安托万是一位具有远见的领导者和Unite.AI的联合创始人，他对塑造和推广人工智能和机器人技术的未来充满热情。作为一位连续创业者，他相信人工智能将对社会产生电力的影响一样的颠覆性影响，并经常被发现对颠覆性技术和通用人工智能的潜力大肆赞扬。
作为一位未来学家，他致力于探索这些创新将如何塑造我们的世界。另外，他还是Securities.io的创始人，这是一个专注于投资尖端技术的平台，这些技术正在重新定义未来并重塑整个行业。
拉詹·科利 是 CitiusTech 的首席执行官，负责公司的全球战略、增长和在医疗保健和生命科学领域加速创新。他是一位拥有超过三十年经验的资深技术高管，曾领导过大规模的数字化转型项目，涉及医疗保健、工程、云计算现代化、数据平台和人工智能。自从他接任 CitiusTech 首席执行官以来，他专注于帮助医疗保健组织超越数字化转型，向由人工智能、互操作性和高级分析驱动的智能运营模式转变。CitiusTech 是一家领先的医疗保健技术服务、咨询和数字解决方案提供商，服务于全球医疗保健提供者、支付者、医疗技术公司和生命科学组织。该公司专门从事医疗保健数据平台、互操作性、云计算现代化、数字工程、分析和人工智能。随着医疗保健组织越来越多地尝试在大规模上运用人工智能，CitiusTech 将其重点转向建设智能医疗保健系统，结合可信的数据基础、治理、互操作性和工作流感知人工智能。通过诸如 Knewron 和其更广泛的人工智能和数据生态系统等解决方案，CitiusTech 帮助组织将分散的医疗保健运营转变为连接的、上下文感知的环境，从而提高效率、决策和患者结果。本次采访是对我们之前与拉詹·科利的对话的续篇，我们在之前的对话中探讨了生成式人工智能、互操作性、医疗保健数据现代化和医疗保健生态系统中的数字化转型的日益重要作用。自那时以来，该行业已经迅速从尝试人工智能转向在生产环境中部署人工智能，围绕治理、信任、可解释性和运营规模的新挑战应运而生。在本次讨论中，拉詹分享了医疗保健组织如何超越孤立的人工智能试点，转向智能驱动的护理，为什么上下文工程正在成为医疗保健人工智能的关键基础，以及建设可信的、可扩展的系统以支持下一代患者护理需要什么。您拥有数十年的领导大规模数字化转型项目的经验。这种经历如何塑造您对医疗保健转型的复杂性的看法？医疗保健转型之所以独特地困难，是因为没有单一的成功定义。临床结果、准确的计费和支付、可及性、成本和体验往往朝着不同的方向拉扯。与其他行业不同，医疗保健受到临床风险、监管审查和道德责任的约束。故障模式以患者结果为衡量标准，而不是收入损失。这就是上下文工程成为基础的原因：结构化信息环境的学科，使人工智能的输出从一开始就临床准确、工作流感知和合规。扩展需要跨价值链进行系统思考，而不是数字化孤立的功能。医疗保健需要对工作流、数据语义（包括临床、索赔和设备数据）以及复杂的合规路径进行深入的上下文化。像 Knewron 这样的平台正是建立在这一原则之上的，超越了通用人工智能，嵌入域特定上下文到架构层面。这种复杂性被医疗保健生态系统的碎片化所放大，涉及支付者、提供者、医疗技术和生命科学。每个参与者都在不同的系统、激励机制和数据标准下运作。表面上看似技术问题，实际上往往是上下文和连贯性问题。最终，转型的成功取决于信任工程，而不仅仅是技术现代化。我们必须积极地将信任层融入全球医疗保健人工智能中，设计出临床医生和监管机构可以在现实世界的护理环境中信任的系统。上下文工程是使这种信任成为可能的机制。当人工智能理解决策的完整临床和运营上下文时，它会系统地赢得信任，而不是偶然地赢得信任。您将医疗保健描述为达到一个转折点。目前有哪些具体力量推动着这一转变？我们目前正在经历的转折点是由运营压力驱动的，而不是技术新颖性。成本压力、临床医生倦怠和严重的劳动力短缺迫使医疗保健系统重新思考其运营模式，而不是仅仅数字化现有的模式。手动流程不再可扩展，特别是在索赔、计费和临床运营中，这就是为什么人工智能被激进地推入生产环境的原因。但是，将人工智能推入生产环境只是等式的一半；另一半是确保人工智能以正确的上下文运作。没有上下文工程，人工智能在临床和运营工作流中风险生成输出，输出在技术上正确但在临床或行政上不一致。同时，监管力量，如 CMS 互操作性规则、价格透明度和数字质量措施，正在强制数据流动性并加速现代化。云采用已经跨越了成熟度门槛，使企业规模的现代化和合规人工智能部署成为可能。人工智能现在完全与医疗保健的准备就绪相一致，因为我们终于拥有了数字化工作流、更丰富的数据资产和更清晰的责任框架，而不是以前的技术浪潮。迄今为止缺失的东西是原始数据资产和有意义的人工智能行动之间的连接组织，这种连接组织就是上下文。我们正在看到一个明显的市场需求，需要专门为帮助医疗保健组织将这种运营压力转化为可衡量的效率而设计的解决方案。医疗保健长期以来一直在数字化方面落后于其他行业。今天什么因素使得人工智能的大规模部署成为可能？人工智能现在可以扩展，因为医疗保健组织正在学习编纂政策、临床指南和运营逻辑，而不是消化大量数据。根本的转变是从解释原始信息的模型转变为执行可编程知识的系统，具有严格的监督。这种转变正是上下文工程所能实现的，通过结构化人工智能环境中的知识，使模型能够以精度和责任感来执行，而不是被动地解释。基础的摩擦已经通过广泛采用 FHIR、HL7、云原生数据平台和事件驱动架构大大减少。医疗保健组织越来越多地认识到，人工智能必须嵌入工作流中，而不是作为独立的仪表板存在。工作流感知人工智能是实现这一目标的关键，确保系统了解工作流语义并驱动可执行的结果。像 MLOps、DevSecOps 和合规自动化这样的工具已经使得持续验证、监控和受控重训成为可能。我们正在看到一个明显的转变，从实验转向价值链接的用例，例如护理差距、预授权、索赔完整性、图像和临床决策支持。这种规模只有当我们将强大的防护栏和人工在环监督直接嵌入这些运营工作流中时才是可能的。该行业每月都在增加就业机会，这有所帮助，因为人工智能不被视为抢走工作。扩大的人工智能正在帮助为更好的患者和临床结果投资。许多组织仍然停留在试点阶段。哪些关键障碍阻止人工智能在医疗保健领域转入真正的运营使用？人工智能在医疗保健领域难以扩展，因为多个结构现实同时浮现。医疗保健流程很少朝着单一目标运作；临床结果、成本、可及性、患者体验、报销准确性和长期风险往往相互竞争，涉及提供者、支付者、监管者和患者。定义成功至关重要但复杂。许多试点失败是因为它们没有锚定在明确的共享结果指标上。结构化的运营上下文有助于通过提前编纂目标、约束和利益相关者优先级来解决这个问题，而不是依赖模型从原始数据中推断出来。第二个障碍是注释和验证的成本和努力。扩展需要来自临床医生和收入周期专家的持续参与，他们的时间既有限又昂贵，往往在试点阶段被低估。第三，治理和集成差距在扩展时变得更加明显。试点通常缺乏高风险工作流（涉及 PHI）所需的可审计性、政策控制和人工监督。此外，错误在现实世界环境中出现，特别是在索赔和计费中，输出未能满足支付者规则或互操作性期望。技术生态系统的碎片化，包括遗留系统、专有平台和不均匀的 HL7/FHIR 采用，使得集成变得脆弱，难以适应通用人工智能解决方案。扩展只有当人工智能与真正的运营目标保持一致、得到强大的数据基础支持并为复杂工作流设计时才会成功。正在出现一种转变，人们正在转向专注的、价值链驱动的最小可行产品（MVP），针对具有明确业务价值和高层支持的高影响力用例，正在将对话从人工智能实验转向可衡量的流程转型。从系统角度来看，现代人工智能就绪医疗保健架构是什么样的，特别是在数据管道、互操作性和云基础设施方面？人工智能就绪架构是指政策执行、验证和升级直接嵌入工作流中，而不是作为事后补充来管理的。它需要统一的云原生数据平台，将索赔、EHR、图像、设备和运营数据摄取到高度受治理的层中。我们必须优先考虑以 FHIR、HL7、SMART on FHIR 和 DICOM...
艾山·杰曼尼，Krane 的创始人和 CEO，将深厚的建筑业专业知识与工程、分析和技术背景相结合。在 2023 年创立 Krane 之前，他曾为包括微软、雪佛龙、UCSF 和加州交通局在内的组织工作过，重点关注提高生产力、优化供应链、精益建设和运营效率。管理复杂建筑项目的经验使他意识到行业中持续存在的协调和采购挑战，激发他创造技术来帮助团队做出更好的决策并减少昂贵的延迟。Krane 是一个由 AI 驱动的建筑供应链平台，旨在提高采购、材料管理和项目运营方面的可见性和协调性。该平台使用 AI 代理来自动执行材料跟踪、供应商管理、风险识别和发票对账等任务，帮助建筑团队减少延迟并提高效率。专注于大型项目，如数据中心、医疗设施和基础设施开发，Krane 致力于现代化建筑行业中最分散和数据密集的工作流程之一。您在创立 Krane 之前曾在建筑工程、生产分析、项目优化和大型基础设施项目等领域工作多年。在亲眼目睹了采购延迟、材料跟踪问题和分散的工作流程如何影响大型项目之后，您是什么时候意识到 AI 可以解决建筑行业几十年来一直难以解决的问题的?我曾在复杂的能源、基础设施和数据中心项目上工作过，包括为微软和雪佛龙等公司领导项目。无论项目规模如何，我一直看到相同的挑战：团队被大量的提交、材料发布延迟和交货不协调所困扰，导致昂贵的延迟。让我相信 AI 可以带来改变的是看到这些工作如何仍然通过断开的电子表格、电子邮件和电话进行管理。建筑团队并不缺乏专业知识；他们花费太多时间在分散的工作流程中追踪信息。最近在 AI 方面的进步使得读取建筑规范、图纸、时间表和采购记录成为可能，并自动执行了传统上需要大量手动努力的许多协调任务。这时就很明显，AI 可以帮助将运营负担从项目团队中转移出去，让他们有更多时间专注于建设。这个想法最终成为了 Krane。今天，该平台管理着北美超过 170 亿美元的活跃建筑项目，并最近获得了...
美国政府决定限制外国访问Anthropic的最新前沿模型，这可能最终被记住为人工智能历史上最重要的时刻之一。不是因为Anthropic。也不是因为所涉及的具体模型。而是因为它打破了许多国家长期以来一直接受的假设：即美国将继续提供未来经济的基础模型。这种假设不再安全。对世界其他国家的警醒多年来，世界各国政府都在建立人工智能战略，基于这样的信念：美国将继续提供基础模型。这种假设不仅基于美国的技术领导地位，还基于战后联盟体系的稳定性。像加拿大、德国、日本、澳大利亚等国家都相信，密切的外交和经济关系将自然转化为长期访问关键技术的机会。近年来，这种确定性受到了挑战。加拿大发现自己面临来自其最亲密盟友的关税纠纷和经济压力，而欧洲国家越来越质疑是否可以安全地将战略依赖集中在单一外国力量上。教训不是联盟不再重要，而是即使最强大的联盟也不能取代技术主权，当国家利益开始分歧时。逻辑似乎很合理。美国公司领跑了人工智能竞赛。OpenAI、Anthropic、Google DeepMind、Meta等公司投资了数十亿美元开发前沿系统。大多数国家缺乏必要的规模、资本、人才集中和计算基础设施来直接竞争。为什么要建立自己的基础模型，而不是使用他们的？这种安排似乎对所有相关方都有益。国家可以在不需要投资数十亿美元进行研究、计算基础设施和人才招聘的情况下获得日益强大的人工智能能力。同时，美国公司扩大了全球主导地位，获得了来自外国客户的巨额收入，吸引了世界上最好的人才，并为美国经济贡献了额外的税收。这种模式似乎是高效的、理性的和几乎不可避免的。很少有政府停下来思考在技术上不受控制的基础上建立关键国家能力的长期影响。Anthropic的决定改变了这个等式。无论是否同意这个决定都是无关紧要的。每个主权国家都有权决定如何分享战略技术。美国越来越将先进人工智能视为国家安全资产，并正在采取相应的行动。对世界其他国家的教训很简单。如果可以限制访问，那么依赖就带来风险。技术中立性的终结几十年来，许多国家都在假设技术平台将在不考虑地缘政治发展的情况下保持广泛可用。这种假设已经逐渐被破坏。半导体成为战略资产。曾经主要被视为商业行业的半导体已经演变成国家安全、产业政策和地缘政治竞争的问题。世界各国政府发现，驱动从智能手机到先进武器系统的芯片集中在少数公司和管辖区内。结果是一波出口管制、产业补贴、供应链回归努力和国家投资计划，旨在确保获得关键技术。美国通过了芯片法案，并逐渐加紧对中国的先进半导体出口限制，同时盟友被迫遵守这些管制。欧洲、亚洲和北美的政策制定者越来越接受这样一个观点：先进芯片的获取不再仅仅是一个市场驱动的问题。半导体已经成为战略基础设施，缺乏国内能力的国家突然发现自己容易受到其他国家的决定的影响。人工智能现在正在遵循同样的轨迹。不同之处在于，半导体需要国家获得计算能力，而基础模型最终将决定谁控制智能本身。能源成为战略资产。供应链成为战略资产。数据成为战略资产。智能本身成为战略资产只是时间问题。世界上最先进的人工智能模型不再仅仅是软件产品。它们正在成为地缘政治资产。一旦这种转变发生，访问不再仅由市场力量决定。它受到国家利益、出口管制、安全问题和不断变化的政治优先事项的制约。完全依赖外国前沿模型的国家必须现在面对一个艰难的现实。他们不控制21世纪最重要的技术之一。中国不是答案一些观察者可能会认为，担心对美国人工智能依赖的国家可以简单地转向中国。这种论点误解了问题。目标不是用另一种依赖取代现有的依赖。对于许多民主国家来说，中国的基础模型带来了自己的挑战。围绕审查、国家影响、透明度、信息控制和长期战略依赖的担忧使得中国不太可能成为国家人工智能战略的基础。这些担忧是否完全合理几乎是次要的。政治现实是，许多政府将不愿意将关键基础设施、公共服务、国防系统、医疗平台和科学研究能力建立在最终由华盛顿或北京控制的技术之上。这在全球人工智能格局中留下了一个日益增长的空白。没有第三个选项很多人认为已经有第三个选项。事实并非如此。OpenAI是美国的。Anthropic是美国的。Meta是美国的。Google DeepMind可能总部位于伦敦，但它最终是Google的一部分，因此受美国公司和监管框架的约束。中国已经开发了自己的日益完善的前沿模型生态系统。其他国家基本上都在消费由这两个阵营之一开发的技术。这是世界所处的令人惊讶的位置。人工智能正在迅速成为医疗保健、金融、教育、科学发现、制造业、国防和政府运作的基础层。然而，除了美国和中国外，几乎没有一个国家拥有能够在最高水平上竞争的前沿基础模型。世界进入了人工智能时代，仅有两个真正的供应商。国际基础模型的案例答案不是让每个国家推出自己的国家人工智能冠军。经济学不支持这样做。训练前沿系统现在需要大量资本、能源、计算基础设施、工程人才和研究专业知识。即使是富裕的国家也难以独立建立一个与现有努力相似的模型。更实用的解决方案是集体人工智能主权。不是建立二十个单独的模型，而是中等强国应该合作建立一个共享的国际基础模型。这种模型可以由一群技术先进的民主国家共同资助、管理和开发。没有一个政府可以控制访问。没有一家公司拥有基础设施。没有一个国家可以单方面限制可用性。该模型的目的是确保美国和中国以外的国家能够获得前沿智能的有意义的访问。目标不是竞争。目标是韧性。最有可能领导的国家如果这种倡议明天启动，几个国家将立即成为自然的领导者。加拿大有很强的领导力主张。现代深度学习的学术遗产可以追溯到加拿大机构和研究人员。该国继续保持着全球尊重的AI研究生态系统，并越来越多地讨论战略部门的技术主权。法国将是另一个明显的参与者。 Mistral的成功已经证明，欧洲仍然拥有竞争前沿所需的人才。法国还一贯倡导欧洲更大的技术独立性。德国将贡献工业能力、工程专业知识和财务资源。日本带来了几十年的关键技术开发经验，以及半导体、机器人和先进制造的优势。韩国贡献了世界级的硬件专业知识和一些世界上最先进的科技公司。新加坡可以作为一个中立的协调中心，提供稳定、强大的机构和长期促进国际合作的历史。澳大利亚、北欧国家、荷兰和其他几个先进经济体也将带来宝贵的专业知识和基础设施。这些国家都无法单独与美国或中国相匹敌。然而，他们可以共同创造出超级大国目前没有提供的东西：一个真正的国际基础模型。窗口正在关闭人工智能行业正在以惊人的速度整合。每一年都增加了竞争所需的资本要求。每一年都加强了现有玩家的主导地位。如果中等强国希望在未来的人工智能格局中建立独立地位，现在就是行动的时候了。替代方案越来越明显。一个世界，21世纪最重要的技术由两个超级大国控制，而其他国家则租用访问权限。Anthropic的决定并没有创造这种现实。它只是暴露了它。现在的问题是，世界其他国家是否选择接受它。或者是否终于开始建立第三条道路。风险投资可以建立第三条道路有另一种值得认真考虑的途径，这种途径是由市场驱动的，而不是由政府驱动的。过去十年中，大部分流入前沿人工智能的风险投资最终加强了美国的主导地位。OpenAI、Anthropic、xAI、Safe Superintelligence以及世界上最好的AI初创公司都从自然偏向硅谷和更广泛的美国科技市场的风险投资生态系统中受益。从财务角度来看，这种策略非常成功。从地缘政治角度来看，它却让世界大部分地区依赖于少数在单一国家框架内运营的公司。这样做可能无意中创造了一个真空。虽然数十亿美元被投资于竞争成为下一个美国前沿模型公司，但相比之下，很少有人关注建立从一开始就设计为服务世界其他国家的前沿人工智能冠军。这种机会仍然存在。加拿大、法国、德国、新加坡、日本、韩国、荷兰和其他技术先进的国家拥有支持世界级人工智能初创公司所需的许多要素。他们通常缺乏的不是人才、研究能力或创业雄心。他们缺乏的是愿意长期投资于不专注于成为下一个硅谷成功故事的公司的资本。对于风险投资者来说，这可能代表了技术领域最被忽视的机会。下一个OpenAI或Anthropic可能不会来自旧金山。它可能来自多伦多、蒙特利尔、巴黎、柏林、阿姆斯特丹、首尔、斯德哥尔摩或新加坡。挑战不是确定是否会出现另一个前沿模型公司。挑战是确定哪个团队、架构和愿景最终会胜出。投资论点很简单。随着政府、企业和机构越来越认识到对美国或中国人工智能生态系统的依赖所带来的风险，替代基础模型的需求可能会增长。成功建立自己作为可信第三方选项的公司可能会发现自己服务于一个不仅仅是数百万用户，而是整个国家寻求更大技术独立性的市场。对于愿意超越下一个融资周期思考的投资者来说，机会不仅仅是支持另一家人工智能初创公司。它是帮助创造全球人工智能生态系统的新支柱。赢家可能不是今天估值最高的公司。它可能是认识到对前沿模型日益增长需求的公司，这种模型位于美国和中国的影响范围之外。
安克·阿亚，Inscope 的 AI 负责人，拥有丰富的 AI 产品领导、机器学习、企业自动化和应用研究经验。作为 Inscope 创始团队的一员，他正在帮助构建能够让公司与利益相关者共享准确和合规的财务数据的软件。他的背景包括担任 Mariana 的联合创始人和 CTO，在那里他从事 AI 驱动的市场分析和竞争研究，以及在 HackerRank 领导机器学习和 AI 产品战略。早期在他的职业生涯中，阿亚在 Meta 工作，负责 AI 驱动的招聘自动化和 VR 生产力，帮助开发基于聊天机器人的企业服务自动化，并在 Astound 建立了生产级别的机器学习系统。他的职业生涯跨越了实际的 AI...
多米尼克·萨尔托里奥 是 Denodo 的产品营销副总裁。多米尼克在数据管理和治理市场拥有超过 20 年的经验，曾在 Informatica、Protegrity 等领先供应商担任过各种产品和营销领导职务。Denodo 是数据管理的全球领先者，赋予可信的 AI 代理和应用程序以权力。Denodo 平台是一款屡获殊荣的逻辑数据管理解决方案，能够将企业数据转化为 AI、分析和自助服务计划的可靠见解。全球各地的组织使用 Denodo 以传统数据湖仓库的零头时间内交付 AI 就绪、业务就绪的数据，实现了最高 4 倍的洞察时间、345% 的投资回报率和 10 倍的性能。根据 850 名企业领导者的见解，Denodo 的 AI...
沙龙·本-列维，AudioCodes 全球销售和业务发展副总裁，联系中心，是一位具有超过 25 年经验的资深通信技术高管，曾在销售、营销、业务发展和联系中心创新等领域工作。 在 AudioCodes 任职超过 20 年期间，他曾担任多个高级领导职务，专注于推动企业通信、客户体验解决方案和 AI 驱动的联系中心技术的增长。 在加入 AudioCodes 之前，他曾在 NICE Systems 工作，获得了宝贵的客户参与和企业软件经验。 在他的整个职业生涯中，本-列维专注于帮助组织通过云通信、自动化和对话式 AI 现代化客户互动，使他成为联系中心技术演变的知名声音。AudioCodes 是一家专门从事企业语音、联系中心和 AI 驱动的客户体验解决方案的通信技术公司。 该公司成立于 1993 年，已经从语音网络和...
几十年来，企业一直依赖于为人类读者而非 AI 系统设计的文档格式。合同、发票、报告、演示文稿、表格 和无数其他商业文档包含有价值的信息，但从中提取知识以供 AI 应用程序使用通常需要复杂的处理管道，这增加了成本、延迟和错误的可能性。随着组织越来越多地部署生成式 AI 和自主代理，这种脱节变得越来越具有挑战性。为了解决这个问题，ABBYY 与 IBM、NVIDIA、Red Hat、HumanSignal 和 Linux 基金会的 LF AI & Data 基金会合作推出了 DocLang，这是一种新的开放标准，旨在为 AI 系统创建文档的本地表示。该计划的支持者认为，它可以在企业 AI 中发挥与 HTML 标准化网页内容类似的作用，创建一个共同的语言，使...
萨姆·基德，LawVu的首席执行官和联合创始人，是一位经验丰富的科技企业家，他的职业生涯跨越了SaaS、法律科技、金融科技、网络安全和数字产品开发。自2015年联合创立LawVu以来，他领导了公司的发展，成为一个全球性的法律运营平台，供内部法律团队使用，以管理合同、事项、法律支出和工作流程，从而实现单一系统的管理。加入LawVu之前，基德曾在Teamwork.com担任产品传播者，帮助推动世界领先的项目管理平台的采用。在他的早期职业生涯中，他创立并领导了多家公司，包括安全软件公司Zingtech，他在那里帮助开发了针对银行和在线服务的欺诈预防和身份验证技术，以及数字化团队，一家网络应用开发公司。他的创业背景还包括视频制作、在线游戏和会计技术方面的业务，这使他在多个行业中积累了丰富的软件公司建设和扩张经验。LawVu是一款法律运营平台，旨在帮助内部法律团队集中和管理其法律工作，从而实现单一系统的管理。该平台将事项管理、合同生命周期管理、法律支出跟踪、文档管理、工作流程和报告等功能整合在一个统一的工作空间中。通过取代零散的工具、电子表格和基于电子邮件的流程，LawVu使法律部门能够更有效地与整个业务进行合作，同时提高了对法律运营的可见性。该平台与广泛使用的企业应用程序集成，旨在帮助组织简化法律工作流程、提高效率、降低成本，并通过数据驱动的决策获得更深入的运营洞察。您在传统法律实践之外开始了您的职业生涯，从产品传播到科技业务，但后来创立了LawVu。您在法律团队运营中看到了什么样的差距，促使您为一个您最初不是其一部分的行业建立一个平台？不来自法律界可能是我拥有的最大优势。在创立LawVu之前，我在爱尔兰的一家项目管理软件公司工作了多年。当我出售了我在那家公司的股份时，这是我第一次发现自己处于法律过程的另一端。看到的景象令人惊讶，但不是以好的方式呈现的。整个过程缺乏可见性。电子邮件来来往往，文档散落在驱动器和收件箱中，很难清晰地了解发生了什么以及事情的进展如何。一开始，我以为这只是因为我不习惯与律师打交道。但是，当我开始与内部法律团队更广泛地交谈时，我不断听到同样的故事。法律团队正在做非常重要的工作，但这些工作却被困在断开的系统中。几乎没有可见性、结构或与法律部门轻松互动的方式。那时我意识到这不是一个孤立的问题，而是一个行业范围的问题。局外人的视角很重要。一个在这些流程中度过了整个职业生涯的律师经常学会了如何在这些流程中工作。但我没有。我没有接受这样一个观点，即这就是法律运营的方式。相反，我不断地问为什么。为什么法律工作不能像其他关键的商业功能一样被管理？为什么如此多的知识被锁定？为什么很难了解法律团队正在做什么以及他们创造的价值？这些问题最终成为LawVu的基础。LawVu将收集和事项管理、合同生命周期管理以及支出跟踪整合到一个系统中。对于今天的企业环境来说，拥有法律运营的单一真实来源有多重要？LawVu就是建立在拥有单一真实来源的重要性的基础上。目前，大多数法律团队都在处理单独的系统，用于收集、事项、合同、支出和文档。当一切都存储在不同的地方时，您就无法获得清晰的图景。人工智能只有在统一的系统中运行时才会有效，否则它将缺乏上下文，输出结果也会受到影响。但是，当人工智能在具有法律功能全貌的统一系统中运行时，您将获得普通工具无法提供的东西。这也会带来真正的速度差异。当一切都相互连接时，团队不必花费一半的时间来跟踪分散在不同的工具和收件箱中的信息；他们实际上可以利用这些信息来做出决定。治理也变得可能，尤其是在数据分散时，这对于合规、审计以及越来越多地了解人工智能在法律功能中实际上做了什么至关重要。LawVu扩展了其人工智能能力，包括合同分析和起草。在法律工作流程中，您认为人工智能将产生最直接的影响，以及哪里仍然被高估？人工智能最直接的影响是对高容量、重复性的工作的影响，例如合同审查、子句提取、初步摘要和跨大型文档集快速查找信息。然后是起草。通过LawVu Draft，我们将智能起草直接集成到平台中。它利用您的先例、最佳子句、游乐书等，所有这些都是您的团队多年来积累的机构知识。对于标准的高容量合同，人工智能辅助起草已经显著减少了周转时间。人工智能处理生产工作，但它是由您的团队已经应用的判断力驱动的。更细致、更高风险的工作仍然需要律师介入，这是律师应该花费时间的地方。人工智能的炒作超过了现实的程度是任何与判断而非流程相关的事情。法律本质上是一种判断职业，对于内部律师来说，这种判断是基于对公司目标和计划的广泛了解。人工智能在模式识别方面非常出色，但内部律师赚取报酬的地方并不是由人工智能单独解决的。随着您最近的收购专注于人工智能驱动的合同能力，您认为合同智能将如何在未来几年内改变组织管理风险和合规的方式？收购更多地是关于将合同智能融入工作流程，而不是一个单独的工具。目前，大多数组织通过让律师手动阅读合同并标记问题来管理合同风险。这个过程无法扩大，因为它很慢，会留下空白。当人工智能可以在整个合同组合中持续提供风险信号时，您可以开始更早地发现问题。做对这一点的组织将开始将其合同数据视为战略资产，而不是法律档案。谁是我们签约的对象？我们在哪些管辖区有哪些义务？我们在哪里暴露？这些情报一直存在，但它们生活在太耗时的合同中，无法系统地阅读。现在，通过人工智能，您可以利用它们为自己谋利。许多企业都在努力应对法律瓶颈，导致商业决策变慢。更好的法律基础设施如何加速公司范围内的执行，而不是成为一个限制因素？企业在法律方面犯下的最大错误是将其视为最后一步。某事物被决定，一个交易被结构化，一个产品被构建，然后它被发送给法律部门进行批准。但到那时，法律部门已经无法提供帮助了。他们只能减慢速度或说不。那些已经解决了这个问题的团队将法律部门纳入决策过程的开始阶段，就像他们会涉及财务或运营一样。当法律部门知道即将发生的事情时，他们可以帮助塑造决策，而不是只是对已经做出的决定做出反应。更好的基础设施使这成为可能。当收集有结构时，当工作可见时，当正确的模板可用时，业务可以自行服务于简单的请求时，法律部门有带宽参与其中，而不是只是处理输出。一位客户最近告诉我，他们从需要等待的东西变成了业务真正想要参与的东西。而这并不是来自于雇用更多的律师。这来自于建立一个让法律部门能够像业务的真正组成部分一样运作的系统，而不是业务末端的门槛。您已将LawVu扩展到服务全球组织，跨越数十个国家。构建一个可在不同法律体系、文化和监管环境中工作的产品的最大挑战是什么？我们学到的最重要的一课是，虽然世界各地的法律团队面临着许多相同的挑战，但他们的运作方式可能会有很大差异。美国、英国、德国、澳大利亚或日本的法律团队可能都在管理合同、请求、事项、法律支出，但他们的流程、监管要求，甚至对技术的期望可能会有很大差异。早期，我们意识到我们不能建立一个假设只有一个“正确”方式让法律团队工作的平台。这就是为什么我们构建了LawVu，使其核心高度可配置，而不是关于流程的意见。该平台需要适应每个法律团队的运作方式，同时仍然保持直观和易用性。这听起来很简单，但这是一个很难做对的平衡，这也是许多企业软件挣扎的地方。另一个挑战是确保我们可以为客户提供相同的服务水平，无论他们位于哪里。我们不认为我们的产品只是软件。它是技术、专业知识和支持的结合，这些因素推动了成功。我们的全球支持团队全天候运作，平均在30秒内响应客户问题。这对于法律团队来说至关重要，因为他们经常在处理时间敏感的事务，并需要在需要时获得帮助的信心。最终，我们的方法是构建一个灵活的平台，可以适应本地差异，同时为每个客户提供一致的体验和服务标准，无论他们在世界的哪个地方。在LawVu之前，您参与了会计技术和互联网平台公司的建设。这些经历如何塑造您在法律运营中构建SaaS产品的方法？我在LawVu之前的经历教会了我，伟大的软件不仅仅是关于技术，而是关于解决人们深切关心的问题。在SaaS早期工作教会了我简单性、用户采用和创建客户真正喜欢使用的产品的重要性。当我进入法律领域时，我带来了这些教训。我没有把法律技术看作是一堆专用工具，而是看作一个机会，去建立一个平台，使法律工作更加可见、相互连接和易于管理。也许最重要的是，这些经历教会了我始终专注于客户。最好的SaaS公司之所以获胜，是因为他们异常出色地解决了真正的问题，这是一个自LawVu成立以来就指导我们的原则。展望未来，您是否相信法律操作系统将成为企业技术栈中的核心层，类似于CRM或ERP系统，未来会是什么样子？二十年前，大多数公司都在电子表格中管理客户关系，并认为这是可以接受的。这种转变发生在领导层意识到这在规模上不可持续，并且电子表格中的数据实际上是战略性的。法律现在正处于同样的转折点，在很多组织中，它已经发生了。每家公司都有合同、法律义务和合规要求。当CFO或CEO询问业务有多少活跃合同、外部法律支出总额或监管暴露情况时，如果答案是“我们需要去找”，那么您就有一个系统问题，无法通过法律人才来解决它。我们正在建设的未来，将法律操作系统置于CRM和ERP旁边，作为业务运营的核心部分，连接销售工作流程、财务和产品。现在投资于这一基础的组织将拥有更好的数据、更快的决策和降低风险的复合优势。感谢这次精彩的采访，希望了解更多的读者可以访问LawVu。
邁朗·伯克，Sensormatic Solutions 全球產品和解決方案負責人，負責找尋和實施新的創新加速方法，增加速度，為客戶提供更大的價值，透過戰略性的解決方案路線圖。邁朗是一位具有25年以上零售業經驗的領導者，曾在沃爾瑪和山姆會員店工作，為大規模創新提供支持。最近，邁朗創立了 Divergent Technology Advisors，一家零售技術顧問公司，為主要零售商、技術提供商和初創公司提供技術戰略、上市規劃、國際市場擴張等服務。Sensormatic Solutions，約翰遜控制公司的領先全球零售解決方案組合，提供安全、保安和無縫的零售體驗。60多年來，該品牌一直處於行業快速發展的技術領域的前沿，重新定義了全球零售運營，將洞察轉化為行動。Sensormatic Solutions 提供了一個連接的生態系統，包括損失預防、庫存智能和流量洞察解決方案，以及服務和合作夥伴，讓全球零售商能夠以精確度創新和提升，連接數據驅動的結果，塑造零售的未來。您已經在零售運營和新興技術的交叉點上工作了25年以上，從領導沃爾瑪和山姆會員店的RFID戰略和店鋪創新，到在Store No. 8孵化下一代概念，現在是Sensormatic Solutions的全球產品和解決方案負責人。這些經驗如何塑造您對於在實體零售環境中部署AI和感測技術的哲學?我採取了一種非常實用的方法來實施AI，並鼓勵我的團隊和Sensormatic Solutions的零售客戶也這樣做。我的經驗證明，透過這種方式來建設是成功轉型的關鍵。Sensormatic Solutions已經運行了60年，基於一個非常簡單的信念：技術只有在運營效率和現實世界的零售商挑戰在中心時才會成功。這似乎是很明顯的，尤其是對於那些接近新興工具的人，但這個基本原則在AI的炒作中被遺忘了。在解決方案開發和客戶採用中，保持快速和跟上市場的壓力很高，但建設填補空白的工具比嘗試將AI功能納入每個產品更有影響力。我們專注於找到簡化收集、融合、分析和行動的場所，以驅動可衡量的改善。這種關注也延伸到AI將使用的數據集——針對性、受控和清潔的數據集是提供持續AI價值的關鍵，特別是在不同的客戶之間。我們也要記住，這對於所有可能的用戶都是正確的：企業決策者、購物者和協助者。每當我們推出新的解決方案或更新時，我們都會問自己是否為這三個利益相關者提供了同等的價值，因為每個群體對零售成功都是不可或缺的。這種內部的精神自然轉化為幫助零售商採用類似的立場，提供支持有意義的改善的工具，透過實用的、量身定制的系統設計。AI的部署不是一刀切，與我們為客戶建立的程序也不是一刀切的。Sensormatic Solutions越來越多地將AI和ML先進分析作為現代零售運營智慧的核心啟動器。AI如何重新定義“損失預防”的含義在全渠道世界?最簡單的答案是可見性和速度。AI幫助真正揭開了縮水和提供了對整個零售損失的完整視圖。事實上，您只能注意到您可以看到的損失，对吧？在行業的大部分歷史中，對損失的可見性只不過是最基本的，表面層面的，程序只關注應該可供出售但沒有的商品。您可能有一些想法，知道某個商品是否被盜竊、在運輸中損壞或在貨架上損壞，但追蹤這些東西的規模是困難的，如果不是不可能的。連接的分析和感測系統擴大了零售商可以看到、追蹤和量化的東西。想想一下，強調了3％的錯誤，這些錯誤隱藏在今天生成的大量數據中。這些感測系統解鎖了損失的什麼、哪里、何時和誰，哪些東西本身就會引發對縮水和轉變為“整個零售損失”的理解的轉變。這個擴大的範圍允許零售商看到另一層運營和一系列新的潛在損失驅動因素，與過程偏差和差距相關，以及浪費的時間、資源和努力。當所有這些都被識別和標記後，您就可以將其轉化。這就是AI的用途。它連接這些新“點”，通常是在實時中，來表現出一個完全不同的數據層。預測、非常準確的智慧和建模可以幫助量化上游浪費的影響，權衡可能的調整的相對價值，並說明不採取行動的成本。有效地，它使零售商從反應式轉變為主動式，幫助他們重新定義損失為改善的機會。使用Re-ID和AI驅動的足流量分析等技術，零售商現在可以超越簡單的人數統計，深入了解購物者行為和運營洞察。您看到哪些最具變革性的用例從這種轉變中出現?Re-ID對我來說是一個強大的例子，展示了小的、針對性的調整可以對運營理解產生巨大的影響。Re-ID真正做了一件事：改進流量衡量。當然，要使技術能夠準確地分離獨特的購物者、重新進入、員工和其他類別的訪客是複雜的，但結果是一個非常簡單的更改，對於數據集有顯著的改善。流量數據繼續支撐著行業中廣泛的指標，轉換率可能是最值得注意的例子。只需修剪記錄以反映更準確的個人訪客數量，就可以顯著地改變解釋，從而使零售商能夠改進員工配置、店鋪佈局、信息和其他無數的做法，以幫助提高客戶體驗和財務成果。這是早些時候我們討論的精神的體現，這是Sensormatic Solutions過去60年來成功的核心。我們使用AI來進行針對性、高價值的調整，以造福所有相關方。Sensormatic Solutions最近推出了Orbit AI和Video AI作為其Store Guest Behaviors功能的一部分。這個解決方案為零售商解決了哪個戰略空白，並且它如何與其他零售智慧平台有所不同?我們在每個新解決方案中都關注一個特定的挑戰。對於Orbit AI和Video AI，我們關注的是將“信號”與“噪音”區分開來，為零售商提供可靠、具體和語境化的數據，以消除決策中的猜測。Re-ID的創新物體識別技術使Orbit AI和Video AI能夠幫助零售商： 了解店鋪內的逗留時間模式。...
数学是现代工程、金融、科学研究和人工智能的基础。然而，尽管数学驱动着世界上一些最先进的技术，但用于创建和协作数学工作的工具在过去几十年中却出奇地少有变化。现在，总部位于纽约的初创公司 Corca 正在尝试现代化这一体验。该公司宣布了一轮 780 万美元的资金轮，领投方为 NEA，参与方包括 Bloomberg Beta、Daft Capital 和 NVentures。新资金将用于扩大公司的工程团队，进一步开发其 AI 能力，并加速产品开发。一个隐藏在众目睽睽下的问题虽然软件开发已经通过协作编码平台、基于云的开发环境和 AI 编码助手进行了演进，但数学工作仍然分散在几十年前开发的各种工具中。工程师可能使用 MATLAB 进行计算，使用模拟平台进行建模，并使用单独的文档工具共享结果。研究人员经常在笔记本、白板、PDF、截图和 LaTeX 文档之间切换，以便传达想法。结果是一个可能对于支撑 AI 系统、机器人、航空航天设计、量化金融和科学发现的工作来说过于繁琐的工作流程。Corca 的创始人认为，数学领域从未有过真正的协作工作空间。相反，用户被迫适应主要用于出版方程式而非积极使用它们的工具。构建“数学光标”Corca 将其平台描述为一个 AI 本地的协作数学工作空间，该空间将方程式编辑、符号推理、计算和实时协作结合在一个基于浏览器的环境中。与传统的数学软件不同，传统软件通常需要专门的语法或编程知识，Corca 允许用户使用自然输入来编写数学表达式。输入诸如“积分”或“根”等术语会自动生成相应的符号，而无需用户记住命令或格式规则。该平台的界面更类似于现代协作生产力工具，而非传统的数学软件。多个用户可以同时在方程式、模型和计算上进行合作，类似于团队在...
一家由前 Icertis 高管创立的新创业公司认为，企业 AI 中最大的未开发机会不是创造新的工作流程，而是恢复组织已经获得或谈判但从未收集的资金。总部位于西雅图的 Rivvun AI 已经 宣布了一轮 755 万美元的超额种子轮融资，由 Sitara Capital 和 3one4 Capital 联合领投。这家公司正在建设一个自主的 AI 执行层，旨在识别和恢复大型企业中的支出泄漏、收入泄漏和利润率侵蚀。创始人认为，虽然企业已经在 ERP、CRM、采购和合同管理平台上投入了数十年的资金，但在商业协议和财务结果之间仍然存在着显著的差距。执行差距的隐性成本大多数企业都有复杂的系统来谈判合同、批准采购、管理供应商和记录交易。然而，它们通常缺乏一种机制来持续验证这些协议是否最终转化为预期的财务结果。这就是 Rivvun AI 被创造来解决的问题。根据公司的说法，企业每年通过错失的返利、价格差异、结算错误、合规性失败、合同变异和其他在协议签署后但在资金完全实现之前发生的运营差距而损失了数十亿美元的价值。Rivvun 不是替换现有的企业软件，而是覆盖现有的系统，并尝试确定预期结果与实际财务表现之间的差异。由企业合同智能的老兵创立Rivvun 由 Anand...
在医疗保健领域中，构建更好的 AI 模型的竞争一直受到一个简单问题的限制：缺乏足够大、质量高的数据集，这些数据集可以连接基因信息和现实世界中的患者结果。本周，Helix 宣布 一个里程碑，这可能有助于解决这个挑战，揭露其 GenoSphere 平台已经超过 50 万条链接的临床基因组记录，同时推出新的 AI 驱动的研究工具，旨在加速科学发现。该公告将 Helix 置于一个小型组织中，这些组织试图创建大规模、纵向数据集，结合 基因组序列 和多年的医疗记录。这种数据集被认为是下一代精准医学、药物开发和 AI 驱动的生物医学研究的关键基础设施。为什么链接基因组数据很重要虽然基因组序列在过去的十年中变得更加廉价，但 DNA Alone 往往无法告诉完整的疾病故事。研究人员还需要访问临床结果、治疗史、诊断和纵向健康记录，以了解基因变异如何影响现实世界中的患者健康。挑战在于这些数据集通常存在于单独的系统中，难以大规模连接。Helix 表示，每个 GenoSphere 记录都将其 Exome+ 序列数据 与平均...
余苏，NeoCognition联合创始人兼CEO，是一位长期从事人工智能研究的专家，他的职业生涯跨越学术界、企业人工智能和高级代理系统。在领导NeoCognition的同时，他还担任俄亥俄州立大学的副教授和创新学者，他的工作重点是人工智能代理、推理系统和机器学习。他还曾在微软担任高级研究员超过六年，在那里他与包括Percy Liang在内的领先研究人员合作，使用语义解析技术开发Outlook的对话式人工智能系统。在微软、学术界和研究机构（如IBM T.J. Watson Research Center）等多个角色中，余苏建立了推进能够推理、学习和与复杂数字环境交互的AI系统的声誉，帮助弥合了尖端研究和实际应用之间的差距。NeoCognition是一家专注于开发“专用智能”的AI代理研究公司——能够通过经验持续学习和改进的AI系统。由领先的AI研究人员创立，该公司旨在超越静态的大型语言模型，开发能够在特定领域发展深入专业知识的代理。其研究重点包括持续学习、推理、规划、工具使用和多代理协作，目标是创建能够随时间变得更加有能力和可靠的AI系统。通过将机器学习的进步与结构化推理和自适应学习技术相结合，NeoCognition旨在帮助塑造下一代能够处理日益复杂的实际任务的AI代理。许多公司急于发布通用AI副驾驶，但我们越来越多地听到人们对这些系统在实际生产环境中可靠性的担忧。您为什么认为当前的AI代理在实际环境中会遇到困难?大多数当前的AI代理在生产中遇到困难，因为它们仍然是基本的通用代理，缺乏对其工作环境的深刻理解。它们可以在演示中完成一次任务，但这与在实际操作系统中发展可重复的判断力是不同的。今天的模型是令人印象深刻的模式匹配器，但它们仍然缺乏人类成为可靠专家的机制。人类不通过记忆孤立的任务来变得可靠。我们通过学习特定世界的结构来专攻：定义一个职业或组织的工作流程、约束、关系、工具、优先级和后果。随着时间的推移，我们建立了对该环境的内部工作模型，这个模型使得良好的决策变得一致和可重复。大多数AI代理今天没有建立这种运营理解。它们严重依赖提示、检索或编排层来帮助它们完成孤立的操作，但它们仍然在每次遇到新情况时即兴发挥。这就是为什么一旦环境改变，尤其是在环境变得混乱、动态或高风险时，性能往往会恶化的原因。缺失的部分是专攻。人类在能够适应不断变化的环境并通过持续学习在其中成为专家方面表现出色。我们认为AI代理需要类似的能力：在特定领域深入学习当地结构，以便在其中运作具有真正的熟练程度。NeoCognition将其愿景描述为建立能够像人类一样持续学习和适应的代理。与许多企业今天依赖的静态微调或检索式方法相比，这在技术上看起来是什么样的?大多数企业AI系统今天通过微调模型或在推理时检索相关信息来提高性能。这些方法可能有用，但它们并不能从根本上使代理在特定领域发展出不断演进的专业知识。微调通常是在训练后静态的。检索系统有助于提供信息，但检索知识与发展领域专业知识或根据时间经验适应行为是不同的。在许多情况下，代理仍然缺乏对其操作环境的持续模型。当一个人加入一家公司时，他们不仅仅因为可以搜索文档而变得有效。他们逐渐通过了解组织的实际运作方式来发展判断力，专业知识从不断完善内部模型中产生。我们认为下一代代理需要类似的学习机制。在NeoCognition，我们专注于使代理能够形成这些不断演进的运营模型，以便它们可以在特定领域内持续专攻和改进，而不是反复从头开始或依赖于持续的人类重新工程。似乎在AI实验和运营信任之间存在日益增长的差距。企业可能在内部成功原型化代理，但在规模上部署它们是一个完全不同的挑战。组织在这个转变中低估了什么?许多组织低估了实际运营环境的动态性。具有85%准确率的代理在测试中可能看起来很强大，但在企业规模上，这仍然意味着一连串的错误和恢复情况需要人类团队来管理。挑战变得更加显著，在多步骤工作流中，故障在系统和任务中累积，使监督、干预和问责变得比许多组织最初预期的更加困难。企业仍然将部署视为编排或提示问题，而实际上这是一个学习问题。困难的部分不仅仅是让代理执行任务，而是使系统在动态运营环境中发展持久的能力和判断力。自定义、提示、监督和重新工程的负担仍然主要由人类团队承担。这通常是系统仍然缺乏运营理解的迹象；它们每次都被手动引导。这不是通往规模或信任的道路。AI行业中出现的一个主要主题是治理、防护栏和政策执行。然而，NeoCognition认为治理本身是不够的。为什么您认为可靠性最终需要能够持续适应其环境的系统，而不是仅仅遵循静态规则?治理和防护栏非常重要，但静态规则本身无法完全解决复杂环境中的可靠性问题。生产级运营系统不断变化。工作流程演变，工具更新，政策转变，意外情况出现，无法始终预先预测。如果代理只知道遵循预定义的规则，而不理解其操作环境，它最终会遇到这些规则没有预见的情况。人类的可靠性来自判断力，而不是仅仅遵循脚本，而是因为我们通过了解周围世界的结构和约束来发展判断力。我们学习何时升级，何时某事物看起来异常，何时上下文改变了正确的行动方案。我们认为AI代理需要类似的适应和环境理解能力。更安全的系统将来自使它们在明确定义的运营世界中变得更加有能力和专门化。这种系统观察其自身环境和自身输出，跟踪其失败并更新其行为。AI行业经常强调更大的模型和更广泛的能力，但NeoCognition似乎专注于专攻和上下文学习。您是否认为企业AI代理的未来将更像高度专门的数字工作者，而不是通用助手?我们坚信未来将由专攻驱动。该行业自然专注于越来越普遍的模型，因为广泛的能力令人印象深刻。但在企业环境中，真正的挑战不是代理是否可以做一点点所有事情，而是它是否可以在特定角色中可靠地发挥作用并表现出良好的判断力。我们的优势不在于我们天生就是每个环境的专家，而在于我们可以深入地学习特定世界的结构，以便在其中有效地运作。在NeoCognition，我们相信未来不会是一个可以做所有事情的超级代理，而是一大批专门的代理，每个代理都能深入地学习特定世界，以便在其中运作具有专家级的熟练程度、判断力和可靠性。它们的目的是不替代人类的专业知识，而是使其更加丰富：将最先进的能力放入更多人的手中，提高任何人或组织可以做的事情的基准。关于自主代理的一个最大担忧是，当环境发生意外变化时，它们会如何表现。环境意识和适应能力在防止故障、幻觉或不安全行为方面有多重要?这是绝对至关重要的。没有环境意识，代理可能会继续自信地行动，即使它们对情况的理解已经过时或不完整。这就是运营故障经常出现的地方。我们认为可靠性需要代理持续学习其操作环境的局部结构，并随着时间的推移更新其理解。可靠性会随着时间的推移而变化和演变：九月份看起来可靠的东西可能在五月份看起来不一样。代理对其周围的系统、约束、工作流程和关系的理解越深，它就越能够识别出条件何时发生变化或不确定性何时需要升级。您认为行业距离部署能够通过与实际运营环境的持续交互真正改进自身的AI系统有多远?我们仍处于建设能够实现可靠持续学习和自我改进的基本学习机制的早期阶段，但行业距离这一转变比许多人意识到的要近。我们生活在一个压缩的时间轴中。下一次技术突破的成分已经准备就绪。它可能很快就会发生。重要的不是抽象的自我改进，而是特定环境中的结构化专攻。这意味着以稳定、可管理和对灾难性遗忘具有抵抗力的方式学习工作流程、约束、关系和成功行为模式。这是我们在NeoCognition关注的问题。展望未来几年，您认为什么最终将可靠的企业AI代理与当前市场上实验系统的浪潮区分开来?成功的系统将是那些看起来不像玩具场景，而更像可靠的操作员的系统。原始模型能力本身将不够。企业最终将关心代理是否可以在其实际环境中一致地运作，是否理解本地工作流程和约束，是否尊重边界和权限，是否可以安全地适应并随着时间的推移提供可重复的结果。企业AI的未来赢家不会仅仅是能够回答最广泛问题的系统。它们将是能够在特定运营世界中深入学习以便在其中运作具有真正的熟练程度、判断力和可靠性的系统。感谢这次精彩的采访，希望了解更多的读者可以访问NeoCognition。
工业机器人在过去几年中由于人工智能、机器视觉和硬件成本下降而变得更加强大。然而，对于许多制造商，尤其是中小型企业，部署机器人仍然是一项昂贵且复杂的任务，通常需要专门的工程专业知识。 美索科技是一家位于加利福尼亚的机器人创业公司，认为这一挑战是当前行业的最大瓶颈。公司宣布了一轮150万美元的种子轮融资，由Pillar VC领投，以加速其人工智能驱动的机器人平台的开发，该平台旨在使工业自动化更加容易部署和扩展。简化机器人自动化制造商长期以来一直认识到自动化的好处，但实施机器人系统通常需要在机器人、软件和系统集成方面具有广泛的专业知识。即使在部署之后，生产变化也可能需要昂贵的修改和额外的工程工作。美索科技正在建设一个模块化的硬件和软件生态系统，以简化这一过程。该平台使制造商能够捕获他们想要自动化的任务，并比传统的集成方法更快速地配置机器人工作单元。根据公司的说法，其系统旨在处理制造业中常见的变异源，包括零件放置、公差和生产序列的差异。目标是帮助制造商在不频繁重新编程的情况下保持可靠的自动化操作。该平台支持美索科技开发的模块和与第三方组件的集成，允许客户在现有的制造环境中构建自动化解决方案。为高混合制造建立生态系统美索科技并不是提供传统的固定自动化解决方案，而是开发一个模块化的硬件和软件组件生态系统，可以为不同的制造工作流程进行配置。公司的初始重点包括应用程序，如装配、包装、机器维护和子装配操作。早期努力集中在帮助制造商自动化子装配过程，例如用于无人机的生产变异性，使自动化变得特别困难。这种方法反映了制造业正在发生的更广泛的转变。虽然机器人在历史上为高度标准化的生产环境提供了最大的价值，但今天许多制造商经营着低产量、高混合度的生产线，这些生产线需要更大的灵活性。能够在不需要大量工程干预的情况下适应不断变化的工作流程的解决方案变得越来越有吸引力。捕获和扩展制造专业知识美索科技愿景中的一个反复出现的主题是保存和扩展制造知识的理念。许多生产过程严重依赖经验丰富的操作员，他们的专业知识很难记录和转移。随着劳动力短缺继续影响制造业，经验丰富的工人退休，公司面临着日益增长的压力，需要保留运营知识，同时增加产量。美索科技的平台旨在帮助制造商将生产知识转化为可重复的自动化工作流程。通过降低部署机器人的技术障碍，公司希望使高级自动化能够被可能没有专门的机器人团队的组织所采用。灵活制造的未来几十年来，工业自动化在大型工厂中生产大量相同产品时最为有效。许多较小的制造商和硬件创业公司一直难以证明部署机器人的成本和复杂性，特别是当产品经常变化或生产批次相对较小时。像美索科技这样的平台是使自动化更适应现代制造现实的更广泛努力的一部分。通过将模块化硬件与能够适应现实世界变异的软件相结合，这些系统可以使制造商自动化传统上由于太复杂或太可变而保持手动的过程。其影响范围不仅限于提高生产率。随着制造商面临持续的劳动力短缺和提高生产效率的压力，更灵活的自动化可以帮助保留机构知识，减少对专门的机器人专业知识的依赖，并使较小的制造商能够使用曾经仅限于拥有专门自动化团队的大型企业的功能。如果这些技术按照预期成熟，下一代工业机器人可能不再由机器人本身定义，而是由使自动化更快地部署、更容易修改和在更广泛的制造环境中实用的软件平台来定义。美索科技的平台是这一趋势的典型代表，旨在简化机器人自动化并使其更容易被广泛采用。
标准机器人已经完成了2亿美元的C轮融资，估值达到10亿美元，成为机器人行业中最新的独角兽公司。该轮融资由机器人战略领投，现有投资者包括通用催化剂，这表明了投资者对该公司在AI本土工业自动化方面的愿景日益增长的信心。总部位于纽约的标准机器人计划利用这笔资金来扩大制造能力，加速产品开发，并在美国境内增加其工业机器人的部署。该公告是在制造商越来越多地转向自动化以解决劳动力短缺、提高生产力和加强国内生产能力的背景下发布的。标准机器人已经在使工业机器人更加易于获取方面建立了自己的声誉。其客户范围从小型和中型制造商到包括亚马逊、洛克希德马丁、NASA、桑诺科和美国陆军在内的大型组织。该公司表示，到明年，它将占据美国新部署的工业机器人的大约10%。最近的融资也反映了投资者对物理AI的日益增长的兴趣，物理AI是一种将人工智能应用于在现实世界环境中运行的机器人和自主系统的技术。随着机器人战略领投这一轮融资，通用催化剂继续其支持，标准机器人加入了一个日益增长的机器人公司群体，这些公司吸引了大量资本，投资者正在寻找超越软件型AI的技术，以转变物理行业。AI本土机器人的崛起工业机器人已经成为制造业的重要组成部分数十年，但其采用一直受到高昂的成本和编程复杂性的限制。部署机器人臂通常需要能够编写和维护自定义自动化代码的专门工程师，这使得先进的机器人对于许多小型制造商来说不可及。标准机器人正在走一条不同的道路。该公司的机器人被设计为通过演示而不是传统编程来学习。操作员可以物理地向机器人展示如何执行任务，允许AI模型捕获工作流程并自主地重现它，同时适应环境的变化。该公司的Flux AI平台围绕着“通过演示来获取技能”的概念，减少了对专门的机器人专业知识的需求，并可能降低了成千上万的制造商进入自动化的门槛。更广泛的机器人行业已经越来越多地采用了类似的通过演示来学习的方法。与依赖于僵化的脚本不同，现代AI系统可以从示例中学习，适应不断变化的条件，并随着时间的推移提高性能。这一转变被广泛视为使机器人能够超越重复的工厂任务并进入更灵活的工业应用的关键发展之一。不仅仅是机器人臂虽然最近的机器人关注点大多集中在人形机器人上，但标准机器人主要专注于可以执行机器维护、焊接、托盘化、装配、检查、紧固和材料处理等任务的工业机器人臂。该公司战略的一个显著方面是垂直整合。标准机器人设计了许多自己的组件，包括执行器、电机、驱动器和控制系统。其安培驱动技术和弧形操作系统平台使该公司能够在内部控制机器人栈的大部分内容，从而在性能、成本和未来AI集成方面拥有更大的灵活性。该公司表示，它计划继续扩大国内制造能力，长期目标是将几乎整个机器人系统的生产都放在美国境内。这一战略与日益增长的政治和经济兴趣相一致，即重建国内工业能力，减少对海外制造供应链的依赖。美国制造业的崛起融资公告是在国家对制造业竞争力关注度日益增长的背景下发布的。尽管美国仍然是世界上最大的制造业经济体之一，但工业自动化的采用却落后于包括中国在内的几个国际竞争对手。机器人密度已经成为衡量制造业竞争力的重要指标。大量投资于自动化的国家通常会看到生产力、生产灵活性和长期工业产出的提高。随着制造商面临持续的劳动力短缺和不断上涨的运营成本，自动化越来越被视为一种战略必要性，而不是一种可选的效率升级。标准机器人已经将自己定位在这些趋势的交叉点。通过将AI驱动的软件与国内生产的机器人硬件相结合，该公司正在瞄准一个远远超出大型企业制造商的市场。其客户中有很多是历史上缺乏部署先进自动化资源的小型和中型企业。物理AI的下一阶段AI本土工业机器人的崛起可能会对个别工厂以外的领域产生影响。传统上，工业自动化主要针对拥有资源的制造商，他们可以投资复杂的机器人系统和专门的工程团队。随着机器人通过自然演示而不是代码变得更容易部署和训练，自动化可能会成为更广泛的企业的可行选择，包括小型和中型制造商。这种转变可能有助于解决工业经济面临的几个长期挑战。许多制造商继续苦于熟练劳动力短缺、老龄化劳动力以及提高生产力和维持国内生产的压力。更适应性强的机器人系统可能使公司能够自动化以前由于可变性或难度而无法使用传统工业机器人的任务。该技术还可能改变工厂的运作方式。与部署机器人执行少数高重复性流程不同，未来系统可能能够执行更广泛的任务，并更快地适应生产需求的变化。这种灵活性可能会降低实施成本并缩短将自动化引入新工作流程所需的时间。无论这些进步是否最终导致广泛的采用仍有待观察，但该行业的发展方向日益明显。随着人工智能直接集成到工业设备中，制造商开始将机器人视为不仅仅是固定功能的机器，而是可以通过演示来训练、更新和重新部署的适应性工具，以适应不断变化的业务需求。
