AI Agent公司该当如何组织人才

　　九十年代末到两千年代初，少年班最伶俐的那批人，没去硅谷，没去投行，一头扎进了一个其时还没什么人传闻过的行当：量化对冲基金。江平师兄，81级的，正在SAC Capital做到portfolio manager，单人单年金过亿美金，创下打工人的汗青天花板。城堡基金里少年班的师兄师弟更是一把一把的。有个师兄有次开打趣说，Ken Griffin可能是全美国雇佣少年班和北大数院结业生最多的美国人。为什么讲这些？由于笔者比来看到一个数字，间认为光阴倒流：有个比我低五级的少年班的师弟，去Meta做大模子研究员，package两亿美金。笔者比来两年看AI Agent的演进，越看越感觉：下一代伟大公司的人才系统，该当对标量化对冲基金。华尔街如有封神榜，Jim Simons当居首席。他创立的文艺回复科技旗下大章基金，从1988年到2018年，年均含办理费报答 66%。三十年如一日。Gregory Zuckerman正在2019年出书的《The Man Who Solved the Market》里，用整本书试图注释这个奇不雅。笔者读完之后的结论是：Simons实正解答的不是市场，是对冲基金的组织架构。晚期团队阵容可骇。现马尔可夫模子里Baum-Welch算法的配合发现人。Elwyn Berlekamp，伯克利的组合博弈论大师，给NASA喷气推进尝试室做过编码理论。James Ax，代数数论范畴离Fields Medal一步之遥的天才。后来又从IBM挖来一批语音识别专家，由于语音识此外信号处置方式和从金融数据乐音中提取信号，正在数学上是统一个问题。Simons正在2010年MIT中讲得很曲白：我们招做过科学和数学的人，不招做过金融的人。信号是微弱的，你需要能从乐音中找到信号的人。做过金融的人有曲觉，有经验，有判断。而这些工具正在量化买卖中是毒药。量化买卖需要的是提出假设、测试假设、接管成果，不带豪情。金融老手最大的问题是太相信本人的判断了。这对AI Agent公司的是什么？正在AI Agent时代，你的每一次用户交互都像一笔买卖，每一个prompt变体都是一个策略，每一条漏斗都是一次做市。你需要的不是一个有十年SaaS经验的VP of Product。阿谁人会带着过去十年的曲觉来做决策，而那些曲觉正在Agent时代大要率是错的。Griffin从哈佛宿舍起步，1990年用460万美金正在开办Citadel。头十年根基上是一个天才买卖员带着一群人干。到了2000年代，Griffin做了一个环节转型，把Citadel从一个明星基金司理做决策的模式，成了多司理人平台，Multi-Manager Platform。几十个的Pod，每个Pod二到七人，各自运转本人的策略，各自有的资金配额和风控限额。Pod之间不需要协调，不需要开会对齐，以至不需要晓得相互正在做什么。Griffin正在2019年经济俱乐部中说得大白：我们的工做是搭建全世界最好的平台。做到这一点，最好的人才会来，最好的想赢。Englander 1989年开办Millennium，到2020年代旗下运转300多个Pod。每个Pod都是一个准自治单位。基金总部供给根本设备：手艺系统、风控引擎、资金、合规。Pod供给策略和施行。环节机制叫地方风控账本，Central Risk Book：一个集中化的风控引擎及时每一个Pod。Pod A的夏普比率跌破阈值，系统从动削减其资金配额。Pod B表示优异，资金从动流入。保守C端公司的组织：一个VP of Product，一条线图，一个Figma文件，一个季度规划周期。VP押错了标的目的，公司烧掉三个月。三个月正在互联网时代可能还能解救，正在 AI 时代就是之别。冗余不是华侈，冗余是进化的工做体例。天然界不会只下一个赌注，它同时跑一万个变异，然后让筛选。Citadel跑300个Pod是统一个事理。冗余的成本远低于押错标的目的的成本。正在 AI 时代，算力和流量就是 Pod 的资金，用户充值就是 Pod 的市场查验。算力廉价，流量也越来越法式化。实正贵的是什么？是做错了决定还不晓得。保守公司最大的成本不是工程师工资，是认知延迟。花三个月做了一个功能，上线后发觉没人用，再花三个月复盘、调整、从头规划。Pod模式把这个周期从月压缩到小时。他正在 Bridgewater 内部搭建了一套叫 Dot Collector 的系统。每次开会，所有参会者正在 iPad 上及时给相互打分，维度包罗逻辑推理能力、触碰问题的志愿、靠得住性等等。这些评分积少成多，构成每个员工的棒球卡，Baseball Card，一份数据化的能力画像。Dalio正在2017年TED中的意义很清晰：设法的精英体系体例需要激进的和激进的通明。人们必需说出实正在设法，并情愿接管挑和，如许最好的设法才能胜出。良多人感觉Bridgewater的文化像。笔者能共情，Dalio的系统确实反人道。大大都人不喜好被同现实时打分，更不喜好本人的棒球卡上鲜明写着对 FX 的逻辑推理能力偏弱。流量塔不正在乎你的感触感染。数据不正在乎你的职级。Pod B 比 Pod A的付费率高5个百分点，此即，无可回嘴。正在保守公司里，是稀缺资本。你需要细心设想的文化、英怯的带领者、疾苦的诚笃对话才能接近。正在AI Agent公司里，是默认输出。你的Agent跑得好欠好，dashboard上一览无余。Shaw的招人气概和Simons千篇一律。计较生物学家、物理学家、暗码学家，什么都招，就是不招华尔街老手。Bezos用了一个后来被频频讲述的思维框架做决定，叫可惜最小化框架：到了80岁，我会不会悔怨没有测验考试？谜底是会。于是告退开办了Amazon。笔者感觉这个故事最值得品尝的地朴直在于，Bezos的概率思维、对不确定性的拥抱，这些后来成为Amazon焦点哲学的工具，是正在D。E。 Shaw的量化文化中锻制出来的。Two Sigma的执念是从动化一切。若是一小我类做了两遍同样的事，就写个系统来做。不只是买卖从动化，内部运营、研究根本设备、数据管道，以至HR流程，通盘从动化。把Simons、Shaw、Two Sigma的招人哲学分析起来，笔者得出一个结论：AI Agent公司的抱负Pod Leader，不是尺度的大厂P6产物司理或P7工程师。大厂人被锻炼来办理复杂性。写PRD、跑sprint planning、做stakeholder alignment。这是为旧时代优化的技术组合。旧时代他们价值连城，新时代里则恐为负资产。Simons正在2015年接管Numberphile采访时说过一句话：最好的人是能干事的人，不是能谈论干事的人。但主要的不是人均AUM，而是人均报答。66%的年化报答意味着每年创制约66亿美金利润。300人，66亿。人均2200万美金。教训只要一条：系统必需比任何小我更主要。若是你的公司离了某小我就转不了，那你没有建成系统，你只是雇了个贵的打工人。AI Agent公司的复利是如许运转的。你的Agent全年无休地跑尝试。你睡觉的时候，17号Pod 正在测试新的逻辑。你吃早饭的时候，流量塔曾经按照凌晨的数据从头分派了流量。你到办公室的时候，dashboard上曾经有了新的结论。素质是一张十年期的彩票。这张彩票的兑付前提是公司上市，而上市的前提是你正在这儿熬够岁首。这不是激励，对冲基金不搞这套。Citadel的PM年薪可能只要几十万美金，但年终bonus能够是base的十倍以至百倍。昔时发，现金发。你本年的P&L好，本年就兑现。来岁不可，来岁就没有。清洁利落。AI Agent公司天然具备同样的前提。每个Pod的营收贡献、留存贡献、付费贡献，dashboard上拉得出来。既然算得清，就理当期结算。超高总包，沉仓绩效，现金兑付。只要算不清晰每小我贡献了几多的公司，才需要搞一个十年期的期权池来把所有人绑正在一条船上和稀泥。第二，赛马、不赛PPT。保守公司的晋升逻辑是title驱动的。你是L5，你向 M2 报告请示，你的年度方针写正在OKR里，你的晋升取决于委员会的投票。对冲基金的逻辑完全分歧。资金从动扩大。你从管 $500万变成管 $5000万，不需要谁核准，系统从动分派。做砸了，book缩回来，以至Pod间接闭幕。没有title的古板阶梯，只要P&L的及时排名。这条前文曾经讲了良多，此处只补一句笔者的亲身体味：伶俐人学行业，三个月够了。行业老手变伶俐，三十年也未必。Simons不招华尔街的人，不是，是概率计较。笔者的判断是，AI Agent时代的版本谜底公司，可能就是几百个超高薪的人。不是互联网时代的十万厂。大章基金300人，年利润66亿美金。这个效率模子正在AI时代不单能够复制，并且会更极端。人少，则每小我分到的资本多，决策链短，信噪比高。人多，则开会多，对齐多，多，认知延迟高。中厂：二流互联网公司之殇有book的人就是Pod Leader，对一张P&L担任，间接面临用户和数据，跑策略、跑尝试、跑成果。做基建的人搭流量塔、搭Agent运转时、搞定胶水代码和数据管道。两种人都主要，但只要前者能拿到最高额的短期现金激励。这和Citadel一模一样——基建工程师拿高薪，PM拿bonus。清清晰楚，各得其所。你见过文艺回复开辟布会吗？见过Millennium上播客讲方吗？见过D。E。 Shaw做TED吗？最赔本的量化基金几乎都是行业里最缄默的。Simons从不公开会商策略。Jane Street连官网都没什么内容。缘由很简单：你的alpha一旦被人晓得，就不是alpha了。第七，以上六条不是理论。笔者本人的公司就是这么跑的！美区头部AI Agent项目，使用商铺分类榜第一，营收近亿美金，全球第一名的VC投了我们。团队很小，人均产出极高，薪酬布局对标量化基金而不是互联网大厂。