去年我把一位在头部实验室做过核心训练的AI算法研究员招进团队前三个月产出几乎为零。我一开始怀疑自己看走了眼直到复盘才发现问题不在他身上在我给他配的环境里——统一分配的GPU配额、统一的项目排期、统一的KPI表。他跟我说了一句话这个环境里我连一个像样的实验都跑不起来。那一刻我才真正意识到顶级AI人才是真的吃不下“大锅饭”的。我这里说的大锅饭就是AI研发团队里最常见的平均主义管理算力按人头平均分、任务按人头平均派、流程统一管、考核一把尺。听起来很公平但在AI这个极度依赖精英判断力和快速试错的领域这种公平恰恰是最大的不公平。这篇文章想跟AI团队的管理者、创业公司CTO、大厂技术Leader以及正在为自己争取更好研发条件的AI工程师聊一聊为什么你会养不起、留不住顶级AI人才以及从算力、考核、流程、权限到决策权可以怎样一点点把“大锅饭”打破。1. 算力分配上的“一刀切”先废掉顶级AI人才一半功力1.1 顶级AI人才的产出是超线性曲线先把一个底层事实说清楚AI研发不是流水线劳动不是人数翻倍产出就翻倍也不是平均用力产出最稳定。一个有经验的顶级研究员和一名刚入行的工程师在同一个问题上投入同样的时间结果差异不是20%、30%而是数倍甚至一个数量级。这种差异来自哪里来自实验设计能力、对模型行为的直觉、对误差来源的判断以及知道哪些路根本不用走的经验。举个例子。同样是调一个7B模型普通工程师可能会按网上教程把学习率、batch size、warmup步数挨个试一遍每个组合跑一次光调参就要一两周。顶级研究员看到loss曲线就能判断是学习率过高导致发散还是数据分布出了问题直接改一个变量半天就把问题解决。这种差距在单个任务上只是效率差异但在一个需要持续产出前沿成果的团队里它就是团队能不能跑赢竞争对手的分水岭。而大锅饭的逻辑恰恰相反。它把算力、时间、流程按人头平均分配本质上是在强迫一个高手按照新人的节奏工作把他的超线性产出强行压回线性水平。这不是管理者的主观恶意而是很多团队在扩张时最常犯的路径依赖——过去做工程交付的时候标准化、平均分配确实有用但AI研究不是工程交付。这里必须强调一点不是所有AI岗位都需要顶级人才驱动。做数据标注、做自动化测试、做成熟的模型服务化部署这些确实可以标准化。但如果你招了一个顶级研究员却让他做跟别人完全一样的活、分跟他一样的资源那你不是雇了一个高手而是雇了一个很快会离开的高手。1.2 平均分配算力造成的是资源错配而非公平我见过最典型的算力大锅饭是这样的公司采购了100张A100为了“公平”按人头平均分配每人2张。听起来谁也没亏待谁但实际用起来问题立刻暴露。做7B模型全参微调2张A100勉强能跑但显存吃紧、训练速度慢到让人怀疑人生。一个本来3天能跑完的实验被拉长到两周。研究员的大部分时间不是在分析结果而是在等训练。反过来团队里有些人只是做推理验证、跑基线2张卡一天都用不满但按“公平原则”他们依然占着这些资源。结果就是紧缺的人吃不饱宽松的人用不完算力利用率整体下降团队的实验迭代速度被卡在最慢的那个人身上。正确的做法是算力跟着项目和人才走而不是跟着人头走。可以给每个人一个基础配额保证日常开发和调试不受影响但涉及核心实验、大规模微调、长上下文训练需要额外申请算力。审批标准不是职级、不是司龄而是实验提案本身的价值——你想验证什么假设、预计要跑多少量、成功后能带来什么收益。这才是让算力真正产生杠杆作用的方式。从另一个角度看算力平均分配还会隐形地加剧马太效应的反面有潜力但还没证明自己的新人可能因为资源不足而做不出成果随后被认为产出不行反过来又被剥夺更多资源。资源错配的代价在AI领域非常昂贵因为实验机会本身就是最好的学习机会。1.3 数据权限和实验自由度的“平均”同样致命除了算力数据权限的平均主义更隐蔽也更难被管理层察觉。很多团队为了合规和简单管理所有工程师和研究员都只能访问同一份脱敏数据集、同一个特征仓库、同一套线上日志。这对做标准化交付的工程团队没问题但对顶级研究员来说几乎是窒息式的限制。一个想做新方向的顶级研究员可能需要用户行为序列的完整数据需要某些冷门但关键的字段需要访问还没有经过脱敏的原始日志来做探索性分析。如果这些都要走一个漫长的审批流程或者干脆被一刀切地禁止他最有价值的探索就胎死腹中。顶级人才的产出依赖数据直觉而数据直觉需要真的接触到数据的全貌而不是数据部门喂给他的二手样本。实验自由度也是一个道理。如果一个团队规定所有实验都要先提PRD、过评审、排期再动手做那么顶级研究员一天能做的实验数量会被压缩到和新人一样。实验探索本质上是高失败率、高迭代速度的事情它需要的不是更严格的管控而是更明确的方向授权和更丰富的数据供给。这里给管理者一个非常具体的建议不要用控制普通工程师的方式去控制顶级研究员。普通工程师需要流程来兜底顶级研究员需要空间来突破。你可以用方向对齐来代替过程管控——设定清楚要解决什么问题、成功的标准是什么然后把数据权限、算力权限和实验决策权一次性放给他。2. 统一KPI考核实际上是在替竞争对手逼走最值钱的人2.1 不同AI岗位的产出周期和形态根本无法用同一把尺子量几乎每一家AI公司都会建KPI体系但很多KPI体系是从互联网产品团队照搬过来的讲究“每季度都有明确交付物”。这套逻辑放在工程师岗位上没问题放在研究员岗位上就会出问题。一个做模型优化的工程师可以按季度看指标提升召回率提高了1个点、推理延迟降低了20%这些可量化、可交付。但一个做基础模型研究的人可能连续两个季度都在探索一条走不通的路直到第三个季度才找到一个全新的架构方向随后带来一次质变。如果你用“季度产出”去考核他他前两个季度的绩效都会很难看而第三季度的巨大贡献又无法回溯性地修正前两个季度的评价。更麻烦的是AI团队里不同岗位的贡献形态差异巨大算法工程师、MLOps工程师、数据工程师、研究科学家、提示词工程师都在为团队创造价值但价值兑现的时间尺度和度量方式完全不同。一套统一的KPI最后筛出来的不是最能创新的人而是最会对齐KPI指标的人。当指标成为目标它就失去了作为指标的价值。在AI研发场景下这条定律会以更残酷的方式兑现。2.2 论资排辈比KPI平均主义更隐蔽也更伤顶尖人才大锅饭还有另一个版本就是排队文化。资源不按能力分配而是按职级、司龄、历史贡献排队。新人哪怕能力再强也要等老员工先选了方向、先拿了算力剩下的才轮到他。这种机制在传统行业可能运行几十年不出大问题但在AI这个人才流动极快的行业它是最危险的组织方式。顶级AI人才是市场上流动性最高的一群人。他们做着最前沿的事市场行情每天都在更新。当他发现团队里有一套排队文化而外面的公司愿意直接给他算力预算、给他自由选题权、让他组建小团队他没有任何理由留下。你培养了他半年一年结果他在刚能出成果的时候走了等于替竞争对手做了人才孵化。还有一个管理者常忽略的点论资排辈会让年轻人产生一种“反正轮不到我”的预期从而不再提出有野心的方案。创新需要野心而排队文化恰恰是野心的杀手。团队里如果有一批等资源而不是抢着创造资源的人这个团队基本离平庸不远了。2.3 那个被“平均绩效”逼走的年轻人后来成了我们的对手说一个我自己的真实经历细节做了模糊化处理但事情本质完全真实。几年前我们团队来过一个新人研究员学校背景很好上手非常快提出过几个我认为很有价值的探索方向。但当时团队执行严格的季度KPI考核他前两个季度都在探索一个成功率不高的方向绩效评分自然偏低。同期有一位老员工做的都是成熟业务的增量优化每季度都有稳稳的交付评分一直靠前。年底我们优化绩效结构新人被放到了较低档位算力配额也随之下调。他当时没说什么但下个季度就提了离职去了一家愿意给研究员自主预算的创业公司。半年后他们团队发了一篇论文方法正好基于他当初在我们这边提出但没有资源继续做下去的那个方向。而这篇论文后来成了我们一个重要项目的主要竞争对手。每次复盘这件事我都觉得问题不在那个新人身上而在我设计的考核体系上。我没有给“高风险高回报”的研究探索留出容错空间反而用一套平均主义的绩效制度把最有潜力的人筛了出去。这在当时看起来是公平的考核事后看就是亲手把竞争对手最需要的武器递到了对方手上。3. 流程越重顶尖研究员离你越远研发流水线的隐性代价3.1 标准化流程的服务对象是工程交付不是前沿探索任何一个发展到一定规模的AI团队都会开始建流程代码规范、提交规范、评审规范、发布规范、值班制度。这些流程的初衷都是好的它们解决的问题是让一百个人的协作不至于混乱。但流程有一个非常容易被忽略的副作用它默认团队在做的事情是可预测的、可被拆分的、可流水线化的。AI研究恰好相反。前沿探索高度不确定你今天觉得某个方向有戏明天看到一个实验结果可能就推翻了自己的判断。这种工作形态需要的不是稳定的流水线而是快速试错的回路提出假设、设计实验、跑完训练、分析结果、调整假设这个循环要尽可能短、尽可能频繁。如果团队把工程流程不加区分地套到研究工作上比如所有实验都要先写实验方案、开评审会、排期、等审批那一个本来一周能跑的探索性实验可能会被拉长到一个月。等到实验跑完市场环境可能都变了。顶级研究员对这种“流程税”尤其敏感因为他们见多了效率更优的组织知道自己在为低效的流程买单。我并不是说流程不重要而是说流程要分场景。工程交付可以重流程研究探索要轻流程。最好的方式是把两套工作流分开管理一套服务稳定交付一套服务前沿探索两者的评审标准、节奏、负责人完全不同。3.2 工具链与模型用的“平均主义”没收了顶级人才的私人武器库很多团队还有一个习惯就是强制统一工具链所有人用同一个模型服务框架、同一套Prompt模板、同一个微调平台。从运维角度看这很省心从人才发挥角度看这就是灾难。真正顶尖的AI从业者经过多年积累几乎每个人都有一套属于自己的“私人武器库”有人有一套自己反复打磨的prompt模板和评估脚本有人在自己私有环境里调好了某几个模型的推理参数有人写了一个顺手的实验管理工具。这些私人资产是他们的核心竞争力也是他们效率和判断力的重要来源。如果团队用“统一工具链”的理由强行抹平这一切强制所有人回到同一起跑线那就等于没收了顶级人才最顺手的武器。短期内团队的代码确实更统一、更好维护了长期看你失去的是这些人才最独特的产出方式。更好的策略是规定好基础设施的接口标准比如数据怎么接入、模型怎么部署但允许和鼓励研究员自带工具、自建脚本、自配环境。接口统一是为了协作工具自由是为了效率二者不矛盾。3.3 正确的组织姿势让最顶尖的人先跑起来工程化再跟进我在带团队之后慢慢想明白一个道理AI团队最有效的组织方式不是让所有人齐头并进而是让最顶尖的人先跑跑通之后再由工程化团队放大。这就像打仗尖刀班负责撕开突破口后续大部队负责扩大战果。如果你让尖刀班每个人跟大部队保持一样的速度这场仗就没法打。具体落到研发管理上可以这样设计给顶级研究员一个探索小组的编制哪怕只有他一个人加一两个支持他的工程师也让他拥有独立于主线排期的实验预算。他探索出的新方法、新架构、新提示词模式一旦验证有效交给工程团队标准化落地。这样既保证了前沿探索的速度又保证了工程交付的质量。很多管理者担心这样会造成团队内部的不公平感。但我觉得真正的公平不是所有人资源一样而是所有人的贡献都能被看见、被合理回报。顶级研究员承担了更高的风险和更大的责任拿到更多的资源和决定权这是完全符合逻辑的。普通工程师的公平感不应该来自“我们也分到一样的算力”而应该来自“我们的交付也能得到公正评价也有清晰的晋升路径”。4. 喂饱顶级AI人才的四种“开小灶”机制算力、考核、权限、决策权4.1 算力差异化一份实验提案换一份算力预算先说最接地气的算力分配。我建议采用“基础配额专项申请”的二级算力体系。基础配额人人都有满足日常开发、小规模验证、跑基线专项算力池用于核心实验所有人都可以申请但必须提交简短的实验提案。提案不需要很长但要说清楚三件事你想验证什么假设、预计需要多少算力、验证成功后对团队有什么价值。评审不是走形式而是由团队里最资深的一两个人来看。通过了直接调大额算力没通过就说明方向还不够成熟可以先在小规模上验证后再来申请。这个机制的精妙之处在于它不按职级和司龄排队而是按研究价值调度资源同时对所有人的提案一视同仁——新人如果有好想法照样能拿到大算力。这个机制还能天然地避免算力闲置。专项算力池如果一周没被申请说明团队的研究方向有问题管理者就该介入看看为什么没有人提出有价值的实验。算力的使用数据本身就是团队研究活力的晴雨表。4.2 双轨制考核70%确定性交付30%自由探索考核上的开小灶重点不是给顶级人才更高的绩效分而是给他们的考核设计两种不同的维度。我比较推荐的是“双轨制”工程线的人按交付质量、稳定性、配合度来评价研究线的人按探索价值、方向判断力、最终成果来评价并给研究线设置固定比例的自由探索时间。具体到时间分配可以定成70%做确定性交付30%做自由探索。自由探索的30%不纳入常规KPI只看一个东西方向值不值得继续投入。如果探索失败不算绩效事故如果探索后发现此路不通这本身也是一个有价值的研究结论。关键是要让顶级研究员心里清楚他不需要为每一次探索的结果负责只需要为探索过程的质量负责。这个机制最难的地方在于很多管理者嘴上说支持自由探索实际考核时还是只看短期交付。要让双轨制真正运转起来管理者必须接受一个事实有些最优秀的研究产出恰恰来自那些不计入KPI的时间。4.3 数据与模型权限分级减少顶级人才的等待时间第三件要做的事是为顶级人才打开数据与模型的权限通道。我说的不是无条件的最高权限而是基于方向的快速授权机制。顶级研究员提交一个研究方向管理者确认方向没有问题就一次性授予相关数据的访问权限、相关模型的调用权限、实验日志的查看权限不需要每个数据表都单独审批。这背后的逻辑是顶级人才最大的成本是等待。数据权限审批在普通团队里可能只是一两天的事但在研究节奏里这一两天可能正好错过一个实验窗口。把审批流程从多次变成一次从按表审批变成按方向审批是性价比极高的效率投资。同时要给核心研究员提前接触未发布模型的权限。很多团队的习惯是模型训练完、评估完、上线后才开放给所有人。但真正前沿的研究恰恰需要基于最新模型的状态来做下一步探索。顶级研究员如果看不到训练中模型的中间状态他的判断力和直觉就有一大半被浪费了。4.4 给技术决策权叫停权比资源更值钱最后一点也是最容易被低估的一点顶级AI人才要的不只是资源还有技术上的话语权。更具体地说是叫停权和建议权。什么叫叫停权当一个资深研究员基于自己的专业判断认为某个技术方向已经走不通他有权叫停这个方向的资源投入即使产品部门还在期待这个方向出结果。当然叫停不是拍脑袋他需要拿出实验数据说明为什么此路不通以及替代方向是什么。但如果没有这个叫停权资深研究员就会被需求部门拖在一个他明知道没有希望的技术路线上浪费自己的时间也消耗团队的算力。建议权也很重要。团队的技术路线图、模型选型、算力采购计划都应该让顶级人才参与决策。他们不一定比你更懂成本但一定比你更懂技术趋势。一个能参与技术决策的人才和只能执行指令的人才对团队的忠诚度和投入度是完全不同的。5. 打破大锅饭不等于特权化差异化分配的边界与坑5.1 差异化必须绑定产出预期否则就成了供养刚才说了那么多开小灶的方法但我必须泼一盆冷水差异化分配如果没有产出预期兜底很快就会变味成特权化最后团队离心离德成果也拿不出来。我见过一些团队嘴上说的是给顶级人才最好的资源实际上变成了给某个明星员工无限额度。结果这位明星员工方向感不强或者已经过了创造力巅峰期消耗了大量算力和数据权限却长期没有像样的产出。团队里的人都是有感知的这种行为比大锅饭更容易摧毁凝聚力。所以在落地差异化机制的时候必须给资源绑定一个兑现周期。比如专项算力池拨出去之后每两周或每个月回顾一次实验进展如果连续几个周期都没有有效的产出或方向迭代管理者就有义务收回资源或者重新审视这个人的角色定位。这不是不近人情而是对资源负责也是对团队其他成员负责。5.2 底线资源必须平均上限资源才能差异化那么什么应该继续保持平均我的答案是底线资源必须平均上限资源才能差异化。底线资源指那些保障每个人基本工作条件的东西——开发环境、基础模型调用额度、培训资料、内部文档访问权限。这些如果都搞差异化只会制造不必要的对立情绪。真正应该差异化的是那些稀缺且能产生杠杆效应的资源——大额算力、核心数据、未发布模型、技术决策权。因为这些资源本质上不是福利而是生产资料。把生产资料交给最能创造价值的人是对投资回报率负责而不是对某个人偏心。这个边界一旦清楚很多管理上的争吵就会消失。普通员工不会因为核心研究员多拿了几百张卡而愤怒因为他们知道那是用于研究突破的而不是用于个人消费的但如果福利、奖金这些待遇性资源也明显向少数人倾斜那确实会引发士气问题。管理者要时刻分清楚你给的是投资还是在发福利。5.3 团队规模决定了你该用“制度”还是“手感”最后一个坑是机制的适配性问题。差异化分配不是一个放之四海而皆准的标准答案团队规模不同玩法完全不同。20人以下的小团队我建议不要建太复杂的制度。人少的时候直接靠leader的专业判断和沟通就够了。哪个研究员值得投入、哪个方向应该继续leader心里应该有一本账。建一堆申请、评审、复盘机制反而会把小团队的灵活性给杀掉。大锅饭在小团队里其实并不常见因为小团队的leader天然能看见每个人的贡献差异。50人以上的中型团队就开始需要制度化。因为这个时候leader的主观判断会被认为不公平你需要一套透明的规则来支撑差异化分配比如基础配额加专项申请、双轨制考核、按方向授权数据访问。制度的意义不只是分配资源更是让每个人都理解为什么他可以、我不可以减少组织内部的猜疑。100人以上甚至更大的AI组织还需要加入更精细的机制比如算力成本核算、项目的ROI评估、人才的动态分级评估。这时候的挑战已经不只是打破大锅饭而是如何在足够大的组织规模和足够快的研究速度之间维持平衡。有些大厂选择用内部创业小组来解决问题本质上也是为了让大锅饭的惯性不至于压垮最前沿的探索。
告别AI团队大锅饭：算力、考核与权限的差异化分配
去年我把一位在头部实验室做过核心训练的AI算法研究员招进团队前三个月产出几乎为零。我一开始怀疑自己看走了眼直到复盘才发现问题不在他身上在我给他配的环境里——统一分配的GPU配额、统一的项目排期、统一的KPI表。他跟我说了一句话这个环境里我连一个像样的实验都跑不起来。那一刻我才真正意识到顶级AI人才是真的吃不下“大锅饭”的。我这里说的大锅饭就是AI研发团队里最常见的平均主义管理算力按人头平均分、任务按人头平均派、流程统一管、考核一把尺。听起来很公平但在AI这个极度依赖精英判断力和快速试错的领域这种公平恰恰是最大的不公平。这篇文章想跟AI团队的管理者、创业公司CTO、大厂技术Leader以及正在为自己争取更好研发条件的AI工程师聊一聊为什么你会养不起、留不住顶级AI人才以及从算力、考核、流程、权限到决策权可以怎样一点点把“大锅饭”打破。1. 算力分配上的“一刀切”先废掉顶级AI人才一半功力1.1 顶级AI人才的产出是超线性曲线先把一个底层事实说清楚AI研发不是流水线劳动不是人数翻倍产出就翻倍也不是平均用力产出最稳定。一个有经验的顶级研究员和一名刚入行的工程师在同一个问题上投入同样的时间结果差异不是20%、30%而是数倍甚至一个数量级。这种差异来自哪里来自实验设计能力、对模型行为的直觉、对误差来源的判断以及知道哪些路根本不用走的经验。举个例子。同样是调一个7B模型普通工程师可能会按网上教程把学习率、batch size、warmup步数挨个试一遍每个组合跑一次光调参就要一两周。顶级研究员看到loss曲线就能判断是学习率过高导致发散还是数据分布出了问题直接改一个变量半天就把问题解决。这种差距在单个任务上只是效率差异但在一个需要持续产出前沿成果的团队里它就是团队能不能跑赢竞争对手的分水岭。而大锅饭的逻辑恰恰相反。它把算力、时间、流程按人头平均分配本质上是在强迫一个高手按照新人的节奏工作把他的超线性产出强行压回线性水平。这不是管理者的主观恶意而是很多团队在扩张时最常犯的路径依赖——过去做工程交付的时候标准化、平均分配确实有用但AI研究不是工程交付。这里必须强调一点不是所有AI岗位都需要顶级人才驱动。做数据标注、做自动化测试、做成熟的模型服务化部署这些确实可以标准化。但如果你招了一个顶级研究员却让他做跟别人完全一样的活、分跟他一样的资源那你不是雇了一个高手而是雇了一个很快会离开的高手。1.2 平均分配算力造成的是资源错配而非公平我见过最典型的算力大锅饭是这样的公司采购了100张A100为了“公平”按人头平均分配每人2张。听起来谁也没亏待谁但实际用起来问题立刻暴露。做7B模型全参微调2张A100勉强能跑但显存吃紧、训练速度慢到让人怀疑人生。一个本来3天能跑完的实验被拉长到两周。研究员的大部分时间不是在分析结果而是在等训练。反过来团队里有些人只是做推理验证、跑基线2张卡一天都用不满但按“公平原则”他们依然占着这些资源。结果就是紧缺的人吃不饱宽松的人用不完算力利用率整体下降团队的实验迭代速度被卡在最慢的那个人身上。正确的做法是算力跟着项目和人才走而不是跟着人头走。可以给每个人一个基础配额保证日常开发和调试不受影响但涉及核心实验、大规模微调、长上下文训练需要额外申请算力。审批标准不是职级、不是司龄而是实验提案本身的价值——你想验证什么假设、预计要跑多少量、成功后能带来什么收益。这才是让算力真正产生杠杆作用的方式。从另一个角度看算力平均分配还会隐形地加剧马太效应的反面有潜力但还没证明自己的新人可能因为资源不足而做不出成果随后被认为产出不行反过来又被剥夺更多资源。资源错配的代价在AI领域非常昂贵因为实验机会本身就是最好的学习机会。1.3 数据权限和实验自由度的“平均”同样致命除了算力数据权限的平均主义更隐蔽也更难被管理层察觉。很多团队为了合规和简单管理所有工程师和研究员都只能访问同一份脱敏数据集、同一个特征仓库、同一套线上日志。这对做标准化交付的工程团队没问题但对顶级研究员来说几乎是窒息式的限制。一个想做新方向的顶级研究员可能需要用户行为序列的完整数据需要某些冷门但关键的字段需要访问还没有经过脱敏的原始日志来做探索性分析。如果这些都要走一个漫长的审批流程或者干脆被一刀切地禁止他最有价值的探索就胎死腹中。顶级人才的产出依赖数据直觉而数据直觉需要真的接触到数据的全貌而不是数据部门喂给他的二手样本。实验自由度也是一个道理。如果一个团队规定所有实验都要先提PRD、过评审、排期再动手做那么顶级研究员一天能做的实验数量会被压缩到和新人一样。实验探索本质上是高失败率、高迭代速度的事情它需要的不是更严格的管控而是更明确的方向授权和更丰富的数据供给。这里给管理者一个非常具体的建议不要用控制普通工程师的方式去控制顶级研究员。普通工程师需要流程来兜底顶级研究员需要空间来突破。你可以用方向对齐来代替过程管控——设定清楚要解决什么问题、成功的标准是什么然后把数据权限、算力权限和实验决策权一次性放给他。2. 统一KPI考核实际上是在替竞争对手逼走最值钱的人2.1 不同AI岗位的产出周期和形态根本无法用同一把尺子量几乎每一家AI公司都会建KPI体系但很多KPI体系是从互联网产品团队照搬过来的讲究“每季度都有明确交付物”。这套逻辑放在工程师岗位上没问题放在研究员岗位上就会出问题。一个做模型优化的工程师可以按季度看指标提升召回率提高了1个点、推理延迟降低了20%这些可量化、可交付。但一个做基础模型研究的人可能连续两个季度都在探索一条走不通的路直到第三个季度才找到一个全新的架构方向随后带来一次质变。如果你用“季度产出”去考核他他前两个季度的绩效都会很难看而第三季度的巨大贡献又无法回溯性地修正前两个季度的评价。更麻烦的是AI团队里不同岗位的贡献形态差异巨大算法工程师、MLOps工程师、数据工程师、研究科学家、提示词工程师都在为团队创造价值但价值兑现的时间尺度和度量方式完全不同。一套统一的KPI最后筛出来的不是最能创新的人而是最会对齐KPI指标的人。当指标成为目标它就失去了作为指标的价值。在AI研发场景下这条定律会以更残酷的方式兑现。2.2 论资排辈比KPI平均主义更隐蔽也更伤顶尖人才大锅饭还有另一个版本就是排队文化。资源不按能力分配而是按职级、司龄、历史贡献排队。新人哪怕能力再强也要等老员工先选了方向、先拿了算力剩下的才轮到他。这种机制在传统行业可能运行几十年不出大问题但在AI这个人才流动极快的行业它是最危险的组织方式。顶级AI人才是市场上流动性最高的一群人。他们做着最前沿的事市场行情每天都在更新。当他发现团队里有一套排队文化而外面的公司愿意直接给他算力预算、给他自由选题权、让他组建小团队他没有任何理由留下。你培养了他半年一年结果他在刚能出成果的时候走了等于替竞争对手做了人才孵化。还有一个管理者常忽略的点论资排辈会让年轻人产生一种“反正轮不到我”的预期从而不再提出有野心的方案。创新需要野心而排队文化恰恰是野心的杀手。团队里如果有一批等资源而不是抢着创造资源的人这个团队基本离平庸不远了。2.3 那个被“平均绩效”逼走的年轻人后来成了我们的对手说一个我自己的真实经历细节做了模糊化处理但事情本质完全真实。几年前我们团队来过一个新人研究员学校背景很好上手非常快提出过几个我认为很有价值的探索方向。但当时团队执行严格的季度KPI考核他前两个季度都在探索一个成功率不高的方向绩效评分自然偏低。同期有一位老员工做的都是成熟业务的增量优化每季度都有稳稳的交付评分一直靠前。年底我们优化绩效结构新人被放到了较低档位算力配额也随之下调。他当时没说什么但下个季度就提了离职去了一家愿意给研究员自主预算的创业公司。半年后他们团队发了一篇论文方法正好基于他当初在我们这边提出但没有资源继续做下去的那个方向。而这篇论文后来成了我们一个重要项目的主要竞争对手。每次复盘这件事我都觉得问题不在那个新人身上而在我设计的考核体系上。我没有给“高风险高回报”的研究探索留出容错空间反而用一套平均主义的绩效制度把最有潜力的人筛了出去。这在当时看起来是公平的考核事后看就是亲手把竞争对手最需要的武器递到了对方手上。3. 流程越重顶尖研究员离你越远研发流水线的隐性代价3.1 标准化流程的服务对象是工程交付不是前沿探索任何一个发展到一定规模的AI团队都会开始建流程代码规范、提交规范、评审规范、发布规范、值班制度。这些流程的初衷都是好的它们解决的问题是让一百个人的协作不至于混乱。但流程有一个非常容易被忽略的副作用它默认团队在做的事情是可预测的、可被拆分的、可流水线化的。AI研究恰好相反。前沿探索高度不确定你今天觉得某个方向有戏明天看到一个实验结果可能就推翻了自己的判断。这种工作形态需要的不是稳定的流水线而是快速试错的回路提出假设、设计实验、跑完训练、分析结果、调整假设这个循环要尽可能短、尽可能频繁。如果团队把工程流程不加区分地套到研究工作上比如所有实验都要先写实验方案、开评审会、排期、等审批那一个本来一周能跑的探索性实验可能会被拉长到一个月。等到实验跑完市场环境可能都变了。顶级研究员对这种“流程税”尤其敏感因为他们见多了效率更优的组织知道自己在为低效的流程买单。我并不是说流程不重要而是说流程要分场景。工程交付可以重流程研究探索要轻流程。最好的方式是把两套工作流分开管理一套服务稳定交付一套服务前沿探索两者的评审标准、节奏、负责人完全不同。3.2 工具链与模型用的“平均主义”没收了顶级人才的私人武器库很多团队还有一个习惯就是强制统一工具链所有人用同一个模型服务框架、同一套Prompt模板、同一个微调平台。从运维角度看这很省心从人才发挥角度看这就是灾难。真正顶尖的AI从业者经过多年积累几乎每个人都有一套属于自己的“私人武器库”有人有一套自己反复打磨的prompt模板和评估脚本有人在自己私有环境里调好了某几个模型的推理参数有人写了一个顺手的实验管理工具。这些私人资产是他们的核心竞争力也是他们效率和判断力的重要来源。如果团队用“统一工具链”的理由强行抹平这一切强制所有人回到同一起跑线那就等于没收了顶级人才最顺手的武器。短期内团队的代码确实更统一、更好维护了长期看你失去的是这些人才最独特的产出方式。更好的策略是规定好基础设施的接口标准比如数据怎么接入、模型怎么部署但允许和鼓励研究员自带工具、自建脚本、自配环境。接口统一是为了协作工具自由是为了效率二者不矛盾。3.3 正确的组织姿势让最顶尖的人先跑起来工程化再跟进我在带团队之后慢慢想明白一个道理AI团队最有效的组织方式不是让所有人齐头并进而是让最顶尖的人先跑跑通之后再由工程化团队放大。这就像打仗尖刀班负责撕开突破口后续大部队负责扩大战果。如果你让尖刀班每个人跟大部队保持一样的速度这场仗就没法打。具体落到研发管理上可以这样设计给顶级研究员一个探索小组的编制哪怕只有他一个人加一两个支持他的工程师也让他拥有独立于主线排期的实验预算。他探索出的新方法、新架构、新提示词模式一旦验证有效交给工程团队标准化落地。这样既保证了前沿探索的速度又保证了工程交付的质量。很多管理者担心这样会造成团队内部的不公平感。但我觉得真正的公平不是所有人资源一样而是所有人的贡献都能被看见、被合理回报。顶级研究员承担了更高的风险和更大的责任拿到更多的资源和决定权这是完全符合逻辑的。普通工程师的公平感不应该来自“我们也分到一样的算力”而应该来自“我们的交付也能得到公正评价也有清晰的晋升路径”。4. 喂饱顶级AI人才的四种“开小灶”机制算力、考核、权限、决策权4.1 算力差异化一份实验提案换一份算力预算先说最接地气的算力分配。我建议采用“基础配额专项申请”的二级算力体系。基础配额人人都有满足日常开发、小规模验证、跑基线专项算力池用于核心实验所有人都可以申请但必须提交简短的实验提案。提案不需要很长但要说清楚三件事你想验证什么假设、预计需要多少算力、验证成功后对团队有什么价值。评审不是走形式而是由团队里最资深的一两个人来看。通过了直接调大额算力没通过就说明方向还不够成熟可以先在小规模上验证后再来申请。这个机制的精妙之处在于它不按职级和司龄排队而是按研究价值调度资源同时对所有人的提案一视同仁——新人如果有好想法照样能拿到大算力。这个机制还能天然地避免算力闲置。专项算力池如果一周没被申请说明团队的研究方向有问题管理者就该介入看看为什么没有人提出有价值的实验。算力的使用数据本身就是团队研究活力的晴雨表。4.2 双轨制考核70%确定性交付30%自由探索考核上的开小灶重点不是给顶级人才更高的绩效分而是给他们的考核设计两种不同的维度。我比较推荐的是“双轨制”工程线的人按交付质量、稳定性、配合度来评价研究线的人按探索价值、方向判断力、最终成果来评价并给研究线设置固定比例的自由探索时间。具体到时间分配可以定成70%做确定性交付30%做自由探索。自由探索的30%不纳入常规KPI只看一个东西方向值不值得继续投入。如果探索失败不算绩效事故如果探索后发现此路不通这本身也是一个有价值的研究结论。关键是要让顶级研究员心里清楚他不需要为每一次探索的结果负责只需要为探索过程的质量负责。这个机制最难的地方在于很多管理者嘴上说支持自由探索实际考核时还是只看短期交付。要让双轨制真正运转起来管理者必须接受一个事实有些最优秀的研究产出恰恰来自那些不计入KPI的时间。4.3 数据与模型权限分级减少顶级人才的等待时间第三件要做的事是为顶级人才打开数据与模型的权限通道。我说的不是无条件的最高权限而是基于方向的快速授权机制。顶级研究员提交一个研究方向管理者确认方向没有问题就一次性授予相关数据的访问权限、相关模型的调用权限、实验日志的查看权限不需要每个数据表都单独审批。这背后的逻辑是顶级人才最大的成本是等待。数据权限审批在普通团队里可能只是一两天的事但在研究节奏里这一两天可能正好错过一个实验窗口。把审批流程从多次变成一次从按表审批变成按方向审批是性价比极高的效率投资。同时要给核心研究员提前接触未发布模型的权限。很多团队的习惯是模型训练完、评估完、上线后才开放给所有人。但真正前沿的研究恰恰需要基于最新模型的状态来做下一步探索。顶级研究员如果看不到训练中模型的中间状态他的判断力和直觉就有一大半被浪费了。4.4 给技术决策权叫停权比资源更值钱最后一点也是最容易被低估的一点顶级AI人才要的不只是资源还有技术上的话语权。更具体地说是叫停权和建议权。什么叫叫停权当一个资深研究员基于自己的专业判断认为某个技术方向已经走不通他有权叫停这个方向的资源投入即使产品部门还在期待这个方向出结果。当然叫停不是拍脑袋他需要拿出实验数据说明为什么此路不通以及替代方向是什么。但如果没有这个叫停权资深研究员就会被需求部门拖在一个他明知道没有希望的技术路线上浪费自己的时间也消耗团队的算力。建议权也很重要。团队的技术路线图、模型选型、算力采购计划都应该让顶级人才参与决策。他们不一定比你更懂成本但一定比你更懂技术趋势。一个能参与技术决策的人才和只能执行指令的人才对团队的忠诚度和投入度是完全不同的。5. 打破大锅饭不等于特权化差异化分配的边界与坑5.1 差异化必须绑定产出预期否则就成了供养刚才说了那么多开小灶的方法但我必须泼一盆冷水差异化分配如果没有产出预期兜底很快就会变味成特权化最后团队离心离德成果也拿不出来。我见过一些团队嘴上说的是给顶级人才最好的资源实际上变成了给某个明星员工无限额度。结果这位明星员工方向感不强或者已经过了创造力巅峰期消耗了大量算力和数据权限却长期没有像样的产出。团队里的人都是有感知的这种行为比大锅饭更容易摧毁凝聚力。所以在落地差异化机制的时候必须给资源绑定一个兑现周期。比如专项算力池拨出去之后每两周或每个月回顾一次实验进展如果连续几个周期都没有有效的产出或方向迭代管理者就有义务收回资源或者重新审视这个人的角色定位。这不是不近人情而是对资源负责也是对团队其他成员负责。5.2 底线资源必须平均上限资源才能差异化那么什么应该继续保持平均我的答案是底线资源必须平均上限资源才能差异化。底线资源指那些保障每个人基本工作条件的东西——开发环境、基础模型调用额度、培训资料、内部文档访问权限。这些如果都搞差异化只会制造不必要的对立情绪。真正应该差异化的是那些稀缺且能产生杠杆效应的资源——大额算力、核心数据、未发布模型、技术决策权。因为这些资源本质上不是福利而是生产资料。把生产资料交给最能创造价值的人是对投资回报率负责而不是对某个人偏心。这个边界一旦清楚很多管理上的争吵就会消失。普通员工不会因为核心研究员多拿了几百张卡而愤怒因为他们知道那是用于研究突破的而不是用于个人消费的但如果福利、奖金这些待遇性资源也明显向少数人倾斜那确实会引发士气问题。管理者要时刻分清楚你给的是投资还是在发福利。5.3 团队规模决定了你该用“制度”还是“手感”最后一个坑是机制的适配性问题。差异化分配不是一个放之四海而皆准的标准答案团队规模不同玩法完全不同。20人以下的小团队我建议不要建太复杂的制度。人少的时候直接靠leader的专业判断和沟通就够了。哪个研究员值得投入、哪个方向应该继续leader心里应该有一本账。建一堆申请、评审、复盘机制反而会把小团队的灵活性给杀掉。大锅饭在小团队里其实并不常见因为小团队的leader天然能看见每个人的贡献差异。50人以上的中型团队就开始需要制度化。因为这个时候leader的主观判断会被认为不公平你需要一套透明的规则来支撑差异化分配比如基础配额加专项申请、双轨制考核、按方向授权数据访问。制度的意义不只是分配资源更是让每个人都理解为什么他可以、我不可以减少组织内部的猜疑。100人以上甚至更大的AI组织还需要加入更精细的机制比如算力成本核算、项目的ROI评估、人才的动态分级评估。这时候的挑战已经不只是打破大锅饭而是如何在足够大的组织规模和足够快的研究速度之间维持平衡。有些大厂选择用内部创业小组来解决问题本质上也是为了让大锅饭的惯性不至于压垮最前沿的探索。
