如何構建現代化的AI團隊：90%的公司都在犯同一個錯誤

你有沒有經歷過這樣的場景：公司高層突然宣布"我們現在是AI優先的公司"，然后看著你說"去組建一個AI團隊吧"，但預算和人員編制卻紋絲不動？如果你點頭了，那你絕對不是一個人。從Shopify到Duolingo，再到Zapier，似乎每家科技公司都在宣布自己轉型為"AI優先"，仿佛這是一張通往未來的船票。但現實往往更加殘酷：你被賦予了AI轉型的重任，卻沒有額外的資源去實現它。

最近我看到Wisdocs機器學習團隊負責人Denys Linkov在一次技術分享中深度剖析了這個問題。他的觀點讓我產生了強烈共鳴，因為他不是在談論那些擁有無限預算的大科技公司如何組建AI夢之隊，而是在解決我們這些普通公司面臨的真實挑戰：如何在有限資源下，通過重新培訓、技能提升和團隊增強來交付AI轉型的承諾。這不是一個關于招聘最頂尖AI研究員的故事，而是關于如何讓現有團隊在AI時代重新煥發活力的實用指南。

我深信，我們正處在一個關鍵的歷史節點。那些能夠巧妙地重構現有團隊、培養跨功能AI能力的公司，將在未來幾年獲得巨大的競爭優勢。而那些還在糾結是否要花重金挖角頂級AI研究員的公司，可能已經錯過了最佳的轉型窗口期。

PS：我自己創業也正在打造新一代給AI-Native團隊用的軟件，垂直B端市場，又是我擅長的PLG增長模式，Day 1只做海外市場，我們目前正在招募Founding Engineer，希望感興趣的工程師朋友投遞簡歷

AI團隊的真實構成：不是你想象的那樣

Denys在分享中提出了一個我覺得非常精辟的觀點：不同類型的公司需要完全不同的AI團隊結構。他將公司分為三大類：技術公司（科技巨頭和初創公司）、垂直化解決方案或服務公司（如Palantir和他工作的Wisdocs），以及技術賦能公司（銀行、零售商、中小企業等）。這個分類看似簡單，但背后蘊含的團隊構建邏輯卻完全不同。

我發現很多公司在組建AI團隊時犯的最大錯誤，就是盲目模仿科技巨頭的做法。看到Google有幾千名AI研究員，就覺得自己也需要招聘PhD級別的研究人員；看到OpenAI在模型訓練上投入巨資，就認為自己也需要從頭開始訓練大模型。但現實是，絕大多數公司并不需要重新發明輪子，而是需要學會如何更好地使用現有的輪子。

Denys提到的一個案例讓我印象深刻：傳真機市場至今仍然存在，價值數十億美元，而且還在增長。2017年，美國只有3%的支付是無接觸式的，支票仍然占據著龐大的市場份額。個人計算機和互聯網問世40年后，醫療系統和電子病歷才開始數字化。這些數字揭示了一個殘酷的現實：技術從來不是限制我們成功的瓶頸，如何使用技術才是。

這個觀察讓我重新思考AI團隊的本質。我們真正需要的不是能夠從零開始訓練GPT-4的研究員，而是能夠理解業務需求、整合現有技術、并將AI能力轉化為實際商業價值的復合型人才。正如Denys所說，90%的人類問題都可以用現有技術解決，關鍵在于如何應用這些技術。

在我看來，這種認知轉變具有革命性意義。它意味著AI團隊的核心能力不再是算法創新，而是問題定義、產品集成、ROI測量、數據獲取、工作流優化、界面構建、產品銷售和客戶關懷。這是一個完全不同的技能集合，需要完全不同的招聘策略和團隊結構。

Denys提出了一個發人深省的問題：如果讓你用五個來自頂級實驗室的AI研究員來交換你現有的團隊（可能還需要額外付費和選秀權），你會做這個交易嗎？對于絕大多數公司來說，答案應該是否定的。因為那些擁有領域知識、了解業務流程、能夠與客戶溝通的現有團隊成員，其價值遠超過幾個只會寫論文的研究員。

這讓我想起了一個更深層的問題：我們為什么會對AI研究員有如此強烈的迷戀？我覺得這partly源于對AI技術的神秘化，partly源于對復雜性的恐懼。我們總以為AI是如此高深莫測，只有PhD才能駕馭，但實際上，在商業應用層面，AI更像是一種新的編程范式，需要的是工程思維而非研究思維。

全才型工程師的崛起：為什么專業化可能是陷阱

Denys在2021年組建第一個機器學習團隊時采用的策略讓我眼前一亮：他選擇招聘全才型工程師（generalists），并通過自動化工具來支持他們。這種做法在當時可能顯得有些另類，因為主流觀點一直認為AI需要高度專業化的人才。但回過頭看，這種策略顯得極其前瞻。

他當時面臨的挑戰非常具體：需要服務數十萬個并發模型，支持多領域應用，成本要低，還要支持實時訓練和服務。為了達成這些目標，團隊構建了定制的MLOps平臺，主要做encoder模型的微調，建立了RAG即服務，并管理著十個微服務中的六個。這聽起來像是一個技術含量極高的項目，但關鍵在于他們是如何配置人員的。

在模型訓練方面，Denys沒有追求頂尖的專家，而是設定了一個務實的標準：了解模型的通用架構，能夠進行encoder微調，具備一定的數據工程能力，熟悉Hugging Face即可。在模型服務方面，由于他本人有云工程背景，承擔了大部分基礎設施工作，為團隊建立了足夠的抽象層，讓其他成員不需要深入了解Kubernetes或具體的訓練服務細節。最重要的是，他特別強調團隊成員必須具備與客戶直接溝通的能力。

我覺得這種配置策略的聰明之處在于，它認識到了現代AI工作的真實需求。在大多數商業場景中，你不需要發明新的模型架構，你需要的是快速理解客戶需求，選擇合適的現有工具，并將它們整合成可用的解決方案。這更像是系統集成工作，而非科學研究。

到了2024年，當Denys在新組織中再次組建團隊時，環境已經發生了巨大變化。開源工具變得更加成熟，商業模型API變得更加強大，他們的技能需求配置也相應調整。在訓練方面，使用商業API、prompt調優和模型微調變得更加重要；在服務方面，由于可以使用開源解決方案，不再需要從頭構建平臺；在領域知識方面，由于專注于醫療記錄處理，對領域專業性的要求反而提高了。

這個演進過程讓我深刻理解了全才型工程師的價值。他們不是什么都懂一點的"萬金油"，而是能夠快速學習新工具、適應變化環境、并在不同技能領域之間建立連接的復合型人才。在AI技術快速演進的今天，這種適應性可能比深度專業化更加重要。

我個人的觀察是，AI領域的技術棧變化速度極快。六個月前還是主流的工具，現在可能已經被新的解決方案取代。在這種環境下，那些能夠快速學習新工具、理解技術趨勢、并將這些工具應用到具體業務場景中的全才型工程師，比那些只專精于某一特定技術的專家更有價值。

Denys提到的內環和外環概念我覺得特別有啟發性。內環是團隊每天必須完成的核心活動：模型訓練、prompting、產品需求理解、模型服務、領域專業知識和商業案例構建。外環是那些能讓團隊脫穎而出的更廣泛活動。如果內環的技術執行能力薄弱，你會在技術實施上遇到困難；如果外環的領域循環薄弱，你將無法找到產品市場契合點。

這種框架讓我重新審視了專業化的問題。在AI的早期階段，當你還在尋找產品市場契合點、嘗試基本進展時，你需要的是能夠快速試錯、適應變化的全才型人才。只有當你在模型訓練、服務等方面達到相當成熟的階段，需要提升那最后5%的性能時，才需要引入專家來處理特定的技術瓶頸。

重新定義技能提升：從編程到建構

讓我最有感觸的是Denys對技能重構的看法。他認為在AI浪潮中，有三個核心能力是每個人都需要掌握的：學會建構（learn to build）、成為領域專家（become a domain expert）、面向人類工作（be human facing）。這三個方向完全顛覆了傳統的技術技能框架。

"學會建構"不再意味著從頭編寫代碼，而是從靜態的產品需求文檔轉向功能性原型。Denys強調，我們應該告別那些痛苦的對話——產品經理和工程師之間關于"這不在需求里"或"這是個邊緣情況"的爭執。相反，我們應該通過快速原型來縮短反饋循環，讓想法能夠快速得到驗證或推翻。

我深有同感。在傳統的軟件開發中，我們花費大量時間在文檔編寫和需求澄清上，但往往到了實際開發階段才發現很多假設是錯誤的。AI工具讓我們能夠快速構建可工作的原型，讓所有利益相關者都能看到和體驗實際的產品行為，這比任何文檔都更有說服力。

在成為領域專家方面，Denys的觀點更加激進。他認為領域專家不應該只是提供輸入和反饋，而應該直接編寫用例、定義需求，并具備直接與LLM工作的能力。這意味著技術和業務之間的界限正在模糊，每個人都需要具備一定的AI素養。

我覺得這個趨勢已經很明顯了。在我接觸的很多項目中，那些最成功的AI應用往往來自于深度理解業務場景的領域專家，而不是純技術人員。因為他們知道哪些問題真正值得解決，哪些解決方案在實際業務環境中可行。而AI工具的普及，讓這些領域專家不再需要依賴技術人員來實現他們的想法。

在面向人類工作方面，Denys特別強調工程師必須參與客戶溝通。這在傳統的技術組織中可能聽起來有些奇怪，但在AI時代卻變得至關重要。因為AI解決方案往往需要大量的迭代和調優，而這種迭代必須基于真實的用戶反饋。如果工程師無法直接聽到用戶的聲音，就很難做出正確的技術決策。

我注意到一個有趣的細節：Denys的團隊每周都會安排30分鐘的學習時間，由團隊成員輪流分享新的主題。這種做法看起來可能有些"內卷"，但正如他所說，不這樣做的后果會更嚴重。在AI技術日新月異的今天，停止學習就意味著被淘汰。

這讓我思考一個更深層的問題：在AI時代，持續學習不再是可選項，而是生存必需品。我們已經從年度評估進入了六個月評估的時代，技術的演進速度遠超過了傳統的學習和適應周期。這要求我們必須將學習內置到工作流程中，而不是將其視為額外的負擔。

招聘的新邏輯：上下文比算法更重要

Denys關于招聘的觀點讓我重新審視了AI時代的人才策略。他認為招聘人員主要有兩個目的：持有上下文（hold context）和基于上下文行動（act on context）。這個簡單的框架卻蘊含著深刻的洞察。

在傳統的技術招聘中，我們往往過分關注候選人的算法能力或編程技巧。但在AI時代，更重要的是他們能否理解業務上下文，并基于這種理解做出正確的決策。一個能夠與客戶深入溝通、理解他們真實需求的工程師，可能比一個算法大師更有價值。

Denys提到一個現象讓我印象深刻：很多公司仍在使用與工作內容完全無關的LeetCode題目來篩選候選人。這種做法在AI可以輕松解決大部分編程題目的今天，不僅失去了評估意義，而且可能篩選掉那些真正適合AI工作的人才。因為AI工作更多的是關于問題定義、方案選擇和系統集成，而不是算法實現。

我特別贊同他對初級工程師價值的分析。當很多公司都在討論"AI將取代初級工程師"時，Denys問了一個尖銳的問題：為什么Y Combinator還在為學生和年輕人舉辦AI學校，吸引2000人前往舊金山？如果初級職位真的沒有價值，他們為什么還要投入這么多資源？

這個觀察讓我思考一個更廣泛的問題：我們是否過于迷信經驗和資歷？在一個技術快速變化的領域，那些沒有太多既定觀念、愿意快速學習新工具的年輕人，可能比那些固守傳統做法的資深專家更有價值。關鍵不是你有多少年的經驗，而是你能否快速適應新的工作方式。

Denys最終回到了他的"Ampere賭注"：你會選擇五個來自頂級實驗室的研究員，還是一個擁有領域專業知識、能夠銷售產品、能夠與客戶產生共鳴的團隊？對于他的公司來說，答案很明確：后者更有價值。

我覺得這個選擇反映了AI商業化的本質。學術研究和商業應用是兩個完全不同的領域，需要完全不同的技能集合。在商業環境中，能夠快速將技術轉化為客戶價值的能力，遠比發表頂級論文的能力更重要。

預算約束下的團隊優化：現實主義的智慧

讓我最受啟發的是Denys關于預算現實主義的討論。他非常坦率地承認，作為團隊負責人，你不可能擁有無限的預算。這意味著你必須在模型訓練、模型服務和商業洞察這三個維度上做出權衡，決定在每個方面投入多少資源。

這種思維方式與很多AI團隊的理想主義形成了鮮明對比。我經常看到一些團隊制定宏偉的計劃，想要在每個方面都達到行業頂尖水平，但最終因為資源分散而什么都做不好。Denys的方法更加務實：明確定義每個維度的最低要求和最優目標，然后根據實際預算進行配置。

在模型訓練方面，他們的標準是"上半部分"的能力：了解通用架構，能夠進行encoder微調，具備數據工程技能，熟悉Hugging Face。這個標準既不會太低（避免基本工作都無法完成），也不會太高（不需要能夠訓練GPT-3級別的模型）。

我覺得這種標準設定的智慧在于它的實用性。大多數商業場景并不需要從頭開始訓練大模型，而是需要在現有模型基礎上進行適配和優化。能夠熟練使用現有工具、理解其限制和優勢的工程師，往往比那些只知道理論的研究人員更有價值。

在模型服務方面，Denys采用了分層抽象的策略。作為團隊負責人，他承擔了底層平臺構建的復雜性，為團隊成員提供了簡化的抽象接口。這讓其他成員不需要深入了解Kubernetes或分布式系統的細節，只需要理解如何使用這些抽象以及它們的權衡取舍。

這種做法讓我想到了現代軟件開發的趨勢：我們不需要每個人都是全棧專家，但我們需要每個人都理解系統的整體架構和各部分之間的關系。在AI領域也是如此，你不需要每個人都精通底層算法，但每個人都需要理解AI系統的能力邊界和使用場景。

最重要的是，Denys在商業洞察方面設定了很高的標準。他要求團隊成員能夠直接與客戶對話，能夠理解和傳達技術決策的商業影響。這種要求在傳統的技術團隊中可能顯得過分，但在AI商業化的今天卻是必需的。

我深刻認同這種資源配置策略。它體現了一種成熟的管理思維：承認約束的存在，并在約束條件下尋找最優解。這比那種無視現實、追求完美的做法更容易成功。

組織學習的新范式：從個人技能到集體智慧

Denys提到的團隊學習機制讓我看到了AI時代組織能力建設的新模式。他們每周安排30分鐘的學習時間，由團隊成員輪流分享新主題，涵蓋團隊和公司的核心優先事項。這種做法看似簡單，但背后體現的是對持續學習的深刻理解。

我覺得這種學習模式的價值不僅在于知識傳遞，更在于文化建設。它向團隊成員傳達了一個明確的信號：在AI時代，學習不是可選的額外活動，而是工作的核心組成部分。當學習成為團隊日常節奏的一部分時，它就不再是負擔，而是自然的工作方式。

這讓我思考一個更深層的問題：在技術快速變化的時代，個人知識的半衰期正在急劇縮短。六個月前學習的AI工具可能現在已經被更好的替代方案超越，一年前的最佳實踐可能現在已經過時。在這種環境下，比掌握具體知識更重要的是掌握學習的能力。

Denys強調的"世界變化太快"不是夸張，而是客觀現實。他提到現在使用的是六個月而不是一年的評估周期，這個細節雖小，但反映了整個行業節奏的加速。這種加速不僅體現在技術層面，也體現在商業模式、用戶期望和競爭格局的變化上。

我認為這種組織學習機制的另一個價值在于它促進了知識的民主化。在傳統的技術團隊中，知識往往集中在少數專家手中，其他人只能被動接受。但在AI時代，每個人都需要具備一定的AI素養，都需要能夠獨立做出技術決策。通過輪流分享的機制，每個團隊成員都有機會成為某個領域的"專家"，這種角色輪換有助于培養每個人的綜合能力。

從更廣的角度看，我覺得這種學習模式體現了AI時代組織能力的新特征：不再是金字塔式的知識傳遞，而是網絡式的知識共享。每個節點（團隊成員）都既是知識的消費者，也是知識的生產者。這種模式的適應性和韌性遠超傳統的層級式組織。

技術決策的哲學：實用主義vs完美主義

通過分析Denys的整個分享，我發現了一個一以貫之的哲學：實用主義。無論是技能配置、團隊結構還是招聘策略，他都優先考慮"夠用"而不是"完美"。這種思維方式在AI時代尤其重要，因為技術的變化速度使得追求完美往往意味著錯過機會。

他的90%技術理論特別能說明這一點：我們已經擁有解決90%人類問題所需的技術，限制我們的不是技術能力，而是應用能力。這個觀察打破了技術行業普遍存在的"技術崇拜"，提醒我們關注的重點應該是如何更好地使用現有技術，而不是發明新技術。

我覺得這種實用主義哲學在AI商業化的當下尤其重要。很多公司被AI的技術復雜性所intimidate，認為必須投入巨資研發才能參與這場革命。但實際上，大多數商業價值來自于對現有AI能力的巧妙應用，而不是技術突破。

Denys關于不同公司類型需要不同策略的分析也體現了這種實用主義。技術公司可能需要投資基礎研究，但大多數垂直化和技術賦能的公司更需要的是集成和應用能力。認清自己公司的定位和需求，比盲目跟風更重要。

這種實用主義還體現在他對專業化的態度上。他并不反對專業化，但他認為專業化應該基于實際需求，而不是理論完美。當你的團隊還在尋找產品市場契合點時，全才型工程師的適應性比專家的深度更有價值。只有當你需要提升那最后5%的性能時，專家才變得必要。

我個人非常認同這種哲學。在AI技術快速變化的環境下，那些能夠快速適應、務實決策的團隊往往比那些追求技術完美的團隊更容易成功。這不是說技術質量不重要，而是說我們需要在質量和速度之間找到合適的平衡點。

AI團隊的未來：從技術導向到價值導向

綜合Denys的分享和我自己的觀察，我認為AI團隊正在經歷一次根本性的轉變：從技術導向轉向價值導向。這種轉變不僅改變了我們對技能的定義，也改變了我們對成功的衡量標準。

在技術導向的時代，團隊的價值主要體現在算法的先進性、模型的復雜度或系統的性能指標上。但在價值導向的時代，團隊的價值主要體現在解決的問題數量、創造的商業價值或用戶滿意度上。這種轉變要求我們重新定義什么是"好的"AI工程師。

我覺得這種轉變的背景是AI技術的商品化。當基礎AI能力變得increasingly accessible時，差異化就不再來自于技術本身，而來自于如何將技術應用到具體的業務場景中。這就像互聯網技術在早期需要專門的網絡工程師，但現在任何開發者都可以輕松構建網絡應用一樣。

從招聘角度看，這意味著我們需要尋找的不再是傳統意義上的"AI專家"，而是具備AI素養的業務專家或具備業務理解的AI從業者。這種復合型人才能夠在技術可能性和商業需求之間建立橋梁，這正是AI商業化的關鍵。

從團隊結構角度看，這意味著AI團隊不能再是孤立的技術團隊，而必須與產品、銷售、客戶服務等其他部門深度集成。Denys強調的"人類面向"能力正是這種集成的體現：AI工程師必須能夠直接與客戶對話，理解他們的需求和痛點。

從組織文化角度看，這意味著我們需要建立一種新的學習文化，讓每個人都能夠跟上技術的變化。這不是說每個人都要成為AI專家，而是說每個人都需要理解AI能做什么、不能做什么，以及如何在自己的工作中有效利用AI。

我預測，未來幾年我們會看到更多像Denys這樣的AI團隊負責人，他們不會被技術的復雜性所overwhelm，而是專注于如何將AI技術轉化為實際的商業價值。這些團隊將成為企業AI轉型的真正推動力，因為他們理解技術，但更理解業務。

寫在最后：務實的AI轉型之路

聽完Denys的分享后，我最大的感悟是：AI轉型不是一場技術革命，而是一場管理革命。成功的關鍵不在于你擁有多少AI PhD，而在于你能否重新組織現有資源，讓他們在AI時代發揮出更大的價值。

對于那些被賦予AI轉型任務但沒有額外資源的團隊負責人，我覺得Denys提供了一條可行的路徑：不要試圖復制大科技公司的做法，而要根據自己的實際情況制定策略。重要的是理解你的瓶頸在哪里，你的團隊需要什么樣的技能組合，以及如何在有限預算下實現最大價值。

我特別認同他關于持續學習的強調。在AI技術快速變化的今天，停止學習就意味著被淘汰。但學習不應該是個人的負擔，而應該成為團隊文化的一部分。通過建立定期的知識分享機制，讓學習成為團隊日常工作的自然組成部分，這樣才能確保整個團隊的競爭力。

從更宏觀的角度看，我認為Denys的分享揭示了AI時代組織管理的一個核心矛盾：技術變化的速度與組織適應速度之間的gap。那些能夠縮小這個gap的組織將獲得巨大的競爭優勢，而那些無法適應的組織將被時代拋棄。這不是危言聳聽，而是正在發生的現實。

最后，我想回到Denys提出的那個根本問題：技術是否是限制我們成功的瓶頸？答案往往是否定的。真正的瓶頸通常在于我們如何組織人員、如何定義問題、如何衡量價值，以及如何適應變化。AI技術給了我們強大的工具，但工具的價值最終取決于使用者的智慧。

對于正在面臨AI轉型壓力的團隊負責人，我的建議是：不要被技術的復雜性嚇倒，也不要被預算的限制絆住。從重新定義現有團隊成員的角色開始，讓他們在AI時代找到新的價值定位。投資于人的成長和適應能力，建立學習型的團隊文化，這些投入的回報往往超過任何技術投資。

AI的未來不屬于那些擁有最多PhD的公司，而屬于那些能夠最有效地將AI能力轉化為客戶價值的公司。而這種轉化能力，正是通過像Denys這樣務實的團隊建設方法來實現的。在這個變革的時代，我們都需要成為既懂技術又懂業務、既能編程又能溝通、既有深度又有廣度的復合型人才。這不是更高的要求，而是時代的基本要求。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。