探索人工智能前沿

Tom Godden：
你好欢迎收听 AWS 带来的《高管洞见》播客。我叫 Tom Godden。我是 AWS 的企业战略总监，今天和我一起的还有 Matt Fitzpatrick。

Matt，感谢你今天能够光临。

Matt Fitzpatrick：
谢谢你邀请我。

Tom Godden：
非常感谢。能否介绍一下？ 向我们解释一下你在 McKinsey 的角色，同时请详细介绍一下 Quantum Black Labs。喜欢这个名字。

Matt Fitzpatrick：
你可以广义上看待 McKinsey Engineering，即数千名工程师在客户现场构建模型、开发技术，而 Quantum Black Labs 则是支持所有这些工作的技术开发小组。

因此，无论是留存模型还是推荐引擎。只要将其视作软件界面，其模型可以引导决策。在生成式人工智能背景中，这可能类似聊天机器人，这就是 Quantum Black 团队正在做的事情。

Quantum Black Labs 负责所有工具和产品开发，为这些前沿工程师提供支持。

Tom Godden：
在 McKinsey，你会发现人工智能正在蓬勃发展。我们的客户总是能从这些见解中获益良多。我经常关注 McKinsey 的动态，以获取见解。在人工智能领域，你现在最关注什么？

Matt Fitzpatrick：
我认为前两年很有意思。显然，人工智能已成为很多人的首要关注点。如今，人工智能已成为各大报纸的头版头条。

Tom Godden：
这太酷了。

Matt Fitzpatrick：
但我认为，现实要比人们预期的更具挑战性。我认为很多人期望它更像软件，你安装新的 ERP 系统，它就会正常运行。我认为这实际上更多的是关于实验和发现-

Tom Godden：
培训。

Matt Fitzpatrick：
培训。在这一过程中，很多传统的非技术组织只使用真正的软件，然后可能在这里和那里进行一些建模，试图转向更多的技术开发小组。这意味着截然不同的东西。25 年前，没有人会用自己的大型机构建自定义软件，因为这很困难。但我认为，在这种情况下，当你考虑利用所有不同的技术，将其结合起来，然后利用生成式人工智能模型，这与大多数从未真正构建过此流程的财富 5000 强企业截然不同。我们看到的数据显示，如今约有 92% 的模型无法投入生产。

Tom Godden：
真的吗？

Matt Fitzpatrick：
目前正在构建的模型中，只有约 8% 得到使用。我认为，大多数传统公司都会经历艰难的调整过程。

Tom Godden：
双击一下，查看有哪些障碍？ 是什么阻碍大家将这一比例从 8% 变成 80%？

Matt Fitzpatrick：
我认为有几个不同的方面。我认为最明显的一点是生成式人工智能背景下的幻觉。机器学习会更容易一些。你可以说：“这是因变量，我需要一定程度的准确性”，然后你就可以轻松应对了。在生成式人工智能的背景下，如果你决定构建一个不一定有明确定义的模型，比方说一个聊天机器人，以讨论某人想点什么类型的咖啡。定义“好”是什么样子其实很难。

Tom Godden：
没错。听起来容易。

Matt Fitzpatrick：
很多组织，如果你认为他们有上百个试点项目在进行，他们并不真正确定“这个进入生产阶段，这个可行”的标志是什么。 我认为这种定义是：“我要衡量的关键绩效指标是这个，我要在这里对其进行约束和测试，确保我很放心，没有风险发生。” 我认为这是最大的问题。你已经发现一些非常引人注目的公共问题，一些组织发布的聊天机器人做了一些非常尴尬的事情。我认为这是迄今为止最大的问题。

Tom Godden：
这让大家理所当然地担心，但又有点反应过度。因为他们不想成为社交媒体或《华尔街日报》头版谈论的那家公司，这是理所当然的。

Matt Fitzpatrick：
完全同意。顺便说一句，有趣的是，有一些方法可以做到这一点，而且让人确信你已经控制了风险。这意味着你要在不能说的事情周围设置护栏，在偏见和毒性周围设置护栏。你可以设置护栏，然后表示：“这是我想要的结果，就是这一连串的建议。” 或者，如果你需要做出推荐，比如建议购买这种产品或给出某个价格，你实际上可以通过可审计、清晰、透明的机器学习模型加以实现，然后让 LLM 成为围绕该模型的对话式包装。

这种模式下，风险很小。你知道你的建议是什么，你也知道你可以在周围设置护栏，以免说出特别可怕的事情。但同样的，这也基于企业从未建立过类似系统的背景下。我认为学习曲线一直很艰难。

学习曲线的其他组成部分是需要大量的组织变革才能适应“测试和学习”。 我认为这也是最难的部分。大多数组织在构建技术时，都希望在六个月内就能确切了解其工作原理。

Tom Godden：
而这是独一无二的，因为它是有生命的东西，会随着数据的变化而不断发展和变化。我认为你说的这种思维方式，对很多人来说都很陌生，这也是理所当然的。我的意思是，这是可以理解的，但我认为他们对此有点不解，不知何去何从。

Matt Fitzpatrick：
完全正确。我认为，如果你在可行的软件模式或高度可预测的模型中进行操作，比如基本的统计模型，然后你突然要转向测试和学习，这并不容易。

Tom Godden：
你会大感意外。

Matt Fitzpatrick：
想一想，即使是要赋予前线人员（Salesforce 代表或呼叫中心代表）权力的东西，也要让他们围绕某些东西做出决定，而这些东西可能并不完美。再次说明，这很难。我认为有趣的是，如果你能适应这个动作，并在直播前进行适当的培训和测试，就能取得非常好的效果，但这并不是大多数组织所具备的能力。

Tom Godden：
我想将话题转回。我们提及过一些挑战，我们会再多聊一点，但先谈一谈机遇。你发现公司依靠什么以及在做什么？ 有哪些令人兴奋的事情？ Matt，还有一个问题，如何突破？ 我的意思是赢得胜利。怎么赢？

Matt Fitzpatrick：
我认为，5 到 10 年后，当我们回顾过去时，我们会说，最初的两年比人们预期的要艰难得多，但从现在开始的 10 年里，在很多方面，变化将比人们预期的要大得多。如果你从不同的角度来看，编码、软件开发，我认为-

Tom Godden：
这是值得关注的使用案例。

Matt Fitzpatrick：
我的意思是想一想，例如五年前、八年前，如果你想创办一家公司并开发一个应用程序，你必须找人创建一个网页，这实际上是一件很痛苦的事。从文本到 HTML、从文本到 SQL，所有这些想法，都将显著提升新技术开发的普及程度。

我认为，这对社会、对任何想创办公司的人来说，都将是非常积极的变化。同时，这也会让工程师更有效率。我的意思是，我们发现许多工程师在开发时已经使用大量的生成式人工智能。很多方面，这都比你必须搜索的代码库更有效率。因此，我认为我们已经进入软件开发改进的第三阶段。但我认为这是巨大的......在我看来，这可能是未来几年影响最大的领域。

Tom Godden：
我喜欢这一点的原因之一是，它不仅能带来即时价值，还能让开发人员的思维更活跃。当他们将生成式人工智能用作编码助手时，就会开始想：“我是否也能以这种方式将其用于客户服务中。” 这也表明，我们谈论的是增强个人能力，而不是取代个人。我认为体现所有这些东西，你就能获得编码的好处和价值。我的意思是：“不错，能行！”

Matt Fitzpatrick：
百分之百。此外，想一想全世界存在的数万亿个旧版软件。试想一下，如果你的旧系统已有 20 年历史，而且基于旧版的遗留代码库进行编写，这些组织将面临怎样的痛苦-

Tom Godden：
我能否将这一版本的 dot-net 进行升级？

Matt Fitzpatrick：
对客户而言，这是一次槽糕的体验。对员工而言，这也是一次糟糕的体验。想象一下-

Tom Godden：
并没有区别，对吗？ 这只是你必须完成的事情，这样你才能开始真正的工作。

Matt Fitzpatrick：
我认为，在数字化时代，阻碍很多公司真正迈入数字化时代的就是这些庞大的遗留代码库。

我认为，如果能更有效地进行现代化改造，并让企业更先实现数字化，这将会产生巨大的影响，让更多老派企业感觉自己更像技术公司。我认为这将对企业的运作方式产生真正的积极影响。因为任何使用过有三十年历史的系统的人都知道，重构系统是非常痛苦的过程。

我认为另一个重要领域是客户体验。任何与客户推广、呼叫中心、出站电子邮件、外发短信相关的工作都是如此。这是相当痛苦的过程。

我的意思是，我们已经看到，例如，呼叫中心的体验是，大多数呼叫中心的 MPS 分数都不是很高。大多数人都不喜欢要等待 25 分钟的体验。想象一下这样的世界，你可以进行对话并解决问题，而不是像路由定向流程那样，只能谈论账单或服务。这样一来，你在呼叫中心的等待时间将大幅减少。

而你与客户沟通的能力，将会有巨大的变化。如果你发送出站电子邮件，大多数时候都是一封关于活动的表单信函。但试想一下，如果出站电子邮件了解对方账户的情况，就能真正为他们提供定制的优惠。我认为这是非常重要的一点。

另一个我认为很重要的问题是我所说的知识管理。想一想，无论是理赔业务还是汽车维修业务，任何组织都拥有大量的数据，但这些数据中存在大量的信息，而这些信息并没有以任何方式进行组织或结构化。因此，很多时候，每次完成任何事情前都要重复操作。这可以说是没有机构记忆。我认为这是很多人感兴趣的领域，这将是非常具有变革性的领域。

Tom Godden：
AWS 网站上有个不错的示例，关于一家公司（电梯、自动扶梯等），他们在 AWS 上构建出色的人工智能解决方案，可以追溯所有已存在的服务记录的历史。当你试图修理自动扶梯或电梯时，与其重复操作，为什么不能追溯所有已存在的服务呼叫的历史记录，然后找出可以分类的方法呢？ 这只是一个示例，我可以提供很多示例。

Matt Fitzpatrick：
我认为服务呼叫是绝佳的示例之一。我的意思是，如果你思考一下全球几乎所有的组织如何处理服务电话，除非他们有非常先进的呼叫中心系统，否则他们会让一个人制定决策、进行评测，这可能对也可能不对，但不会以任何方式进行存储或使用。社会中，我们在任何服务点都要面对更多与错误诊断有关的痛苦。我认为这也将是一件非常积极的事情。

Tom Godden：
我们在 2023 年和 2024 年经历过有关生成式人工智能的炒作，虽然激动人心，但随之而来的是一点炒作。我相信，而且我认为 AWS 也坚信，随着时间的推移，我们将看到几乎所有的应用程序都会在人工智能和生成式人工智能的帮助下得到增强。但在此背景下，我们如何帮助领导者在提出有关生成式人工智能的商业案例时进行合理化，从而避免过度推销？ 这样才能找到正确的价值。你如何建议人们在这方面取得进展？

Matt Fitzpatrick：
这就是为什么现在只有 8% 能够成功的原因。我认为，成功的不确定性是商业案例开发过程中的棘手问题。我的意思是，假设你想安装新的软件系统以完成支出等任何流程，对吗？ 现在，你会构建商业案例，清楚地知道它要进行的工作流程，而且信心十足。构建商业案例的过程非常简单。但想象一下，你的商业案例围绕着 12 件不同的事情，你可以利用组织-

Tom Godden：
解决 N 个问题。

Matt Fitzpatrick：
其中五项可能有效，七项可能无效。我认为你必须改变商业案例开发的方式，让它看起来更像风险投资。我不认为这意味着只有十分之一能成功。我认为，这意味着你必须乐于尝试，尝试 10、12、14 种不同的东西，随着时间的推移，你会在第一批中发现五项行之有效。下一批，你会发现 10 项行之有效。你也不必为开发每一种产品都投入巨额资金。

我的想法是，以知识管理为例，你用于服务呼叫的数据，也许可以用于联络中心，也许可以用于关于呼叫过程的文档制作，诸如此类。你最终会得到与你构建的行之有效的用例相关联的 5、6、7 个用例。

Tom Godden：
我喜欢这种做法。我一直建议人们，也许可以让文档摘要用例发挥作用，然后将其用于人力资源、财务领域。你需要对其进行调整，并对模型进行一些训练，但你已经完成 80% 或 90% 的任务。

Matt Fitzpatrick：
这一直是商业案例的难点所在。你所采用的并非花两年时间完成的范例，这是最终完成的单一商业案例。实际上，这更像是“我需要为这个用例获取四个不同数据组件”的范例。所有这些数据组件都是模块化的，我可以用于其他四个用例。我的商业案例开发实际上是，“这看起来是否值得，我将建立足够的能力，并且我可以证明开始的合理性，因为它对重复的事情有用？”随着时间的推移，在三、五年的基础上，你将获得数倍于投资的收益。只是可能不是第一个。

Tom Godden：
Matt，假设我是一名首席信息官，作为前首席信息官，这样的假设并不难。假设我正在寻找一种情况，我希望某些东西非常独特，为我量身定制，但我也希望它价格低廉，对吧？ 这不一直都是范例吗？ McKinsey 如何建议大家进行构建而非购买？ 构建时，你可以对其进行自定义。但成本要高得多。购买时，理论上成本更低，但自定义程度更低。作为首席信息官，我陷入两难。帮帮我。你有什么建议？

Matt Fitzpatrick：
你知道，我有这样一种观点：实际上，作为任何技术组织，我们对“构建”和“购买”的定义已经变得非常扭曲。我就是这样想的。10 年前，构建和购买意味着购买：我从货架上拿下东西，它能用，而且花了我一些钱。但就构建案例而言，要构建，我必须搭建一台大型计算机。我必须从头开始构建所有代码，这通常是指 15 年前，但-

Tom Godden：
全部构建。

Matt Fitzpatrick：
你真的要从头开始构建，这是一笔巨大的投资。

Tom Godden：
感谢你这么说，因为这有点像 AWS 的策略。帮助进行无差别的提升。

Matt Fitzpatrick：
如果我从广义的角度来看，而不是任何特定的技术提供商，“构建”意味着我启动一个云实例。我使用多种模块化组件。我从 GitHub 代码库、代码存储库中提取信息。我从六七种不同的现成组件中选取一些，只需花费 10 年前所用组件的一小部分成本，就能为我的组织定制出真正有用的东西。

三年前，我曾与一家在考虑购买现成系统的公司合作，这是一家大型资产管理公司，他们需要重建自己的信用系统。他们在争论是应该购买现成的信用平台还是构建信用平台？ 这不是一家技术公司，10 年前，构建信用平台的想法简直太疯狂了。

Tom Godden：
警钟已经敲响。

Matt Fitzpatrick：
但当他们仔细研究后发现，要购买该平台，需要投入大量资金以自定义数据模式，以便与现成的信用平台相匹配。我需要看起来像这样的屏幕...他们本想替换自制系统，当他们这样做时，要将现成的系统定制成想要的样子，需要投入大量资金。映射数据需要投入大量的资金。当他们完成时-

Tom Godden：
结果是怎样？

Matt Fitzpatrick：
基本上是在这种现成的系统上构建一个新的系统。而另一种选择是使用所有现有的现代工具、现代数据工具、云基础设施等，然后构建一个系统。这实际上也足够疯狂，并不比使用的成本低。

我们发现这种情况越来越多。我认为生成式人工智能将真正加速这一进程，因为我喜欢生成式人工智能生态系统的一点在于，所有不同的应用程序都有很强的互操作性。没有人会说：“你只能使用我们的”。 每个人都认为你可以参与其中。因此，任何新技术的出现，你都能参与其中。但问题来了，如果你今天创建出新的信用应用程序，并购买一些东西，然后出现新的生成式人工智能工具，但你无法使用。实际上，使用已有 10 年历史的现成信用平台所欠下的技术债务，比构建现代、可互操作的常青堆栈并允许使用所有现代组件所欠下的技术债务还要多。

我想说的正如您今天所说，已经能够自如进行构建的公司数量，可能比五年前要多得多。正是对云和基础设施的投资，才使得速度大幅加快。

Tom Godden：
Matt，你完成过很多转型，领导过很多，也见过很多。McKinsey 经常谈论如何重组组织以使其能够做到这一点。在我们使用这种生成式人工智能的过程中，你发现哪些成功的模式可帮助在文化方面取得成功？

Matt Fitzpatrick：
我认为有几个不同的因素是关键。一是要非常清楚哪些用例真正重要且能够起到推动作用。我认为，如果你以 10 年前的眼光来看，你可能会发现技术组织并没有真正与业务组织进行交流，那肯定会失败。你需要清楚了解我的愿景是什么？ 我要尝试的 10 个用例是什么？我的技术团队和业务团队将如何合作进行测试和学习？ 整个过程都是全新的挑战。我认为，我们现在最感兴趣的技能组合就是所谓的翻译技能组合，或者是既懂数字技术又了解业务的人。例如，我曾与许多房地产客户合作过，既懂技术又懂房地产行业的人比只懂其中一种的人更有价值。

我认为，你需要在技术组织和业务团队之间建立联系，这样构建的东西才行之有效，才符合业务用户的需求。因此，我认为翻译技能非常重要。

我还认为，你必须多加考虑技能再造，或者至少要考虑培养工程组织的技术技能组合。比如，如果你的工程组织不知道如何使用 Python，甚至不知道如何使用 Rust 这样的新工具，你就很难使用很多现代的生成式人工智能工具。这可能会导致再培训、技能再造等类似的事情或新的招聘，但你必须强化传统的工程组织。

Tom Godden：
你刚才说到，大约 10 年后，我们回首这最初的两年，会觉得有些艰难。10 年后我们在何处？ 我们将何去何从？

Matt Fitzpatrick：
这是一种积极的观点，我认为在某些方面，围绕 10 年后的情况显然存在很多争议，但我会给出积极的解释。

我们现在花大量时间在手机上。如果你想一想花在手机上的时间，再想一想每个人花在报告和文档上的时间，那就太多了，对吧？ 每个人都有上千份客户报告、电子表格等，再加上每天一到两小时的屏幕时间，通常都是低着头，而不是环视现实世界。现在想象一下这样的世界，这些都会被取代。顺便说一句，这很大程度上与用于管理航班预订或生活中任何不同组成部分的不同应用程序或工具的普及有关。可以使用不同的应用程序完成这件事。

现在想象一下这样的世界，无需上千个应用程序和电子表格。比如说，如果戴上某种眼镜或类似的东西，在现实世界中四处走动，会在眼镜上看到警报。顺便说一句，这些东西早已存在，所以我说的并非什么革命性的东西，但你可以将其与耳边的虚拟助手配对使用。在这个世界里，假设你是一位首席执行官，不必每天翻阅 17 份不同的报告，这些报告显示不同的内容，你只需要求你的助手-

Tom Godden：
总结一下。提炼一下摘要。

Matt Fitzpatrick：
你可以说：“展示一下我在欧洲的销售额，如何按客户进行划分以及这五次削减情况。” 然后，你会在眼镜里看到相关内容，在你四处走动时，你会说：“这广告真有意思。谁做的？” 你可以开始与世界互动。科幻小说往往是最好的预言家，在科幻世界里，你可以看到各种迹象表明这一点-

Tom Godden：
还是 Simpson，对吧？

Matt Fitzpatrick：
没错。没错。但在科幻小说中，你会遇到各种各样的图书管理员或与你互动的角色，他们会在你需要的时候告诉你所需的信息。我认为这是一种乐观的看法，因为这实际上给了我们所有人更多的时间。想象一下，如果你将所有时间都花在交通上，乘坐一辆无人驾驶的汽车，在可以询问任何你想要的信息的世界中操作。这会为开启新业务、开发新产品创造大量机会，我认为这将会非常令人兴奋。

Tom Godden：
最后，对于即将开始这段旅程的人，你有什么建议？ 你在这方面经验丰富。你会给他们什么建议？

Matt Fitzpatrick：
我确实有一条非常具体的建议。我最近读到一项有趣的研究，随着人工智能时代的到来，人们对计算机科学的兴趣确实有所下降。你看到过有趣的飙升，基本上从 2006 年开始，计算机科学就真正崛起了。人们悲观地认为，对计算机科学的兴趣会逐步减弱，因为生成式人工智能会解决这一切问题。我认为这与事实相去甚远。实际上，我认为工程技术人员会寻找数百种方法以利用这一点。因此，我对大家的建议-

Tom Godden：
我的妻子会为此感到高兴。

Matt Fitzpatrick：
对于任何思考这一问题的人，我的建议是，想办法研究和学习更多这方面的知识。

无论你是已经工作 20 年，正在考虑在年龄较大时再回去接受高等教育，还是正在上大学，所有这些情况下，我认为工程技能组合都会成为一切的特征。即使你并不总是亲自动手编写密钥、进行编码，但你真正以此为基础创造东西的能力也会随时间推移而发生巨大变化。这就是我的主要观点。

Tom Godden：
我喜欢这样做，因为我总能学到新东西。今天，我从你这里学到了很多东西。Matt，非常感谢你能够光临。非常感谢。

Matt Fitzpatrick：
感谢 Tom 的邀请。

立即收听

立即收听

立即收听