如何构建现代化的AI团队: 90%的公司都在犯同一个错误

你是否也曾被高层一句“我们要做AI优先”推上转型前线，却发现预算没变、团队没扩、资源没加？这篇文章将带你复盘AI团队建设中的常见误区，并通过真实案例告诉你：不是每家公司都需要PhD研究员，更重要的是如何用现有资源打造真正能落地的AI能力。

你有没有经历过这样的场景：公司高层突然宣布”我们现在是AI优先的公司”，然后看着你说”去组建一个AI团队吧”，但预算和人员编制却纹丝不动？如果你点头了，那你绝对不是一个人。从Shopify到Duolingo，再到Zapier，似乎每家科技公司都在宣布自己转型为”AI优先”，仿佛这是一张通往未来的船票。但现实往往更加残酷：你被赋予了AI转型的重任，却没有额外的资源去实现它。

最近我看到Wisdocs机器学习团队负责人DenysLinkov在一次技术分享中深度剖析了这个问题。他的观点让我产生了强烈共鸣，因为他不是在谈论那些拥有无限预算的大科技公司如何组建AI梦之队，而是在解决我们这些普通公司面临的真实挑战：如何在有限资源下，通过重新培训、技能提升和团队增强来交付AI转型的承诺。

这不是一个关于招聘最顶尖AI研究员的故事，而是关于如何让现有团队在AI时代重新焕发活力的实用指南。

我深信，我们正处在一个关键的历史节点。那些能够巧妙地重构现有团队、培养跨功能AI能力的公司，将在未来几年获得巨大的竞争优势。而那些还在纠结是否要花重金挖角顶级AI研究员的公司，可能已经错过了最佳的转型窗口期。

AI团队的真实构成：不是你想象的那样

Denys在分享中提出了一个我觉得非常精辟的观点：不同类型的公司需要完全不同的AI团队结构。他将公司分为三大类：技术公司（科技巨头和初创公司）、垂直化解决方案或服务公司（如Palantir和他工作的Wisdocs），以及技术赋能公司（银行、零售商、中小企业等）。这个分类看似简单，但背后蕴含的团队构建逻辑却完全不同。

我发现很多公司在组建AI团队时犯的最大错误，就是盲目模仿科技巨头的做法。看到Google有几千名AI研究员，就觉得自己也需要招聘PhD级别的研究人员；看到OpenAI在模型训练上投入巨资，就认为自己也需要从头开始训练大模型。但现实是，绝大多数公司并不需要重新发明轮子，而是需要学会如何更好地使用现有的轮子。

Denys提到的一个案例让我印象深刻：传真机市场至今仍然存在，价值数十亿美元，而且还在增长。2017年，美国只有3%的支付是无接触式的，支票仍然占据着庞大的市场份额。个人计算机和互联网问世40年后，医疗系统和电子病历才开始数字化。这些数字揭示了一个残酷的现实：技术从来不是限制我们成功的瓶颈，如何使用技术才是。

这个观察让我重新思考AI团队的本质。我们真正需要的不是能够从零开始训练GPT-4的研究员，而是能够理解业务需求、整合现有技术、并将AI能力转化为实际商业价值的复合型人才。正如Denys所说，90%的人类问题都可以用现有技术解决，关键在于如何应用这些技术。

在我看来，这种认知转变具有革命性意义。它意味着AI团队的核心能力不再是算法创新，而是问题定义、产品集成、ROI测量、数据获取、工作流优化、界面构建、产品销售和客户关怀。这是一个完全不同的技能集合，需要完全不同的招聘策略和团队结构。

Denys提出了一个发人深省的问题：如果让你用五个来自顶级实验室的AI研究员来交换你现有的团队（可能还需要额外付费和选秀权），你会做这个交易吗？对于绝大多数公司来说，答案应该是否定的。因为那些拥有领域知识、了解业务流程、能够与客户沟通的现有团队成员，其价值远超过几个只会写论文的研究员。

这让我想起了一个更深层的问题：我们为什么会对AI研究员有如此强烈的迷恋？我觉得这partly源于对AI技术的神秘化，partly源于对复杂性的恐惧。我们总以为AI是如此高深莫测，只有PhD才能驾驭，但实际上，在商业应用层面，AI更像是一种新的编程范式，需要的是工程思维而非研究思维。

全才型工程师的崛起：为什么专业化可能是陷阱

Denys在2021年组建第一个机器学习团队时采用的策略让我眼前一亮：他选择招聘全才型工程师（generalists），并通过自动化工具来支持他们。这种做法在当时可能显得有些另类，因为主流观点一直认为AI需要高度专业化的人才。但回过头看，这种策略显得极其前瞻。

他当时面临的挑战非常具体：需要服务数十万个并发模型，支持多领域应用，成本要低，还要支持实时训练和服务。为了达成这些目标，团队构建了定制的MLOps平台，主要做encoder模型的微调，建立了RAG即服务，并管理着十个微服务中的六个。这听起来像是一个技术含量极高的项目，但关键在于他们是如何配置人员的。

在模型训练方面，Denys没有追求顶尖的专家，而是设定了一个务实的标准：了解模型的通用架构，能够进行encoder微调，具备一定的数据工程能力，熟悉HuggingFace即可。在模型服务方面，由于他本人有云工程背景，承担了大部分基础设施工作，为团队建立了足够的抽象层，让其他成员不需要深入了解Kubernetes或具体的训练服务细节。最重要的是，他特别强调团队成员必须具备与客户直接沟通的能力。

我觉得这种配置策略的聪明之处在于，它认识到了现代AI工作的真实需求。在大多数商业场景中，你不需要发明新的模型架构，你需要的是快速理解客户需求，选择合适的现有工具，并将它们整合成可用的解决方案。这更像是系统集成工作，而非科学研究。

到了2024年，当Denys在新组织中再次组建团队时，环境已经发生了巨大变化。开源工具变得更加成熟，商业模型API变得更加强大，他们的技能需求配置也相应调整。在训练方面，使用商业API、prompt调优和模型微调变得更加重要；在服务方面，由于可以使用开源解决方案，不再需要从头构建平台；在领域知识方面，由于专注于医疗记录处理，对领域专业性的要求反而提高了。

这个演进过程让我深刻理解了全才型工程师的价值。他们不是什么都懂一点的”万金油”，而是能够快速学习新工具、适应变化环境、并在不同技能领域之间建立连接的复合型人才。在AI技术快速演进的今天，这种适应性可能比深度专业化更加重要。

我个人的观察是，AI领域的技术栈变化速度极快。六个月前还是主流的工具，现在可能已经被新的解决方案取代。在这种环境下，那些能够快速学习新工具、理解技术趋势、并将这些工具应用到具体业务场景中的全才型工程师，比那些只专精于某一特定技术的专家更有价值。

Denys提到的内环和外环概念我觉得特别有启发性。内环是团队每天必须完成的核心活动：模型训练、prompting、产品需求理解、模型服务、领域专业知识和商业案例构建。外环是那些能让团队脱颖而出的更广泛活动。如果内环的技术执行能力薄弱，你会在技术实施上遇到困难；如果外环的领域循环薄弱，你将无法找到产品市场契合点。

这种框架让我重新审视了专业化的问题。在AI的早期阶段，当你还在寻找产品市场契合点、尝试基本进展时，你需要的是能够快速试错、适应变化的全才型人才。只有当你在模型训练、服务等方面达到相当成熟的阶段，需要提升那最后5%的性能时，才需要引入专家来处理特定的技术瓶颈。

重新定义技能提升：从编程到建构

让我最有感触的是Denys对技能重构的看法。他认为在AI浪潮中，有三个核心能力是每个人都需要掌握的：学会建构（learntobuild）、成为领域专家（becomeadomainexpert）、面向人类工作（behumanfacing）。这三个方向完全颠覆了传统的技术技能框架。

“学会建构”不再意味着从头编写代码，而是从静态的产品需求文档转向功能性原型。Denys强调，我们应该告别那些痛苦的对话——产品经理和工程师之间关于”这不在需求里”或”这是个边缘情况”的争执。相反，我们应该通过快速原型来缩短反馈循环，让想法能够快速得到验证或推翻。

我深有同感。在传统的软件开发中，我们花费大量时间在文档编写和需求澄清上，但往往到了实际开发阶段才发现很多假设是错误的。AI工具让我们能够快速构建可工作的原型，让所有利益相关者都能看到和体验实际的产品行为，这比任何文档都更有说服力。

在成为领域专家方面，Denys的观点更加激进。他认为领域专家不应该只是提供输入和反馈，而应该直接编写用例、定义需求，并具备直接与LLM工作的能力。这意味着技术和业务之间的界限正在模糊，每个人都需要具备一定的AI素养。

我觉得这个趋势已经很明显了。在我接触的很多项目中，那些最成功的AI应用往往来自于深度理解业务场景的领域专家，而不是纯技术人员。因为他们知道哪些问题真正值得解决，哪些解决方案在实际业务环境中可行。而AI工具的普及，让这些领域专家不再需要依赖技术人员来实现他们的想法。

在面向人类工作方面，Denys特别强调工程师必须参与客户沟通。这在传统的技术组织中可能听起来有些奇怪，但在AI时代却变得至关重要。因为AI解决方案往往需要大量的迭代和调优，而这种迭代必须基于真实的用户反馈。如果工程师无法直接听到用户的声音，就很难做出正确的技术决策。

我注意到一个有趣的细节：Denys的团队每周都会安排30分钟的学习时间，由团队成员轮流分享新的主题。这种做法看起来可能有些”内卷”，但正如他所说，不这样做的后果会更严重。在AI技术日新月异的今天，停止学习就意味着被淘汰。

这让我思考一个更深层的问题：在AI时代，持续学习不再是可选项，而是生存必需品。我们已经从年度评估进入了六个月评估的时代，技术的演进速度远超过了传统的学习和适应周期。这要求我们必须将学习内置到工作流程中，而不是将其视为额外的负担。

招聘的新逻辑：上下文比算法更重要

Denys关于招聘的观点让我重新审视了AI时代的人才策略。他认为招聘人员主要有两个目的：持有上下文（holdcontext）和基于上下文行动（actoncontext）。这个简单的框架却蕴含着深刻的洞察。

在传统的技术招聘中，我们往往过分关注候选人的算法能力或编程技巧。但在AI时代，更重要的是他们能否理解业务上下文，并基于这种理解做出正确的决策。一个能够与客户深入沟通、理解他们真实需求的工程师，可能比一个算法大师更有价值。

Denys提到一个现象让我印象深刻：很多公司仍在使用与工作内容完全无关的LeetCode题目来筛选候选人。这种做法在AI可以轻松解决大部分编程题目的今天，不仅失去了评估意义，而且可能筛选掉那些真正适合AI工作的人才。因为AI工作更多的是关于问题定义、方案选择和系统集成，而不是算法实现。

我特别赞同他对初级工程师价值的分析。当很多公司都在讨论”AI将取代初级工程师”时，Denys问了一个尖锐的问题：为什么YCombinator还在为学生和年轻人举办AI学校，吸引2000人前往旧金山？如果初级职位真的没有价值，他们为什么还要投入这么多资源？

这个观察让我思考一个更广泛的问题：我们是否过于迷信经验和资历？在一个技术快速变化的领域，那些没有太多既定观念、愿意快速学习新工具的年轻人，可能比那些固守传统做法的资深专家更有价值。关键不是你有多少年的经验，而是你能否快速适应新的工作方式。

Denys最终回到了他的”Ampere赌注”：你会选择五个来自顶级实验室的研究员，还是一个拥有领域专业知识、能够销售产品、能够与客户产生共鸣的团队？对于他的公司来说，答案很明确：后者更有价值。

我觉得这个选择反映了AI商业化的本质。学术研究和商业应用是两个完全不同的领域，需要完全不同的技能集合。在商业环境中，能够快速将技术转化为客户价值的能力，远比发表顶级论文的能力更重要。

预算约束下的团队优化：现实主义的智慧

让我最受启发的是Denys关于预算现实主义的讨论。他非常坦率地承认，作为团队负责人，你不可能拥有无限的预算。这意味着你必须在模型训练、模型服务和商业洞察这三个维度上做出权衡，决定在每个方面投入多少资源。

这种思维方式与很多AI团队的理想主义形成了鲜明对比。我经常看到一些团队制定宏伟的计划，想要在每个方面都达到行业顶尖水平，但最终因为资源分散而什么都做不好。Denys的方法更加务实：明确定义每个维度的最低要求和最优目标，然后根据实际预算进行配置。

在模型训练方面，他们的标准是”上半部分”的能力：了解通用架构，能够进行encoder微调，具备数据工程技能，熟悉HuggingFace。这个标准既不会太低（避免基本工作都无法完成），也不会太高（不需要能够训练GPT-3级别的模型）。

我觉得这种标准设定的智慧在于它的实用性。大多数商业场景并不需要从头开始训练大模型，而是需要在现有模型基础上进行适配和优化。能够熟练使用现有工具、理解其限制和优势的工程师，往往比那些只知道理论的研究人员更有价值。

在模型服务方面，Denys采用了分层抽象的策略。作为团队负责人，他承担了底层平台构建的复杂性，为团队成员提供了简化的抽象接口。这让其他成员不需要深入了解Kubernetes或分布式系统的细节，只需要理解如何使用这些抽象以及它们的权衡取舍。

这种做法让我想到了现代软件开发的趋势：我们不需要每个人都是全栈专家，但我们需要每个人都理解系统的整体架构和各部分之间的关系。在AI领域也是如此，你不需要每个人都精通底层算法，但每个人都需要理解AI系统的能力边界和使用场景。

最重要的是，Denys在商业洞察方面设定了很高的标准。他要求团队成员能够直接与客户对话，能够理解和传达技术决策的商业影响。这种要求在传统的技术团队中可能显得过分，但在AI商业化的今天却是必需的。

我深刻认同这种资源配置策略。它体现了一种成熟的管理思维：承认约束的存在，并在约束条件下寻找最优解。这比那种无视现实、追求完美的做法更容易成功。

组织学习的新范式：从个人技能到集体智慧

Denys提到的团队学习机制让我看到了AI时代组织能力建设的新模式。他们每周安排30分钟的学习时间，由团队成员轮流分享新主题，涵盖团队和公司的核心优先事项。这种做法看似简单，但背后体现的是对持续学习的深刻理解。

我觉得这种学习模式的价值不仅在于知识传递，更在于文化建设。它向团队成员传达了一个明确的信号：在AI时代，学习不是可选的额外活动，而是工作的核心组成部分。当学习成为团队日常节奏的一部分时，它就不再是负担，而是自然的工作方式。

这让我思考一个更深层的问题：在技术快速变化的时代，个人知识的半衰期正在急剧缩短。六个月前学习的AI工具可能现在已经被更好的替代方案超越，一年前的最佳实践可能现在已经过时。在这种环境下，比掌握具体知识更重要的是掌握学习的能力。

Denys强调的”世界变化太快”不是夸张，而是客观现实。他提到现在使用的是六个月而不是一年的评估周期，这个细节虽小，但反映了整个行业节奏的加速。这种加速不仅体现在技术层面，也体现在商业模式、用户期望和竞争格局的变化上。

我认为这种组织学习机制的另一个价值在于它促进了知识的民主化。在传统的技术团队中，知识往往集中在少数专家手中，其他人只能被动接受。但在AI时代，每个人都需要具备一定的AI素养，都需要能够独立做出技术决策。通过轮流分享的机制，每个团队成员都有机会成为某个领域的”专家”，这种角色轮换有助于培养每个人的综合能力。

从更广的角度看，我觉得这种学习模式体现了AI时代组织能力的新特征：不再是金字塔式的知识传递，而是网络式的知识共享。每个节点（团队成员）都既是知识的消费者，也是知识的生产者。这种模式的适应性和韧性远超传统的层级式组织。

技术决策的哲学：实用主义vs完美主义

通过分析Denys的整个分享，我发现了一个一以贯之的哲学：实用主义。无论是技能配置、团队结构还是招聘策略，他都优先考虑”够用”而不是”完美”。这种思维方式在AI时代尤其重要，因为技术的变化速度使得追求完美往往意味着错过机会。

他的90%技术理论特别能说明这一点：我们已经拥有解决90%人类问题所需的技术，限制我们的不是技术能力，而是应用能力。这个观察打破了技术行业普遍存在的”技术崇拜”，提醒我们关注的重点应该是如何更好地使用现有技术，而不是发明新技术。

我觉得这种实用主义哲学在AI商业化的当下尤其重要。很多公司被AI的技术复杂性所intimidate，认为必须投入巨资研发才能参与这场革命。但实际上，大多数商业价值来自于对现有AI能力的巧妙应用，而不是技术突破。

Denys关于不同公司类型需要不同策略的分析也体现了这种实用主义。技术公司可能需要投资基础研究，但大多数垂直化和技术赋能的公司更需要的是集成和应用能力。认清自己公司的定位和需求，比盲目跟风更重要。

这种实用主义还体现在他对专业化的态度上。他并不反对专业化，但他认为专业化应该基于实际需求，而不是理论完美。当你的团队还在寻找产品市场契合点时，全才型工程师的适应性比专家的深度更有价值。只有当你需要提升那最后5%的性能时，专家才变得必要。

我个人非常认同这种哲学。在AI技术快速变化的环境下，那些能够快速适应、务实决策的团队往往比那些追求技术完美的团队更容易成功。这不是说技术质量不重要，而是说我们需要在质量和速度之间找到合适的平衡点。

AI团队的未来：从技术导向到价值导向

综合Denys的分享和我自己的观察，我认为AI团队正在经历一次根本性的转变：从技术导向转向价值导向。这种转变不仅改变了我们对技能的定义，也改变了我们对成功的衡量标准。

在技术导向的时代，团队的价值主要体现在算法的先进性、模型的复杂度或系统的性能指标上。但在价值导向的时代，团队的价值主要体现在解决的问题数量、创造的商业价值或用户满意度上。这种转变要求我们重新定义什么是”好的”AI工程师。

我觉得这种转变的背景是AI技术的商品化。当基础AI能力变得increasinglyaccessible时，差异化就不再来自于技术本身，而来自于如何将技术应用到具体的业务场景中。这就像互联网技术在早期需要专门的网络工程师，但现在任何开发者都可以轻松构建网络应用一样。

从招聘角度看，这意味着我们需要寻找的不再是传统意义上的”AI专家”，而是具备AI素养的业务专家或具备业务理解的AI从业者。这种复合型人才能够在技术可能性和商业需求之间建立桥梁，这正是AI商业化的关键。

从团队结构角度看，这意味着AI团队不能再是孤立的技术团队，而必须与产品、销售、客户服务等其他部门深度集成。Denys强调的”人类面向”能力正是这种集成的体现：AI工程师必须能够直接与客户对话，理解他们的需求和痛点。

从组织文化角度看，这意味着我们需要建立一种新的学习文化，让每个人都能够跟上技术的变化。这不是说每个人都要成为AI专家，而是说每个人都需要理解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。

我预测，未来几年我们会看到更多像Denys这样的AI团队负责人，他们不会被技术的复杂性所overwhelm，而是专注于如何将AI技术转化为实际的商业价值。这些团队将成为企业AI转型的真正推动力，因为他们理解技术，但更理解业务。

写在最后：务实的AI转型之路

听完Denys的分享后，我最大的感悟是：AI转型不是一场技术革命，而是一场管理革命。成功的关键不在于你拥有多少AIPhD，而在于你能否重新组织现有资源，让他们在AI时代发挥出更大的价值。

对于那些被赋予AI转型任务但没有额外资源的团队负责人，我觉得Denys提供了一条可行的路径：不要试图复制大科技公司的做法，而要根据自己的实际情况制定策略。重要的是理解你的瓶颈在哪里，你的团队需要什么样的技能组合，以及如何在有限预算下实现最大价值。

我特别认同他关于持续学习的强调。在AI技术快速变化的今天，停止学习就意味着被淘汰。但学习不应该是个人的负担，而应该成为团队文化的一部分。通过建立定期的知识分享机制，让学习成为团队日常工作的自然组成部分，这样才能确保整个团队的竞争力。

从更宏观的角度看，我认为Denys的分享揭示了AI时代组织管理的一个核心矛盾：技术变化的速度与组织适应速度之间的gap。那些能够缩小这个gap的组织将获得巨大的竞争优势，而那些无法适应的组织将被时代抛弃。这不是危言耸听，而是正在发生的现实。

最后，我想回到Denys提出的那个根本问题：技术是否是限制我们成功的瓶颈？答案往往是否定的。真正的瓶颈通常在于我们如何组织人员、如何定义问题、如何衡量价值，以及如何适应变化。AI技术给了我们强大的工具，但工具的价值最终取决于使用者的智慧。

对于正在面临AI转型压力的团队负责人，我的建议是：不要被技术的复杂性吓倒，也不要被预算的限制绊住。从重新定义现有团队成员的角色开始，让他们在AI时代找到新的价值定位。投资于人的成长和适应能力，建立学习型的团队文化，这些投入的回报往往超过任何技术投资。

AI的未来不属于那些拥有最多PhD的公司，而属于那些能够最有效地将AI能力转化为客户价值的公司。而这种转化能力，正是通过像Denys这样务实的团队建设方法来实现的。在这个变革的时代，我们都需要成为既懂技术又懂业务、既能编程又能沟通、既有深度又有广度的复合型人才。这不是更高的要求，而是时代的基本要求。