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
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。