同一天同一个会场，三个人各讲一场：先在纸上写下不做什么，再算这条活派不派得出去，最后让 agent 去核昨晚的工单。
本期要点整理
这一期是 Practical AI 第 379 期，2026 年 11 月 5 日发布，全长 47:52，官方章节 16 段。12它是中西部 AI 峰会（Midwest AI Summit，2026 年 10 月 15 日，印第安纳波利斯）三场演讲的节选下集——上一期第 378 期是上集。三场都不是访谈，是讲者在台上讲自己机构里正在做的事；串场由克里斯·本森一个人完成，丹尼尔·怀特纳克是这届峰会的司仪。
一、唐·巴格（01:19–16:32）：建立 AI 信任——我们说了 yes 什么，又说了 no 什么
唐·巴格是国际差传机构（IMB）的创新与人工智能总监。他在 IMB 服务了 29 年，做过植堂，在墨西哥与中美洲带本土事工，长期做口传族群与圣经故事化；本科读会计，另有两个神学学位，没有计算机学位。2026 年 9 月，他因推动宣教创新获得 Missio Nexus 的 Excelerate 奖。34
先写宪章，再写代码。 四年前在伦敦，八个人关起门谈了两天，把「我们相信 AI 是什么、会做什么、不会做什么」写成一份宪章——那时 AI 还不是热词。他说这份文件的价值在于：它让团队知道什么是可能的，也让他们能不加思索地对某些请求说不。他给判断标准只有一句：能做，不等于该做。
说 yes 的那几件事。 起草与编辑、摘要与研究、翻译、培训材料与学习支持、内容生产，还有写代码（写代码永远有人在环里）。他给出的结果是：过去要几年、还要一堆并不真正懂需求的外包，现在自己一天做原型、几个月发产品。
说 no 的那五件事。 ① AI 在事工里以人的身份出现——只要有人以为自己在跟人说话，他们就不做；② 只由 AI 做出关于人的最终决定；③ 在人们不知情的情况下监控人；④ 高风险、高代价场景里的自主行动（他们有人在全世界服事）；⑤ 把灵魂关顾交给算法——不辅导、不祷告、不做牧养，AI 可以预备支持，但替代不了那个人。
案例一：心理咨询机器人。 有团队来找他：一群人急需辅导，当地一个辅导者都没有，能不能做一个 AI 当他们的辅导员。他不用纠结，因为答案四年前就写在纸上。对方反驳「需求这么大，有总比没有好」，他的回答是：如果做的是错的事，有可以比没有更糟。他也承认自己很想造这个东西——正因为先说过，才说得出口这个不。
案例二：Faithbot。 上线约一年半、约 250 万用户、没投过一分付费广告、全靠口碑，50 多种语言。它不是一个模型翻 51 遍：每种语言背后是一套不同的模型、语气与世界观，并且能识别用户从哪儿进来、自动切到那一套。第三版是他从丹佛飞成田的航班上写的，落地前已推到服务器、发布、把用户从旧版切了过来。
工具上线后他划的第二道线是：AI 不能祷告。他试新版时机器人主动提出替他祷告，他先觉得不错，随即觉得不对——AI 不会祷告，它只是在模仿训练数据；接下来一小时他把这个能力拆掉了。第三道线是把人指回人：用户里有很多正在受苦的人（被虐待、自伤、想自杀），遇到危机一律引向真人与危机中心；早期五千用户时他能亲自接手对话，250 万时不可能，于是改成大量抽检。它还明确不给医学诊断、不给理财建议，也不做成生意——不收费，靠愿意赞助的人维持，默认不存档、可匿名。
两条方法论。 第一，用信任评估，而不是用可行性评估：在一家非常保守、非常怕变的机构里，他靠一次次做出可信的决定把信任攒出来。第二，两个问题带走：凡事从「我们怎样才能」开始（他想当那个能列 52 条理由的人，哪怕 49 条最后不成立），以及现在就写下「我们永远不会做什么」。他最后说，边界不是刹车，是省下来的判断——有清单之后不用每次问该不该，在边界内反而更自由。
二、马克·雷（16:55–29:14）：AI 跑得很快，四个由你负责的决定
马克·雷是 Noblis 的副总裁兼首席信息官。Noblis 是一家服务联邦政府的非营利科学与技术机构；他在 Noblis 已经 19 年，做过副 CIO 与解决方案交付负责人，为公司的平台与网络安全服务拿到 FedRAMP 授权，两次获公司总裁奖。此前他在 AMS 与 Aspen Systems 做技术管理，弗吉尼亚大学计算机学士。56
他开场说 CIO、CTO 同行的共同感受：AI 在以光速前进，每次回头它都变了；同一个供应商，上个月一套说法，这个月功能更好、但又是另一套。他把变化讲成一句结构性的判断：过去是交出流程，现在是交出目标——传统做法是把业务问题变成流程、把做法写死；现在是把一个目标交给技术，围一圈护栏（他借用前面一场的说法叫「皮带」），让它自己产出结果。
决定一：派什么给它，就像派活给人。 两把尺子：回报——更好还是更省，两样都拿不到就不该放进 AI；风险——出错的概率多大、后果多重。没风险的那一侧（比如上网查资料）放手用；高风险那侧护栏要收到确定性规则。
决定二：它动手时，谁负责。 他的前提很硬：问责不能下放。人可以授权给人，但不能授权给 AI；RACI 里那个 A，往上追总得追到一个人。他给了四条线：
- 护住数据。 因为有大量联邦合规与安全要求，他们花一年挑出上千个数据集，最后收敛到约 115–120 个真正的数据集（不是数据文件），配了约 30 位数据管家，说清质量、时效、谁能看、谁不能看。他说人力与财务过去被训练成「数据在系统里、系统会保护它」，这套回答在 agent 时代不成立——必须有人拥有这份数据、懂这份数据。
- 验输出。 护栏是一层，输出质量是另一层。他拿 Excel 打比方：把 Excel 发给财务，他们就能自己写宏、写只有本团队会跑的流程——这很好，但谁管这些宏吐出来的东西？
- 盯住 agent 的行为。 全新的活，可它和管人是一回事：你怎么看员工在干什么，就怎么看 agent 在干什么，只是改成自动的。
- 担结果。 合同组一位入职不久的合同管理员，把二三十年老同事的经验做成系统，先跑一遍合同初审。这不是 IT 做的，是业务自己做的——那就得有人一直养着它。
决定三：你在制造哪一种技术债。 中央平台还是各部门自建，这是第一层；第二层更疼：他们曾让团队自建应用、互相分享，供应商一升级，老应用全不能用。他给三个上线前的问题：它依赖了什么？退得回去吗（成本与时间）？还有余量继续演进吗（token 贵不贵是一回事，团队还跑不跑得动是另一回事）。
他把自己这套收在德鲁克的一句话上：AI 什么都能做一点，也能产出一大堆；真正要判断的是值不值得产、代价是多少。这也是他开场说「四个决定」的落点。
三、达伦·泰利（30:33–46:38）：从照片到查询，能落地的 AI agent
达伦·泰利是 AeroCore Technologies 的高级数据分析经理，2024 年加入，此前在实验飞机试飞领域干了 14 年。AeroCore 用专利的成核泡沫（Nucleated Foam）清洗飞机发动机：清洗车上没有任何数字部件，全靠机械球阀和开关；美国 11 个主要机场有站点，日本、利雅得、巴西各一处，每年还在扩。他看洗前洗后的发动机性能数据，判断这一洗有没有用，再看长期趋势、做预测性维护、找机队里的坏苹果。7
他先解释为什么讲这两个案例：关于护栏和重要性的演讲很多，听完常常不知道从哪儿下手，所以他只讲他跟团队真做过的两件事。
案例一：数据进不来（text-to-SQL agent）。 会写 SQL 的人不多，也不能把数据库权限发给所有人——现在删数据太容易。结果就是分析师的瓶颈：请求到他这里，他拉数、并数、分析、发回，一周 40 小时全干这个；同一句「昨晚亚特兰大洗了多少台」，被不同的人问了 55 次。活还变成「变通方案蔓延」：全是 pandas 读 CSV 加 groupby 加地点筛选，Jupyter 里一格接一格，周末挑出有用的删掉其余，然后谁也拿不到。他自己的做法是三步：先给 agent 文件，它能回答所有工单问题；再接 MCP 直查数据库；最后放进 Teams——因为没人喜欢多一次登录。效果：一句人话问某个尾号的所有工单，它给出资料、实际跑的查询和结果；过去半小时到一小时的复杂问题现在几分钟，他现场那个特别复杂的三秒回来。领导不必每次都 ping 分析师，他和另一位分析师被腾出来做更大的报表、研究与实验。
他也解释了为什么不让模型直连数据库：直连也行，但他选了经过 AgentForge 加 MCP——既给了活干所需的访问，又把护栏留在中间。这是想清楚之后的选择，不是不会用更快的办法。
案例二：核验工单（视觉模型）。 夜里 7 点到凌晨 5 点，一晚在多个站点洗 15–30 台，一个站点最多 6 台，通常一名技师对一台发动机，边洗边在手机上录数据、控制注液量。现场没有人核对他的输入，半夜里 5087 长得很像 5078，手误就会发生；月底回头一看，台数不对、机型不对、数字不对。老办法是：在机身侧边架一块白板，画成假表单让操作员填，再拍飞机、拍发动机底下流出来的脏东西（他们叫 effluent），远程 QC 靠人看照片。同一个错反复出现：把 5078 记成 5087，第二天真的 5087 来了被当成重复工单删掉，月底才发现删掉的那台才是真的。
解法：每天早上 8:15，视觉模型扫过前一晚所有照片，跟 app 里填的信息比对——机身尾号的大字读得准，机尾顶部的小字也读得准；对得上就勾，对不上就发旗标给他，让真人去看。他专门讲了提示词：不许模型说「我认为这架飞机是……」，只准返回机号与那串数字，别的一概不要；为这一句，他和同事来回改到它肯照做。
结果超出预期：每天中午，前一天 24 小时所有站点（商用与军用）的工单连同旗标一起发给领导层；后来又扩到标异常程序——现场备注、烟雾事件、漏掉的循环、跨午夜算出 36 小时的工单。现在旗标只是记录与跟踪、团队逐条处理，正在做「必须由人闭环」的处置流程。最大的结果是：过去月底财务、数据、运营要坐在一起逐条核台数与账单，五六个工时；这个月没有错误工单，会直接取消。
下一步：让操作员少填、甚至不填，让视觉去取数据——从卡车、从照片、从别的办法；并用视觉检查清洗车上阀门、温度、压力的设定。那台车上没有任何电脑，他们不想把它变复杂。
克里斯最后收尾：把东西从想法做到日常使用，正是这里的听众在做的事；MIT 那份报告说 95% 的 AI 试点失败——看来只是需要更多达伦。
口径与核对
这一期的性质。 三场演讲的节选，不是访谈。讲者说的是自己机构里的事，数字与结论大多没有第三方复核；卡片右上角的戳说明这句话从哪来。图片只放本期最值得看的观点与金句，一卡一个；要点整理与逐句全文翻译只在正文。
已核对的部分。
- 三位讲者的职务、题目与机构，与峰会官方讲者页一致；头像是讲者页上的官方照片。
- IMB 成立于 1845 年，与唐·巴格说的「181 年」相符。
- Faithbot 确有其物8，IMB 于 2025 年 4 月上线，公开报道在 2026 年 4 月给出的口径是「英语超过 60 万人、不含另外 25 种语言」9；他在台上说「一年半约 250 万用户、50 多种语言」，这是七个月后、跨语种的口径，公开渠道没有对应文件。
- 马克·雷的履历（Noblis 19 年、副 CIO、FedRAMP 授权、两次总裁奖、弗吉尼亚大学计算机学士）取自 Noblis 官方领导层页；达伦·泰利的履历（2024 年加入、此前 14 年实验飞机试飞）取自峰会讲者页。
- AeroCore 的成核泡沫技术与「第 10,000 台发动机清洗」里程碑有官方与媒体记录。10
只有他这么说。 宪章的具体条款与那张 yes／no 清单、伦敦八人两天、丹佛飞成田的航班上写完第三版、数据集从上千收敛到 115–120 个与约 30 位数据管家、合同组自建初审系统、AeroCore 每天的 15–30 台与单站 6 台、8:15 的 agent 与中午的日报——这些都是现场口述，没有可核文件。
未定论。 马克开场说「四个决定」，官方章节只标了三段（派什么给它／谁负责／技术债）；他自己在「谁负责」下面讲了四条线（护数据、验输出、盯行为、担结果），把「盯行为」称作 third。四个决定的第四项究竟是哪一条，讲者没有明说，本册按他实际讲的顺序整理，不去替他补齐。
一处引用。 克里斯收尾提到的「95% 的 AI 试点失败」出自 MIT NANDA 2025 年 8 月的研究报告（常被 Fortune 等媒体引用），原文口径是「95% 的企业生成式 AI 试点没有带来可测量的回报」，样本为约 300 个公开部署、150 位受访者——不是「95% 的 AI 项目都失败」。11
逐句全文翻译
以下是整集逐句中文翻译，按节目原顺序，保留说话人标签（旁白／克里斯／唐／马克／达伦／广告），不压缩、不摘要、不删减。
旁白：欢迎来到《Practical AI》播客，我们在这里拆解人工智能在真实世界里的应用，以及它正在怎样改变我们生活、工作和创造的方式。我们的目标是让 AI 技术变得实用、高效，并且人人都用得上。无论你是开发者、企业负责人，还是只对技术背后的热闹感到好奇，你都来对地方了。记得在 LinkedIn、X 或 Blue Sky 上关注我们，以便及时收到新单集、幕后内容与 AI 洞察。更多内容可以在 practicalai.fm 了解。
旁白：节目现在开始。
克里斯：欢迎收听又一期《Practical AI》。我是联合主持人克里斯·本森。这一周，我们为你带来中西部 AI 峰会上的另外三位讲者。这三位讲者每天都在处理我们很多人也在面对的 AI 问题。他们是：来自国际差传机构的唐·巴格、来自 Noblis 的马克·雷，以及来自 AeroCore Technologies 的达伦·泰利。
克里斯：下周我会回到通常的形式，请一位嘉宾来。这周先请你听这三位。非常感谢。
克里斯：我想介绍我们的第一位讲者，唐·巴格。我认识唐尼很久了，他跟着我们一起走完了 Prediction Guard 的整段旅程。他把国际差传机构在 AI 这条路上的事工与采用带得怎么样，我印象非常深。他是国际差传机构的创新与人工智能总监。
克里斯：他有很多年在拉丁美洲和世界不同地方度过，落地的是扎根于口传与讲故事的策略。他要讲的是建立 AI 的信任：我们说了 yes 什么，又说了 no 什么。欢迎来自 IMB 的唐·巴格。
唐：谢谢。我认识丹有一段时间了。我第一次见丹，是在一个比今天小得多的会上，那场会也是他在主持——又是一场关于 AI 的会。那场会里，我是全场最笨的一个人，毫无疑问。
唐：我走进去的时候想，我大概不知道自己来的是什么场合。我可以说，如果不是因为丹在那场会上，以及后来我们又碰到的几场会——我们在伦敦一家酒店的大堂里画了一些东西——接下来你就看到，我们真的在做很多疯狂的事。所以，每一家在做 AI 的组织，最后都会撞上这样的问题：这件事我们该不该做？这就是我今天想分享的：我走过的这段路、我是谁，以及为什么站在这里讲话的是我这么个奇怪的人。我不是那种典型的 AI 讲者。
唐：通常站在这里的人，有计算机科学、数据科学或者物理学的学位；而我告诉各位，我本科读的是会计，另外还有两个神学学位。如果这让你意外，我觉得这应该让你受鼓舞。因为现实是，很久以来第一次——也许是有史以来第一次——普通人也能造出了不起的东西。我一直很兴奋地看到，我们机构拥抱 AI 的程度，是三年前我做梦都想不到的。
唐：问题在于，什么才是负责任的。所以我们要不断问很多人的问题是：这是不是对的事？责任这个问题，才是建立信任的那一问。在一家 181 年的机构里，如果你能证明你在建立信任、你在努力建立信任，他们对改变就会开放得多。
唐：差不多四年前——我讲讲我们是怎么开始的。差不多四年前，在我和丹在伦敦坐下来之前，我在伦敦还见了另外一群人，我们在看我们对 AI 的看法。我团队里有一个人刚读完数字伦理与计算机伦理的博士；那时 AI 还不是那么热的话题，但我们坐下来谈：我们对 AI 的看法是什么？我们会做什么、不会做什么？
唐：在我们写下第一行代码之前，先来做一份关于「我们相信 AI 是什么」的宪章。我们就这么做了。我们花了几天，八个人，把这份关于我们会拿 AI 做什么的共识敲了出来。
唐：回头看，那段时间影响了我们团队此后做的每一件事。因为它让我们知道什么是可能的，也让我们知道什么要说不——而且根本不用想。有好几次，有人来请我们做某些事，我们能够直接说：不，我们不认为 AI 应该做这个。
唐：大多数组织跳过的那场对话是：能做，不等于该做。所以我们非常认真地在看，我们对 AI 的信念到底是什么。我举几个我们说了会做、和不会做的例子。
唐：容易的那些是起草与编辑、摘要与研究。这些都是我们每个人都在做的事。翻译，我们用很多翻译工具，做得不错，也省下很多翻译的钱。培训材料、学习支持，以及内容。
唐：我们写代码，而且写代码的时候永远有人在环里。新产品发货的时间，从过去要几年、还要一堆并不真正懂我们需要什么的外包，变成我们自己一天做原型、几个月就发出一个很好的产品。
唐：我们说了不的那些事，对我们非常重要。第一，AI 在事工里以人的身份出现。我要说的是，任何时候只要有人以为自己在跟人说话，我们绝不想让 AI 冒充人在说话。第二，只由 AI 做出关于人的最终决定——我们绝不想看到。第三，在人们不知情的情况下监控人，这在我们周围到处都在发生，我们不认为我们该参与其中。第四，高风险、高代价场景里的自主行动。我们有人在全世界服事，我们要确保不会把关于这些的决定权交给 AI 自己去行使。
唐：最后，大概是我们说不说得最多的一条：把灵魂关顾交给算法。从我们的角度、从一个基督徒的角度，我不想让 AI 去承担牧养的责任。我不想让它做辅导，因为我真的认为人需要跟人互动。我们用 AI 大量帮忙筛选、帮忙鼓励人，但到了辅导人、与人分享这件事上，我们真的希望是人来做。我更喜欢把 AI 看成是把我解放出来、让我去做更多这样的事，而不是替代我去做。
唐：我为什么这么用力地守这条线？因为我们在写代码之前就把边界画好了。如果你还没想清楚你对 AI 的信念、AI 的本体是什么、你相信该怎么对待 AI、你允许它做什么，我挑战你先停下写代码、停下构建，至少花一点时间和一些人一起想清楚：你要做什么，你对 AI 的信念是什么。
唐：我不认为有很多人在做这件事。我不认为萨姆·奥尔特曼会花很多时间想「我们该拿 AI 做什么」这个问题。我也不认为埃隆·马斯克会想这个。我认为我们需要带头去做这件事。
唐：所以灵魂关顾这件事——牧养关怀、祷告、辅导、门徒训练、深层的人际关系、危机、跟正在危机里的人打交道——我们希望是人来做这些。AI 可以预备支持，但它真的替代不了那个人。
唐：有一次有人来找我，其中一个团队问我：嘿，我们有一个紧急的需求。有很多人真的需要辅导，但我们没有辅导者，没有办法让他们得到辅导。你能帮我们做一个 AI 聊天机器人，基本上就让它当他们的辅导员吗？
唐：我没有想很久，因为那个决定我们早就做过了。不行，这件事我们帮不了你；我把宪章给你看——我们那份 AI 宪章，我们对 AI 的信念。我把这个给他们看，他们还是反驳说：你不明白，需求太大了，有总比没有好。我的回答是：如果你做的是错的事，有可以比没有更糟。所以我们说了不，我们没有同意。
唐：他们可能还在做那件事，但我不会帮他们把这件事做成。所以我挑战各位去想清楚：你在做的时候，要对什么说 yes、对什么说 no。说不这件事很容易，因为那个「不」，早在那个人来找我帮忙之前就已经问过了。
唐：我跟各位承认，丹了解我，我出名的一件事就是跳上飞机、从这儿到那儿，路上把一个方案做出来。所以「做一个辅导员聊天机器人」这个想法，对我其实很有吸引力。我很容易那天晚上回家、一边看 Netflix 一边把它做出原型，第二天发过去说：嘿，我们做出来了，你觉得怎么样？但因为我们事先谈过，我才能说：不，这不是我们要做的事。
唐：第二个案例。去年我们做出来的一个工具，出乎意料——它上线大约一年半了，在一年半里大约有 250 万用户。我们没投过任何付费广告，全靠口碑，它叫 Faithbot，你可以在 faithbot.tools 找到它。我们在那个网站上为教会做了好几个工具。而 Faithbot 有点像我的一个尝试：造一个基督教的……
唐：一个聊天机器人，永远扎根在信仰里。它会从信仰的角度回答你的问题，扎根在对基督教信仰重要的东西上。我们把这个聊天机器人做出来，它就这么起来了，增长的幅度很惊人。
唐：它有 50 种语言。之前我们有过几个版本。第三版是我在一趟航班上写出来的——从丹佛飞成田。我上飞机的时候就想：这就是我要做的东西。我不睡了。我落地成田之前，它已经上线了：推到服务器上、发布、把人从旧的 Faithbot 切到新的 Faithbot。
唐：疯狂的是这个东西能做很多事。所以我们必须很早就做一些决定，其中一个例子是：我不想让 Faithbot 替人祷告。我第一次在飞机上玩它——我新做的那个版本——顺带说一句，是 51 种语言，每一种用一个不同的模型，每一种的 markdown 都不一样，每一种都是按照不同的世界观单独搭起来的，所以它不是一个东西在翻译，而是 51 个工具装进了一个工具；它知道你从哪儿进来，自动加载那一种语言和世界观。所以它真的很酷。
唐：但我在玩它的时候，它提出要为我祷告。我心想，那挺好啊；接着我意识到，这有点瘆人。AI 不能祷告。我为什么要让 AI 祷告？于是接下来一个小时，我在想办法把这个能力从它身上拆掉，让它不能这么做。
唐：所以 AI 并不是真的在祷告，它只是在模仿我们喂给它的训练数据。第二个决定点是：我们也不希望人们把所有需求都定义在一个算法里，所以我们想把人们指回到人那里去。所以我们是有意这么做的——当你用它的时候，它会试着把你连接到另一个人，尤其是当你撞上危机的时候。
唐：我们很早就学到一件事：用它的很多人，是正在挣扎的人、正在被虐待的人、正在自伤的人、正在想着结束自己生命的人。读到其中一些内容，我真的很震惊。因为它们被标记出来了，我会回去看，确认 AI 回应得好不好。我不知道他们是谁，但我能拿到数据，确认 AI 回应得好不好。
唐：所以我们把它做成这样：一旦出现这种情况，它一定会建议你、试着让你联系上另一个人，试着把你引向帮助；如果你不认识可以找的人，它可以推荐一些服务机构与危机中心。任何危急的情况也会通知到我，我可以跳进对话里，从 AI 手里接过来。
唐：有五千万用户的时候，这是完全做得到的；到 250 万用户的时候，就不可能了。所以我们做大量的检查。另外还有一些它不会越过的线——我要说，这对我们做的每一样东西都适用。
唐：我们让它知道，有些事是它不能做的。我们不希望它变得仇恨、胁迫或者辱虐，我们希望把这些工具做成能造就人、帮助人的样子。它也不会给你医学诊断。让我震惊的是，有多少人跑上去问它理财建议，某些地区尤其多。
唐：所以我们不给理财建议。我们就把它设定成会说：嘿，守住你擅长的那些事，不要去做你做不到、或者不该做的事。我很不想说这句话，但如果你那位牧师在用 AI 帮你写讲道，你也许该找一间更好的教会。可是在我跟人交流、在大学里教书的时候，我发现这比我原来以为的要普遍得多。
唐：所以它会明确地不做这件事，它还会反过来跟你讲一通，说你本来不该这么做。最后，它不是拿来卖的。我们没打算靠它赚钱，这些产品我们不收费。我们靠那些喜欢它的人——他们说，嘿，我想赞助它。我们就是这样撑下来的。
唐：这也意味着我们得不断重建，让它越来越便宜。我们在数据上很小心。起初我什么都不存档，你一登出就没了。但很多人想回去看，因为他们习惯了 ChatGPT，想回去翻自己以前的对话。所以我们做成这样：你想登录可以登录，但你不必登录；你随时可以保持匿名，而且可以自己选择一直匿名。
唐：最后几点。我要说，你应该用信任来评估，而不只是用可行性来评估。也就是说，在你选择要做什么的时候，你要去评估：这件事会被你一起工作的人怎么接。我们之所以能在一家非常保守、非常老、非常抗拒风险与改变的机构里建立起信任，是因为我们一次又一次证明，我们做的是非常好、非常可信的决定。所以我们很努力地在组织内部建立信任。不管你是要在自己的组织里做事，还是要把 AI 产品卖给别人，和人建立这种信任都非常重要。
唐：所以我留两个问题给各位。第一，当你在看要不要做 AI、问自己「哪些事我们会做、哪些不会做」的时候，永远从「我们怎样才能」开始。不要从……世界上有两种人：有些人是「你做不成这件事的 50 个理由」；我大概是另一种人，会给你「你能做成这件事的 52 个理由」。永远做那种人，哪怕那 52 条里有 49 条最后不成立。要积极，要去试着做。
唐：然后我想留给各位的最后一件事是：我们永远不会做什么？这件事要早做决定。这些就是我们绝对不做的事。我一点都不在乎 ChatGPT 是不是出了这个新功能、Grok 是不是出了那个新东西。我们不会去那里，因为我不认为这是我们应该用 AI 去做的事。
唐：最后，我其实发现，这些限制、这些清晰的边界，反而把我解放出来，让我能做得比以前多得多。我手上有一套准则，写着哪些事我们会做、哪些不会做。只要我待在这些边界里面，反而比以前自由得多——以前我总是在想：这个该不该做？我们能不能做？谢谢。
克里斯：好，谢谢。非常感谢你，唐尼。这是一个非常好的开场。我可以作证：第一，唐尼经常在飞机上，比我所能想象的还要多；第二，每次有航班，我就会收到一条很酷的消息——嘿，看看我做了什么——这真的很让人兴奋。所以，这是今天一个很好的开始。
克里斯：我很高兴介绍下一位讲者，马克·雷。他是 Noblis 的副总裁兼首席信息官。Noblis 是一家服务联邦政府的科学与技术组织，他负责领导 IT 战略与交付，让基础设施保持安全与韧性。我有幸和 Noblis 的很多人打过交道，也在某些方面跟他们合作过；能和马克一起站在白板前，是件很棒的事。
克里斯：这是我最喜欢的事——问出好问题。他要跟我们讲的是：当 AI 跑得这么快的时候，你怎么给自己定位，以及你真正要做的决定是什么。我们都处在一个 AI 跑得比我们跟得上的环境里，我很高兴马克来这里讲这件事。欢迎，马克。
马克：谢谢。我很喜欢「皮带」这个概念，它很棒。作为一个 CIO，我想把它再往上提一个层次。我有四个决定想讲一讲，而它真的要从一件事说起：当我跟同为 CIO、CTO 的人聊天时，我们都说，AI 在以光速前进。
马克：每次一转身，它就不一样了，它在演进。我一个月见一个供应商，下个月他的说法就变了，功能也不一样了。它们都更好了，但都不一样了。所以从一个 CIO 的角度看，这真的很难管。
马克：而我觉得它难，是因为传统上，我们有一个业务问题、有流程、有职能，然后把怎么解决写死。现在我们处在这样一种处境：我们把一个目标交给技术，给它围上护栏——或者说给它系上皮带——让它自己跑出去产出一个结果。这很吓人，而我认为它完全改变了你看这件事的方式。
马克：所以我想讲的，是四个我认为非常关键的问题或决定。它比前面几场稍微高一个层级，讲的是你该怎么在整个组织里看 AI。
马克：第一个决定，其实是我该把什么交给 AI？我的前提是这样：把活动交给一个自动化系统，这件事跟我们做了很多年的一件事非常像——管理人的时候，我们也必须把活交出去。我的前提是：当你站在 ChatGPT 或者别的工具面前，或者你在决定要不要做一个系统的时候，你要决定的是，你要把什么东西交给这个 AI，以及你要给它多长的皮带。
马克：我认为这件事有两个维度。一个是你能从中得到什么回报，另一个是风险。回报这一侧，你要的是更好的结果，或者更高的效率。如果这两样你一样都拿不到，你真的不该把它放进 AI。然后风险这一侧的问题是：有没有出错的风险？出错的风险有多大？或者出错的风险很小？而出错的后果是什么？
马克：所以，把这件事再往前推一步，你可以这样看：如果结果更好、做的负担更轻，那就是明确的收益。但接下来要问的是：拿到这个收益的过程里有没有风险，你要怎么处理它？如果完全没有风险，比如我上网查一些东西，那就落在左下角那个位置。
马克：右上角那个区域，是你可能……你可能得把护栏收得非常紧的地方。前面海蒂讲过一个点，说有些护栏是确定性护栏；我认为确定性护栏就落在……或者就落在左下角那一格，也就是事情发生风险很高的那一侧。
马克：所以第一个想法是：你派活的时候，把每一件事都当成你在给你的员工派活。他们会犯错，但你想要控制这些错误，你想要让它们保持平衡。你想给你派出去的东西系上皮带。我发现这是一个很好用的框架，帮你判断这条皮带要拴多长，也帮你判断 AI 该放在哪儿、你在哪儿能拿到最大的价值。
马克：下一个领域，其实是「AI 动手的时候，谁负责」。这是很多组织过度简化了的地方。第一个前提是：问责不能下放。人可以把问责授权给另一个人，但对 AI，我们不应该下放问责。所以在 RACI 图里往上追，那个 A 所在的位置，永远需要有一个人。
马克：有四个领域我认为这件事很重要，它大致覆盖了整个面。第一个是保护数据。在我们组织里做的一件事是——因为我们面对大量来自联邦政府不同机构的合规要求与安全要求——我们实际上花了去年一整年，找出了一千多个我们认为相关的数据集。我不认为我们全都找齐了，但我们开始了。
马克：然后我们指定了一个数据存储，指定了一个拥有它的人——他负责理解这份数据是什么、质量怎么样、时效怎么样，还要负责：它该怎么被保护？谁能看，谁不能看？如果你没有这个……我是说……这件事里还冒出来一个情况：即便是那些你知道他们知道自己拥有数据的人，我们的人力部门、我们的财务部门，他们被训练得太久了，会说：数据在会计系统里，或者数据在人力系统里，系统会保护它。好，当你走向 agentic AI 和这些工具的时候，你不能再活在那样的世界里了。你必须有一个拥有这份数据、也懂这份数据的人。
马克：那一年做完，我们最后收敛到大概一百、一百一十五、一百二十个数据集。这些不是数据文件，这些是信息的数据集——表格，甚至是报告，是对我们业务运营至关重要的东西。我们为它们配了大概 30 位数据管家。但那是第一条线。
马克：第二条是整个「验证输出」的概念。你可以给它加护栏，但取决于你派出去的是什么、出错的风险有多大，这里有一整套数据输出质量的工作。而且我认为，当你在看它是一个平台还是一个集中式工具的时候，要问：谁在检查数据质量？回到平台与企业系统这个对比，我喜欢用的类比是：这个东西我们已经共存很多年了。前面有人提到 Lotus 1-2-3，我年纪够大，还记得它；而 Excel 是一个部署到我们所有员工和财务团队手里的平台。
马克：它真的很像……对我来说，它就相当于 AI。在 Lotus 1-2-3 和 Excel 之前，没有工具能像我们现在这样处理数字、做运算。那改变了世界。我看 AI 也在做同样的事，就「把它推出去」这一点来说。
马克：但如果你把 Excel 和集中式的 Power BI 工具相比——后者有结构化的报表——当你把一张 Excel 表交给财务团队，他们现在就能自己写宏，能搭出只有他们自己、只有他们团队知道怎么跑的东西。那么……但……那谁在管这个？谁在管输出？你没办法集中管理那种分散的资源。
马克：第三，我觉得伊冯也提到过，是监控 agent 的行为。你必须盯着它们，这完全是个新概念。但从管理员工的工作这件事上，我们本来就知道怎么做。
马克：就像，你怎么把用了很多年的那条原则，用自动化的方式重新想一遍，以及它该用在哪里？最后一个领域，又回到我刚才 Excel 那个例子里：谁为结果负责？我们有个团队，合同团队里有 20 位合同管理员。一位入职不久的合同管理员做了一个应用，把所有……
马克：他去把每位二三十年经验的合同管理员脑子里的东西都收集起来，做了一个系统，先跑一遍合同的初审。这不是我们 IT 部门做的，是他们自己的组里做的。这东西必须被管理和维护。你怎么让这件事持续下去？所以这里有一个业务侧的所有权问题，要把它盯住。再次，我喜欢用 Excel 的类比：至少在财务部门，他们明白那些宏是他们自己的。
马克：最后一个领域，是另一个我认为很多人没在谈、但 CIO 们非常担心的地方，因为它的代价很高。问题是：你在制造什么样的技术债？而这是一种全新类型的技术债。它的第一层来自集中式平台还是分散式平台——也就是我刚才讲的，各部门自己建应用那件事。这是第一块。
马克：但第二块，我自己经历过：我们推过一些工具，让各个团队自己去做应用、互相分享。结果怎么样？供应商一改这个工具，我们升到下一个版本，所有旧的应用都没法转换过来。所以，当你推出一项技术的时候——不管它是一个控制面层的工具，还是一个用户界面的应用，或者技术栈里的任何东西——这里都有一层要考虑的东西：技术栈还在演进，你用的数据也在演进。所以有更多要担心的地方：它关联了哪些数据依赖、哪些其他系统、交付价值链上的哪些东西。
马克：然后是第二块：知道了这些之后，你能把它倒回去吗？倒回去的代价是什么？实际成本、时间，等等。最后一块，我认为每一家组织都开始撞上了：你有继续演进的能力吗？很多人谈过 token 的成本——我做一个东西，它会不会贵到我拿不回价值？但另一点是，假设技术变了，我需要换成别的东西；那个集中式的 IT 团队，或者那个被借力的分散团队，他们有没有能力把已经部署的东西继续跑下去？在一个快速变化的环境里，这大概是最难回答的问题。
马克：这就是我手上的四个。我只想用一句话收尾。这是对德鲁克那个管理主题的改写：AI 能做很多事情，它也能产出很多东西；但真正的问题是，你怎么判断前面那四个决定——它值不值得产出，以及产出的代价是多少。谢谢。
克里斯：非常感谢你，马克。谢谢。用现代的工具去调用一个模型、做你的第一个 agent 去做一件基础的任务，可以非常容易。但做出一个 agent，把它接到它需要访问的所有系统上，让它持续在组织里交付真实的 ROI，那完全是另一回事。这就是为什么我很喜欢 SerpAPI 正在做的事，也是为什么我过去用它，把有价值的资源接到我的 agent 上。
广告：SerpAPI 处理了这些复杂性，把搜索结果作为结构化数据交给你的应用使用——不管是来自 Google、必应、亚马逊、沃尔玛、YouTube，还是几百个其他 API。他们还有内建的企业级安全与合规：SOC 2 Type II、SOC 3，以及 ISO 27001 认证，对于那些安全与合规很重要的组织来说，这是一个很强的选择。我鼓励你访问 serpapi.com/practicalai，免费开始使用 SerpAPI，每月还有 250 次搜索。那就是 serpapi.com/practicalai。
克里斯：接下来我们有……我很期待听到来自 AeroCore 的达伦讲的这种故事与旅程。达伦是 AeroCore Technologies 的高级数据分析经理，这家公司就在我们这一带，但它有一项了不起的技术：在全世界给飞机发动机做清洗。他们确实在全世界做这件事。
克里斯：所以有意思的是，达伦实际把 agent 落到了他们的组织里——组织里大多数人并不在建这些 agent，但确实从这些 agent 能整理出来的洞察里受益，从这些清洗数据、工单以及其他来自世界各地的信息里受益。所以这非常实用，我鼓励二位当然要听，但也在他讲完之后跟达伦联系一下，跟进这条真的很实在的路。欢迎达伦。
达伦：好，来了。是的，我叫达伦·泰利。我是一家叫 AeroCore Technologies 的公司的高级数据分析经理。
达伦：正如丹尼尔讲的，我们洗飞机发动机。在一个数字化的世界里，我们是一家极其「模拟」的公司：清洗车上根本没有任何数字部件。所以我的工作，是把数字世界的一点点东西带进我们公司。而正如丹尼尔说得那么漂亮，我们在全世界都有业务。
达伦：对吧？我们在美国主要机场大约有 11 个国内站点。我们开始往国际和海外部署：日本的站点、利雅得的站点，还有巴西的。随着我们的技术真的在成长，这个扩张每年都在增加——尤其是现在燃油价格在涨，这一点没人能否认。
达伦：所以这意味着你的机票也在涨，而我们在尽我们所能去抵消它。简单说一下我们在做什么，因为这是一个非常细分的行业——再说一次，我们洗飞机发动机。我们用的是专利的成核泡沫技术，让它渗进并清洗飞机发动机的内部。对吧？这些发动机内部会积很多碳、很多污垢。
达伦：我们的工作，是分多个循环进去，把这些东西清出来。这延伸到我在做的事：我看清洗前和清洗后的发动机性能数据，判断这次清洗本身有没有效；同时看长期趋势、看预测性维护这一类的东西，把机队里那些「坏苹果」找出来，判断我们怎么能帮到这些大的运营方。就像丹尼尔说的，这是一个非常实用的分享。这是我过去一年真做过的事。
达伦：我觉得这种分享很符合今天这个场合。有太多人讲怎么做、讲护栏、讲那些东西有多重要。但我认为，有时候你听完走出来会想：好，那我能做什么？我怎么把它用到我的公司里？
达伦：我带走什么？所以我要给你们两个非常、非常清楚的例子，说明我自己和我的团队做了什么，用 AI 把更好的信息和更好的数据带给我们团队的其他同事去做决策。先说第一个。
达伦：我们最大的挑战是拿到数据。就像我说的，我们是一家身处数字世界的模拟公司。我们怎么把信息及时地送到关键决策者手里，让他们能做出决策？另一个是工单核验，我会多讲一点这个。那是一个很微妙的问题，但我觉得它可能比第一部分更有意思。
达伦：先说数据入口。现在还有谁每天都写 SQL 吗？有。这比我预想的多。再说一次，模拟公司、数字世界，会写 SQL 的人不多。大多数人没有数据库访问权限，这是有意的——现在删数据太容易了。但接下来就产生了我们所说的「分析师瓶颈」：请求到我这里，我得进去取数、合并数据、分析数据、把结果发出去。
达伦：我们一周花 40 个小时干这个，长期增长没做、额外的任务没做、研究没做。我们做的全部事情，就是回答「昨晚亚特兰大洗了多少台」——回答 55 次，给不同的员工。
达伦：而这又带来了另一个很好听的词：「变通方案蔓延」。它的意思基本上就是——因为我的头衔里，你也听到了，没有「开发」，没有「SQL 人员」——所有这些最后都变成 pandas 读 CSV，加 groupby、加地点筛选。对吧？
达伦：这些东西会变得非常复杂。你去看我的 Jupyter notebook，会看到一格接一格的单元格，全是我那一周不得不做的各种临时取数。到了周末，判断哪些重要，把其它的都删掉。然后这些东西就被分散掉了，别人拿不到，对谁都没用。
达伦：这些大致就是我们在数据上面对的所有挑战。还要提一句：我们的数据分析组，就是我和另外一位同事。所以这时候丹尼尔带着他那个大玩具来了。第一个——AgentForge 对我们的意义是……它真的是我们能把这些工具部署出去的一个关键。
达伦：第一个想法——好，如果我直接把一个文件给 agent，它大概就能告诉我过去一周、一个月、一年所有工单的答案。那好，然后有了 MCP 服务器。好，酷，那我现在可以直接查数据库了。可你还是得进 AgentForge，还是得进去把信息取出来。没人喜欢多一次登录，对吧？那真的很难。
达伦：砰，现在你可以把它放进 Teams。我手机已经炸了三四次了——都是同事在用我们放进 Teams 的那个 agent 去拿信息。所以那种能力就是：用一句非常简单的文字提问。比如，有多少……我忘了我放在上面的是哪一句了。哦对：「把这个尾号的所有工单返回给我」。出了个问题，发生了点事。
达伦：好，这是全部信息，这是实际跑的查询，这是结果。对我们团队来说，能进去、找到那段历史，真的非常好。
达伦：对吧？历史永远是最重要的部分。我们走过那么多不同的系统，才能看到那架飞机上的所有工单：什么时候做的、谁做的、在哪儿做的，然后显然还有我们从每一次清洗里采集到的全部技术数据。这些东西一搬进 Teams，采用率非常高。所有人都在用，一直在用，从分析数据里能看到它被点了很多次，这很棒。
达伦：它真的减轻了我们分析团队的负担，让他们能去做对公司更有益的事。过去要花 30 分钟、一个小时，或者一周里更复杂的东西，现在这个系统几分钟就做完。如果你给它一个真的非常复杂的问题，这个大概三秒就回来了。所以它在把决策者需要的信息交到他们手上这件事上，做得非常、非常好。
达伦：所以，对，最重要的那个词是：自助。对吧？让决策者拿到他们特别需要的那条信息，让领导层不必每次有问题就来 ping 我；同时也把我和另一位分析师解放出来，能去做更大的项目、不同类型的项目——更大的报表、更大的研究项目、在我们数据上做更大的实验。这些事有多重要，我们以前是真的挤不出时间去做，现在能去做了。
达伦：所以那算是比较简单的一端。我知道现在有很多人能直接把 Claude 接到你的数据上，用各种不同的方式。我们谈了很多护栏和 safeguards 这一类的东西。我们认为，通过 AgentForge 配 MCP 服务器来做，提供了这些护栏，同时也给了你必需的那种访问权限。
达伦：现在讲更有意思的那个。这就是我们说的「工单核验」。希望你们大多数人没有在机场过过夜；但如果你有过，那就是所有维护发生的时候。
达伦：那些人就在每一架飞机旁边做大量的活，包括我们团队的人——他们从晚上 7 点左右上到凌晨 5 点左右，在飞机上做发动机清洗。我们一晚上在不同的站点总共做，比如说，15 到 30 台清洗。在某个站点，一晚大概能做 6 台。通常是一个技师在外面，给那一台发动机做清洗。他拿着手机，努力把我们要的数据都采齐，把要收集的信息都写下来，同时还要确保泵进发动机的液体量是对的。
达伦：现场没有人去校验他输入的东西——他的或者她的输入，抱歉。所以错误会发生，胖手指会发生。半夜里，5087 看起来跟 5078 很像。这是会发生的。
达伦：但当它月底回来的时候：台数不对、机型不对、数字不对。那里发生了什么？我们长期以来有一套做法，用操作员每晚必须提交的这些照片——就是右上角那张图里前三个那种：一块我们架在侧边的白板，充当一张他们必须填的假表单，外加拍一张飞机的照片，再拍一些其他东西——我们叫它 effluent，就是发动机底部流出来的那些脏东西。就是最后那张图。如果你有兴趣，我之后很想跟你聊这个。
达伦：但我们的关键，是每晚远程核验那张工单和这次清洗。所以，我们的挑战是这样，我们为它想出来的解法是这样。另一面是：我们本来就有一套质量控制计划，让别人根据照片、远程看，来核验工单——别的站点的负责人、别的专业人员。我们慢慢注意到，同样的错误一遍又一遍地在犯。
达伦：就是我刚刚描述的那个场景：有人看到五零七八，以为它是五零八七，就登进去了。等第二天五零八七来了，就会被标出来，你会想：我们不是刚做过这一台吗？为什么它又来了？哦，这是一张重复的工单，好，删掉。
达伦：到了月底：不对。那一台是真的，另一台是错的。我们怎么修这个问题？所以这就是视觉模型进来的地方。很幸运，因为我们在 AgentForge 上的使用，也因为跟丹尼尔的一些合作——这里要大大感谢莎伦，她真的帮我把它建起来、部署出去。
达伦：班组拍那些照片，他们把照片上传到我们让他们用来生成工单的那个 Power App 里。每天早上 8:15，agent 进去，扫描所有照片，跟填进 app 里的信息做核对。你知道，最好的地方是：那些尾号的数字，是很大地写在飞机侧面的，视觉模型读得相当好。它其实也相当擅长读机尾顶部那个很小的数字——当我们需要的时候。
达伦：所以视觉模型进去，看那架飞机，把它识别出来，返回。如果跟 app 里输入的一致，就把它勾掉；如果不一致，就返回一个旗标。
达伦：那个旗标发给我，说：嘿，这张工单有问题，请派人——一个人——去看看到底怎么回事。有时候是照片拍错了；有时候是云、是夜里太黑、照片不好，诸如此类。比对、标记。
达伦：那就是我写的提示词，一字不差。莎伦也帮了我。但回到我前面说的：我改了多少次、简化了多少次这句话，确保它不会说「我认为这架飞机是某某某」。我说：不。你要返回 n 和这些数字，就这样。为了让它正确，我们来回争了多少次。
达伦：但结果……这件事非常成功。成功到它已经……它每天早上发出去，中午发到领导层手里，列出过去 24 小时每个站点做过的所有工单，商业的和军方的都有。它还接着被扩展去标其他的异常流程，或者其他输入——操作员填进 app 里的文字，比如说：好，我遇到了这个问题。
达伦：我们绕过了它，我们修好了，但我要让所有人都知道，这次清洗期间我们遇到了这个问题。或者像这样的：我们按操作员的要求做了一次排烟除味处理；或者我们漏了一个循环、漏了一次清洗。所有这些信息都收集起来。agent 现在也会看这些备注，把跟排烟事件有关的标出来，把跟异常流程有关的标出来，然后再做一大堆别的检查。
达伦：对吧？我们发现，人类 QC 在核验这些工单的时候，同样的事情一遍又一遍地被漏掉。你知道，我们是在半夜工作；工单跨过午夜的时候会出现一些奇怪的情况，突然之间工单变成 36 小时，你会想：不对，这大概不可能是真的，大概是 4 小时，只是跨了午夜。这事怎么发生的？所以这些类型的东西都要查。所以，就像我说的，非常成功，扩展到了所有工单。
达伦：旗标目前只是设置和跟踪，团队按需逐条处理。我们正在做一套处置系统。所以以后这些旗标就需要人来处理：进去检查，要么确认它是真的、把问题修掉，要么说它其实根本不是问题。
达伦：这件事最大的结果，我认为是……一个操作上的变化。就像上一场讲到的，那场很棒——你的 AI agent 该放在哪儿。这两件事里，工作量大减，结果更好。
达伦：通常到了月底，我们会有一场财务、数据、运营之间的大会，说：好，我们把清洗台数核对一下，把所有工单都确认成我们以为的样子，所有账单都正确地开给客户。这个月我们把那场会取消了。没有错误的工单，没有需要重新核的东西，没有任何理由坐在那里把所有东西过一遍——那大概要五六个个人工时。相反，你就去做你本来应该做的事：开发、策略、看前面。
达伦：所以总结一下，再说一次，这个分享是非常实用的。我们建了一个 text-to-SQL agent，让领导层能更好地拿到我们的数据，同时减轻分析师回答每一个简单问题的负担。
达伦：这也让领导层有更好的上下文，让分析师有更好的时间去做更战略性的任务。我们的视觉核验，就像我说的，非常成功地减少了每个人去修工单所需的工作量。还有由此而来的每日摘要。对吧？这是轨迹，这是每张工单，这是昨晚我们遇到的每个问题：哪些需要修？哪些不需要？我们能做得更好的是什么？
达伦：接下来的项目。这个很好玩。显然，让操作员……确保他们填进去的所有信息都是正确的。所以我们在看更多视觉化的数据采集方式：也许不需要操作员往 app 里填那么多东西，或者干脆不填。
达伦：比如说，我从卡车上、从照片里、从其他方式里把信息都采集到？另一个是清洗车阀门温度与压力设定的视觉检查。所以，再说一次，就像我说的，数字世界里的模拟公司。
达伦：那台清洗发动机的卡车上没有任何电脑。就是一个人在外面，扳着机械球阀和开关，仅此而已。所以我们想确保输入的是正确的设定，但同时不想把那台车搞复杂。那我们能不能用 AI 视觉，去确保每晚车上输入的都是正确的设定？谢谢。
达伦：谢谢丹尼尔。谢谢大家。我们在 AI 这条路上走过了一段很棒的旅程，特别是跟 Prediction Guard 团队一起，对我和我的团队来说都是。所以，谢谢你们。
克里斯：谢谢达伦。是啊，那太好了。真的很棒。对我们所有人来说——我们这里有很多很务实的人，你们知道把一样东西从想法做到日常使用要付出什么，而达伦做到了，并且把它带进了他们团队的日常环境。它被用起来了，价值被兑现了。这就是那个「反」——反 MIT 研究的例子：它说 95% 的 AI 试点会失败。结果发现，我们只是需要更多达伦。
克里斯：好，这就是我们这一周的节目。如果你还没看过我们的网站，去 practicalai.fm；也记得在 LinkedIn、X 或 Blue Sky 上关注我们。你会看到我们发的与 AI 进展有关的洞察，我们很希望你来加入这场对话。感谢我们的合作伙伴 Prediction Guard 为节目提供运营支持。
克里斯：去 predictionguard.com 看看他们。也感谢 Break Master Cylinder 做的节拍，感谢你的收听。这就是本期的全部内容，下周你还会听到我们。
References
- 1
- 2第 379 期官方逐字稿（Transistor，含说话人与时间戳）
share.transistor.fm
- 3
- 4Midwest AI Summit 讲者页：Don Barger
midwestaisummit.com
- 5Noblis：Our Leadership — Mark Lay
noblis.org
- 6Midwest AI Summit 讲者页：Mark Lay
midwestaisummit.com
- 7Midwest AI Summit 讲者页：Darren Taillie
midwestaisummit.com
- 8FaithBot（IMB Innovation 官方站）
faithbot.tools
- 9
- 10
- 11
Comments