重點摘要

提出 Applied Vertical AI 概念　泛用 AI（如 Google Translate）服務多個產業；Applied Vertical AI 只鎖定單一產業，目標是模擬該產業從業者的判斷，講者任職的 Allos AI 用 AI 做藥物研發即是一例。

速度與精準的取捨不同，工作核心卻一樣　避險基金追求速度，「大致對、快很多」就好；製藥要求絕對正確，寧可多花時間。講者原以為換產業會徹底不同，結果 Applied AI 的核心工作完全沒變。

兩個產業的關鍵資料都被揭露規則逼出來，卻常被隱瞞　管理逾一億美元美股部位的機構每季須公開持倉，一旦揭露就被人反向推算、侵蝕獲利；法規也要求揭露每筆臨床試驗成敗，但講者說近三成基金從未照做，FDA 曾公開提醒逾兩千家申辦者未揭露不利結果。這類資料因此連 OpenAI、Anthropic 都拿不到。

模型在這些領域無法自我驗證　可驗證獎勵的強化學習在數學、程式這類有標準答案的任務上有效，但交易判斷或藥物候選沒有客觀對錯，用 LLM 當裁判行不通，講者形容那只是「用行話唬弄過去」。

解法是雇用領域專家、建立學習迴圈　專家從最基礎的提示詞開始參與，教模型判斷哪些資料來源可靠、如何拆解問題，再透過監督式微調、RLHF、「rubrics as reward」與成本最低、報酬最高的錯誤分析，把專家的判斷逐步內化進代理人。

兩個產業現在都是 AI in the loop，不是 human in the loop　最終決策仍由專家拍板，AI 只負責省時間——交易員從候選交易論點中挑一個，藥廠專家從候選藥物中挑一個。講者認為模型與基礎設施都是人人買得到的商品，真正的護城河是網路上找不到的專屬領域資料。

值得記的話

The question to ask is whether they actually work, whether they actually make or save money.

該問的是這些代理人到底有沒有用、有沒有賺錢或省錢

03:13

This was a really, really stupid mistake to be honest, because what LLM is essentially doing, it's predicting the next probable word.

老實說這是個很蠢的錯誤，因為 LLM 做的事其實就是預測下一個最可能的字

09:14

I have tried a lot of stuff. You just need to hire the user.

我試過很多方法，結論是你就是得雇用那個使用者

12:00

Finance and pharma are still those two industries, where it's AITL, AI in the loop, because everything is done by the expert, but the AI assistant really helps save time.

金融和製藥仍是 AI in the loop 而非 human in the loop 的產業：一切由專家拍板，AI 只是幫忙省時間

17:48

You need your data. You need other people's data. That is just not out there on the internet.

你需要自己的資料、也需要別人的資料，那是網路上找不到的東西

19:28

時間軸　11 段

名詞與人物　7 個

提到但沒有展開

• 講者提到監督式微調、RLHF、rubrics as reward、錯誤分析這四種做法「每一種都可以獨立講一小時」，受限於時間只能快速帶過，細節沒有展開。
• 提到模型更新速度快（例如 GLM 5.2、Alibaba Cloud、DeepSeek 相繼推出新版），是 RLHF 維護成本居高不下的原因，但沒有進一步說明。
• 提到機構每季須公開逾一億美元美股部位、藥廠須揭露臨床試驗成敗的規定與規避情形，但沒有點名具體法規條文或說明後續裁罰。