Brightwave，2023年成立于美国纽约和科罗拉多州博尔德，其由人工智能驱动的金融研究助手为金融专业人士提供详细的实时分析和洞察。根据硅谷科技评论（SVTR）AI创投库，最近完成600万美元的种子轮融资，投资方为Decibel Partners、Point72 Ventures、Moonfire Ventures和天使投资者（包括来自 OpenAI、Databricks、Uber 和 LinkedIn 的领导者）。

Brightwave 提供了一个自主投资研究系统，专为公共和私人市场中的活跃资产管理者设计。该系统加快了投资想法的生成和执行过程，同时提高了研究的深度。通过结构化的 AI 方法，Brightwave 处理大量数据，包括 SEC 文件、财报电话会议记录、实时新闻和网络上的小众内容，简化了复杂的研究任务。与传统的问答工具不同，Brightwave 生成的是互动性强的动态报告，允许用户根据需要深入探索各个主题。

Mike Conover，Brightwave创始人兼CEO。拥有超过 15 年的 AI 和机器学习经验，曾在Databricks担任资深软件工程师，期间帮助创建了 Dolly，一个展示类似 ChatGPT 指令跟随行为的开源模型。在Workday担任机器学习工程总监。此前曾在SkipFlag（被Workday收购）和LinkedIn工作。拥有印第安纳大学布鲁明顿分校信息学（复杂系统分析）博士学位，并辅修统计科学。

在本次访谈中，Mike 分享了 Brightwave 如何通过AI搜索产生更深入的见解，讨论了构建平台时最棘手的技术挑战，并解释什么是 Brightwave 公司文化的核心。

首先请介绍一下您的背景以及创立 Brightwave 的原因。

我从事 AI 和机器学习技术开发已有 15 年，我的博士研究由DARPA资助，最早专注于Twitter数据集，研究大规模宣传和错误信息的结构。在LinkedIn，主要负责主页新闻推送的机器学习模型开发，实时根据用户行为更新内容。在Workday，我负责财务机器学习的开发工作。我发现会计师或市场如何在数据库中编码信息的方式，与社会昆虫组织工作并集体决策资源分配的方式非常相似。在开始创业之前，我在 Databricks 工作，开发了一款名为 Dolly 的语言模型，它是首个展示出开源技术能够实现类似于 ChatGPT 行为的模型。

我的联合创始人也有深厚的背景，他曾是联邦监管的衍生品交易所和清算所 LedgerX 的首席技术官，并在 2018 年申请了他的第一个深度学习专利。我们是在他领导 Workday 的大规模语义搜索项目时相识的，我们共同对机器学习和金融充满浓厚的兴趣。

我们认为，市场是人类如何分配和协商价值的终极体现，这不仅在商业上具有吸引力，而且意味着我们正在解决一个极其有趣的问题。活跃资产管理者的工作就是发现别人没有察觉到的市场信息，从而识别出被错误定价的资产。在大量与投资决策相关的信息中，语言模型显然可以扩展人类认知的极限，并从根本上改变人类理解全球经济或金融市场等复杂系统的方式。

你如何向不熟悉的人介绍Brightwave？

Brightwave 正在构建一款由 AI 驱动的投资研究助手，帮助金融分析师以更高的效率和深度理解投资论点。我们的智能系统能够根据分析师的互动输入不断强化和改进对某一主题的理解，使他们能够更高效深入探讨投资想法。

您的用户到底是谁？Brightwave 主要是为独立投资者还是机构投资者打造？

我们的客户涵盖了各种基金、公司和战略团队，从多空对冲基金的买方团队到共同基金、私人信贷集团、私募股权和风险投资都有涉及。尤其是对于专注于股票市场投资的用户，例如，一些管理着 5 亿美元资产的 10 人规模的注册投资顾问使用 Brightwave 进行投资研究，而一些管理数十亿美元资产的大型对冲基金也在使用我们的产品。财富管理者借助 Brightwave 为客户会面做准备，投资者关系团队则用它快速了解新市场和主题，形成对投资主题或策略的独到见解。

Brightwave 的价值主张非常明确，因为我们通过处理 SEC 文件、财报电话会议记录、实时新闻和网络内容，帮助生成综合研究见解。随着产品功能集的不断扩展，我们还发现咨询、企业战略、企业发展和投资者关系等团队同样能够从 Brightwave 中受益。

让我们更深入地了解下贵司产品的工作原理。您在处理哪些数据以及如何处理？

我们认为 Brightwave 正在处理一个深度技术问题，而不仅仅是为商业语言模型提供的简单套壳。凭借团队在 AI 和机器学习方面的丰富经验，我们不仅训练自己的模型，还构建了专门服务于复杂用户需求的调度和执行层。我们也认识到语言模型的局限性，因此在代理行为方面采取“遵循车道”（lane following）的方式，而非直接实现“全自动驾驶”。我们认为当前的基础模型还无法完全自我监督进行自主研究，因此采用了一种人机互动的方式来进行深入研究。

可以把这类工作流想象成一个有向无环图（DAG，Directed Acyclic Graph）或行为序列，在每一步进行非确定性判断。我们限定了工作流的活动范围，让模型在其擅长的领域做决策，而不是让它全权处理一切。在 Brightwave 平台上，用户主导系统的注意力。例如，用户可以在研究报告中高亮任何段落，调用由语言模型驱动的分析库，进一步深入探索感兴趣的领域。

在检索增强生成（RAG）方面，我们将搜索视为核心功能。我们的搜索基础设施利用语义感知的文档表示形式进行优化。例如，我们能够区分财报电话会议中分析师与管理层的对话，不只是简单地分段，而是深入理解文档的实际含义。这种方法提升了分析和思维的质量，客户一致反馈，这远超市场上的其他产品。

用户还可以将自己的内容导入平台，我们会以同样高质量的标准进行推理分析。此外，我们从公共网络和已购专有数据源中提取内容，结合用户自有数据、公共数据和我们的专有数据集，提供全面的分析服务。

能否让我们更好地了解您所在市场竞争格局？从最终用户的角度来看，是什么让 Brightwave 与众不同呢？

AI投研是一个非常有吸引力但同时难度有很大的市场，目前在这个领域有几家公司都在探索。而我们用户一致认为，Brightwave在思维深度和产品体验方面遥遥领先。要形容我们的价值主张，我常用马斯洛的需求层次理论作为类比。最基础的一层是简单的事实查找和问答，即“从大海捞针”的信息检索。比如，你可以把一个文档放入一个大型上下文窗口，提出一个直接问题，模型会给出答案——前提是问题不涉及复杂的思考或计算。

再往上一层是摘要功能，在给定文档的情况下，Brightwave 可以帮助用户理解其核心内容。但我们认为真正的价值在于综合能力——在多份异构文档之间连接事实模式。我们产品的核心在于将问答、摘要和信息检索等所有组件结合起来，帮助用户从多个文档中理清完整的故事线。

我们的做法带来了许多有趣的研发挑战。我们解决的用户体验问题是：如何展现一个系统经过数千页材料推理后的思维过程，并以有意义的方式呈现给用户——这并非易事。

在我们的金字塔模型中，综合分析是在多个信息点之间建立连接，帮助发现那些可能被忽略的联系，而再往上走的层次是创意生成——即识别出最重要的事实模式，并建议这些模式可能暗示的机会或细微差别。金字塔顶层是完全自主研究，在这一层，模型不仅仅是检索和综合信息，还能观察自己的工作过程，并决定进一步深入哪些线索。

Brightwave 主要专注于这个金字塔的高层次，因为基础的事实查找和检索只是基本要求——这些并不复杂。真正让 Brightwave 与众不同的是其在综合分析和自我引导组织工作成果方面的能力。这种能力远超简单的信息获取，使系统能够更主动地帮助用户发现潜在的机会和更复杂的投资逻辑。

您的客户对 Brightwave 有哪些积极的反馈？

Brightwave 在三个关键领域表现尤为突出：首先，它帮助用户更快、更有信心地做出投资决策，确保不会忽略任何关键信息。其次，它让团队能够推理和分析大量内容，这些内容对人类来说几乎不可能在有限时间内细致处理。第三，它解决了从0到1的问题，帮助用户更快地生成想法，并评估他们可能没有考虑到的因素。

举一个我们自己的实际例子：我最初提出了一个广泛的问题，询问雀巢如何把握向植物性饮食转变的长期趋势。Brightwave 检索并分析了数千页相关材料，指出东南亚在文化上倾向于植物性肉类替代品。在创意生成方面，Brightwave 还发现，新加坡是唯一允许销售实验室培育肉类的城市。继续深入探索，系统发现 JUST（一家生产植物性蛋黄酱和蛋类替代品的公司）最近在新加坡获得了约 25 万升的生物反应器产能，用于生产实验室培育肉，而雀巢在这一特定细分领域可能会面临生产瓶颈。

从一个宏观的主题出发，Brightwave 凭借我极少的指导深入挖掘出关于新加坡生物反应器产能的具体洞察。这展示了 Brightwave 如何同时支持广度（处理大量内容）和深度（根据用户查询深入探讨特定方向），也是我们的用户如何使用系统的一个典型案例。

构建 Brightwave 过程中最大的技术挑战是什么？

我们面临的最大挑战在于处理系统内方法复杂性带来的累积效应。一个物理系统有一个关节有轻微的松动，单独来看可能不会有太大影响，但当你有八个关节时，这些微小的缺陷累积起来就会对系统造成明显的影响。Brightwave 包含多个机器学习和生成子系统，可以想象成一个有向无环图（DAG，Directed Acyclic Graph），其中有许多不同的语言模型调用、检索事件和自我批判过程同时进行。挑战在于如何联合优化所有这些元素：模型如何评价自己的工作、如何处理文档、检索模型在做什么、微调如何影响系统等。这些组件都需要进行测量和联合优化。

我们无法对整个系统进行梯度下降优化，因此必须开发新的方法，整体评估和改进系统性能。团队在消费级网络机器学习团队中的经验在这里起到了关键作用。在那些环境中，机器学习子系统通常会消耗其他模型的输出。虽然每个模型可能是可微分的，但整个系统并不是，这让大规模优化变得异常困难。

我们的核心挑战在于测量和评估。我们的任务是设计一个全面的“指南针”，即使每个系统有其独特的细微差别，它仍能始终指向正确的方向。这涉及整合评估数据、使用人类标注、利用语言模型监督来判断结果是否令人满意，以及经典的统计方法来衡量系统中每个组件的性能。本质上，这是在解决一个集成测试问题，每次变化不仅要在细节层面进行评估，还要在整体层面进行验证。

为此，我们通过系统处理一系列示例，确保在总体上系统依然如预期运作。这种评估需要同时监控系统的各个层面和子系统，既要保证原子层面的模型优化，也要确保系统整体功能不受影响。这也是为什么许多公司在这方面遇到瓶颈——这是一个极其复杂的多层次工程和研究挑战，要求在每个层次上进行精确、持续的测量和优化。

人工智能领域是否有什么令您兴奋的特定趋势？这些趋势如何影响 Brightwave 未来发展？

是的，当前 AI 领域有很多趋势让我感到兴奋。其中一个我特别感兴趣的是基于强化学习的规划算法，它将大型语言模型（LLM）视为一系列行动中的一个步骤。现在，许多代理型工作流依赖类似贪心搜索的策略，而我认为下一波能力提升将来自于模型能够同时优化规划和生成推理，并与执行和调度系统协同工作，使多个子计划能够进行推测性执行。（SVTR按：几天后，OpenAI的01推出，验证了其预判）

至于模型质量是否接近饱和，这一点尚不明朗。我认为我们还会看到几轮改进，但令人着迷的是，尽管有巨大的经济激励，许多独立实验室在基准测试中达到了相似的分数，却没有人实现突破性的飞跃。这仍然是那个“十亿美元的问题”。

在 Brightwave，我们着眼于未来的趋势。我们正在构建一个系统，它代表着当前技术能力的最前沿，并且随着基础模型的进步，Brightwave 也会不断提升。然而，我们并没有把所有希望押注在模型质量的重大突破上。相反，我们专注于解决当前的实际问题，同时期待大模型能够持续逐步改进。

能否介绍下 Brightwave 团队。您正在建立什么样的文化，您正在招聘什么样的角色？

我们的招聘理念可以用一句话概括：“只找执行者。” 我们相信，少数具有卓越能力、有主见、清楚优秀工作标准的小团队，远胜于规模更大的团队。我们重视主人翁精神、谦逊和工匠精神，其中主人翁精神定义了我们每天的工作态度。

我们招聘那些在成长经历、生活体验等方面适应能力强的人。这种控制感意味着，你在未知领域中积极导航的能力，决定了你在生活中获得的结果。这是招聘中最难评估的特质，但我们很幸运，Brightwave 拥有一群完美体现这些原则的人。他们有着非凡的职业经历，曾在 NeurIPS 发表论文，或在 Meta、Goldman Sachs 和 UBS 等公司历练过。但 Brightwave 的独特之处在于其文化——我们雇佣了非常优秀的人，他们有趣、富有同理心、充满激情。我们甚至有团队成员拒绝顶尖 AI 公司的邀请，选择加入我们。

至于职位，我们根据人的特点来匹配工作，而非反过来。如果你是一个执行者，我们会为你找到一个位置，让你做出职业生涯中最好的工作。