讓模型只指路、數字交給程式

055Vinoo Ganesh22:292026-07-29 上架

How Kepler Built Verifiable AI for Financial Services — Vinoo Ganesh

Kepler 共同創辦人 Vinoo Ganesh 說明金融業真正缺的是驗證，不是更多產出：模型只負責決定要算什麼，數字由確定性的系統寫入、記錄來源，錯的一律剔除。

這場講了什麼

• AI 把寫作問題變成閱讀問題：程式碼、行銷文案、DCF 都能在極短時間產出，卡關的是沒人能輕易驗證。Vinoo Ganesh 認為金融業目前缺的是可信的工作成果，不是更多產量。
• 引用只是事後稽核：搜尋結果附上來源清單，使用者卻很難篩選哪些來源可信。驗證指的是能以確定性的方式證明某個數字正確，例如從 10-K 抽出的營收數字。
• 驗證看的是遵不遵守公司規則：兩個人拿到同樣的資料，一個做多、一個放空，驗證檢查的不是唯一的真相，而是輸出有沒有照自家的來源與轉換規則。
• 模型只指向數字，不寫數字：Kepler 的做法是模型寫下參照，交給能忠實讀寫數字的系統；無法獨立驗證的數字就剔除。Vinoo 還提到自家微調過的抽取模型達到 94%，但剩下的 6% 仍然是錯的。
• 算術交給程式，模型負責推理與規劃：模型決定要算什麼，實際計算由確定性的程式完成並存在模型之外。比率與倍數則靠一條可重播、可倒回的推導鏈，記下每個數字怎麼來。
• 同一套做法能搬到別的產業：合併財報可以在數秒內完成，每個數字都連回來源；法律的案例引用、藥物配方也能套同樣的前處理。

影片從哪一段開始看15 段

1. 00:12開場與背景Vinoo Ganesh 是 Kepler 的 CEO 與共同創辦人，曾在 Palantir 與 Citadel 工作；這場是 Anthropic 為 Kepler 所做案例研究的濃縮版。
2. 01:37寫作問題變閱讀問題金融圈的演講多半談怎麼產出更多；Vinoo 指出 evals 不等於可驗證，AI 讓內容極易產出，卻無法輕易檢驗。
3. 03:15金融沒有驗證層軟體有測試與 code review、醫療有藥師把關，金融頂多是一個過勞的 VP；Vinoo 認為大家買 Bloomberg、FactSet 是為了轉移責任，而這些工具全是唯讀。
4. 04:37監管與工作成果分析師熬夜到凌晨 4 點，監管機關又要求每個決策都有來源可追；AI 要從搜尋跳到產出 DCF、投資備忘錄這類工作成果。
5. 05:43引用不等於驗證引用是事後稽核，來源也無法輕易篩選；驗證是能確定性地證明某個數字正確。
6. 07:02驗證是守住組織的規則同樣的資料可以得出相反的部位；要回答的是信任哪些來源、套用哪些轉換，並把它寫成規則。
7. 08:24模型不做數學，三個原則模型擅長非確定性的工作，但不能負責數學調整；Kepler 的三項原則是 atomic provenance、scope determinism、derivation chains。
8. 10:04Atomic provenance94% 準確的抽取模型仍不夠，模型只寫數字的參照，由資料庫寫入；通不過確定性檢查的數字一律剔除。
9. 11:57Scope determinism智慧已經商品化，但模型不該用來算一加一；模型決定算什麼，計算本身交給程式，成本也更低。
10. 13:49Derivation chains比率與倍數每家算法不同，需要一條能重播、倒回的推導鏈，記錄一個數字是怎麼算出來的。
11. 14:54成果與其他產業系統知道什麼可以產出、什麼不行；合併財報能在數秒內完成，並可延伸到法律案例與藥物配方。
12. 16:16像是 SSL 之前的電商目前像電商還沒有加密之前；RAG 平台有用，但還有一塊沒人做好；Vinoo 也批評以 token 用量當績效的作法。
13. 18:19結語：個人化是最後一哩產出幾乎免費，閱讀問題仍開放；系統要追蹤自己的來源，並反映各公司自己的投資流程。
14. 20:19Q&A：數字從哪裡來provenance ledger 裡的數字有三個來源：從財報抽出、由系統算出的衍生值、使用者自己的內部文件。
15. 21:10Q&A：客戶最期待什麼客戶要的是 AI 分析師而不是 AI 基金經理人，想把重複又痛苦的分析工作的時間拿回來。

值得記的話5 句

• The citation is effectively an after the fact audit.引用實際上只是事後的稽核06:16

• Finance is one of the rare industries where two people can have the same information, and one can be long a stock, and one can be short that stock.金融是少數幾個產業，兩個人拿著同樣的資訊，一個做多、一個放空07:02

• And that's because the wrong number is still wrong if you're in that unfortunate 6%.因為你要是落在那不幸的 6%，錯的數字照樣是錯的10:38

• Now, what the model cannot do is math, and why would it?模型做不到的是數學，而且它為什麼該做？12:12

• The portfolio managers don't want the AI portfolio manager. They want the AI analyst.基金經理人不想要 AI 基金經理人，他們要的是 AI 分析師21:10

名詞與人物9 個

Kepler

Vinoo Ganesh 共同創辦的公司，做金融領域可驗證的 AI；Vinoo 說 Anthropic 為它寫過案例研究

Atomic provenance

第一項原則：記下數字從哪裡來，模型只寫參照，由系統寫入數字，通不過確定性檢查的就剔除

Scope determinism

第二項原則：模型決定要算什麼，實際計算由確定性的程式完成

Derivation chains

第三項原則：記錄一個數字經過哪些步驟算出，讓過程可以重播與倒回

Provenance ledger

記錄每個數字來源的帳本，來源包含財報、衍生計算與使用者的內部文件

Bloomberg 與 FactSet

Vinoo 舉的資料終端例子，說明分析師只讀資料、再自己產出成果，工具本身是唯讀的

Verification（驗證）

在這場的意思是能確定性地證明某個數字正確，並符合公司自己的來源與轉換規則

Token maxing

以 token 用量當績效的做法，Vinoo 認為這不是解決問題的正確方向

XBRL

Vinoo 提到的財報結構化格式，由程式解析，用來取出數字而不經過模型

提到但沒有展開

• Vinoo 把 Snowflake 與 Databricks 當年出現成本最佳化的過程，類比成現在 token 用量即將面臨的 ROI 檢視。
• Vinoo 提到有公司正在挖掘 pull request 與 code review 的歷史，用來建立每家公司自己的 ontology，Vinoo 認為金融業也需要同樣的東西。

Agent評估產業觀察

在 YouTube 看原片 ↗