一句话先说
Eye on AI 这一期的核心判断很直接：美国企业还有大约 36 个月，把自己从 Office 文件堆重建成 AI 原生公司。Drew Cukor 认为，真正的转型对象不是聊天框，而是获客、交付、后台和 CEO 决策所依赖的整套工作流。这个「36 个月」是 Cukor 在节目中的判断与行动窗口，不是一项外部统计结论。1
本期是谁
Drew Cukor 现任 TWG AI 总裁，负责企业 AI 战略与转型。TWG AI 官方主页把自己的定位写成：把企业的智能层从业务边缘移到核心骨干，并由工程师和数据科学家直接嵌入领导团队，重做企业级 AI 方案。2
Cukor 在节目中介绍，自己曾在美国海军陆战队服役 30 年，最终晋升上校；后来在 JPMorgan 工作，参与 AI 转型；现在在 TWG AI 领导约 120 名工程师和数据科学家，服务资产管理、投资银行、保险、体育和票务等工作流。上述履历来自嘉宾本人和 Eye on AI 官方节目介绍。1
头像使用本期官方 YouTube 视频缩略图中的真实肖像，TWG AI 标志使用公司官网公开素材。
01｜Maven 改的不是模型
Project Maven 最初是一个计算机视觉项目，用来帮助分析员从无人机监视视频里识别对象，减少人工翻看长视频的时间。
在 Cukor 的描述里，Maven 后来变成了更大的战场指挥与控制系统。模型输出的检测、分类和推理，必须落到人类可以理解、可以判断、可以行动的界面里。
所以他反复强调，软件不是免费附在坦克、飞机、航母和步枪旁边的办公用品。软件是武器系统的一部分，是把昂贵硬件接入规划、判断、执行和复盘的那条链。
这也是他把战场经验带进企业的原因：模型本身只是一个部件。模型如果没有进入真正的决策回路，企业得到的只是一次演示，而不是能力变化。1
02｜旧企业被文件夹困住
Cukor 认为，美国企业和早期战场上有一个共同问题：太多关键工作仍然由 PowerPoint、Excel、Word、邮件、SharePoint 和 Confluence 承担。
他在节目中讲到，自己 2001 年第一次进入阿富汗时，把台式电脑带下船，用 Word、PowerPoint、Excel 和邮件完成情报工作。
2001 年或许还能解释得通。
但到了 2010 年、2015 年、2020 年，甚至 2026 年，继续把复杂行动压缩成 PowerPoint 上的小方块，就很难再说得通了。
他把企业资产管理举作类比：数据先被写进 Excel，再作为附件在邮件里流转，最后被放进 Microsoft 文件夹和 SharePoint。
数据不是消失了，而是被埋到只有原作者知道位置的地方。
Cukor 用了一个很重的比喻：把数据放进这些静态文件容器，就像给它立了一块墓碑，因为那里的数据很难再被重新检索、连接和推理。
他特意说明，问题不是 Microsoft 这个品牌，而是用文件夹和附件承载企业记忆的方式已经不适合 AI 时代。
企业要把结构化和非结构化数据放进能持续运行的统一平台，让 AI 在数据之上建立新的推理层。1
03｜AI 原生不是聊天机器人
Cukor 认为，大多数企业把 AI 想成聊天框，是因为聊天框最容易展示。
数据进入一个窗口，用户输入提示词，模型返回答案。
这个体验很神奇，却没有回答一个企业最关心的问题：它怎样改变收入、交付和成本。
在他看来，AI 原生公司的入口是工作流。
第一条工作流是获客：企业怎样接触客户，怎样判断客户，怎样完成销售和客户入职，又怎样持续服务客户。
第二条工作流是交付：企业到底怎样交付增值服务，哪些步骤现在依赖邮件、电话、表格和人工交接。
第三条工作流是后台：企业怎样计费、对账、收款，怎样知道已经交付的价值有没有回到损益表。
这些流程都可以拆开，重新设计，再把人保留在需要判断的地方。
模型变化时，企业可以把新模型接进已有工作流，而不必每次都重新发明一套业务系统。
理想的结果是，CEO 每天早晨打开界面，就能看到资金流入流出、客户流失、新客户、开票和后台运行情况。
这不是一个更聪明的聊天机器人，而是把整个企业变成一个 CEO 能迅速读懂的动态系统。1
04｜数据项目不要先搬空海洋
主持人问，TWG AI 是否主要在做数据层和平台层。
Cukor 的回答是：数据层很重要，但这不等于把所有数据迁移到云端。
他把大规模数据迁移比作制造数据沼泽：企业统计自己每周向云端搬了多少 PB 数据，最后得到的只是更多没人知道怎么用的存储空间。
他的做法是先从业务结果开始。
如果目标是获得更多客户，就先问销售团队需要哪些数据，才能判断应该向谁推介、怎样推介、怎样保持客户关系。
这些数据可能包括 20 组数据集，其中 14 组来自付费的第三方数据，另外 6 组来自企业自己的账本、定价和内部记录。
此时只需要把这 20 组数据接进工作流，不需要为了整齐而把企业所有历史数据都搬过来。
数据接入后，团队再建立工作流，让 AI 在上面运行。
剩下的数据可以继续留在原来的系统里，先不要把项目变成没有边界的「沸腾海洋」。
Cukor 在本期谈到的实现基础是 Palantir Foundry 和 AIP：数据层承载业务逻辑，工程师和数据科学家在上面构建工作流与 AI 用例。
他声称部分方案可以在数周交付，生产级方案按月计算，而不是十年才能完成的 IT 大迁移。这里的时间表是嘉宾对自身交付方式的描述，不是独立测量结果。1
05｜可观测性要写进工作流
生产级 AI 不能只回答问题，还要知道自己什么时候不该回答。
Cukor 说，最关键的企业工作流需要先分级：如果系统出错会触发监管关注、造成严重亏损或让客户流失，就必须有更高等级的可观测性。
他把人类监督保留在这些关键节点上，因为最终仍然需要有人对「通过」或「不通过」负责。
传统模型的风险之一是数据漂移。
模型可能没有改变，但它接收到的数据已经超出原来的范围，于是模型继续按旧规则工作，结果却逐渐失真。
因此，团队需要在数据进入模型时设置传感器，观察数据是否偏离参数；一旦偏离，就要重新检查模型和工作流。
对于 Transformer 和生成式模型，另一个问题是幻觉。
Cukor 说，企业需要搭建大量支架，把模型的开放式生成收束成符合业务要求的确定性结果。
在某些场景里，团队会让三个 AI 同时判断同一个问题。
三个系统的结论一致时，结果可以继续流转；如果出现分歧，系统就报警。
这套方法的重点不是把人从流程里删除，而是让人的监督更集中地出现在真正需要判断的位置。1
06｜AI 的责任写作 CEO
Cukor 对 AI Officer 这个职位非常不客气。
他的判断是，AI Officer 可能成为 CEO 和真正转型之间的中间层：职位听起来重要，却未必拥有把系统部署到生产环境的经历，也未必真正对业务结果负责。
他给出的工程师资格问题很简单：你部署过什么？它真的上线了吗？有人使用吗？过程怎样？
他认为，企业应该对 AI Officer 追问同样的问题。
Cukor 并不是说 CEO 要亲自写每一段代码。
CEO 可以有一个小团队帮助自己处理信息，但 CEO 必须拥有转型结果，因为 AI 会改变收入、成本、人员配置和工作流程。
他把 token spend 比作一种新型人力成本：当 Agent 规模化运行时，token 消耗可能接近一名员工的成本。
如果企业把 token 烧在设计糟糕的工作流上，就等于用员工工资规模的钱，持续支付低效劳动。
因此，AI 项目不能只由技术部门负责「把灯亮起来」。
它需要业务负责人回答：这条流程为谁创造价值，谁承受风险，谁对结果负责。
Cukor 的总结是：「AI 不是 CTO 的缩写，AI 是 CEO 的责任。」这是嘉宾的治理判断，而不是一条普遍适用的组织法则。1
07｜他担心的是扩散速度
Cukor 把企业 AI 放进中美竞争里观察。
他的核心担忧不是某一边今天是否拥有更强的模型，而是哪一边先把 AI 嵌进银行、支付、保险和企业桌面。
在他的叙述里，美国企业有漂亮的现金流、成熟的监管保护和几十年的 Office 基础设施，因此更容易把舒适的旧流程误认为护城河。
他认为，中国企业没有相同长度的 Office 历史，可以从平台化、数据化和 AI 原生的方式开始组织业务。
他提出的风险是：美国在模型创新上暂时领先，却可能在企业扩散上变慢。
如果 AI 原生银行、AI 原生支付和 AI 原生保险先在另一套企业系统里成熟，旧企业等到客户开始问「为什么我们没有这个」时，可能已经晚了。
主持人补充了一个不同角度：美国可能在创新上领先，而中国在技术扩散上领先。
Cukor 回应说，美国仍然拥有人才、开放市场和基础设施等优势，但不能因为今天的模型和数据中心领先，就认为明天的企业应用也会领先。
他把窗口再次定为 36 个月。
这部分是 Cukor 的地缘竞争判断，节目没有提供一组独立的中美企业采用率数据来验证它。1
08｜真正可怕的是李世石的表情
Cukor 说，自己曾经用李世石输给 AlphaGo 的视频去提醒国防领导者。
他认为，视频最有力量的部分不是 AI 赢了一盘棋。
真正有力量的部分，是世界顶尖棋手在棋局进行中意识到：自己已经不理解这项游戏了。
这也是他对企业的警告。
企业不应该等到竞争对手已经把行业规则重写，才开始寻找一个聊天机器人项目。
那时真正的问题不是模型会不会回答，而是组织是否还理解自己的业务怎样运作。
Cukor 最后把企业转型说成一场避免「李世石时刻」的行动：在旧系统还没有失去全部价值之前，主动重建工作流、数据层和决策界面。
36 个月不是一张倒计时海报，而是他留给企业重新组织能力的时间。1
边界与读者可用的判断
这期最值得拿走的不是「马上买某个平台」，而是一个拆解顺序：先找会影响收入、交付或风险的工作流，再确定所需数据，接着设计验证、监督和责任边界，最后才讨论模型与平台。
Cukor 对 Palantir Foundry、TWG AI 交付速度和中国企业扩散速度的判断，都是他在访谈中的立场或商业叙述。读者如果要做采购、组织调整或投资判断，还需要独立核查成本、部署周期、数据留存、供应商锁定和同类项目的真实结果。
对创业者、投资人、产品负责人和 AI builder 来说，最具体的问题是：如果把聊天框删掉，你的 AI 项目还剩下哪条可以被重新设计的业务流程？
逐句全文翻译
开场与人物介绍
Drew：我把台式电脑带到了阿富汗，然后用 Word、PowerPoint、Excel 和邮件，和 3500 名海军陆战队员一起完成了我的任务。我当时是情报官，负责主要情报工作。
Drew：这套方式在 2001 年或许还说得过去。
Drew：但到了 2010 年呢？到了 2015 年呢？2020 年呢？2026 年呢？
Drew：把一堆小方块在 PowerPoint 幻灯片上来回移动，已经说不通了。
Drew：我想把同样的问题摆到商业世界面前。企业用 Excel 做资产管理，把所有洞察埋在一张 Excel 表里，再把它放进 Microsoft 文件夹系统和 SharePoint，这样做还说得通吗？
Drew：因为当你把数据放进这些 Microsoft 产品时，你实际上是在给它立一块墓碑。
Drew：数据就是在那里死掉的。
Drew：这是一场灾难。
Craig：你认为整个经济中的企业都采用 AI 很重要，这样才能保持对中国的领先。你能谈谈风险是什么吗？
Drew：我们需要以竞争的方式面对这件事。
Drew：他们采用 AI 的速度比我们快得多，因为他们从一开始就是 AI 原生的。
Craig：如果传统企业不能快速完成这种转型，就会在自己的行业里面对 AI 原生创业公司。
Craig：我们先请你介绍一下自己，讲讲你在 JPMorgan 的工作，以及你后来怎样去了 TWG。
Craig：然后我们再回到我对 Maven 的问题，再讲到 TWG；这两件事其实并不无关。
Drew：好的，我是 Drew Cukor。
Drew：我在海军陆战队度过了 30 年，从一名年轻军官一直做到上校。
Drew：那是一段很美好的时光。
Drew：那是一段很好的职业经历，我不会改变其中任何一件事。
Drew：在那段时间里，我是一名情报官，有幸和非常出色的海军陆战队员、士兵、水兵、空军人员、指挥官，以及和我一起服役的优秀海军陆战队员共事。
Drew：我回头看其他人时，只会说自己太幸运了，竟然有机会做这些事。
Drew：后来我离开了海军陆战队，因为到了强制退休年龄。
Drew：之后我有机会去 JPMorgan 工作，在那里服务一段时间。
Drew：我有机会和 Jamie Dimon、Lori Beard 以及公司的各位业务 CEO 一起工作。
Drew：我的工作是帮助公司完成 AI 转型，我也有幸和一支规模很大的数据科学家团队一起工作。
Drew：我们还有一支很大的工程师团队，做出了不少很好的东西。
Drew：后来我又有机会回到加州，我就是在那里长大的。
Drew：很巧，我今天就在我们位于圣莫尼卡的办公室里。
Drew：现在我为 Walter Group，也就是 TWG AI 工作。
Drew：我有幸领导大约 120 名工程师和数据科学家，研究世界上一些最有意思的工作流。
Drew：它们可能没有我们在政府里做过的事情那么复杂，但资产管理、投资银行、保险、体育和票务周边的工作流都非常令人兴奋。
Drew：所以，这非常令人期待。
Craig：说到 TWG，现在谈这个也很及时，因为我们正处在一个扩大规模的阶段。
Craig：企业怎样扩大规模、怎样做成该做的事情，其中有很多问题。
Craig：我最近和很多人谈过这些问题。
Craig：不过，既然我对 Maven 很着迷，我们先回到 Maven。
Project Maven 与软件的地位
Craig：正如我刚才说的，我曾经邀请过 Jack Shanahan 和 Bob Work，后来因为世界转向了别的方向，我就没有再持续追踪 Maven。
Craig：但从那时起，Maven 似乎已经明显发展了。
Craig：它最初是一个无人机监视的计算机视觉项目，通过识别分析员可以检查的目标，帮助他们从几个小时的视频里找到对象。
Craig：后来它发展成了一个完整的战场管理系统。
Craig：现在我猜 Palantir 也参与其中。
Craig：或者说，我还没有完全理解。
Craig：Palantir 提供软件，而 Maven 仍然属于军方，但你能不能讲讲这个项目在你领导下是怎样发展的？
Craig：你现在怎么看它？
Craig：它是不是像最初看起来那样，仍然是军方 AI 转型的核心？
Drew：当然，我很愿意讲讲。
Drew：不过，这些内容很多都已经写在大量公开文献里了。
Drew：我在 2022 年离开政府，到现在也已经过了几年。
Craig：对。
Drew：但请记住，我们在政府里推动的那场革命，是把软件真正看成武器系统。
Drew：我这里说的「武器系统」，是指采购体系里的那个含义。
Drew：大多数人把软件当作一种商业工具，比如 Microsoft Office。
Drew：因此软件的地位被降低了，也不被认为很重要。
Drew：在很多圈子里，软件就是一群工程师做出来的东西，而且是免费的。
Drew：我的邮件是免费的。
Drew：我的很多 AI 也是免费的。
Drew：那为什么软件会这么麻烦？
Drew：我想回到坦克、第五代飞机、价值 50 亿美元的航母、步枪，或者其他硬件上。
Drew：因为那个世界我懂。
Drew：但我们的革命应该已经出现了，而且我认为它确实正在出现。
Drew：这场革命会有很多人接力完成。
Drew：我只是在那条船上划了一段时间。
Drew：能参与其中是巨大的荣誉和幸运。
Drew：但现在有很多人在非常努力地划，也有很多人在非常努力地工作。
Drew：软件不是免费的空气。
Drew：软件是战争如何被规划、思考、实施和赢得的关键部分。
Drew：坦率地说，软件是把那些非常昂贵的硬件带到应该去的位置、让它们完成任务的赋能能力。
Drew：它不能被随手放在一边，也不能被当成无关紧要的东西。
Drew：它必须被认真、谨慎地考虑。
Drew：这就是我们当时推动的事情。
Drew：Maven 的确做了计算机视觉工作，但那只是更大的软件系统中的一个组件。
Drew：检测、分类和推理，无论是文字、数字、视频还是静态图像，都是进入系统的数据流。
Drew：但最终它们必须落到人类面前，并以关键方式和人互动，帮助人做决定。
Drew：我们一直在构建的就是这个。
Drew：它不只是一个计算机视觉算法。
Drew：算法必须去某个地方。
Drew：它必须提供检测结果，也必须以人能够处理并采取行动的方式提供知识。
自主武器与人的责任
Craig：我想暂时离开这个主题，但我两个月前去过乌克兰，和一些人谈了他们无人机、尤其是军用无人机的发展状态。
Craig：我听到的一个结论是，尽管大家一直强调必须让人处在决策回路中，但实际情况已经转向让人处在回路之上。
Craig：很多人告诉我，他们距离完全自主的武器化无人机已经非常近了。
Craig：这些无人机可以在设定好的地理围栏区域里，自己寻找军事车辆或人员目标。
Craig：你认为这是不是世界总体正在走向的方向？
Craig：这项技术似乎已经基本解决了，当然，区分敌我仍然是一个问题。
Drew：自主系统对美国军方来说并不新鲜。
Craig：对。
Drew：我们有地雷。
Drew：有 Claymore 地雷。
Drew：我们把它们部署在关键区域，进行标记，也仔细绘制地图。
Drew：它们会自主触发。
Drew：有人碰到引线，地雷就会爆炸。
Drew：我们还有其他类似系统。
Drew：所以，这对我们来说并不是已知之外的东西。
Drew：美国军方和整个武装力量有一套长期传统，知道怎样理解这些平台，也知道怎样围绕它们建立规则。
Drew：这样我们才能在战争法框架下作战。
Drew：这套规则和《日内瓦公约》有关，它是在第一次世界大战及其造成的暴力之后形成的。
Drew：人类共同认识到，必须给冲突设定规则，因为我们不想再看到那样的战争。
Drew：乌克兰正在做的事情，显然处在战争技术的最前沿，我们所有人都在观察和研究。
Drew：我也在观察伊朗和其他冲突地区发生的事情。
Drew：我们看到有人在地理围栏区域里让这些东西飞行，然后观察会发生什么。
Drew：我非常相信我们的制度会给这类系统设定规则，并谨慎地运行它们。
Drew：但回到你关于指挥与控制系统的问题。
Drew：我们必须让人们明白，归根结底，人的确仍然在回路里。
Drew：有人会非常认真地思考这些问题。
Drew：我希望大家知道，战场上的指挥官要对那里发生的事情负责。
Drew：他会把战场上的一切带在身上，直到生命结束。
Drew：很多人离开过战场，而这些地方也是神圣的空间，因为那里有人失去了生命。
Drew：没有人会轻率地看待这些事。
Drew：我们都知道这是真实的事情。
Drew：只要活着，我们就会带着它生活，也会在夜里梦见它。
Drew：它会永远影响我们。
Drew：这些指挥官知道这一点，他们会主持这些冲突。
Drew：如果是乌克兰面对俄罗斯这样的生存性冲突，或者其他冲突，他们就必须做出决定。
Drew：他们要承担这些决定，也要接受战争法和现实条件的约束。
Drew：所以，不要让人以为这些事情会毫无缘由地发生。
Drew：它们发生可能是因为人手不足。
Drew：也可能是因为战场出现了关键时刻，必须解除武器限制。
Drew：也许某个区域已经被清理，确认那里没有平民。
Drew：但如果对手突然切换，让这些系统在纽约市里自主行动呢？
Drew：上帝保佑我们不要遇到那种情况。
Drew：这就是为什么我们必须建立预防措施，能够追踪和找到那些突然被放开的系统。
Drew：不过必须强调，这些是人的冲突，其中存在道德主体性。
Drew：人们要承担决定的后果。
Drew：乌克兰军官不是随手拨动一个技术开关。
Drew：他是在认真地做决定，也理解决定的后果。
从战场走向企业
Craig：好，我们转到 TWG AI，谈谈 AI 怎样在企业基础设施中扩大规模，尤其是软件栈对业务至关重要的企业。
Craig：你怎样把从 Maven 和 JPMorgan 学到的东西带到 TWG？
Craig：你现在面对的核心问题是什么？
Drew：我想，我们仍然是从软件这个元素开始的。
Drew：上世纪九十年代，我们发明了 Windows 系统。
Drew：Bill Gates 和他的团队带头做了非常了不起的事情，为美国经济、全球经济和整个世界带来了能够和计算机硬件交互的软件界面。
Drew：那是九十年代的创新。
Drew：我们都记得 Windows 95。
Drew：我们也都记得 WordPerfect 和 CorelDraw。
Drew：我们记得那些不同版本的软件。
Drew：后来，市场最终沉淀出三种关键软件：PowerPoint、Excel 和 Word。
Drew：问题是，我们用 PowerPoint、Word 和 Excel 运行企业已经太久了。
Drew：我给你举个例子。
Drew：我在伊拉克和阿富汗行动时，总是想不明白，我们为什么要用 PowerPoint 打仗。
Drew：为什么要用 Microsoft 邮件打仗。
Drew：为什么要用 Google Earth、Excel 和 Word 打仗。
Drew：情报和行动的载体，本来应该是一个国家全部力量的组合，最后却被压成一组 PowerPoint 幻灯片、一张 Excel 表和一份 Word 文件。
Drew：这些东西作为邮件附件被发到世界各地。
Drew：之后又被保存进无数个 Microsoft 文件夹。
Drew：这些文件夹的深度简直难以想象。
Drew：请想象一下，我们把世界上运行企业的最伟大发明拿到了战场上。
Drew：我记得自己在双子塔倒塌大约一个半月后踏上阿富汗战场的那一天。
Drew：我从 USS Iwo Jima 上把台式电脑带下来了。
Drew：不对，那艘船是 Bataan。
Drew：下一次部署时我才在 Iwo Jima 上。
Drew：那是最好的两栖攻击舰之一，LHD-5，一艘非常棒的两栖攻击舰。
Drew：我从船上的工作空间拿出台式电脑，把它带到阿富汗。
Drew：然后我作为情报官，和 3500 名海军陆战队员一起，用 Word、PowerPoint、Excel 和邮件完成任务。
Drew：这套方式在 2001 年或许还能接受。
Drew：但到了 2010 年就没那么能接受了。
Drew：2015 年呢？
Drew：2020 年呢？
Drew：2026 年呢？
Drew：把小方块在 PowerPoint 幻灯片上来回移动，已经不能接受了。
Drew：我想把同样的问题摆到商业世界。
Drew：企业用 Excel 做资产管理，把所有洞察埋在一张 Excel 表里，再把它归档进 Microsoft 文件夹系统和 SharePoint，这样做还合理吗？
Drew：因为当你把数据放进这些 Microsoft 产品，你实际上给它立了一块墓碑。
Drew：除非你能想起自己把信息保存在哪里，否则你永远找不回来。
Drew：所以，我们在政府里做的事情，包括 Project Maven，以及更早在 2011 年把 Palantir 部署到战场上，首先是在赫尔曼德省，然后从 Camp Leatherneck 扩展出去，就是说我们不想再用 Microsoft Office 打仗了。
Drew：这不是因为我们对 Microsoft 有意见。
Drew：问题是，它不是一个动态的、有生命的、能够呼吸的地方，无法让你重新检索信息。
Drew：那时我们每周会损失三到六名海军陆战队员。
Drew：我们还会损失数千万美元的资本设备。
Drew：大约还有一百人受伤，其中很多是重伤。
Drew：很多时候，原因之一就是我们被困在这些非常僵硬的 Microsoft 产品里。
Drew：我们想的是，为什么会这样？
Drew：我们需要重新找到这些信息，才能更好地作战。
Drew：这就开启了高级分析的工作，最终形成了今天大家理解的 Maven，也就是一个战场指挥与控制系统。
Drew：那我们在商业世界做什么？
Drew：我到了 JPMorgan，看到的仍然是邮件、Excel 表、PowerPoint 幻灯片、PDF，以及整个机构、整家公司所有人的脑力。
Drew：这些脑力被压缩成 PowerPoint、Excel 和 Word 文件。
Drew：然后被埋在层层文件夹里。
Drew：后来我们开始在 2022 年左右打开 AI。
Drew：没有人会忘记 2022 年 11 月 30 日，ChatGPT 3.5 出现在公众面前。
Drew：一切突然变得令人震撼。
Drew：那是计算机科学里值得记住的一天。
Drew：接下来的三年里，模型越来越好。
Drew：最近还有 Claude Opus 4.7、ChatGPT 5.5，Gemini 也是一样。
Drew：这些模型越来越强，推理能力强得不可思议。
Drew：它们可以在你 3000 张 Excel 表之间爬来爬去，试图弄清楚发生了什么。
Drew：但我们为什么还在 Excel 里？
Drew：我们需要进入一个数据全部在场的平台，让 AI 在数据上运行，并从长时间的推理层里生成新的数据层。
Drew：这就是我们的信息。
Drew：美国企业，东方正在向我们靠近。
Drew：他们没有 30 年的 Microsoft Office 历史。
Drew：他们直接进入平台。
Drew：他们不会生活在 Excel 表里。
Drew：他们把表格数据和非结构化数据一起放进平台，然后在上面进行推理，速度会比我们快得多。
Drew：我们必须离开九十年代，进入 AI 原生世界，让数据真正存在于平台里，让 AI 在数据之上持续运行。
Drew：如果你还需要 Excel，那就给你留一个安全出口，按一个按钮，把数据导出到 Excel。
Drew：但如果两三年后我们还在主要依赖 Excel，上帝保佑我们。
数据层、工作流与企业智能
Craig：我和很多解决不同部分问题的公司谈过。
Craig：现在特别是随着生成式技术出现，有编排层在管理不同模型和不同 Agent，把问题拆成子问题，再分配给不同系统。
Craig：还有可观测性层，负责确保整个系统按照预期运行，检测异常并自动缓解。
Craig：更底层则是数据平台。
Craig：企业不一定把所有数据集中在一个地方，但平台可以访问不同的数据孤岛，形成一个统一层。
Craig：TWG 在这套架构中位于哪里？
Craig：你们是在构建解决方案，还是在做咨询，帮助企业选择合适的技术栈？
Drew：这些我们都做。
Drew：我有一段使命宣言，来自我在五角大楼的七年、在 JPMorgan 的三年，以及在 TWG 一年半的经历。
Drew：我一直在完善自己的人生目标到底是什么。
Drew：当然，我有家庭，也敬拜我的上帝，也想帮助别人。
Drew：这些是最重要的事情。
Drew：但如果谈我想在世界上做什么，我的第一目标和在五角大楼时一样，就是让我们离开 PowerPoint，用这项技术去作战，不要降低软件的价值，也要理解它的重要性。
Drew：到了人生的这个阶段，我的第一目标是帮助企业。
Drew：坦率说，我非常担心东方正在发生的事情。
Drew：这不是夸张。
Drew：我想帮助那些拥有优秀资产负债表、出色知识产权的传统企业，在一个明确的时间段内变成 AI 原生企业。
Drew：这样它们才能在一个疯狂的世界里竞争，因为 AI 将在数据上运行，也将在整个市场上运行。
Drew：这件事如此重要，是因为我把现在的趋势叫作「知识产权液化」。
Drew：所有人都会使用最好的模型。
Drew：现在 Anthropic 似乎处在领先位置。
Drew：它们做出了非常优秀的模型，当然也伴随着关于安全和网络武器的各种争论。
Drew：但单看 4.7 的性能、推理能力，以及可以长时间运行、访问数据并完成任务的能力，我们都会感到震撼。
Drew：我们整夜都在使用 Claude Code，也在使用各种工具，对它们的能力感到惊讶。
Drew：客户也会使用这些工具。
Drew：当你作为一家公司去推销某个想法时，客户可能已经拥有同样的能力，因为大家使用的是同一批 AI。
Drew：我们会看到所有人集中在两三个模型和两三个主要工具集上。
Drew：剩下的差异化因素是数据。
Drew：但随着时间推移，连数据也可能被液化。
Drew：大家会问，我们到底有什么特别的？
Drew：我想提供的是：我可以让你的企业保持特别。
Drew：我会确保你的知识产权不会被液化，因为你没有把数据直接放进 AI 实验室提供的平台里。
Drew：那些平台可能会把你的洞察液化。
Drew：我会以安全的方式把数据带到模型上，保护你的知识产权，并帮助你在不到 36 个月的时间里成为 AI 原生企业。
Drew：我们可以拿出你原来公司最好的部分，和员工一起工作，最终开始一家新公司。
Drew：它仍然是原来的公司，但会以一个全新的实体出现。
Drew：我解释一下这看起来是什么样子。
Drew：假设你是一家投资银行，或者一家地区银行，或者一支体育队。
Drew：你可以选择经济中的任何行业。
Drew：你可能会想，我有很好的收入，我的资产负债表很好，我为社区做贡献，但我担心 AI 的未来对我的公司意味着什么。
Drew：很多人把未来想成聊天机器人，因为那是大家看到的东西。
Drew：你把一堆数据放进窗口，对话框发出提示词，然后返回一个完成结果。
Drew：你会看到非常神奇的事情。
Drew：现在你还可以使用 Claude Code，做一些代码生成，甚至搭建复杂的工作流。
Drew：于是你以为这就是 AI 对你的企业的样子，却不知道它怎样让收银机响起来，也不知道转型到底在哪里。
Drew：我想告诉你，这并不是 AI 原生企业未来最好的窗口。
Drew：未来真正重要的是工作流。
Drew：是那些对你的企业真正重要的事情。
Drew：我说的是你怎样通过客户互动把钱带进门，可能是销售团队，也可能是客户主动找上门。
Drew：你怎样重新想象这件事，让它变成另一种形态。
Drew：它会有新的互动形式，也会有新的获客方式和客户入职方式。
Drew：这个过程会更容易、更干净、更快。
Drew：客户进入之后，你交付的产品是什么？
Drew：你用什么工作流为每一个客户交付增值服务和差异化能力？
Drew：这些都是工作流。
Drew：现在其中很多工作流由邮件、PowerPoint、Excel 和大量电话组成。
Drew：你要用业务流程再造把这些工作流拆开，然后重新搭起来。
Drew：人仍然在其中。
Drew：但做事的方式已经完全不同。
Drew：每次模型发生变化，你都可以把新模型接进来，得到更大的能力，更有创造力地为客户解决问题。
Drew：企业最后还有对账工作。
Drew：提供服务之后，怎样收费，怎样收到钱？
Drew：所有后台工作也都有自己的工作流。
Drew：人们现在通常在 Excel、Word 和邮件里花无数小时做这些工作。
Drew：我们把这些流程重建。
Drew：最终，你会得到一个漂亮的数据层。
Drew：你会得到沿着工作流运行的 AI 用例。
Drew：你还会有一个 AI 层，每天早上 CEO 四点半起床、上跑步机之前，就告诉他企业运行得怎样。
Drew：你错过了这个机会。
Drew：这是你的资金流入和流出。
Drew：这些客户离开了你。
Drew：这些是你的新客户。
Drew：后台开票的情况是这样。
Drew：所有这些信息都会带着很多 AI 洞察来到 CEO 面前。
Drew：这就是把企业拆到只剩结构，再把它用 AI 原生的方式搭回来。
Drew：这就是我们帮助企业做的事情。
数据项目不是大迁移
Craig：你刚才提到的核心似乎是数据层。
Craig：也就是确保数据能被需要它的 Agent 或模型访问。
Craig：这是不是你们的重点？
Craig：你们是在自己构建平台，还是在建议企业选择哪个平台、怎样构建自己的平台？
Drew：数据层和平台都重要。
Drew：先从数据层说起。
Drew：我曾经是 JPMorgan 的首席数据官。
Drew：我要确保大家清楚，这不是数据迁移。
Drew：很多人经历过这样的项目：每周统计有多少 PB 数据进入云端某个数据湖。
Drew：最后得到的却是一堆沼泽。
Drew：数据必须针对它要服务的事情进行非常具体的调整。
Drew：所以我们总是主张以用例和工作流驱动的数据项目。
Drew：我解释一下。
Drew：假设目标是获得更多客户。
Drew：这是一个销售用例。
Drew：为了判断该向谁推介、怎样推介、怎样保持客户关系，你需要哪些数据？
Drew：假设你需要 20 组数据。
Drew：其中 14 组来自你付费购买的第三方数据，另外 6 组来自内部数据，比如账本、定价和其他记录。
Drew：我们只谈这些数据。
Drew：我们不谈所有数据。
Drew：我们谈的是完成这个结果所需的数据。
Drew：所以我们必须划定范围，不能把整个海洋都煮沸。
Drew：我们只做所需的数据。
Drew：数据目标确定后，我们通过数据集成把它带进来。
Drew：数据现在可用了，我们再建立工作流，让 AI 在上面运行。
Drew：但我们必须非常谨慎地定义数据，因为这不是一个大规模迁移项目。
Drew：我们只是在谈能够带来业务结果的数据。
Drew：其他数据仍然可以留在原处。
Drew：我不知道你后台还运行着什么，你可以继续保留那些数据。
Drew：但我们要聚焦业务结果。
Drew：再说平台。
Drew：我使用世界上最好的平台。
Drew：我的工程师在它上面构建。
Drew：它叫 Palantir Foundry 和 Palantir AIP。
Drew：我在这件事上有非常强的偏好。
Drew：我没有时间考虑其他方案。
Drew：它们不行。
Drew：它们没有足够的安全性，也没有内置的技术能力，正在落后。
Drew：这不是要建一个巨大的数据仓库。
Drew：当然，行和列很好，在 Foundry 里也可以做。
Drew：我和 Palantir 以及 Alex Karp 的团队建立了合作和合资关系，我使用的是世界上最好的平台。
Drew：没有什么比它更好。
Drew：我经常遇到外国企业，他们说想要一套属于自己国家、在本地原生的系统。
Drew：我会问，你们是在构建自己的 Microsoft Office 吗？
Drew：为什么要接下这个任务？
Drew：说真的，你们永远也赶不上。
Drew：它要花很长时间，最后还会落后。
Drew：这是为这个时代建立的平台。
Drew：它非常出色。
Drew：我们把这个平台的服务和能力放进合作企业的内部边界之中，保护数据。
Drew：然后由一百多名工程师和数据科学家在上面构建用例和工作流。
Drew：我们可以数周交付解决方案，数月交付生产级、正式可用的方案。
Drew：没有更好的方式了。
可观测性与系统集成
Craig：我想谈谈平台。
Craig：除了数据之外，可观测性也很重要。
Craig：我刚和一个人聊过，如果系统出了问题，却不能快速找到根因，就会浪费大量时间，问题还会不断叠加。
Craig：你们怎样处理可观测性？
Drew：可观测性被嵌入我们的解决方案里，就像它在 JPMorgan 和其他地方一样。
Drew：你要观察工作流。
Drew：所有受到监管的企业都知道怎样做这件事。
Drew：你要给工作流分级。
Drew：最关键的工作流，是一旦停止或表现变差，就会让你亏钱的流程。
Drew：另一端可能是后台流程，出了问题也许可以过一段时间再处理。
Drew：不是所有业务工作流都同等关键。
Drew：它们都重要，但不一定是最关键的。
Drew：我说的最关键，是会触发监管关注、让你损失严重资金、让你失去客户的流程。
Drew：对于这些流程，可观测性是嵌入的。
Drew：因为流程中有人最终要对通过与否负责，也要对结果是否发出去负责。
Drew：即使是直通处理，也有人观察自动化系统。
Drew：我们会持续测试，确保流程落到正确的位置。
Drew：我们还会在工作流周围搭建支架，确保它不会表现失常。
Drew：这些流程应该准确、稳定地运行。
Drew：我们还会围绕服务水平协议建立保障，确保系统按照设计运行。
Drew：坦率说，这些都在系统里。
Drew：可观测性和 AI 一直是一个话题。
Drew：在 Transformer 之前，人们就会问 CNN、RNN、XGBoost、梯度提升模型和随机森林是不是还在正常运行。
Drew：它们是不是开始表现失常？
Drew：模型有时并没有漂移。
Drew：真正变化的是模型吸收和识别的数据。
Drew：数据开始漂移，超出参数范围。
Drew：模型还是原来的模型，但它开始失去判断能力，因为它看到的不是熟悉的数据。
Drew：它原本以为数据会长成某个样子，后来数据开始移动。
Drew：模型继续运行，但结果走出了自己的性能边界。
Drew：所以我们要在数据入口放上传感器，确保数据没有发生这种变化。
Drew：如果变化了，系统就报警，我们需要快速修正模型。
Drew：到了 Transformer，问题变成幻觉。
Drew：我们会搭建大量支架，因为我们不希望模型的生成性带来不可控的结果。
Drew：我们需要确定性的结果，也就是一个真正可以依赖的结果。
Drew：我们不能让系统过度发挥创造力。
Drew：当然，也有一些场景需要大量创造力，我们会在边界内允许它。
Drew：但如果我们需要精确结果，就要搭建支架。
Drew：Palantir 平台能帮助我们做很多这类事情。
Craig：你说可观测性是嵌入的，是嵌入这些平台里，由平台读取所有内容吗？
Craig：大型系统里的信息太多了，单个人无法全部吸收。
Drew：在一些情况下，我们会让 AI 充当裁判。
Drew：我们会让三个 AI 同时处理一个问题。
Drew：它们的结论收敛，说明大家意见一致；它们意见不一致，就会报警。
Drew：在直通处理中，我们会放入检查，确认一切正常。
Drew：系统会有小灯提示，告诉我们数据在参数范围内，一切正常。
Drew：所以，是的，可观测性很重要。
Drew：这是行业的常规做法。
Drew：事实上，NIST 的 AI 风险管理框架里也包含可观测性原则。
Craig：所以你们实际上是系统集成商？这样说公平吗？
Drew：我认为我们不止于此。
Drew：再说一遍，我们的使命是帮助优秀的传统企业。
Drew：我说的传统不是贬义。
Drew：我是说那些真正厉害的企业，它们有优秀的资产负债表、优秀的 CEO 和优秀的知识产权。
Drew：它们会问，我怎样进入这个 AI 世界？
Drew：坦率说，现在这个市场还没有被真正服务好。
Drew：目前没有足够多的供应商，能帮助企业完成向 AI 原生的转型。
Drew：AI 实验室会推销企业解决方案，但企业把数据交给 AI 实验室时，心里多少有些不安。
Drew：没有人能给你完全清楚的零日数据保留政策。
Drew：大家不知道这些实验室到底会怎样使用数据。
Drew：它们正在竞速，因为自己在建设价值数万亿美元的数据中心。
Drew：所以模型发布得很快，企业会担心。
Drew：我知道 OpenAI 和 Anthropic 都投入了很多负责任的 AI 工作。
Drew：我不想以任何方式贬低它们。
Drew：但企业领导者把公司交给 AI 实验室，本身存在天然张力。
Drew：未来到底是 Anthropic 赢，还是 Gemini 赢？
Drew：也许最好的市场状态，是没有任何一家赢。
Drew：也许我们需要三四家，甚至更多家非常优秀的模型公司。
Drew：我更希望有中间状态，确保平台始终受到保护，知识产权不会被液化，也不会把企业的 DNA 扩散出去。
Drew：最糟糕的情况是，有一天客户在 Claude 上得到和我一样的答案。
Drew：我面对客户，试图提供差异化价值。
Drew：客户却说，我刚才用了同一个提示词，得到的也是同一个答案。
Drew：那里面可能有我的专有信息。
Drew：所有人都会非常生气。
Drew：所以，是的，我们不只是系统集成商。
Drew：我们要做的是像在纽约周六早晨带一位看不见路的老人穿过超市一样，牵着企业走过去。
Drew：纽约周六早晨的超市里人挤人。
Drew：我们要牵着公司穿过一条条过道，让它不要被购物车撞到，不要被到处跑的小孩撞到，也不要踩到掉在地上的哈密瓜然后滑倒。
Drew：我们要把企业带到它需要去的地方，帮助它变成适合自己的 AI 原生企业。
Drew：然后，我们会一起重新理解每一条工作流。
从旧流程里重新建造
Drew：假设有一条你一直不满意的工作流。
Drew：它现在被放在 Excel、Word、邮件和五万通电话里。
Drew：你想怎样把它拆掉？
Drew：我们先把它重新搭起来。
Drew：企业可能会说，还想更进一步。
Drew：我们就再搭一次。
Drew：企业再说，还没到位，看起来仍然像原来的东西，我想走得更远。
Drew：我们会对每家企业谨慎而有方法地重复这件事。
Drew：其中有一部分是咨询，因为需要有人牵着企业走过那座超市。
Drew：还有合规工作，包括数据使用委员会、AI 委员会和必要的管理机制。
Drew：企业还需要培训视频，让所有人都能跟上。
Drew：我们会很快做这些事情。
Drew：这不是一个要做十年的项目。
Drew：它应该在几个月内快速完成。
Drew：然后我们把 Palantir 放进来。
Drew：它像一艘壮观的宇宙飞船，进入企业内部之后，所有人都会非常兴奋。
Drew：我们把它放进企业自己的边界里，保护企业数据。
Drew：之后我们就能接入每一个模型。
Drew：新的模型一出现，就可以加入系统。
Drew：我们搭好支架，搭好工作流，再取得结果。
Drew：所以这既有咨询，也有工程和数据科学工作。
Drew：还有让每个人接受培训、变得安心的人力工作。
Drew：最后是高管监督。
Drew：你不能把 AI 拼成 CTO，也不能把 AI 拼成首席信息官。
Drew：AI 要由 CEO 和业务领导者来承担。
Drew：这正是我们在 Maven 里做过的事情。
Drew：我们没有去找首席信息官说要启动一个 AI 项目。
Drew：我们去找的是战士、指挥官和国防部长。
Drew：这不是一个应该被压缩到负责闪烁灯光的人那里去的项目。
Drew：因为这是一种新形式的劳动。
Drew：企业只要谨慎地走向 AI 原生，很快就会发现，token 消耗会等同于一名员工、一名团队成员的成本。
Drew：所以你最好把 token 花好。
Drew：因为你实际上是在烧掉别人的工资。
Drew：这是一种正在诞生的新劳动形式。
Drew：它不是一个只要技术团队把灯点亮、后台功能正常运行就结束的项目。
Drew：它属于 CEO，属于业务领导者。
Drew：把所有这些部分聚合起来，就是我们的工作。
CEO 的界面与 AI Officer
Craig：既然这样，它是不是应该放在 C-suite？
Craig：我和一些人谈过决策智能平台。
Craig：CEO 可以每天在办公室里私下使用它，先问一些看似愚蠢的问题，在向员工或董事会表达之前，先把问题想清楚。
Craig：你们说 AI 要由 CEO 负责，是不是也包括这个方面？
Craig：它是否真的应该放在 CEO 的桌面上？
Craig：另外，关于你们使用 Palantir Foundry，你们是在用它为每家公司构建具体方案，还是直接使用开箱即用的功能？
Drew：我们先回答 AI 由 CEO 负责这件事。
Drew：我本人没有亲眼见过，但我听说，五角大楼最高层领导的桌面上已经有这样的系统。
Drew：不过，它不是聊天机器人。
Drew：它是工作流，是世界上最复杂的工作流。
Drew：我说的是一套指挥与控制系统，能够反映空中、海上、地面、太空和网络力量。
Drew：所有这些都在一个界面里呈现，AI 贯穿其中。
Drew：这不是在 CEO 面前放一个 AI。
Drew：这是把企业按照企业自身的运行方式呈现给 CEO。
Drew：如果你做物流管理，它可能是一张地图。
Drew：如果你经营体育队，它可能完全是另一组信息，比如特许经营、球迷怎样进出体育场，是否会被堵在路上一个半小时。
Drew：你怎样招人？付多少钱？
Drew：如果你做资产管理，你会看到资金流入和流出，新资金、新客户和新证券入账情况。
Drew：如果你经营保险公司，你要知道承保人表现怎样，是否在亏钱，决定是否正确。
Drew：你还要知道新产品怎样，转化率怎样，营销预算是否花得太多，营销是否有效。
Drew：这些都是大量 AI 和数据科学的反映。
Drew：你需要构建一个界面，让 CEO 在十秒内看懂企业。
Drew：这是我们从战争中学到的东西。
Drew：经验和直觉结合起来，CEO 才能形成一幅清晰的企业图像，运用经验和直觉做出有信息支撑的业务决定。
Drew：你问到了 C-suite 在这里的位置。
Drew：现在企业里最具破坏性的事情，是任命 AI Officer。
Drew：我从没见过比这更糟糕的事。
Drew：我相信这些人本身都善意满满，也都是很好的人，有很好的家庭，家门外可能还挂着美国国旗。
Drew：我相信他们可能是世界上最优秀的人。
Drew：但他们坐在企业和 AI 之间。
Drew：这是灾难。
Drew：这个人可能从来没有真正为公司部署过生产级解决方案。
Drew：我对优秀工程师唯一的资格要求是：你有没有真正部署过东西？
Drew：过程怎样？
Drew：它进入生产了吗？
Drew：有人使用吗？
Drew：这是优秀工程师最关键的资格。
Drew：我会对 AI Officer 提出同样的问题。
Drew：你部署过什么？
Drew：什么东西真正有效？
Drew：过程怎样？
Drew：他们没有故事可讲，因为这些岗位很多是临时制造出来的职位。
Drew：CEO 任命 AI Officer，是因为他想在自己和工作之间放一个人。
Drew：这些人实际上可能阻挡了真正有价值的工作，也可能只挑自己喜欢的项目，或者依赖自己的直觉。
Drew：这是一场灾难。
Drew：AI 不能拼成 AI Officer。
Drew：AI 要由 CEO 负责。
Drew：CEO 可以有一个小团队，因为他没有时间处理所有事情。
Drew：但他必须拥有这件事，否则三年后会被击垮。
Drew：再回答你的 Palantir 问题。
Drew：它是一个平台，我们把它部署进去。
Drew：它有很多服务，也有完整的数据层，叫作 Ontology，可以把企业业务逻辑写进去。
Drew：我们在上面构建工作流。
Drew：数据进入带有业务逻辑的 Ontology，我们就可以把用例变成绿色状态，在几周内让它进入正式可用阶段。
Drew：再往上是 AIP 层，它允许我们为 AI 搭建支架，让这些用例和工作流都拥有 AI 能力。
中国竞争与 36 个月窗口
Craig：你一直强调你们工作的速度。
Craig：我也看过你谈中国竞争的内容。
Craig：大家当然都知道 AI 竞赛，也知道军事竞争。
Craig：但你认为，整个经济中的企业采用 AI，对保持对中国的领先很重要吗？
Craig：如果不采用，风险是什么？
Drew：中国是一个重商主义模式。
Drew：他们想把我们变成大豆、岩石、水泥原料、关键矿物和其他原材料的供应商。
Drew：然后他们把这些原材料变成产品，再卖回给我们。
Drew：这和 1840 年代、1850 年代的英国有点像。
Drew：他们把自己看成世界中心，而我们只是原材料供应商和商品消费者。
Drew：我说，这不是我想要的美国。
Drew：我不会待在他们的尾气里呼吸。
Drew：我们确实在竞争，因为那就是他们希望世界变成的样子。
Drew：他们希望自己成为中心，我们只负责供应原材料、购买成品。
Drew：这不是正确的方向。
Drew：阻止这种事情发生的唯一方式，是建立自己的护城河。
Drew：但护城河不能是监管护城河，因为那会摧毁经济的竞争力。
Drew：欧盟可能会这样做，设置很多规则，最后会变成灾难。
Drew：我们需要以竞争方式面对中国。
Drew：首先要照照镜子，承认自己正在落后。
Drew：他们采用 AI 的速度比我们快，因为他们从一开始就是 AI 原生的。
Drew：他们会做 AI 原生银行。
Drew：他们会做 AI 原生支付。
Drew：他们会做 AI 原生保险。
Drew：他们会更快地构建产品，因为我们太自满了。
Drew：我们有漂亮的现金流，觉得自己很舒服。
Drew：我们觉得监管框架会保护自己。
Drew：他们把产品推向市场只是时间问题。
Drew：当人们开始问「为什么我们没有这个」时，可能就太晚了。
Drew：所以，这场竞争要求我们照镜子，开始投资。
Drew：请尽量避开 AI Officer 这个中间人。
Drew：AI 不是 CTO，AI 是 CEO。
Drew：建立计划。
Drew：36 个月，AI 已经在那里。
Drew：建成 AI 原生企业，让公司准备好。
Craig：关于中国竞争，我成年后至少有一半时间在中国。
Craig：中国经济依然由国有部门主导，而国有部门在行动上出了名地慢。
Craig：现在发生的一切主要在私营部门。
Craig：从这个角度说，美国不是在中国面前有优势吗？
Drew：我会从两三个角度挑战这个判断。
Drew：至少在 AI 上，我不认为是这样。
Drew：没错，中国有中央指挥的经济模式。
Drew：但他们已经为电力做好准备，电力几乎是免费的。
Drew：他们也为 AI 做了准备，给了企业很大的监管空间。
Drew：他们几乎没有多少监管干预的空间限制。
Drew：他们是为了赢而来，而且没有什么能阻止他们。
Drew：他们会拿到芯片。
Drew：我们现在正在吃老本。
Drew：我们很舒服，因为我们觉得自己能做出最好的模型，模型在基准测试上也很优秀。
Drew：他们会通过各种不正当的技术和手段逆向工程这些模型。
Drew：目前我们处在一个很好的位置。
Drew：我们有很好的基础设施，毕竟数据中心就是我们发明的。
Drew：我们有许多优势。
Drew：但他们会高度关注采用和落地，把 AI 放进机器人和企业桌面。
Drew：他们是为了赢而来。
Drew：我认为我们拥有很多优势。
Drew：我们有优秀的人才，也有优秀的国家。
Drew：开放市场确实会带来惊人的技术和思想。
Drew：但关键是不要自满。
Drew：他们正在到来。
Drew：如果我们没有准备好，就会被吓一跳。
Craig：你是否知道 Jeff Ding？
Craig：我记不清他在哪所大学，可能在华盛顿特区。
Craig：他写过很多关于美国领先创新、中国领先扩散的内容。
Craig：他谈到把技术传播到整个经济里。
Craig：但看起来这件事现在发生得很快。
Craig：你说把企业变成 AI 原生企业，是不是 36 个月？
Drew：36 个月。
Craig：不转型的企业，会面对自己行业里的 AI 原生创业公司，而这些创业公司会把它们吃掉。
Craig：我在消费银行业已经看到一些这样的公司出现。
Craig：如果不谈中国竞争，只谈传统企业没有快速转型、因而要面对 AI 原生创业公司，你怎么看？
Drew：我认为这就是我们正在谈的事情。
Drew：我不知道哪一件事更糟，但我可以给出一个看法。
Drew：一整家公司失败，和少数人因为企业转向 AI 原生而失去工作，这是两种不同的代价。
Drew：对经济最糟糕的事情，是看到成千上万家公司被 AI 原生企业击垮、最后倒闭。
Craig：对。
AlphaGo 与企业的失去理解
Drew：我过去一直站在不对称优势的一边。
Drew：我在美国武装力量里服役，我们的国家和纳税人做出承诺：除非拥有世界上最好的技术，否则绝不进入战场。
Drew：所以，我经历过拥有第五代飞机、强大网络能力、Maven 智能系统、优秀火箭、导弹和无人机的军队。
Drew：在我们的心里，从来没有失败的可能。
Drew：政治上如何解决问题是另一回事。
Drew：但从少尉到上校，我一直享受着一支拥有巨大力量的不对称军队带来的优势。
Drew：我从来没有真正经历过没有这种力量、处在另一边是什么感觉。
Drew：但我知道有一段很棒的视频，叫 AlphaGo。
Drew：我相信你记得它。
Drew：在 Maven 早期，我们用它来震动国防部门。
Drew：那是李世石和 Google 的 AI AlphaGo 下围棋的经典对局。
Drew：这段视频的力量，不在于 AI 赢了。
Drew：AI 赢棋当然很酷，我们都会喜欢看。
Drew：真正有力量的是看李世石输棋。
Craig：对。
Drew：真正可怕的是站在另一边，看到自己的企业，在这里就是看到自己的围棋方式，被改变掉。
Drew：他曾经是世界上最好的棋手。
Drew：但他突然意识到，自己已经不知道这项游戏该怎么玩了。
Drew：因为这台电脑和它背后的 AI 已经重新发明了围棋。
Drew：他已经不再是一个棋手。
Craig：对。
Drew：我们绝不想作为一个国家站在那一边。
Drew：这就是我们的号召：赶快行动，不要让伟大的公司发生同样的事情。
结尾：退伍军人的经验
Craig：Drew，还有什么我没有问到、但你想谈的吗？
Drew：过去 21 到 22 年里，很多人从战争中走出来，现在正在把自己的经验带回经济。
Drew：退伍军人有很多东西可以贡献。
Drew：我们不是坏掉的玩具。
Drew：有些好心人想帮助我们，可能会因为我们经历过创伤而把我们看得很脆弱。
Drew：但我们依然非常有能力。
Drew：那些能够为经济做出最大贡献的退伍军人，可能正是我们这些亲眼见过冲突、见过技术的人。
Drew：我们可以把这些经验带回企业。
Drew：我希望大家更多地使用这些经验。
Drew：请去寻找你们企业里的退伍军人。
Drew：他们拥有巨大的经验，也有很多背景知识和很强的技术经验。
Drew：把这些人带进公司，让他们做自己擅长的事情。
Drew：他们可以帮助企业成长、建设和繁荣。
Craig：Drew，这次谈话非常精彩。
Craig：我很想再请你来一次，专门谈 Maven、算法战争、乌克兰，以及这些主题的不同侧面。
Craig：如果你愿意，我会再邀请你。
Craig：这次谈话非常有意思。
References
- 1Eye on AI 官方视频youtube.com
- 2TWG AI 官方主页twg.ai
Comments
Sign in to comment.