Invisible Technologies 首席执行官 Matthew Fitzpatrick – 采访系列

Matthew Fitzpatrick 是一位经验丰富的运营和增长专家，具有丰富的经验，擅长扩大复杂工作流程和团队。他曾在咨询、战略和运营领导领域工作，目前担任 Invisible Technologies 的首席执行官，专注于设计和优化端到端的商业解决方案。Matthew 热衷于将人力和自动化相结合，以实现大规模的效率，帮助公司通过流程创新解锁转型性增长。

Invisible Technologies 是一家人工智能生产层和企业软件公司，帮助组织在复杂的商业环境中构建、部署和扩大人工智能系统。其平台将人工智能软件、人力专业知识和运营基础设施相结合，支持训练、评估和运行高级人工智能所需的生产工作流程。Invisible 与企业合作，管理复杂数据、自动化工作流程和将人工智能集成到业务流程中，提供必要的基础设施和专业知识，以将人工智能计划从实验转变为可靠的生产规模部署。

您最近从麦肯锡的 QuantumBlack Labs 领导转变为 Invisible Technologies 的首席执行官。是什么吸引您到这个角色，您对 Invisible 的使命最感到兴奋的是什么？

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。吸引我加入 Invisible Technologies 的是，将人工智能在规模上变得可操作的机会，通过独特的灵活人工智能软件平台和专家市场的人工反馈 – 我相信强化学习从人工反馈（RLHF）是实现准确和可靠的 GenAI 实现的关键。Invisible 支持整个价值链上的人工智能，从数据清理和数据录入自动化到链式思维和自定义评估。我们的使命很简单：将人工智能和人类智能相结合，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。

您曾经领导过 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。您将从麦肯锡获得的哪些经验应用于 Invisible 的下一个增长阶段？

有两点经验脱颖而出。首先，人工智能的成功采用不仅仅是关于技术，还关于组织转型。您需要拥有合适的人员和流程 – 以及优秀的模型。其次，赢得人工智能竞争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验，进入生产，实现真正的商业价值。

您曾经说过，“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。”您在实现投资回报率的企业中看到哪些具体趋势？

实现投资回报率的企业正在做三件事。首先，他们将人工智能使用案例紧密地与核心业务 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工反馈循环，以不断提高模型性能。第三，他们从通用解决方案转向针对特定领域的定制系统，这些系统反映了他们环境的复杂性。这些公司不再仅仅是在测试人工智能 – 他们正在有目的地扩大人工智能。

域特定和博士级数据标注在基础模型提供商（如 AWS、Microsoft (MSFT ) 和 Cohere）之间的需求如何演变？

我们看到对专业标注的需求激增，因为基础模型提供商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，还为了提供细致入微、上下文感知的反馈，以提高推理、准确性和对齐度。随着模型变得更智能，训练它们的标准也越来越高。

Invisible 是代理人工智能的前沿者，强调在现实世界工作流程中进行决策。您如何定义代理人工智能，我们在哪里看到最大的希望？

代理人工智能指的是不仅仅对指令做出反应 – 而是计划、做出决定并在定义的界限内采取行动。它就像一个团队成员，而不是工具。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。在这些领域，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力的结果。它不是关于替代人类 – 而是增强他们的能力，赋予他们智能代理，可以处理重复和例行任务。

您能否分享 Invisible 如何训练模型进行链式思维推理的例子，以及为什么这对于企业部署至关重要？

链式思维（CoT）推理已经为企业人工智能解锁了新的潜力。在 Invisible，我们训练模型进行一步一步的推理，这在风险很高的情况下至关重要 – 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，还允许调试、改进和性能增强，而无需大量新的数据集。我们看到领先的模型，如 Gemini、Sonnet 和 Grok，开始披露他们的推理路径，这使我们能够观察到不仅是模型输出，还有它们如何得出这些结果。这为更高级的方法奠定了基础，例如树形思维（模型评估多个可能的推理路径，然后选择一个答案）和自我一致性（探索多个推理路径）。

Invisible 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 – 还是关于上下文、细微差别和文化规范。如果一个模型误解语气或错过区域变异，它可能导致糟糕的用户体验，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。

公司在尝试从概念验证扩大到生产时，最常见的失败点是什么？Invisible 如何帮助客户度过这一“最后一英里”？

大多数人工智能模型都无法进入生产，因为公司低估了所需的运营工作量。他们缺乏干净的数据、强大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构建更好的模型并成功部署它们。

您能否带我们了解 Invisible 的强化学习从人工反馈（RLHF）方法，以及它与行业其他公司的不同之处？

在 Invisible，我们认为强化学习从人工反馈（RLHF）不仅仅是微调 – 而是允许更复杂的自定义评估（“eval”）设计，并且是将模型训练从二元信号转向细致入微的人类判断。虽然行业方法经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，这些反馈捕捉了推理、上下文和权衡。这种更丰富的信号使模型能够更有效地泛化，并更密切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打造基础。

您如何看待人工智能与人类的未来合作，特别是在金融、医疗保健或公共部门等高风险领域？

人工智能并不是取代人类专业知识 – 而是成为支持人类专业知识的基础设施。我想象一个未来，人工智能代理和人类专家将并肩工作 – 临床医生将由诊断副驾驶支持，政府机构将使用人工智能来更高效地处理福利，金融分析师将摆脱电子表格的束缚，专注于战略。我们的重点是设计能够增强人类能力，而不是掩盖或取代人类能力的系统。

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