在美国专利商标局(USPTO),CIO Jamie Holcombe用实际行动证明,敏捷与创新思维结合个人问责制,完全能够为这家美国历史最悠久的联邦机构之一注入新的能量。
USPTO CIO Jamie Holcombe
提到政府机构,大多数人的第一印象就是行动迟缓、单调乏味和繁文缛节。但美国专利商标局(USPTO)表示不服,这家机构于1790年由国会法案推动建立,并由包括时任国务卿的托马斯杰斐逊等多位委员负责领导。1802年,USPTO正式独立为局,拥有了自己的完整运作体系。
由于USPTO的全部运营资金均来自申请审查、专利授予及商标注册过程中收取的费用,所以它可以说是最不像机关单位的政府部门。
事实上,USPTO拥有着令人羡慕的庞大客户群体,自成立以来共授予超1100万项专利。局内有12000多名员工,包括工程师、律师、分析师以及计算机专家。尽管大权在握、完全可以不思进取,但USPTO却向来重视技术成果带来的运转效率提升。他们还利用数据分析、人工智能等各类积极因素为员工提供商务智能支持,希望能为下阶段将要全面爆发的新一轮专利设计与商标申请做好准备。
那么,USPTO是怎么活得“不像是传统政府机构”,不断在创新战略方面突破自我极限的?下面我们来看公司CIO Jamie Holcombe与副CIO Debbie Stephens在访谈中的分享。
主持人:你常说自己在USPTO的一大目标,就是把它建设成美国政府中最出色的机构之一。那您是如何一步步践行这项计划的?
Jamie Holcombe: 我们一直身负明确的使命,就是授予专利、注册商标。所以最重要的就是搞清楚怎么把日常工作跟这项使命结合起来。因此,我们的第一大重点就是确保每位雇员都有着相同的使命、共通的目标,并带着这个目标处理每一项日常工作。当然,其间也需要激励和提醒,总之每个人都要意识到自己身负的责任和意义。
身为CIO,我需要确保服务器和一切业务正常运行,再就是如何把种种工具和新技术交付到审查员和公众手中。
USPTO技术人员的文化,跟其他政府机构相比有何不同?您采取了哪些具体策略来改变观念、发展并推动文化创新?
USPTO副CIO Debbie Stephens
Debbie Stephens: 我们一直在努力提供更好、更快捷、更便宜的服务,这也是我们的基本原则。但如果流程开始妨碍交付,我们就会探寻新的工作方式。我们的使命就是消除这些障碍、摆脱无意义的内耗,因此会努力让技术专家与产品团队同业务部门保持一致,共同构建必要的交付工具、更好地完成专利授予和商标注册这一使命。在此期间,我们还逐渐发展成一个学习型组织,让人们能够花更多时间接触业务部门、理解并参与他们的流程设计。
激发个人能动性、推广奋斗文化当然很重要,但作为领导者,您还需要负起责任、做出决策、指明方向。在如今这个充满不确定性的时期,领导工作是不是越来越难做了?
Stephens:其实任何工作都是这样,需要用结果倒推过程。所以我们会与业务部门和运营领导沟通,保证他们清楚知道自己想要怎样的结果。但由此制定的计划不可能完美无瑕、一劳永逸,所以接下来就是随时做出调整。因此,我们一直坚持用敏捷思维进行模型规划、执行、检查和调整。
USPTO建立了自己的独立IT/业务团队,专门评估新兴技术与创新成果,并在设计方案移交给产品开发团队前还充当原型设计与测试部门。是不是有很多科技精英都想积极加入这样一支“王牌部队”?
Holcombe: 确实会有一些想要在职场上直面挑战、突破自我的人才,这很棒。但我们的岗位也涉及问责制和监管要素,所以大家入职之后所做的绝对不只是随意尝试各种新兴、尚不成熟的技术,更要搞清楚它们各自适合怎样的场景、从一片汪洋中闯出一条航线。这可就没那么浪漫了,甚至应该说充满艰辛。所以我们总会先权衡利弊,然后把那些认为值得一试的技术领导者纳入DevSecOps团队,由他们负责具体探索。
这样领导者才能力战不殆、奋力向前,激发其他员工的认可与信任,最终把技术概念转化成真实案例。毕竟没有可操作性的技术,就如同无法划定航线的海域,哪怕再美丽也只是一片恐怖的陷阱。
好文章,需要你的鼓励
思科报告指出,自主型人工智能未来三年内有望承担高达68%的客户服务任务,通过个性化与前瞻性支持提升效率与节省成本,但用户仍重视人与人之间的互动和健全的治理机制。
这项研究提出了KronSAE,一种新型稀疏自编码器架构,通过克罗内克积分解显著降低了训练成本。研究者引入了模拟二进制AND操作的mAND激活函数,在减少参数量的同时提高了重建质量和特征可解释性。实验证明,KronSAE在各种语言模型上都能降低特征吸收,提供更清晰的语义表示。该方法为理解大型语言模型内部机制提供了计算效率更高的工具,为AI系统透明度和可控性研究开辟了新途径。
随着 AI 设备密集度攀升,传统数据中心正面临设备重量增加带来的结构挑战,促使设计向单层和强化地板转变。
这项由加州大学伯克利分校研究团队开发的REOrder框架,通过重新排列图像块的处理顺序,显著提升了视觉模型性能。研究发现,传统的行主序排列并非最优选择,而通过信息论先验和强化学习寻找最佳排序,可在不修改模型架构的情况下,使ImageNet-1K分类准确率提升3.01%,卫星图像分类提升13.35%。这一发现挑战了传统认知,为视觉模型优化提供了一个全新且易于实施的方向。