OpenAI与Thinking Machines建立关键亚太地区合作伙伴关系

Thinking Machines数据科学公司正与OpenAI携手合作，助力亚太地区更多企业将人工智能转化为切实的商业成果。此次合作使Thinking Machines成为OpenAI在该地区的首家官方服务合作伙伴。

此项合作正逢其时，因亚太地区人工智能应用正加速推进。IBM研究显示，尽管61%的企业已采用人工智能技术，但多数企业难以突破试点阶段，实现实质性商业价值。思机与OpenAI将通过提供ChatGPT企业版高管培训、定制化人工智能应用开发支持以及日常运营人工智能整合指导，共同弥补这一差距。

Thinking Machines创始人兼首席执行官Stephanie Sy强调了合作聚焦能力建设的核心："我们的使命不仅是引入新技术，更要为企业配备有效运用AI所需的核心技能、战略框架及支持体系。我们致力于通过人机协作重塑未来工作模式，确保AI为亚太地区民众创造切实价值。"

从AI试点到切实成果：Thinking Machines的实践路径

在接受《AI新闻》采访时，施指出企业普遍面临的障碍在于其对人工智能应用的认知偏差。许多组织将其视为简单的技术采购，而非根本性的业务转型，这往往导致试点项目停滞或无法推广。

"核心问题在于企业常将AI视为技术采购而非业务转型，"她指出，"这导致试点项目难以扩展，因为缺少三大关键要素：高层对预期价值的共识、融入AI的工作流程重构、以及员工技能提升的投入。只要做好愿景、流程和人才这三大支柱，试点项目就能产生广泛影响。"

领导力为核心

高管们仍普遍将AI视为技术性举措而非战略重点。Sy强调董事会和高管层必须明确方向：AI究竟是增长引擎还是待管控风险？

"领导层定调至关重要：人工智能是战略增长杠杆还是可控风险？其职责在于界定优先成果、建立风险容忍度并明确责任归属。"她指出。Thinking Machines公司常通过高管研讨会启动项目，引导领导者探索ChatGPT等工具的价值创造点、治理方式及规模化时机。"这种自上而下的清晰定位，正是将人工智能从实验项目转化为核心企业能力的关键。"

人机协作实践

Sy常探讨"通过人机协作重塑未来工作模式"。她将其实践为"人类主导"模式：人类专注于判断决策与异常处理，人工智能则管理数据检索、草稿撰写或摘要生成等常规任务。

"人类主导模式意味着重新设计工作流程：人类专注于判断与异常处理，人工智能则承担检索、起草和常规步骤——所有操作均通过审计轨迹和来源链接实现透明化。"她解释道。其效益体现在时间节省与质量提升上。

在Thinking Machines的工作坊中，使用ChatGPT的专业人士通常每天能节省1-2小时。研究数据印证了这一现象：Sy援引麻省理工学院研究指出，客服中心员工生产力提升14%，其中经验较少的员工获益最大。"这充分证明人工智能能增强人类才能，而非取代人类，"她补充道。

内置防护机制的智能代理AI

Thinking Machines的另一核心方向是代理型AI，其能处理超越单一查询的多步骤流程。这类系统不仅能回答问题，还能协调调研、填写表单、发起API调用，在保持人类掌控的前提下统筹整个工作流。

"智能代理系统将工作从简单问答提升至多步骤执行：协调研究、浏览、表单填写和API调用，使团队在人类监督下更快交付成果，"Sy解释道。尽管承诺提升速度和生产力，但风险真实存在。"人类监督和可审计性原则仍是防止缺乏适当防护措施的关键。 我们的方案将企业控制与可审计性融入智能代理能力，确保所有操作在扩展前均具备可追溯性、可逆性，并符合政策要求。"

建立信任的治理体系

当人工智能应用加速推进时，治理体系往往滞后。Sy警告称，若将治理视为单纯文书工作而非融入日常运营，必将导致治理失效。

"我们坚持人类主导，让治理在日常运营中可见：使用经批准的数据源，实施基于角色的访问控制，维护审计轨迹，并对敏感操作要求人工审批。"她解释道。Thinking Machines还采用"控制+可靠性"框架，限制检索可信内容并提供带引用的答案。工作流随后根据金融、政府和医疗等行业的本地法规进行适配。

对Sy而言，成功的衡量标准不在政策数量，而在可审计性与低异常率。"有效的治理反而能加速采用，因为团队信任他们部署的内容，"她表示。

本土化语境，区域化规模

亚太地区的文化与语言多样性为AI规模化应用带来独特挑战。通用模型往往难以奏效。Sy强调，经实践验证的策略是先本地化构建解决方案，再进行有计划的扩展。

"全球模板若忽视本地工作流程必将失败。正确策略是本地化构建并稳步扩展：将人工智能适配本地语言、表单、政策及升级路径；再将治理框架、数据连接器和影响指标等可移植元素标准化。"她如是说。

Thinking Machines在新加坡、菲律宾和泰国采用的正是这一策略——先通过本地团队验证价值，再向区域扩展。目标并非打造千篇一律的聊天机器人，而是建立可靠可复用的模式，在尊重本地语境的同时确保可扩展性。

技能重于工具

当被问及人工智能赋能工作场所最重要的技能时，Sy强调可持续扩展源于技能而非软件。她提出了三大核心能力：

• 高管素养：领导者定义成果、设定边界、把握AI应用时机与场景的能力。
• 工作流设计：重构人机协作流程，明确起草者、审批者及异常情况的升级机制。
• 实践技能：掌握有效提示语编写、成果评估及可信信息源检索，确保答案具有可验证性而非仅具合理性。

"当领导者和团队建立这种基础认知时，AI应用才能从实验阶段迈向可重复的生产级成果。"她强调。在Thinking Machines的培训项目中，许多专业人士仅参加一天工作坊后，每日工作效率就提升1-2小时。迄今已有逾万名不同岗位人员接受培训，形成显著规律："技能+治理体系=规模化突破"。

行业变革在即

展望五年后，Sy认为人工智能将从草稿辅助工具演变为全面执行关键业务功能的系统。她预计软件开发、市场营销、服务运营及供应链管理领域将取得重大突破。

"下一波浪潮将呈现三大具体形态：金融领域的政策感知型助手、制造业的供应链协同系统、零售业的个性化合规客户体验——所有系统均设置人工核查点与可验证信息源，确保领导者能安心推进规模化应用。"她如此展望。

实际案例是Thinking Machines与菲律宾群岛银行联合开发的BEAi系统。该检索增强生成（RAG）系统支持英语、菲律宾语及塔利什语，能提供带页码来源链接的答案，并理解政策更新，将复杂文件转化为实用员工指南。"这正是'AI原生'在实践中的体现，"Sy如是说。

Thinking Machines 加速亚太地区AI布局

与OpenAI的合作将首先通过Thinking Machines在新加坡、菲律宾和泰国的办事处启动，随后扩展至整个亚太地区。未来计划包括为金融、零售和制造业等领域定制服务，利用人工智能解决特定挑战并开拓新机遇。

对Sy而言，目标明确："AI应用不仅是尝试新工具，更在于构建愿景、流程和技能体系，推动企业从试点项目迈向持久影响。当领导力、团队与技术形成协同时，AI才能创造持久价值。"

另请参阅：X与xAI就AI垄断指控起诉苹果和OpenAI

想向行业领袖学习人工智能与大数据知识？欢迎参加在阿姆斯特丹、加州和伦敦举办的人工智能与大数据博览会。这场综合性盛会与TechEx旗下其他顶尖科技活动同期举行。点击此处了解更多信息。

AI News由TechForge传媒提供支持。点击此处探索更多即将举办的企业科技活动与网络研讨会。