MetLife 已有超过一个半世纪的历史。从其显著的历史和传承来看,人们可能会认为,在更灵活的竞争者在数字时代把握机遇的情况下,它的黄金时期已经过去。然而,尽管 MetLife 是一家全球性巨头,但由于公司技术运营团队与更广泛的业务团队之间的紧密协作,它依然保持着敏捷性。Bill Pappas 作为全球技术和运营负责人,他和他的团队正在推动一种超越传统技术应用的创新文化。在他的领导下,MetLife 正在利用人工智能等新兴技术,促进跨行业合作,并强调持续学习以保持竞争优势。通过将创新融入公司的基因,战略性地采用 AI 并为未来的员工队伍做好准备,MetLife 不仅在实现流程现代化,还在识别新的增长机会。
打造创新文化
Pappas 认为创新不应局限于单个团队或实验室,而是必须融入公司的基因。"我们首先确保创新不仅仅是一项功能,而是一种文化,"他解释道。这种方法的核心是商业导向,强调理解客户需求和市场趋势来指导技术进步。
为了跟上快速的技术发展,MetLife 建立了专门的团队来扫描市场新兴趋势。"我们持续与大小公司交流,确保我们能获取见解并理解如何将其应用到我们的生态系统中—不是为了技术而技术,而是为了解决真实的客户需求,"Pappas 说。
除了内部努力,MetLife 还促进外部合作。该公司举办年度黑客马拉松,吸引数千名参与者解决实际业务挑战。此外,MetLife 位于北卡罗来纳州卡里的技术中心召集 IBM、Cisco 和 Dell 等行业领导者,讨论 AI 对业务和劳动力发展的影响。"汇集不同的观点推动我们以不同方式思考,确保我们在快速变化的世界中保持竞争力,"Pappas 指出。
AI 是业务必需品,而不仅仅是技术趋势
Pappas 将人工智能视为转型机遇。"新兴技术,特别是 AI,是一生难得的机遇,"他强调。然而,MetLife 并没有匆忙采用 AI,而是采取了谨慎、深思熟虑的方法。根据 Pappas 的说法,首席执行官 Michel Khalaf 将 AI 视为业务机会,而不仅仅是技术举措,确保与企业整体目标保持一致。
MetLife 的 AI 战略围绕三个关键领域:评估可用技术、负责任地整合它们以及识别价值路径。"我们很早就知道这些工具不仅仅是功能性的,而且正在快速改进。我们的重点不是证明它们是否有效,而是理解它们在哪里可以带来真正的业务影响,"他说。
公司已将 AI 嵌入理赔处理、客户服务和内部 IT 运营等核心流程中。"当我们与业务领导者交谈时,我们并不把 AI 描述为一个工具,"Pappas 强调。"我们从流程改进和竞争优势的角度来描述它。这种方法激发了很大的热情。"
MetLife 采用 AI 的另一个关键组成部分是教育。认识到 AI 代表着一个技术和非技术团队都在共同学习的平等领域,MetLife 优先考虑员工培训。"无论你是在人力资源、财务还是 IT 部门,在 AI 方面所有人都是从零开始,"Pappas 解释道。"我们必须接受集体学习的文化。"
为未来的劳动力做准备
随着 AI 和自动化重新定义工作角色,劳动力转型是 Pappas 的首要任务。"今天,我们的劳动力有五代人,这可能是最后一代只管理人类的时代,"他观察到。"很快,我们将同时管理人类和技术。"
为了准备这种转变,MetLife 专注于三个关键支柱:技术技能、软技能和领导力演进。"技术熟练度很重要,但培养适应能力同样重要,"Pappas 说。他将适应能力定义为大规模学习、去学习和重新学习新技能的能力。公司正在积极使用像 Microsoft Copilot 这样的 AI 驱动工具来帮助员工提高生产力。
除了技术专长,MetLife 还强调批判性思维、问题解决和时间管理等软技能。"在当今充满活力的环境中,这些技能与技术能力同样重要,"Pappas 断言。
领导力是另一个重要关注领域。"今天的领导需求与六个月前很不同,"Pappas 指出。管理一个在工作安排和人机交互方面都是混合型的劳动力需要新的方法。"今天的员工不一定把公司视为首要任务,"他解释道。"他们寻求平衡和目标。领导者必须适应这种转变,培养参与度和信任。"
创新作为未来增长的驱动力
随着 MetLife 开始其新的五年战略"新前沿",创新仍然是其增长议程的核心。"在过去五年里,我们建立了坚实的基础,"Pappas 热情地指出。"现在,重点是利用这个基础推动增长。"
MetLife 的技术和运营团队不再仅仅是支持业务功能,而是在塑造新的客户体验方面发挥积极作用。"通过利用 AI 和其他新兴技术,我们不仅在实现流程现代化,还在识别新的增长机会,"Pappas 表示。
凭借对持续学习、协作和负责任的 AI 采用的承诺,Pappas 相信 MetLife 已做好准备引领下一阶段的数字转型。"我们所做的工作为更大的事业奠定了基础,"他总结道。"现在的关键是释放这种潜力,塑造我们行业的未来。"
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。