ARTICLE · 1358520
Bridgewater:一亿份文档背后的 AI 投研系
演讲来源：AI Engineer分享者：Sam Green，Bridgewater 应用人工智能团队负责人；Aaron Linsky，产品工程负责人
Sam Green 与 Aaron Linsky 分别负责 Bridgewater 的应用人工智能和产品工程。在这场演讲中，两人介绍了桥水如何建立非结构化数据平台 Vault，将超过一亿份文档、135 个外部数据来源及内部研究记录整合起来，为投资者和 AI 智能体提供共同的研究基础。
传统投资研究依赖大量分散的新闻、报告、政策文件和内部讨论，资料的时效性、检索准确率与信息覆盖范围都会影响最终判断。Bridgewater 通过数据治理、语义与时间标注、检索评测和智能体工作流，将这些资料引入日常投资流程。演讲进一步展示了 AI 如何主动发现值得研究的市场变化，并将人机协作形成的新认识写回 Vault，使研究成果能够持续积累和复用。
TL;DR：Bridgewater 核心观点
1. 一亿份文档的价值，取决于能否转化为有效的投资证据。 Bridgewater 建立的 Vault 接入了 135 个外部来源，以及内部研究、会议和讨论记录。所有资料都需要清洗、治理，并按照国家、市场、概念和时间进行组织，才能服务于投资研究和系统化决策。 2. AI 能够找到相关资料，却未必能回答真正的投资问题。 在人工智能投资如何影响韩元的演示中，开放网络检索依赖了三个月前的材料，无法判断最新市场共识。接入 Vault 后，智能体在指定的一周内找到 52 份候选文档，最终引用 7 份。信息的时效性、覆盖范围和相关性，直接影响研究质量。 3. 搜索质量需要明确的评测，而不能依赖模型的主观判断。 Bridgewater 人工建立了约 200 个检索评测样例，发现最初前十条检索结果的精确率只有约 60%。经过检索优化，讲者报告这一指标提高到约 90%—95%。评测让团队能够识别问题，并验证每项工程改进是否有效。 4. 人类研究员和 AI 智能体，对检索系统有不同需求。 人类阅读时间有限，更重视前几条结果的准确性；智能体可以高频、大规模地检索资料，对吞吐量和召回能力提出更高要求。投资研究还需要严格的时间、来源和资产过滤，因此数据平台必须同时解决准确率、召回率、过滤性能与规模问题。 5. 研究工具能否产生价值，取决于能否进入投资者的日常工作。 Bridgewater 最初将邮件订阅、研究文件夹和阅读习惯迁移到 Vault，再逐步引入跨文档提问、动态信息流和智能体协作。Investor Workbench 进一步让智能体主动发现值得关注的主题，提供摘要与原始证据，帮助投资者决定是否深入研究。 6. 真正的长期优势，来自能够持续积累的研究循环。 Bridgewater 将 Vault 作为研究智能体、宏观预测模型和投资信号的数据基础。投资者与智能体形成的新认识可以重新写入系统，供下一轮研究使用。每次研究积累的知识由此成为未来研究的输入，让组织的理解不断演进。
演讲精编
三个经验：不同需求、共同工具、主动参与
Sam： 我是 Sam Green，负责 Bridgewater Associates 的应用人工智能团队。这位是我的同事 Aaron Linsky。今天我们介绍 Vault：这是我们在桥水建立的数据平台，目的是让非结构化数据成为投资流程中可以正式使用的重要资产。
我们想分享建立 Vault 时得到的三个经验。
第一，人和智能体对数据平台的需求非常不同，必须分别针对这些需求进行设计。
第二，当同一个工具能够同时满足这两类需求时，往往能产生最大的影响。
第三，真正值得追求的是打好基础，让智能体成为投资流程中的主动参与者，而不只是等待人来使用、被动响应问题的工具。无论你用工具做什么，这个道理都适用。
从纸上的规则，到持续积累的研究循环
在深入介绍 Vault 之前，我先说一点桥水的背景。
过去五十年，我们一直努力建立对市场和经济运行方式的最佳理解，再把这种理解系统化地表达出来，以便在不同历史时期对自己的逻辑进行压力测试。
最初，这只是写在黄色拍纸簿上的一组“如果……那么……”规则。后来，它演变为一个持续积累的过程：以人为中心，不断寻找市场中接下来发生的变化。
最近，我们正在建立人工智能投资助理 AIA，把机器放到这个持续循环的中心。
无论处于哪个发展阶段，我们始终坚持同一种理念：不断观察世界发生了什么、正在怎样变化，发现哪些动态还没有被纳入现有理解，再用这些新认识改善体系，为未来持续积累。
在桥水历史上的大部分时期，这意味着建立和维护基于结构化数据的时间序列模型。我们必须仔细构建这些数据，确保它们适合用于研究，并与内部的概念体系和世界模型对齐，才能充分发挥数据的作用。
非结构化数据，也要接受同样严格的处理
随着语言模型出现，我们有机会使用范围广得多的数据：新闻、研究报告、转录文本、政策文件，以及公司内部过去分散在各处的交流，包括备忘录、会议记录和争论。
我们很快意识到，这些数据也需要接受完全相同的处理，才能满足研究需要。它们需要经过仔细清洗和治理，既能服务今天某个特定时点的研究问题，也能用于跨时期的系统研究。
我们考察了数据供应商和数据平台，但没有任何一家能够提供我们建立和维持数据优势所需要的全部控制能力。
Vault：不只存文档，还要组织文档讨论的世界
因此，我们建立了 Vault。它既是外部和内部非结构化数据的存储库，也是为这些数据建立索引、组织数据，并让投资者和智能体能够使用它们的平台。
今天，Vault 已经存放超过一亿份文档，每天还有数千份陆续加入。这些内容来自 135 个外部来源，而且来源仍在增加；此外，还包括桥水内部的数据。
关键是，我们不是把这些数据直接扔到投资者桌上。我们会仔细把它们与内部概念体系对齐，补充文档涉及的国家、概念、市场，以及最重要的，文档所讨论的时期。
同一个韩元问题，开放网络为什么没有答完整
为了让这件事更具体，我先举一个例子。我向一个企业版聊天客户端提出了一个比较基础、也比较典型的投资问题：“人工智能基础设施投资正在怎样影响韩元？市场参与者是否预期这种影响会持续？”
因为我明确要求它查找其他人的观点，智能体就像大家熟悉的那样，到网上寻找可以利用的资料。它找到了十五个看起来相关的来源，然后给出了回答。
仔细看这个回答，有两件事特别明显。
第一，虽然找到了十五个看起来相关的来源，但它实际上只选了一两个来回答我的问题。
第二，在回答末尾，智能体自己承认，它并没有真正回答这个问题：开放网络上的文档不足以让它判断市场共识，也无法满足我提出的要求。
进一步检查，问题更严重。它主要依赖的一份研究材料发布于 2026 年 7 月，而我提问和保存回答的时间，是上周末，也就是 10 月初。
在人工智能快速发展的背景下，在投资问题上，三个月是很长的时间。用这样的材料来回答我刚才的问题，远远不够。
接入 Vault，把时间放进查询本身
当我接入 Vault，再提出完全相同的问题时，情况就完全不同了。
首先，连接 Vault 会帮助提示智能体：回答这个问题时应该查找一个明确的时间区间。于是，它把时间限定为 10 月 1 日到 10 月 8 日。
由于 Vault 收录了更多与投资问题有关的内容，智能体在这个明确的时间区间内，找到了五十二份相关候选文档，资料范围广得多。
最终回答时，它引用了七份，而不是一两份资料，给出了更丰富的答案，智能体也更有信心认为这个回答能解决我的问题。
因此，对我们来说，这个例子说明：要让智能体产生实际作用，需要优质数据，也需要合适的连接方式。
下面交给 Aaron，介绍建立 Vault 时的一些产品工程经验。
两种读者：人的时间有限，智能体的请求量巨大
Aaron： 我是 Aaron，负责桥水的工程工作。我想介绍过去几年建立 Vault 的一些经验。
首先这一点也许很明显，但仍值得说：搜索很难，而当你要同时为两种不同的使用者设计时，事情会更难。这里的两种使用者，就是人和智能体。
先说我们自己。人需要准确的结果和很高的信噪比，因为能够读的内容有限。即使阅读很快的人，每分钟也大约只能读三百个词，我自己还要慢得多。
智能体是另一种读者。它们对结果准确率没有那么敏感。只要数据在，它们就能去找；基本上，你给它们的内容都会得到处理。它们可以迅速扩展，处理速度大约是人的一百倍，每分钟三万个词。
所以，Vault 必须同时为两者设计。我们考虑五个维度：召回率、准确率、过滤、访问权限和规模。有些对人更重要，有些对智能体更重要，也有很多对两者都重要。
接下来我重点讲三项：人的准确率需求、智能体的规模需求，以及双方共同需要的过滤能力。
“Vault 搜索不好用”，那就先建立评测
在数据和法务团队完成了大量艰苦工作，把 Vault 填充起来之后，召回已经不再是那么紧迫的问题。
但用户最常抱怨的是：“Vault 搜索不好用。”作为产品负责人，听到这种评价很难受。我的回应是：“那我们就建立评测。”我们也确实这么做了。
我们收集问题，人工寻找最好的相关文档，也标出那些看起来有帮助、实际却没有帮助的文档。总共大约两百个样例，不到一周就做完了。这项工作不好玩，也不光鲜，但非常有用。
评测结果很清楚：搜索确实不好。我们重点看的指标是前十条结果准确率，也就是排名前十的结果里，有多少是真正需要的文档。当时，我们只有约 60%。
用户说得没错。但现在，我们有了衡量每一项改进的方法。屏幕上列出了其中五项。在完成 Agentic Search（智能体检索）的优化后，我们已经达到约 90%—95% 的水平。
投研查询几乎总是带着过滤条件
接下来谈过滤。和所有人一样，我们也想找到最相关的文档。但查看生产环境的调用记录时，我们发现查询几乎总带有条件：截至某个日期、来自某个来源，或者与某项特定资产有关。
这些都需要高级过滤能力，而这正是我们遇到第一个重大性能问题的地方。
我稍微讲一点技术细节。向量数据库通常有两种过滤方式。
后置过滤，先利用向量索引搜索，再按元数据条件过滤排名靠前的结果。这很快，但召回率可能很低，因为全局相关性最高的结果，未必符合你的过滤条件。
另一种是前置过滤：先过滤，再对每一条符合条件的内容计算距离。优点是召回率很好，但可能非常慢。我们需要介于两者之间的方案。
这促使我们尝试，并最终切换到 turbopuffer。它们把自己的方式称为原生过滤：只查看那些包含符合条件结果的邻近簇，再仅对这些匹配项评分。
这样得到的效果，是速度接近后置过滤，召回率又接近前置过滤。
人每小时查，智能体每秒查
最后谈规模。人类使用者带来的规模，对我们而言比较普通：我们有三百位用户，每小时大约一百次查询。他们隔一阵搜索一次，读完返回的文档也要花几分钟。
智能体则高出几个数量级：很容易就达到每秒一百次以上查询，智能体集群的查询量甚至可能达到每秒数千次。正如前面所说，它们可以在几秒钟内读完文档。
所以，我们需要能够扩展的系统，turbopuffer 也轻松满足了这一需求。
这样，我们就覆盖了五个维度。我今天没有展开访问权限，稍后另一场演讲会讨论这一点。
先搬迁习惯，再培养新习惯
这些能力解锁了新的工作流程，却没有改变研究员的工作方式。他们还是不会每天早上打开 Vault。
这是我要分享的第二个经验：无论工具多么出色，都不能把它放到投资者桌上，就指望他们自然会用。我们需要把他们原有的习惯迁移到一种新形式中。因此，我们观察他们原本怎样工作。
很多人几乎一直待在电子邮件里。券商研究直接发送过来，他们有订阅清单，也有自动把内容分进不同文件夹的规则。这套方式能用，他们很熟悉，也确信自己不会漏掉东西。
于是，我们必须在 Vault 中实现这些功能。我们正是这样做的：让所有内容都可搜索，把订阅清单变成保存的搜索，把文件夹变成保存的收藏集。
习惯相同，只是换了一个地方。
等他们已经进入这个环境，我们就可以引入新习惯：像 Sam 刚才演示的那样，针对所有资料提问；跟踪按主题组织的动态信息流；把收藏集交给智能体，继续采取行动。这时，我们才明确看到了产品与用户需求的契合。
一旦达到这一点，用户就希望到处都能使用它。于是，我们把它放进聊天工具，开发手机应用，接入 Slack 和集成开发环境。当然，这些能力也开放给智能体，包括命令行接口，因为智能体很喜欢命令行。
同一套数据，支持研究、预测和投资信号
那么，这到底让我们能够做什么？Sam 稍后会介绍正在建设的能力。
首先，它让我们更快地完成一轮研究。我们的第一个人工智能分析师 Pocket Analyst 依赖 Vault，可以用几分钟、花几美元，完成过去要花几个小时的研究。
现在，我们正把它扩展为下一代的 Researcher。思路相同，但工作跨度拉长到几天甚至几周。
我们还能够训练定制模型，让它们更好地围绕 Vault 中的数据进行推理，再与其他基础模型结合，为系统化决策流程提供输入。
Forecaster 是其中第一个，会生成与宏观经济有关的人工智能预测。我们也已经基于 Vault 建立投资信号，把非结构化数据变成结构化、可交易的策略。
下面再交给 Sam，介绍 Vault 的最新能力。
投资者工作台：把值得研究的问题主动送到面前
Sam： 正如开头所说，真正值得追求的是，让智能体从等待回答人类问题的被动资源，变成主动参与者，帮助那些时间宝贵的专业人员，把注意力放到最重要的地方。
我们用一个叫作 Investor Workbench 的投资者工作台来解决这个问题。智能体持续运行，跟踪对某位投资者重要的事情，再把最需要他关注的领域呈现出来。
它依赖 Vault，提出一个主题，向投资者展示几条相关信息，让他决定是进一步深挖，还是完全忽略这个主题。
这里展示的就是投资者看到的卡片：讨论的仍然是前面那个，人工智能怎样影响货币的问题。投资者会获得作决定所需要的内容。
如果只是快速浏览，他可以看智能体生成的摘要；同时，他也能看到智能体具体依据的证据，自己评估，为什么系统作出了这样的推荐。
如果决定深入研究，他可以直接进入 Aaron 刚才提到的分析工具生成的研究结果。
当他与智能体一起研究这个问题背后的动态时，新认识会被自动记录下来，人机协作的结果会自动写回 Vault。
把这一次学到的东西，放进下一轮研究
因此，这是我们最关键的经验：Vault 让知识可以不断积累。
它把合适的证据、合适的内部与外部信息，放到投资者和智能体手边；同时，又自动保存他们综合形成的新认识，放回资料库，供下一轮使用。
这样，我们就能更快、更好地完成一轮又一轮研究。
回到最初的问题：要让智能体有效工作，需要合适的上下文，也需要它理解你的世界正在发生什么。
所以，我们想问：你的人工智能知道世界上正在发生什么吗？它记得你的机构已经从中学到了什么吗？我们正在教自己的系统做到这些。
原视频：
https://ai.engineer/nyc/2026/talks/bridgewater
