289
0本期主题
拆解普通公司在有限资源下的 AI 团队搭建逻辑，打破 “模仿科技巨头” 的误区，探索从人员配置、技能重构到招聘策略的务实路径，助力企业实现高效 AI 转型。
核心观点嘉宾
Denys Linkov（Wisdocs 机器学习团队负责人）—— 拥有丰富的 AI 团队搭建经验，聚焦 “非巨头公司” 的 AI 落地痛点，提出全才型工程师培养、上下文优先招聘等创新理念。
本期核心内容
一、AI 团队搭建的最大误区：盲目模仿科技巨头
- 90% 公司的共性错误：看到 Google、OpenAI 的 AI 团队配置（大量 PhD 研究员、巨资训练大模型），便跟风招聘顶尖研究员、投入资源自研大模型，却忽略自身真实需求。
- 公司类型决定团队结构：技术公司（科技巨头、AI 初创）：需一定基础研究能力；
垂直化解决方案 / 服务公司（如 Palantir、Wisdocs）：侧重现有技术整合与业务适配；
技术赋能公司（银行、零售商、中小企业）：核心是将 AI 转化为具体业务价值，无需 “从零造轮子”。 - 残酷现实：技术不是瓶颈，“如何用技术” 才是 —— 传真机市场仍值数十亿美元，2023 年美国无接触支付占比仅 25%（2017 年仅 3%），互联网问世 40 年后仍有 90% 医院未实现电子病历数字化，印证 “技术应用能力” 比 “技术本身” 更关键。
二、全才型工程师：AI 团队的 “适配主力”
- 2021-2024 年的团队配置演进：2021 年：聚焦 “通用能力”—— 招聘懂模型通用架构（如 Encoder 微调）、数据工程、基础云服务，且能直接对接客户的全才型工程师，通过自建 MLOps 平台降低技术门槛；
2024 年：适配工具成熟度 —— 转向 “商业 API 使用、Prompt 调优、领域知识深化”（如 Wisdocs 专注医疗记录处理，需医疗领域认知），无需从头搭建基础平台。 - 全才型工程师的核心价值：在 AI 技术快速迭代（6 个月即可能淘汰一批工具）的环境中，“快速学习新工具、跨领域衔接、适应业务变化” 的能力，比 “单一技术专精” 更重要。
- 内环 - 外环能力框架：内环（核心必做）：模型训练、Prompt 设计、理解产品需求、模型服务、领域知识、构建商业案例；
外环（脱颖而出）：客户洞察、财务分析、流程优化；
关键逻辑：先夯实内环（避免技术落地困难），再强化外环（找到产品市场契合点），早期无需追求 “专家级深度”。
三、技能重构：从 “写代码” 到 “建价值”
- 三大核心能力方向：学会建构：告别 “静态需求文档争论”，用 AI 工具快速搭建功能性原型，缩短反馈循环（如直接用原型验证 “边缘情况”，而非反复澄清需求）；
成为领域专家：业务人员需直接参与 AI 用例编写、需求定义，甚至掌握基础 LLM 操作，打破 “技术 - 业务壁垒”；
面向人类工作：工程师必须参与客户沟通 ——AI 方案需高频迭代，直接获取用户反馈才能做出正确技术决策（如 Wisdocs 团队要求工程师定期参加客户会议）。 - 持续学习机制：AI 技术半衰期极短，需将学习融入工作 —— 如 Wisdocs 团队每周安排 30 分钟 “轮流分享会”，覆盖新工具、新场景，避免 “停止学习即淘汰”。
四、招聘新逻辑：上下文比算法更重要
- 招聘的核心目的：“持有上下文”（理解业务背景）和 “基于上下文行动”（结合业务做决策），而非 “刷 LeetCode 能力”。
- 避开招聘陷阱：用与实际工作无关的算法题筛选，会错失 “懂业务、能落地” 的人才 ——AI 工作的核心是 “定义问题、选工具、做集成”，而非 “实现复杂算法”。
- 重新看待 “初级人才”：Y Combinator 仍大规模举办 AI 学校吸引年轻人，印证 “初级人才的学习力、无固有思维” 在 AI 领域的价值 —— 关键不是 “资历年限”，而是 “适应新工作方式的速度”。
- “Ampere 赌注”：5 个顶级实验室研究员，不如 1 个 “懂领域、能卖产品、会对接客户” 的团队 —— 商业场景中，“技术转化为客户价值” 比 “发表论文” 更关键。
五、预算约束下的务实策略
- 资源权衡逻辑：在 “模型训练、模型服务、商业洞察” 三方面明确 “最低要求” 与 “最优目标”，避免 “分散资源求完美”。模型训练：达标 “上半部分能力”（如会用 Hugging Face、做 Encoder 微调）即可，无需追求 “训练 GPT 级模型”；
模型服务：负责人搭建底层抽象层（如简化 Kubernetes 操作），让团队聚焦 “应用” 而非 “底层技术”；
商业洞察：高标准要求 —— 所有人需理解 “技术决策的商业影响”，直接对接客户。 - 管理哲学：实用主义优先 ——90% 的人类问题可通过现有技术解决，优先 “够用” 而非 “完美”，避免 “因追求技术先进而错过转型窗口”。
六、AI 团队的未来：从技术导向到价值导向
- 核心转变：价值衡量：从 “算法先进性、模型复杂度” 转向 “解决问题数量、商业价值、用户满意度”；
团队定位：从 “孤立技术团队” 转向 “与产品、销售、客服深度集成”；
人才需求：从 “纯 AI 专家” 转向 “懂 AI 的业务专家” 或 “懂业务的 AI 从业者”。 - 组织文化：建立 “网络式知识共享”—— 每个人既是知识消费者也是生产者（如轮流分享机制），替代传统 “金字塔式知识传递”，提升团队韧性。
本期金句
- “我们真正需要的不是能训练 GPT-4 的研究员，而是能理解业务、整合现有技术、将 AI 转化为商业价值的复合型人才。”
- “在 AI 时代，持续学习不是可选项，而是生存必需品 —— 我们已经从‘年度评估’进入‘六个月评估’的节奏。”
- “技术不是瓶颈，90% 的问题能用现有技术解决，限制我们的是‘应用技术的能力’。”
- “AI 的未来不属于拥有最多 PhD 的公司，而属于能最有效将 AI 转化为客户价值的公司。”
互动话题
你所在的公司属于哪类 AI 应用场景？搭建 AI 团队时遇到过 “模仿巨头” 的误区吗？欢迎在评论区分享你的经历与思考！
关于我们
“深思圈播客” 专注挖掘全球最新 AI 产品，分享实用出海增长策略，每周更新。关注我们，一起探索 AI 时代的商业落地路径！
编辑分享
在播客的描述中加入一些关于Wisdocs公司的介绍
写一篇300字的播客描述，突出AI团队搭建的核心观点
推荐一些成功的AI团队搭建案例
