1.4万人抢33个编制：美国最大民用AI团队在国土安全部干什么

1.4万份申请，33个到岗，录取率不到1%。发出这些offer的机构，听起来跟AI最不沾边：美国国土安全部（DHS）。

2024年12月的Cognitive Revolution播客，请来了DHS旗下AI Corps的主任迈克尔·博伊斯（Michael Boyce）。这个团队的目标，是建成美国联邦政府最大的民用AI团队，编制50人。主持人内森·拉本兹（Nathan Labenz）是AI创业者兼投资人，过去一年把私营部门的AI应用翻了个遍，他承认联邦政府一直是自己的认知盲区。

盲区里的东西比预想的多：大模型扮演寻求庇护者，帮新官员练面试；视觉模型1.5秒锁定一辆藏毒卡车，二次检查翻出165磅毒品；FEMA用机器学习把需要人眼过目的灾后航拍图，从100多万张压到7万张左右。

先搞清楚：国土安全部是个什么部门

很多人对这个部门的印象来自美剧《国土安全》。博伊斯的介绍具体得多：9·11之后成立，26万名雇员，下辖22个机构和办公室，按他的说法是联邦政府最大的民用机构（退伍军人事务部的医院算不算第一，可以抬杠）。他个人从25岁起，就没在别的机构领过工资。

这22个机构里一堆熟面孔：管灾害的联邦紧急事务管理局（FEMA），守海上边境的海岸警卫队，保护总统的特勤局，每天跟公众打交道的运输安全管理局（TSA），管网络安全的CISA，还有一整套移民机构。

业务可以归成两条线：一条防范和应对坏事，边境、安全、执法；另一条面向公众的服务，谁能入籍、什么包裹能进关、灾民能领多少补助。它既是最大的联邦执法机构，也是一个巨大的服务机构。

还有个数字能看出这套系统的运作方式：博伊斯所在的CIO办公室，联邦雇员约700人，算上外包合同工约3000人，政治任命官员只有3个。总统换届，99.9%的人照常上班。

AI在这里也谈不上新鲜。博伊斯说，按通用定义，DHS用AI用了大约10年。机场里刷脸的CBP柜台、TSA的证件人脸比对都是例子。更早的一份行政令推动下，各机构公开了AI用例清单，dhs.gov/data/ai_inventory 上现在挂着40多份公开报告，写明每个系统在干什么。

AI Corps怎么运转：一半人当“游走咨询队”

2022年底，博伊斯被借调到白宫管理与预算办公室的内部AI政策团队。他记得当时还有人跟他说，你们搞的这个东西挺好玩，算个流行风尚吧。话音落下没多久，ChatGPT发布，政府内外的兴趣一路升温。

2024年2月，DHS宣布成立AI Corps，响应行政令的“全国AI人才招募”，承诺建成联邦政府最大的民用AI团队。这回是真给了50个编制，没打算拿一两个岗位充门面。这个模式部分出自CIO埃里克·海森（Eric Hysen）的手笔，他也是美国数字服务局（USDS）出身，想把“内部咨询”的路子带进部门。

团队分三块。第一块，博伊斯叫它“游走咨询队”，约占一半人马，以2到5人小队进驻各下属机构，跟业务部门并肩交付AI项目。第二块约占五分之一，负责推广规模化，眼下主要是政策、治理和监督，往后还要管跨部门的共享基础设施。第三块叫孵化器，中央团队自己持有一些产品，专门试那些业务部门没时间冒险的新东西。孵化器存在的理由，博伊斯说得很直白：如果自己都走不动这条路，凭什么出去教别人部署AI。

他被挑中当主任，部分因为他在部门里待得够久，交过货，知道各处的难处。

“我不是从硅谷来拯救任何人的。我来做的事，是把一批真正聪明的人，联邦政府内外的都算上，聚到AI这件事上，去跟那些愿意合作的部门结对干活。”

需求从哪来？基层草根创新、高层自上而下的愿景、他的团队穿针引线，全都有。他还留了一句狠话：

“如果你觉得联邦政府机构对用AI没兴趣，我布鲁克林有座桥可以卖给你。他们兴趣大得很，只是想找真正有专长、能提供细分视角的公司。”

团队扩张速度是每月约5人。博伊斯4月上任，5月头两周来了头3名员工，录制节目时33人。他立了一条规矩：谁有大项目想法，先写1到2页的模板文档，他看完转给利益相关方，双方都点头，才开会向领导层汇报。用文档代替连环会议，先对齐文字，再消耗会议。这条经验放进任何大组织都成立。

他本人的技术背景挺曲折：高中在纽约一所公立学校写过神经网络，2007年，同学用神经网络玩“找沃尔多”，进了纽约市科学博览会半决赛；大学读了两年到三年计算机，转头跑去上研讨会了。第一份工作是难民事务官员，满世界飞，面试难民、核查资格、做安全审查。之后进USDS，头衔是“官僚黑客”，再回DHS管移民局的技术，2017、2018年前后带团队做过不少机器学习项目。

他给自己的定位是“技术上够用但危险”，不造大模型，但跟团队说得上行话。新人进来总想立刻露一手，他的建议相反：最重要的是倾听和学习，搞懂这些复杂的官僚结构。搭建关系这类软技能，跟硬技术一样重要。

四个项目，四个不同的难点

先说听起来最平平无奇的：内部大模型聊天机器人。博伊斯自己都承认，听众里一半人15分钟就能拉起一个。但DHS版本的重点全在“管道”上：日志怎么记、怎么接进部门的网络安全体系查异常、部署在哪家云上。目标是让成千上万的员工往里输入敏感但不涉密的信息，甚至包含个人隐私的信息，真正嵌进日常工作流。魔法发生在接上真实数据、进入核心流程的那一层。

最有意思的项目在他老东家，美国公民及移民服务局（USCIS）。庇护官要跟寻求庇护者做3到4个小时的长面试，问人家为什么离开祖国。培训新庇护官的老办法，是把在职官员从面试轮班里抽出来，扮演寻求庇护者给新人练手。现在，这个角色由大模型来演。

团队没搞花活，主要功夫花在写提示词上。难点是还原真实体验：真实面试隔着翻译，充满误传，面试对象可能连小学都没上过。模型最初的画风是张口就来“根据《移民与国籍法》第104条b款”，完全不像一个逃难的人。调好之后反馈好得惊人：场景随时切换，故事线一致，不会像真人演员那样演着演着跑偏。评估也没有客观标准，基本靠定性：这体验跟真人比怎么样？第一次正式面试前，它有没有让新人更镇定？很多同事看完演示的第一反应是“你们怎么把它调得这么好”，他们听说过ChatGPT，从没想过它能贴到自己的具体业务里。博伊斯把这当成团队的活：把工具塞进日常工作，更多想法自然会长出来。

第三个项目来自国土安全调查局（HSI），《猎杀本·拉登》里那种整天读文档找线索的岗位。团队用开源的Llama 3 70B在云端GPU上搭了套RAG，处理海量非结构化线索。那位工程师做了不少细活：先用标准的k近邻语义向量检索，发现电话号码、人名这类强关联信息用词法搜索更灵，于是做成混合检索；再拿Llama 3 70B当裁判，判断检索回来的内容跟问题相不相关。博伊斯还引用了空军研究实验室CIO的说法，RAG让普通人和自己的数据建立了“私人关系”，不用再靠自己翻文件，也不用养一个专门整理资料的团队。他的总结：没有一招通的RAG算法，得钻进数据里试，出好结果的时候，自然就知道对了。

这些试点怎么选出来的？DHS设了个AI工作组当治理机构，总部拿出一笔钱，向全部门征集方案，选了三四个试点加速。博伊斯说，政府里到处是盯着机会的技术人员，他们缺的只是钱、优先级和一句“这事真的会发生”。任何大组织的产品团队都一样：想法有一百个，把哪个顶到最上面才是关键。

第四类用法最容易被忽略：质量检查。有个团队每天要把别的团队报来的报告手工录入系统，录一天难免出错，官僚体系的对策是加一层审核、再加一层。博伊斯看到的机会，是把大模型放在那当“第二双眼睛”，把准确率从94%提到99%。自动化抢不走决策权，先把质检换掉，是更稳的切入点。

生成式AI之外，传统机器学习照样在干活。边境的视觉系统追踪进出卡车找异常，1.5秒锁定一辆，二次检查翻出165磅毒品。FEMA灾后分析航拍图定位受灾点，过去靠人看100多万张，机器学习压到7万张左右。USCIS每年还收几百万份纸质申请，图像分类加OCR自动认出这是出生证明、那是某项福利的表格。至于用大模型跑几百万份移民申请，博伊斯算了笔账：按token算成本，还打不过系统里便宜的经典分类模型。窄模型短期不会被通用模型全面替代，成本这道坎摆在那。

主持人顺势问：会不会出现没有人的安检口？博伊斯刚去过TSA设在拉斯维加斯机场外的创新中心。他的回答分两层：政策上，现在不用AI替换涉及公共福利和关键决策的人；现实里，人的存在本身有用，“请把鞋放传送带上”这句话得有人说，每个人多耗10秒，队伍能排到机场外面。所以第一步还是用AI帮现有员工把活干得更好。

安全合规：联邦政府比你想象的敢用商业云

很多人默认政府不敢把数据交给商业API。博伊斯给出的信息正相反：他做了30到50个软件项目，没有一个离开过标准云基础设施。DHS同时用着AWS、Azure这些大厂云，四个生成式AI试点里，既有调用前沿商业模型API的，也有自己拿开源模型在云GPU上跑的，靠合同条款约束数据留存和训练。

关卡叫FedRAMP（联邦风险与授权管理计划），由总务管理局运营。云服务商要按NIST的风险管理框架落实一堆控制项，找第三方认证，提交日志和验证材料，全部审过才能进联邦采购清单，任何人都能在FedRAMP市场上查到合规名单。有家前沿实验室的人跟博伊斯吐槽：这流程麻烦得要死，但这是他见过少数真的能加安全分的流程。

员工用AI的政策更值得抄。最新行政令不鼓励封禁生成式AI，DHS的方案是：上1小时培训、主管批准、过网络安全和隐私培训、签一份行为规则，然后就能用ChatGPT、Claude、Bing这些商业工具。红线两条：不能输入个人隐私信息，不能用AI对公共福利做最终决定。开放使用加明确红线，好过一刀切封禁。部门里几千人参加过生成式AI的午餐分享会，GSA办的政府级AI培训，去年有1万到1.5万人报名。

指标、失败条件和一个反直觉的招聘故事

博伊斯说自己第一指标是招聘：50个编制招到多少人、进了什么岗位。1.4万份申请证明需求端不缺人。他的团队还在跟部门合作写一份约30页的测试与评估指南，按场景给出能做的测试清单。他对另一类指标高度警惕。有人宣称“效率提升70%”，他追问：70%的效率是什么？有人算出“人均每天省5分钟，乘以员工数乘以工作日，省了500万美元”，他的反应是：没人会把那500万美元还回来，这笔钱到底去哪了？他更在意定性信号：这个工具要是明天停掉，会不会有关键流程断掉？

五年后如果DHS的AI转型失败了，最可能卡在哪？博伊斯给了三个答案：一是失去公众信任，国会不给钱，政治任命官员不愿投入；二是没装好刹车，AI被滥用，隐私和公民权利受损；三是钱花了，设计和工程实践跟不上，纳税人的钱打了水漂。他补了句大实话：这还不是《黑客帝国》里的技术，手头的商业用例，模型能力基本够用，真正的瓶颈是把新技术接进组织流程的那段路，也就是扎实的应用开发实践。

招聘故事里最反直觉的部分：有一类员工，从谷歌、Meta这类公司进政府干了两三年，离开，然后因为想念这份工作又考回来。博伊斯的解释是，这里的问题难度没有天花板：这些问题不只有技术含量，还裹着社会、人性和政治，你得在按很多定义算是全世界最大的组织里穿行周旋。很多人回来，是因为在联邦政府干活没那么无聊。

待遇顺便交代：底薪约15万美元，一般封顶23万美元左右，处于美国收入前3%，干满3年有养老金，401(k)有等额匹配，团队全员远程。岗位覆盖后端应用工程师、机器学习工程师、数据科学家、安全工程师、政策分析师、产品经理、设计师，外加一个统称“技术专家”的万金油岗位。

明天就能用上的几件事

• 管企业AI的人，可以把DHS的员工政策整套抄走：一小时培训加主管批准加行为规则，开放商业工具，红线写清楚，不进个人隐私数据，AI不碰最终决定权。联邦政府都敢这么开，多数公司没理由捂得更紧。
• 想上大模型又怕信息安全的团队，先查FedRAMP市场这类认证名单，别急着自建GPU集群。博伊斯见过的自建理由里，省钱这条几乎从不成立。
• 找AI切入点，优先做质检，别一上来就搞自动化：让模型当“第二双眼睛”，94%提到99%，不碰决策权，阻力小，信任涨得快。
• 开会开成黑洞的组织，学AI Corps的规矩：想法先写成1到2页文档，相关方书面点头，再开会要资源。

想加入的，去 dhs.gov/ai/join；想盯联邦AI岗位的，去USAJobs设个AI和机器学习的关键词提醒，ai.gov上也挂着各机构空缺。想卖服务给政府的小公司，博伊斯留了话：政府不只买产品，也买服务，小企业通道比大厂灵活得多，流程看着吓人，开口问就能拿到足够信息判断值不值，他欢迎有人在LinkedIn上直接找他。