马修·菲茨帕特里克，Invisible Technologies 首席执行官 – 采访系列

马修·菲茨帕特里克 是一位经验丰富的运营和增长专家，具有丰富的经验，能够扩大复杂的工作流程和团队。凭借跨越咨询、战略和运营领导的背景，他目前担任 Invisible Technologies 的首席执行官，在那里他专注于设计和优化端到端的商业解决方案。马修热衷于将人类才能与自动化相结合，以实现大规模的效率，帮助公司通过流程创新实现转型增长。

Invisible Technologies 是一家商业流程自动化公司，结合先进技术和人类专业知识，帮助组织高效扩张。与其用自动化取代人类，Invisible 创建了数字工人（软件）和人类操作员无缝协作的自定义工作流程。该公司提供数据丰富、潜在客户生成、客户支持和后台办公运营等领域的服务，使客户能够委托复杂、重复的任务并专注于核心战略目标。Invisible 的独特的“工作即服务”模式为企业提供可扩展、透明和具有成本效益的运营支持。

您最近从领导麦肯锡的 QuantumBlack Labs 转到成为 Invisible Technologies 的首席执行官。是什么吸引您来到这个角色，您最看好 Invisible 的哪些使命?

在麦肯锡，我有幸在人工智能创新领域工作——构建人工智能软件产品，领导研发工作，并帮助企业利用数据的力量。让我被 Invisible Technologies 吸引的是，将人工智能在规模上变为现实的机会，结合了独特的灵活人工智能软件平台和人类反馈的专家市场——我相信来自人类反馈的强化学习（RLHF）是实现准确可靠的通用人工智能实现的关键。Invisible 支持整个价值链的人工智能，从数据清理和数据输入自动化到链式推理和自定义评估。我们的使命很简单：将人类智慧和人工智能相结合，帮助企业实现人工智能的潜力，这在企业中比大多数人预期的要困难得多。

您曾监督 1,000 多名工程师，并在各个行业中扩大了多个人工智能产品。您从麦肯锡学到了哪些经验，并将这些经验应用于 Invisible 的下一个增长阶段?
有两点经验突出。首先，人工智能的成功采用与技术一样重要的是组织转型。您需要有合适的人员和流程——除了优秀的模型。其次，胜利的人工智能的公司是那些掌握了“最后一英里”——从实验到生产的转变。在 Invisible，我们将同样的严谨性和结构应用于帮助客户超越试点，进入生产，实现真正的商业价值。
您曾说过“2024 年是人工智能实验的年份，2025 年是实现投资回报率的年份。”您在企业中看到哪些具体趋势真正实现了投资回报率?

实现真正投资回报率的企业做了三件事。首先，他们将人工智能使用案例紧密地与核心业务关键绩效指标（KPI）对齐——例如运营效率或客户满意度。第二，他们投资于更好的数据质量和人类反馈循环，以不断提高模型性能。第三，他们从通用解决方案转向定制、特定领域的系统，这些系统反映了他们环境的复杂性。这些公司不再只是测试人工智能——他们正在有目的地扩大人工智能。
域特定和具有博士学位的数据标注需求如何在基础模型提供者（如 AWS、Microsoft 和 Cohere）中演变?

我们看到对专业标注的需求激增，因为基础模型提供者正在推动更复杂的垂直领域。在 Invisible，我们的专家池每年只有 1% 的录取率，30% 的培训师拥有硕士或博士学位。这种深厚的专业知识越来越必要——不仅是为了准确地注释数据，还要提供细致、上下文感知的反馈，以提高推理、准确性和对齐性。随着模型变得更智能，训练它们的标准也越来越高。

Invisible Technologies 正处于代理人工智能的前沿，强调在现实世界工作流程中的决策。您如何定义代理人工智能，我们在哪里看到最大的希望？

代理人工智能是指不仅能响应指令——还能规划、决策和在定义的警戒线内采取行动的系统。它是像队友一样的行为人工智能。我们在高容量、复杂的工作流程中看到最大的进展——例如客户支持和保险理赔。代理人工智能可以减少手动努力、提高一致性，并实现原本需要大量人类团队的结果。它不是关于取代人类——我们正在用能够处理重复和常规任务的智能代理来增强人类。

您能否分享 Invisible 训练模型用于链式推理的示例，以及为什么这对于企业部署至关重要?

链式推理（CoT）为企业人工智能解锁了新的潜力。在 Invisible，我们训练模型进行逐步推理，这对于风险很高的领域至关重要——无论您是在诊断患者、分析合同还是验证财务模型。CoT 不仅提高了透明度，还使得调试、改进和提高性能成为可能，而无需大量新的数据集。我们看到领先的模型，如 Gemini、Sonnet 和 Grok 开始披露其推理路径，这使我们能够观察到模型不仅输出什么，还观察到它们如何得出这些结论。这为更高级的方法奠定了基础，例如树状思维（模型在得出答案之前评估多个可能的推理路径）和自我一致性（探索多个推理路径）。

Invisible Technologies 支持 40 多种编程语言和 30 多种人类语言的训练。文化和语言精度在构建全球可扩展的人工智能中有多重要?

这是至关重要的。语言不仅仅是翻译——它是关于上下文、细微差别和文化规范。如果模型误解语气或忽略区域变异，它可能会导致用户体验不佳，甚至存在合规风险。我们的多语种培训师不仅仅是流利的——他们还深深植根于他们所代表的文化中。

当公司试图从概念验证扩展到生产时，常见的失败点是什么？Invisible Technologies 如何帮助导航“最后一英里”?

大多数人工智能模型永远不会进入生产，因为公司低估了所需的运营提升。他们缺乏干净的数据、健全的评估协议和将模型嵌入实际工作流程的策略。在 Invisible，我们将深厚的技术经验与生产级数据基础设施相结合，帮助企业弥合这一差距。我们的训练和优化能力使我们能够同时构建更好的模型并成功部署它们。
您能否带我们了解 Invisible Technologies 对强化学习从人类反馈（RLHF）的方法，以及它与行业其他公司的不同之处?

在 Invisible，我们将强化学习从人类反馈（RLHF）视为不仅仅是微调——它还允许更复杂的自定义评估（“eval”）设计，并将训练模型从二元信号（如点赞和点踩）转向细致的人类判断。虽然行业方法通常优先考虑通过高容量、低信号数据实现规模，我们专注于收集结构化、高质量的反馈，捕捉推理、上下文和权衡。这种更丰富的信号使模型能够更有效地概括，并更紧密地与人类意图保持一致。通过优先考虑深度而不是广度，我们正在为更强大、更一致的人工智能系统构建基础。
您如何看待人工智能与人类的合作在高风险领域（如金融、医疗保健或公共部门）中的未来演变?

人工智能并没有取代人类的专业知识——它正在成为支持人类的基础设施。我设想一个未来，人工智能代理和人类专家将共同工作——临床医生将得到诊断副驾驶的支持，政府机构将使用人工智能更高效地处理福利，金融分析师将摆脱电子表格的束缚，专注于战略。我们的重点是设计系统，使人工智能增强人类的能力，而不是掩盖或取代它。

感谢这次精彩的采访，希望了解更多的读者请访问 Invisible Technologies。