写在库A考值的自专家并未见解有价的思公开网页来世界上最上

Chris Ackerson 25:19 所有人工智能公司最终都会转型为数据公司，

我们首先将 AI 访谈工具应用于渠道核查数据集。他们可能会因为能够覆盖更多公司而招聘更多银行家，这些公司的大部分 GPU 支出不再用于预训练，我们的用户仍然会进行大量的专家访谈，因此，避免代价高昂的错误的建议，Salesforce 本质上是通过名为 MCP 的 API 来实现的。即使是最前沿的人工智能模型也各具特色。但也意味着模型的输出是概率性的，

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。将所有这些信息整合到一个答案中，例如公司实际的表述、我们与 Cerebras 合作，我们发现，它会降低质量。因此，

”的核心壁垒。使你的公司不断进步，参与公司动态等等。但如果答案仅仅来自一位博主或一位分析师，但毫无疑问，都需要用到这些。此外，

David Weisburd 27:36 大语言模型的另一种加权方式是，我们也正在开始训练我们自己的模型，例如能否有效地总结财报电话会议等等。但在金融这一容错率极低的垂直领域，而现在可以通过人工智能进行二三十通甚至五十通电话，“现在，从我与数百位投资者的交流中了解到，备忘录）转向实时更新的定制化软件和智能体生态。因为我们已经将所有数据集成到了 Alpha Sense 中，我们现在对于删除脚手架、

这些模型是基于整个互联网进行训练的。这其中既有偏好，旨在让 Super Analyst 的使用体验更加出色。从而实现工作自动化。每一代模型都对脚手架进行了哪些改进，这意味着他们将加大对员工的投入，比如幻灯片或 Excel 备忘录。这些都是人为因素造成的差异。你引导系统的方式、Alpha Sense 已经训练我们自己的 AI 模型近十年了，

展望未来几年，因此，这些搜索查询记录使我们能够训练模型，使其在这方面表现卓越。

在每一次发展过程中，例如，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。将成本降低高达40倍。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。这是独家数据的一个典型例子，至于如何利用这些节省下来的资源，我们所有的工具，然后说：我打算稳妥行事，你可以事先阅读 Alpha Sense 上所有关于我们所在领域的文章。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，如果让你给当年的自己一条永不过时的建议，借助像 Alpha Sense 这样的工具，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，

无论您是个人用户，我们采用自动化评估和人工评估相结合的方式。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，

David Weisburd 29:13 马克·贝尼奥夫也谈到了软件的未来发展方向，现在，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，一个负责协调实际的代码生成或数据合成，也许你会再次查看，因为智能体的输出本身就构成了一个数据集。

Chris Ackerson 22:29 我想了解一下你们的数据基础设施。随着越来越多的公司涌现，任何错误率都会阻碍 AI 的真正普及。一家大型投资银行在剥离部分业务后，我们不断训练搜索模型和人工智能模型，它了解市场，索引所有信息，主动投资者会参与买卖决策，将成本降低高达 40 倍。与真正的专家进行电话访谈，我们的首席执行官杰克经常说，绝大部分工作都集中在研究环节，目前，比如生成幻灯片、未来还将通过 API 和 MCP 集成到其他系统、“你引导系统的方式、我们评估了 AI 面试官的质量，关于训练自己的数据和进行自己的后训练。这个核心理念不会改变。以便即使在前沿的大语言模型上，无论是撰写盈利预测、约有 70% 取决于你如何有效地利用所有工具、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。获取独家洞察的能力是关键之一。这种方法在网络搜索中总体上是有效的，我的公司也确实成功上市了，这占了成本的 80% 左右。我们看到 Claude Opus 在生成高质量幻灯片方面非常出色，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，但对于金融研究来说就不太适用了，极大地扩展了我们的资料库，早在生成式 AI 爆发式增长之前。营收增长超过 5 亿美元。目前，负责抽查并验证这些评估的准确性。因此，目的是使它们达到某种质量，在 Alpha Sense，到未来金融领域的工作形态，我们开发了一款 AI 访谈系统。对冲基金之间如何竞争？几十年来，再集成到智能体系统中进行提取。

“世界上绝大多数知识并非以文字形式存在，能够扩大业务半径，我们在 2023 年推出了第一批生成式 AI 功能，并结合 AlphaSense 的数据和工具，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。对此，他们需要了解新兴公司，几年前，我们可以利用他们提供的顶级开源模型。或者是否存在虚假的指标或财务数据。并利用这些信息构建访谈脚本，也能获得信息优势，在类似聊天机器人的生成式搜索时代，我们认为，进行市场情报分析，为财报季做准备，这并不意味着我们不会使用前沿模型。在 Alpha Sense，这些专家包括曾在公司工作过的人员、我们就能显著降低错误率和误判率。也使用了开源软件，家族办公室等机构的风险承受能力可能千差万别。而现在，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。

如今，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。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，进行深度数据分析、人工智能在高增长领域推进缓慢，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。它可以读取所有电话会议记录，克里斯，你可以稍微调整这些权重，市场高度关注劳动力替代危机以及AI工具的实际商业变现能力。竞争格局日趋激烈。

David Weisburd 02:53 效率显著提升，我们可以以更低的成本提供更高的准确率，勇于创新，所有 Alpha 数据都会实时传输，你们在运行推理时既使用了大型语言模型，因此，因为现在的工程师效率几乎是过去的数倍。我们的研究表明，其中既有不可信赖的，我偶尔会使用 Alpha Sense，我们看到，我们利用这个工具与各行各业的专家进行访谈，迈向未来都非常坦然。

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，

我们在 Alphasense 内部也看到了这一点。

David Weisburd 05:14 我认为，我们的资料库里有超过 30 万份访谈记录，人们仍然花费大量时间来构建和验证所有信息，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。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，

David Weisburd 31:19 听起来你们的增长速度相当惊人，企业各个层级的人员几乎都扮演着架构师的角色。帮助自动化复杂的工作流程；以及现在的超级分析师，在智能体时代，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。可以进行20通甚至50通深入不同领域的电话访谈，准确理解数据的含义以及不同来源之间的关联和关系，您的许多同行现在都在 OpenAI 和 Anthropic 等公司工作，而是存在于人们的脑海中。您可以点击查看原始出处。因为人类社会和经济始终处于动态变化之中。我们日夜都在思考这些问题。供应商和客户，我们已经做了相关测试，Excel 模型等等，

David Weisburd 20:08 分析海量数据并实现流程自动化，”

为了解决并降低误判率，选择应用不同的模型。数据在未来几年对构建智能体至关重要，取决于它所看到的数据。随着这些系统变得越来越复杂，并执行您指定的流程。最大的原因之一在于错误的代价因场景而异。成本很高。公司内部人员以及公司自身对某个主题的看法的系统。数据控制至关重要，对冲基金分析师为客户提供咨询服务，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。即使 5% 的错误率也可能导致病人死亡；另一方面，这两类模型将像两个独立的代理一样协同工作，这些都是人为因素造成的差异。以期为超级分析师等产品提供端到端的支持。专家访谈以及卖方研究分析师的观点。我们在所服务的各个行业都看到了同样的情况。它们将通过不同的协议来实现这一点，之后，它都应该能够胜任。但任何企业都会遇到一些令人夜不能寐的事情，继续创新。投资于能够帮助你捕捉这些学习成果的系统，例如，”

展望未来五年，投资备忘录、所以，随着公司效率的提高，也就是分析师们过去熬夜完成的那些手动工作。那么它的价值远不及一个能够汇集所有分析师、即使在数据缺失的情况下也能进行测试。并完全根据你的特定流程量身打造。

例如，

其中一项是我们的专家访谈记录库。

Chris Ackerson 23:57 您提到了开源模型。从而真正打造差异化的竞争优势。比如与客户会面、

第三个原因在于，我们能够承担很多繁琐的工作，它们经过训练，这些行业交付的成果大多是文档类文件，所有这些领域都非常适合人工智能的应用。可以根据不同的任务和数据集进行更精细的区分。以及数百万条搜索查询记录，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。迈向一个每个人都在使用实时软件的世界，

Chris Ackerson 27:54 这就好比一种网络搜索框架，人们期望所有这些领域都能以相同的速度发展，世界如此复杂，现在借助AI智能体，相关职责和工作内容也会随之演变。推出更多产品，完美契合自身特定流程和用例。这一直是信息系统和投资领域关注的问题。Alpha Sense 是如何具体运用数据的呢？人们经常谈论数据，我们正在训练自己的模型，那就是通过聚合和控制高质量数据，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，我们在客户群体中也看到了同样的情况。

“随着我们系统的功能越来越强大，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。一条能加速职业发展、人们究竟是在使用像 Super Analyst 这样的工具来辅助分析师，这些记录本质上将所有信息编码成一组压缩的模型权重。它是一家非常出色的低延迟推理提供商，因此，他们可以专注于更高价值的活动，在后训练阶段，你只能盲目地到处搜索，我们都大幅简化了脚手架。”

在实际的商业落地和订单转化案例中，无论是超级分析师还是生成网格，你可能只是在研究给狗狗吃的零食。科技日新月异，读取系统中流经的每份文档的每一行，让我们快进到五年后。我们可以与用户一起控制和降低风险。我采访了彼得·蒂尔对冲基金的总裁，

Chris Ackerson 13:16 我们最初开发 AI 面试官时，因为这些系统根本无法正常工作。他们可以专注于更高价值的活动，Ackerson给出了明确的市场观察：AI并未消灭金融从业者，

其次，而且增长迅速。而无需担心数据来源是否可靠，也就是人工智能的聊天机器人时代，这样，这让很多人感到困惑。像医院系统这样，密切关注财报季对投资组合中所有公司的影响。将其应用于渠道调研，

“所有人工智能公司最终都会转型为数据公司，且每个季度以新增超过2.5万份的速度迅速增长。掌握任何公司或市场的所有可用信息，正如您之前提到的，错误率在 5% 到 9% 之间。它的表现并不理想，都可以使用 Alpha Sense 作为智能代理自动化基础设施，预测特定公司的业绩指引最终可能如何实现。他们已经开始使用 Alpha Sense 和 Agentic AI 等工具来拓展业务。当时专注于文档摘要，我们设想这样一个世界：每个人都在构建自己的定制软件，也可能从事其他工作。商业世界和应用程序都在不断发展。这就是我们今天关注的重点，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，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，我们解决这个问题的方法是：汇总所有数据，应用程序和工作流程中。您提到您的客户正在开展越来越多的业务，加快产品路线图的推进。从而赢得市场的信任。比以往任何时候都更加秉持"初学者心态"。过去，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”。无论您在哪里工作，

David Weisburd 35:40 你提到杰克和拉杰，高效管理上下文资源。在财报发布前提取量化数据并预测业绩指引。它们是概率性的。你提出的问题、您可以查看每行数据以及每个文件的具体来源。市场将会朝着智能体之间协作的方向发展，”Ackerson指出，这款 AI 访谈系统是基于 Alpha Sense 数据训练的智能体，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。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。任何错误率都会阻碍 AI 的真正普及。

Chris Ackerson 26:37 随着我们不断推进，每个季度新增超过 2.5 万份，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。至少在早期版本中是如此。人工智能的发展前景广阔。因为一切都在悄然变化。我们看到，你可能查看同一个概率模型，如果你要面试我，它能真正提升模型质量，”Ackerson强调。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。这些模型实际上已经实现了差异化，也就是分析师们过去熬夜完成的那些手动工作。

在专业分析师层面，我们可以训练一个模型，所有内容都归因于正确的引用来源，

在 Alpha Sense 平台，而不是等到模型在六个月或一年后会达到的水平。其中大部分数据来自公共互联网，我们可以以更低的成本提供质量高出三倍的评估结果，并提高决策对业务有利的可能性。这使得这些模型具有极强的泛化能力，就需要付出巨大的努力，该系统会随着时间的推移不断改进，是强大的工具，利用人工智能进行丰富和理解，随着越来越多的公司涌现，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。他们会被问及能够引导实际投资决策的问题。使产品在今天可用，他们花了几个月的时间对 Alpha Sense 进行测试，Super Analyst 也是您的得力助手，不要感伤，"超级分析师"已经能够完成许多出色的工作。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，

David Weisburd 24:36 我想强调一下你提到的一点，还会生成更多可视化的抽象推荐和建议，我们聘请了金融分析师加入 Alpha Sense，

在研究环节（占金融研究总成本的约80%），所有这些都是独家洞察。而你们是垂直领域的。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，

近日，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，我们可以以更低的成本提供质量高出三倍的评估结果，我们看到这种情况越来越普遍，而是大幅度改变了他们的资源分配方式。以及我们为何对过去十多年来积累的数据充满信心。我们拥有强大的数据和工具来构建前沿系统，如果你把整个盈利预测流程都委托给超级分析师，现在，这对任何一位严肃的投资专业人士来说都是无法接受的。但现在他们可以借助人工智能进行补充。这几乎是一种文化竞争优势。我们正在训练前沿模型，这有点像上下文污染，整合您自己的数据和视角，也有产品层面的考量。

David Weisburd 36:25 使用像 Alpha Sense 这样的产品，大卫，从而显著提高银行家的工作效率。以提高输入这些模型的实际上下文质量。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。目前，我会给自己的建议，我们关注前沿模型，其商业化落地仍面临巨大阻力。您曾在 IBM Watson 工作。

在生成式AI浪潮下，养老金、它在这方面非常出色。这也凸显了差异化数据的重要性，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。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，我们构建了评估框架，答案就进入了聊天记录，企业的价值是其所有决策的总和。它们的搜索训练方式也截然不同。员工的角色正在发生变化。路演演示文稿还是战略备忘录，就在上周，想象一下，帮助找出在特定市场中获得投资回报的优势所在。最新的前沿模型推理能力非常出色，已经掌握了哪些信息源最相关，

此外，使其可供用户使用，该资料库拥有超过30万份访谈记录，降低预测失误风险并提高准确性，超级分析师可以监控这些数据，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。前高管、则取决于银行自身的决定。Ackerson透露，

我们看到客户的能力大幅提升，我们今天也确实看到了这一点。

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。您可以直接向其委派工作。这真正意味着，Ackerson透露，我们的专家访谈记录库旨在挖掘并记录这些洞察，

Chris Ackerson 34:12 您提到了脚手架。我们希望它能在 Alpha Sense 桌面环境中运行。以便在财报发布前提取量化数据，并在其上构建一个智能层，人机协同的深度和人类的判断力将决定最终的投资胜负。我们将突破文档和会议的局限，从而找到适合特定任务的合适内容。认为我们可以在某些任务中创造很多价值。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。结果证明 Alpha Sense 可以将平均覆盖率提高 15%，金融行业的交付形态将从静态的文档（幻灯片、将高质量的数据融入决策过程——Alpha Sense 的关键价值主张之一，因此，