人工智能领域的创业，在管理项目中我们常常发现“理想很丰满，现实很骨感”：项目往往不会按照预想的方向发展。这其中既有技术的挑战，也有团队合作的问题，让人应接不暇，不知道从何下手。虽然相关资料很多，但项目管理没有标准动作，关键在于一些核心变量的权衡。今天，我和大家分享一些我的思考。

我们首先介绍软件项目管理的基本概念，再回到AI领域，探讨这些传统的概念套用在AI项目上存在的局限和需要的权衡。

在项目初期，首先要理顺根本逻辑。对于创业团队，首先要理清用户需求，只有明确了需求，才能定义产品。产品定义明确后，才能够围绕产品来计划需要哪些团队及其职能。规划清楚团队及其职能，才能为其设定关键指标，便于我们日常管理这些目标有没有按时被完成。这一系列从左至右构成了创业的逻辑。

在现实中我们遇到的很多问题都归因于上述逻辑没有真正理顺，特别是团队配合的问题。常见剧情包括：产品团队想做很多功能，研发团队觉得对方陷入了“只差一个程序员”的幻觉，于是关系微妙。类似的，产品团队与运维团队之间也容易关系微妙：每当产品团队推出新功能，就会伴随着新Bug，而新Bug的出现意味着运维团队有更多的负担，因此在日常工作中双方可能会有配合上的冲突。这些冲突的根本原因，往往是我们打乱了上述从左到右的创业逻辑。例如，如果交换了需求与产品二者的顺序，研发团队可能感到PM提的需求并无实际意义，于是难以积极配合，导致问题的产生。

下面着重讲讲指标。带领一个R&D团队，日常工作中一大任务就是通过各种指标来分析和理解团队和项目的状态。类似地图导航，指标用来帮助我们定位当前位置。只有知道当前在哪才能正确导航。

软件开发的很多指标可参考敏捷开发（Agile， DevOps）。以燃尽图为例，在每个开发周期的开始，团队共同规划该周期内需要完成的任务。假设有四个任务，每个任务需要五个小时，那么这个周期就有20小时的工作量。我们将所有人的剩余任务量随时间的变化绘制成一条曲线，每日更新，这就是燃尽图。这条曲线的起始值等于20小时。随着时间的推移，每个人都会有任务从待办转变为正在进行，最后变成已完成。每完成一个任务，我们从剩余工作量中减去相应的时间。例如，如果第二天完成了五个小时的任务，那么曲线在第二天就会下降五个小时。这样的操作每天都会进行，直到周期结束，所有任务完成，曲线归零。有趣的是，在现实中这条曲线不会是一条笔直的线，每天的变化和速度都会不同，这里面就会有很多有价值的信号。

让我们通过几个有趣的例子来探讨如何从指标中推断团队状态。上面左和右有两张燃尽图。图A显示了一条笔直的红色曲线，而图B则显示了一条曲折向下的曲线。在这个例子中，如果你看到A曲线——即笔直的曲线——这可能意味着团队在误导汇报，“too good to be true”。因为在实际的研发过程中，没有任何项目能够被完美地规划和执行。如果每天的进度都完美服从计划，那必然存在水分。通常情况下，右边的曲线——即曲折向下的曲线——更为现实，它有些天不会下降，这可能是因为遇到了难题；而有些天下降得很快，可能是因为问题比预期简单。

上面是第二个例子，让我们一起思考右侧红色B曲线存在什么问题。B的问题在于周期结束时没有归零，即任务未完成。这意味着我们的规划可能过于激进。

第三个例子。B图红色曲线的特殊性是，有时候，它会反弹上升。这种情况发生时，通常是因为在完成某些任务后，又增加了新的任务，导致剩余工作量增加。这表明团队可能缺乏经验，他们可能认为完成这些任务就能上线功能，但实际上还有一些未考虑到的因素。因此，随着项目的推进，他们不得不不断增加新的任务。为了提高可预测性，这时可能需要引入更有经验的人，或者在规划时避免过于激进，以解决这类问题。

第四个例子，红色曲线呈向上凸的形状。尽管最终任务完成了，且每天都有进度下降，但过程并不完美。这种情况反映了类似拖延症的问题：项目初期，进度下降得很慢，表明团队工作的积极性不高。随着截止日期的临近，团队开始加班熬夜，快速把它完成。面对这样的曲线，我们需要思考是否充分激发了团队的动力，以及他们是否认为自己在做的产品是满足真正用户需求的。

最后一个例子情况与前者相反，曲线呈向下凸的形状，这可能意味着团队在“摸鱼”。在周期开始时，任务完成得非常快。但当任务即将要提前完成时，团队可能开始放松和拖延了，以避免提前完成任务被安排新的劳动，直到最后一天才完成原定工作。在这种情况下，如果您负责管理这个项目，可能需要考虑团队是不是很有动力，以及项目规划是否过于保守。

以上展示了在常规软件项目管理中，我们如何使用指标来监控团队状态。然而，这里有一个转折：尽管这些技术和工具众所周知且看似完美，为什么不是所有公司都能成为Open AI那样的公司。下面就进入我想分享的要点——AI项目，尤其是AI科研的项目，和传统的软件创业项目相比，有哪些独特的地方，这使得这些工具并不总是那么有效。

在讨论AI创业项目的特殊性时，我们用一个坐标轴来辅助思考。通过思考事物在左右两个极端的样子，我们更容易清晰看到一些权衡。坐标轴的左端的软件项目倾向于工程属性，如传统的SaaS公司和世界500强企业；而右端则更倾向于科研属性，例如当前热门的OpenAI等公司。

这两极有一些核心区别：在坐标轴的左端，所有任务都可以被计划和预测。在这种情况下，前面提到的软件项目管理工具能发挥关键作用，因为你清楚每个项目和任务需要多少时间。然而，许多人可能没意识到的是，科研驱动的项目是不太可预测的。以ChatGPT为例，在做成前没有人能真正预测开发它需要多久。因为如果可以预测，那就不是科研，而是已经被做过证实过的东西。当我们尝试将传统工具应用于具有科研成分的项目时，会发现它们失真了。

在工程属性较强的项目中，管理的作用通常大于技术。技术部分有更大的可替换性，管理可以控制成本，及时调整人力和资源。而在坐标轴的右侧，像OpenAI这样的公司，技术的重要性是超过管理的。对研究方向有理解、有实操经验并能指明方向的人才变得至关重要。在实操中，根据项目处在坐标轴上的位置来权衡变得尤为重要。

我们继续深化对关键权衡这个坐标轴模型的理解。我们以一个修图的例子作为类比。假设我拍摄了一张兔子的照片，这张照片代表我的AI项目。我发现它存在一些问题，例如画面不够鲜艳，我想让它看起来更加生动。在图片编辑时，我需要了解哪些参数是可调的，以及调高调低意味着什么。为了增加鲜艳度，我们知道应该调整的是“色彩饱和度”这个维度。在色彩饱和度的坐标轴上，我们还需要知道将其调至0和100两个极端会产生什么效果。调至0会得到一张黑白照片，而调至100则可能导致颜色过于鲜艳。于是我们可以根据自己的喜好进行调整，使图片达到一个平衡的状态。

软件项目管理也是类似的过程，需要这样的模型来帮助我们清晰地识别问题的层次，将直觉经验转化为理性认知，避免每天被应接不暇的问题所困扰。这个类比里有几个关键点：

第一，所有的调整都应该是灰度调整，而不是二元选择。如饱和度不是非0即100，我们需要找到一个适当的中间值。同时，项目的状态是多个分量的合力结果，就像编辑一张图片一样，除了调整饱和度之外，还有比如色温等其他参数。

第二，所有权衡都是动态的，没有一个标准答案永远正确。以OpenAI为例，大约三年前的创业早期，它致力于创新项目，处在坐标轴的右侧。如今，商业化和盈利变得更加重要，我们也可以看出它更加以商业为导向，在向坐标轴的左侧调整。OpenAI在创新与盈利之间不断调整自己的权衡。

第三，定位。在调整项目时，首先要明确坐标轴两端的极值代表什么。只有了解0和100的含义，才能在坐标轴上准确找到自己的位置，然后才能看见要达到理想的状态需要怎么做。如果对两极的含义理解不清，就会导致决策界限模糊，给团队的建议也会充满矛盾。如果今天向东调整一些，明天又向西调整，时间长了团队就散了，也无法达到预期效果。

最后，我再列举些AI项目权衡的其他维度。

第一个关键权衡是可控性与创新性之间的平衡。坐标轴的最左端代表所有投入都是可控且可预测的，风险极低，这种情况常见于传统软件公司。而坐标轴的右端则代表完全由创新驱动的机构，类似于学校实验室，它们对盈利没有诉求，而是更注重发表一些没有人做过的研究成果。因此，右端更倾向于创新，左端则更加可控。我们无法同时拥有两者——一旦追求可控性，就会牺牲创新。创新意味着探索未知，如果只是重复他人工作，那便不再是创新，也就无法开发出像ChatGPT这样的产品。

• 创新的收益与风险成正比，只有承担更多风险，才可能期待那一两个随机探索带来的超额回报。创新与可预测性是不可兼得的。因此，在极度创新驱动的创业中，KPI和OKR可能不太适用，因为它们无法预先规划。

• 我并不看好科研驱动的创业。创业的基础任务是生存，有必要向投资者展示一定的确定性。完全科研驱动的项目往往不关注其能否落地产生收入。做好两种任务需要的mindset存在本质的冲突。确定性强的组织，每个探索点高度集中，类似图中左侧方差较小的高斯分布。创新性强的组织，每个探索点要足够分散，这样才能发现未被探索的地盘，类似图中右侧方差较大的高斯分布。在资源有限的情况下，我们要思考合适的分散程度，因为每个探索点必须投入充分资源、打得足够深入才有意义。对于大多数人而言，如果要从事科研，最好是在实验室内将科研做踏实，然后再考虑如何商业化。对于少数OpenAI一类的公司，是因为拥有强大的融资能力，才能在每一个探索的点上投入充足的资源，而这是普通人难以做到的。

• 在组织结构方面，扁平化和弱行政化的组织更容易成功。创新不太依赖于管理层在指导方向层面的作用，因为管理者可能并不清楚真正的方向在哪里，而一线参与者更了解问题的可能解决方向。目前在大模型领域取得成功的公司，往往是扁平化、弱行政的。这需要人才的素质和人才密度极高。

第二个权衡，自底向上和自顶向下。自顶向下的方式类似于微软、Google这样的大公司，主要由管理团队决定方向，然后层层传达去执行。这种模式适合于品牌、用户基础和规模已经形成壁垒的守业阶段。另一方面，自底向上的模式则由技术团队发起，他们发现问题、提出解决方案，并向上提议。例如OpenAI，一些人认为Transformer可以做很多有趣的事情，这种想法逐层上升，最终找到了ChatGPT的落地点。这种模式的壁垒在于团队的年轻和技术实力，他们很有勇气承担风险，适合于创业阶段。我们需要根据自己的阶段和目标来平衡是鼓励自底向上还是自顶向下的模式。

第三个关键权衡与招聘有关。这个行业的特点是人才分化严重，常常是20%的人做出了80%的成果。因此，许多公司都在积极寻求这些顶尖人才，尽管在招聘过程中会遇到重重阻力。

• 第一个建议是平衡公司需求与个人需求。

对于公司而言，需求通常是盈利和生存，这可能要求降低对少数AI人才的依赖，以增加确定性。然而，对于AI领域的明星人才来说，他们的需求则不同。他们追求个人实现，发表论文，希望在新领域成为权威。他们渴望探索未知，这与公司的需求产生了冲突。即使这些人才加入了公司，他们也可能会感到日常工作枯燥重复。

右边这种更像大学实验室的环境能够吸引顶尖人才，但其商业化路径并不清晰。如果想要进行AI领域的创新型创业，就需要在这两个极端之间做出权衡。硅谷大厂在这方面有成熟的模式，例如，员工可以将50%的时间投入到产品开发上，另外50%的时间可以自由进行科研活动，发表论文，但这两者需要有所联系。这是一种平衡公司需求和个人需求的方式。

• 第二个考虑是理性思考是否需要科研投入。虽然拥有明星科研人才听起来很吸引人，能够吸引大量资金，但并非所有AI创业都需要进行创新型研究，这需要理性思考。

• 第三，科研人才对短期经济回报不太敏感，这与他们职业生涯的成长经历有关。软实力和软环境决定了能否长期留住顶尖人才。

以上就是我的分享。

席友：如何看待未来基础大模型升级，给基于大模型的应用带来的风险？大模型的基础能力提升后，会不会把一些上层应用层直接替代掉？

金瀛：我们认为商业壁垒较薄的项目可能面临风险，比如做Prompt engineering，随着底层模型能力的提升，可操作空间可能会缩小，会陷入一些廉价的竞争。

能够将技术壁垒转化为商业壁垒才能站稳。以法律领域为例，首先需要获得用户和用户的信任，这种信任作为壁垒，不易被替代。在这种情况下，底层模型的提升反而成为助力。

席友：AI领域还有哪些比较容易变现的一些赛道？

金瀛：在当前的AI领域，变现相对容易的赛道会是那些技术依赖性较弱、使用成熟技术的项目，比如Copilot，它的优势在于能够充分利用客户数据，并与客户的商业壁垒紧密结合，无需企业自行进行科研。基于过去的观察，有两个思考：首先，考虑to B还是to C的模式，后者是否有付费用户均为重度用户，造成算力成本超过收入的问题；其次，在不需要大量创新和科研投入的情况下，怎样利用现有技术能搭建一个商业壁垒比较强的场景。很多优秀的创业项目并不需要非常惊艳的技术。

全文完