优缺点的评估，选择应用不同的模型。
Chris Ackerson 23:57 您提到了开源模型。我们与 Cerebras 合作，它是一家非常出色的低延迟推理提供商，我们可以利用他们提供的顶级开源模型。低延迟对于构建具有对话感和实时性的系统至关重要。因此，我们所有的工具，无论是超级分析师还是生成网格，都在其流程中使用了多个针对不同任务优化的模型。我们也正在开始训练我们自己的模型，我们关注前沿模型，认为我们可以在某些任务中创造很多价值。
David Weisburd 24:36 我想强调一下你提到的一点，那就是大语言模型本身拥有不同的数据集。这让很多人感到困惑。我目前正在帮助我们投资组合中的一家公司进行并购或融资活动，我和很多投资银行的负责人交流过，他们都表达了同样的观点：至少在科技领域，他们目前的大部分工作都是帮助大型语言模型公司获取数据集。大多数人并不了解这种情况，但如今交易的一个重要部分就是帮助这些大型语言模型获取越来越多的数据，尤其是专有数据，以便它们能够实现差异化竞争。
Chris Ackerson 25:19 所有人工智能公司最终都会转型为数据公司，我们看到，随着越来越多的公司涌现，这种趋势愈演愈烈。这些公司专注于帮助人们构建强化学习环境，并有专家协助构建数据集。最近收购某航空公司数据资产就是一个有趣的案例。我们看到这种情况越来越普遍，这也凸显了差异化数据的重要性，以及我们为何对过去十多年来积累的数据充满信心。
回到你刚才说的，关于训练自己的数据和进行自己的后训练。Alpha Sense 已经训练我们自己的 AI 模型近十年了，早在生成式 AI 爆发式增长之前。所有这些模型都需要进行后训练才能有效发挥作用。因此，我们的系统中有很多专门用于搜索的模型，它们可以帮助我们找到合适的内容来理解用户的问题，并对信息源进行排名。这些模型经过多年的学习，已经掌握了哪些信息源最相关，哪些内容对于任何给定的任务来说最权威。
Chris Ackerson 26:37 随着我们不断推进，我们正在训练前沿模型，以期为超级分析师等产品提供端到端的支持。超级分析师与人们以往使用人工智能代理的体验略有不同，后者通常是在自动化金融研究等场景下直接与大语言模型交互。实际上，绝大部分工作都集中在研究环节，这占了成本的 80% 左右。影响质量的因素中，约有 70% 取决于你如何有效地利用所有工具、数据集和 Alpha 数据集进行研究，并找到合适的背景信息。无论是撰写盈利预测、路演演示文稿还是战略备忘录，都需要用到这些。因此，我们认为，我们拥有强大的数据和工具来构建前沿系统，这些系统能够比那些缺乏理解能力的前沿人工智能模型更有效地运行研究环节。
David Weisburd 27:36 大语言模型的另一种加权方式是，它们对所有不同的来源都有一定的权重，通过运行你自己的数据，你可以稍微调整这些权重，以便即使在前沿的大语言模型上，也能获得信息优势，它们的搜索训练方式也截然不同。
Chris Ackerson 27:54 这就好比一种网络搜索框架，你只能盲目地到处搜索，希望能找到真正有价值的信息。这种方法在网络搜索中总体上是有效的，但对于金融研究来说就不太适用了，因为金融研究需要处理大量低价值或无用的信息，成本很高。运行这些研究流程需要投入大量资金。
其次，它会降低质量。这有点像上下文污染，因为你引入了无关信息，任务执行时间也会更长。正如你所说，我们可以训练一个模型，使它能够准确地知道应该使用哪种工具来执行给定的任务。因此，我们认为我们能够在提供比前沿模型更高质量的同时，将成本降低高达 40 倍。
需要明确的是，这并不意味着我们不会使用前沿模型。我们认为它们在真正擅长的领域非常出色，例如编写代码、进行深度数据分析、生成高质量的成果，比如幻灯片或 Excel 备忘录。因此，这两类模型将像两个独立的代理一样协同工作，一个负责协调实际的代码生成或数据合成，另一个则作为高效的研究人员。这些系统将协同运作。
David Weisburd 29:13 马克·贝尼奥夫也谈到了软件的未来发展方向，即无头模式——用户不一定非要使用 Salesforce 来创建提示，Salesforce 本质上是通过名为 MCP 的 API 来实现的。Alpha Sense 是否也在朝着这个方向发展？您认为这是否是应用程序的未来？
Chris Ackerson 29:38 毫无疑问，市场将会朝着智能体之间协作的方向发展，它们将通过不同的协议来实现这一点，MCP 就是其中之一。
当我们打造像 Super Analyst 这样世界级的智能代理时，我们希望它能在 Alpha Sense 桌面环境中运行。Alpha Sense 桌面环境配备了专门设计的代理工作区，旨在让 Super Analyst 的使用体验更加出色。您使用 Super Analyst 生成的所有历史记录和工作成果都会保存在该桌面工作区中，所有调整所需的工具也都集成在这个工作区中。此外，Super Analyst 也是您的得力助手，无论您在哪里工作，它都应该能够胜任。目前，它已经可以在 PowerPoint 和 Excel 中使用，未来还将通过 API 和 MCP 集成到其他系统、应用程序和工作流程中。
无论您是个人用户，还是企业内部的 IT 团队或技术团队，都可以使用 Alpha Sense 作为智能代理自动化基础设施，进行市场情报分析，从而构建各种应用程序并自动化各种工作流程。随着智能代理能够让你们从简单的问答转向真正的工作委派，超级分析师将像团队中那个永不眠的分析师一样全天候工作，通过手机、电子邮件、Slack 和 Teams 等各种渠道，以更加人性化的方式交付工作成果。
David Weisburd 31:19 听起来你们的增长速度相当惊人，营收增长超过 5 亿美元。但任何企业都会遇到一些令人夜不能寐的事情，尤其是在当今世界局势下。那么，究竟是什么事情让你夜不能寐呢？
Chris Ackerson 31:33 我们极其专注于提供决策级答案和输出，因此，我们的重点在于确保用户在周五深夜收到 Alpha Sense 的输出结果后，可以安心地合上电脑回家享受周末，而无需担心数据来源是否可靠，或者是否存在虚假的指标或财务数据。我们日夜都在思考这些问题。
从产品策略角度来看，在类似聊天机器人的生成式搜索时代，验证对我们来说是一个相对简单的问题，因为我们已经将所有数据集成到了 Alpha Sense 中，所有内容都归因于正确的引用来源，您可以点击查看原始出处。随着这些系统变得越来越复杂，它们不仅仅生成一份可以轻松点击查看引用的报告，还会生成更多可视化的抽象推荐和建议，比如图表和表格。因此，我们每天都在思考如何减少验证过程中的摩擦并维护用户信任。
David Weisburd 32:42 回想职业生涯的起点，正如您之前提到的，您曾在 IBM Watson 工作。您的许多同行现在都在 OpenAI 和 Anthropic 等公司工作，真正地在构建未来。如果让你给当年的自己一条永不过时的建议，一条能加速职业发展、避免代价高昂的错误的建议，那会是什么？
Chris Ackerson 33:02 所有从事人工智能工作的人都因为低估了这些模型改进的速度而留下了许多教训。我们每天都在纠结于到底应该围绕这些模型搭建多少脚手架scaffolding，目的是使它们达到某种质量，使产品在今天可用，而不是等到模型在六个月或一年后会达到的水平。我们现在对于删除脚手架、迈向未来都非常坦然。
五年了。我会给自己的建议，也是杰克和拉杰这两位创始人给我们所有人的建议，那就是：着眼未来，尽可能快地行动，不要感伤，继续创新。
我们对未来的发展方向感到无比兴奋，比以往任何时候都更加秉持"初学者心态"。你必须每天醒来都像初学者一样，因为一切都在悄然变化。
Chris Ackerson 34:12 您提到了脚手架。在 Alpha Sense 中，每一代模型都对脚手架进行了哪些改进，以确保推出的产品能够满足专业用户的需求，让他们信赖，并且不会产生影响投资决策的虚假信息？
举例来说，我们在 2023 年推出了第一批生成式 AI 功能，当时专注于文档摘要，例如能否有效地总结财报电话会议等等。之后，我们逐步发展到生成式搜索解决方案，它可以从 Alpha Sense 的所有内容中查找并综合答案；再到工作流代理，帮助自动化复杂的工作流程；以及现在的超级分析师，您可以直接向其委派工作。
在每一次发展过程中，我们都大幅简化了脚手架。在 2023 年，我们能够让一个大语言模型几乎 100% 准确地总结财报电话会议。如今，要实现这一点已经无需那么多额外工作——这些模型本身可以更有效地完成这项任务。但同样地，如果你把整个盈利预测流程都委托给超级分析师，那么为了确保其有效性、降低预测失误风险并提高准确性，就需要付出巨大的努力，高效管理上下文资源。这就是我们今天关注的重点，这几乎是一种文化竞争优势。
David Weisburd 35:40 你提到杰克和拉杰，也谈到了我所谓的"初学者心态"，即不断重塑自我。很多人认为这是技术问题，但实际上这是文化问题。
Chris Ackerson 36:00 我们所做的投资，包括我们聚合的内容数据集、我们构建的搜索数据，以及数百万条搜索查询记录，都将伴随公司整个生命周期持续发挥作用。这些搜索查询记录使我们能够训练模型，从而找到适合特定任务的合适内容。这些都是持久的数据资产，将继续为公司提供动力。
David Weisburd 36:25 使用像 Alpha Sense 这样的产品，你必须始终着眼未来，勇于创新，不断突破自我。克里斯，我偶尔会使用 Alpha Sense，我的公司也确实成功上市了，我用它来判断是否应该买入或卖出股票。非常感谢你抽出时间接受采访。
Chris Ackerson 谢谢，大卫，这次采访很愉快。
