构建现代化AI团队：核心要点摘要
本次演讲的核心是探讨在当前“AI优先”的时代背景下，如何构建和管理一个高效的现代化AI团队。演讲者 Dennis Linkov，Wisdocs 机器学习团队负责人，分享了他在不同时期组建AI团队的实践经验和深刻见解。
第一部分：AI团队的剖析 (Anatomy of an AI Team)
不同类型的公司与挑战
公司可以大致分为三类，每类公司在AI转型中面临的挑战和决策也不同：
- 技术公司 (Technology Companies): 核心价值主张是技术本身。
- 常见问题: 缺乏特定领域的知识，导致产品与业务脱节。
- 常见对策: 购买数据或外部专业知识。
- 垂直解决方案/服务公司 (Verticalized Solutions/Services): 例如 Palantir 或演讲者所在的公司 Wisdocs。
- 特点: 结果往往走向两极，要么非常成功，要么彻底失败。
- 技术赋能型公司 (Tech-Enabled Companies): 核心产品非技术，但技术能极大地提升其价值，如银行、零售商等。
- 常见问题: 技术本身成为挑战，因为非其核心竞争力。
- 常见对策: 通过服务提供商或购买现成的解决方案来获取技术。
技术并非唯一瓶颈
演讲者提出了一个颇具争议的观点：
“我们已经拥有解决人类90%问题的技术。”
他用几个事实来支撑这个观点：
- 传真市场依然存在且在增长，数十亿美元仍被花费在传真上。
- 2017年，美国只有3%的支付是无接触式的，支票仍占有巨大市场份额。
- 个人计算和互联网出现40年后，医疗系统才基本实现数字化。
核心问题不在于技术本身，而在于我们如何使用技术。 这决定了团队的建设方向。
“安培的赌注 (Ampere's Wager)”：团队构成思考实验
这是一个引人深思的问题，旨在挑战管理者对团队价值的看法：
你是否愿意用你现有的、具备领域知识的团队，去交换五位来自顶级实验室的AI研究员？
这个问题的答案，取决于你公司的具体情况和瓶颈所在。演讲者认为，对于他的公司，他更倾向于保留现有具备领域专长的团队。 这是对帕斯卡赌注（Pascal's wager）的改编，该赌注认为，相信上帝存在是一种理性的选择，因为潜在的收益是无限的。
关键概念:
- Pascal's Wager (帕斯卡的赌注): 一个哲学论证，认为相信上帝存在是理性的选择，因为其潜在回报（永恒的幸福）是无限的，而损失是有限的。
- Ampere's Wager (安培的赌注): 演讲者提出的一个比喻，让听众在拥有领域知识的现有团队和顶尖AI研究员之间做出选择。
- Blackwell's Wager (布莱克威尔的赌注): 演讲者提到的另一个比喻，让听众在GPU和团队之间做出选择。
第二部分：通才的演变 (Evolution of a Generalist)
通才 vs. 专才 (Generalist vs. Specialist)
演讲者分享了他在2021年和2024年两次组建团队的经历，强调了在不同阶段对人才技能的不同侧重。
在公司发展的初期或转型期，通才（Generalists）往往比专才（Specialists）更有价值。 他们适应性强，能够连接不同领域，推动项目从0到1。当业务成熟，需要进行深度优化以提升最后5%的性能时，专才的重要性才会凸显。
团队技能需求被分解为三个维度：
- 模型训练 (Model Training): 掌握通用模型架构，能进行微调（fine-tuning），如使用编码器模型 (Encoder Models)。
- 模型服务 (Model Serving): 理解并使用MLOps平台，了解部署和运维的权衡。
- 商业敏锐度 (Business Acumen): 能够与客户直接沟通，理解业务需求，而不仅仅是“在地下室写代码”。
关键概念:
- MLOps (机器学习运维): 旨在简化机器学习模型开发、部署和管理的工具和实践。
- Encoder Models (编码器模型): AI模型的一部分，负责将输入数据（如文本）转换成数字表示。
- Decoder Models (解码器模型): AI模型的一部分，负责将数字表示转换成新的数据（如翻译后的文本）。
- RAG as a Service (检索增强生成服务): 一种云服务，它将检索和生成模型结合起来，以提供更准确、更相关的AI回复。
团队的内外环结构
一个高效的AI团队需要清晰的内外环结构，以确保日常运作和长期竞争力。
- 内环 (Inner Loop): 团队日常成功的核心活动，包括模型训练、Prompting、产品需求、模型服务、领域专家和商业案例构建。
- 外环 (Outer Loop): 能够让公司脱颖而出的活动，可能不需要持续互动，但至关重要。
如果技术内环薄弱，团队将在技术执行上挣扎；如果领域外环薄弱，则难以找到产品市场契合点 (Product Market Fit)。
第三部分：关于招聘 (The Question of Hiring)
行动与建议：技能提升、重塑与招聘
演讲者给出了三个核心建议，以应对AI浪潮带来的挑战：
- 学会构建 (Learn to Build): 快速将产品需求从静态文档转化为功能原型，缩短工程师与产品经理之间的反馈循环。
- 成为领域专家 (Become a Domain Expert): 领域专家应直接参与编写用例、定义评估标准，具备与大语言模型（LLMs）直接工作的能力。
- 面向人类 (Be Human-Facing): 工程师需要直接参与客户访谈，缩短产品与市场之间的反馈循环。
团队文化建设: 建立持续学习的文化至关重要。演讲者的团队每周都有30分钟的学习会，探讨新的技术和业务重点。 不这样做的后果，远比花费这些时间更严重。
何时以及如何招聘？
招聘的核心理由有两个：
- 持有上下文 (Hold Context): 团队成员需要深入理解业务和技术的背景信息。
- 基于上下文行动 (Act on Context): 利用这些理解来做出正确的决策和执行。
AI代理或许能处理部分任务，但最终仍需要人类专家来验证其正确性，并为系统负责。
招聘建议：
- 了解你的团队构成和预算，不要盲目追求顶尖研究员，通才AI工程师可能是性价比更高的选择。
- 警惕行业趋势的噪音，例如“不再需要初级工程师”的说法。YC为年轻人举办AI学校的事实恰恰反驳了这一点。
- 面试问题应与岗位高度相关，停止使用与工作无关的算法题（LeetCode），尤其是当大语言模型已经能解决它们时。
结论
演讲最后总结了三个核心教训：
- 明确目标: 首先定义你需要什么样的团队才能取胜。
- 拥抱跨职能: 跨职能团队将继续有效，但其构成方式会更加多样化，每个人都有机会与AI系统协作。
- 持续学习: 世界变化太快，必须将学习内化为团队文化的一部分。 他以Pelican evaluations为例，说明技术迭代速度之快，要求我们保持与时俱进。