我为什么支持 BAT 拆掉「AI 研究院」

导读：边缘化、战略摇摆、举棋不定，是AI研究院藏在冰面下的境况。中国互联网巨头的AI研究院，已经到了不破不立的时候。

作者：李雨晨，编辑：王亚峰

来源：雷峰网（ID：leiphone-sz）

AI科学家接连从大厂离职，外界的讨论，总会把他们与不擅落地四个字挂上关联。

让科学家们在舆论中背负了“只会发论文，不懂业务”的名声。

这种论断，既有局部的合理性，也有无知之处。

外界显然不知晓大公司研究院的组织架构、汇报关系、考核设计的真相。

企业科学家的流失、AI研究院地位的下降，并非当下AI不再重要，也非这批最强大脑水平有限。

本质上是研究院在企业的组织架构模式，正在遭遇空前的挑战，让人和事，难以卓有成效地运转，无法发挥出本该有的战斗力。

根深蒂固的作业模式、派系势力、利益关系，也使得这艘抛了锚的大船，不再好调头。

于是在互联网巨头预算整体收缩之际，研究院陷入被边缘化、战略摇摆、举棋不定的困局。

预算缩减、人心涣散，离职自然频发。

AI研究院在互联网公司中的组织架构设计，在过去五年里，取得了阶段性成效：汇聚了顶尖的AI研究人员，为集团建设了一整套前沿的AI基础能力。

但任何组织架构并非一劳永逸，它已经到了自我革命、全盘演化的时间。

01 Facebook打响第一枪：把AI部粉身碎骨，抛弃“职能制”

AI研究院在互联网巨头内部的组织架构设计，不外乎三种：职能制、事业部制、矩阵制。

三种架构，各有门道。

近期第一个拿组织架构大开刀的企业便是Facebook。

本月初，Facebook中心化的AI部门被彻底打散，算法专家们被分配到各个App产品事业部当中。

其中图灵奖得主杨立昆（Yann LeCun）的FAIR团队，将并入至元宇宙部门Reality Labs，杨立昆向该部门的首席科学家Andrew Bosworth汇报。

Facebook的AI总舵主Jerome Pesenti，将在6月底离职。

Jerome加入Facebook之前，担任IBM Watson Group的CTO，早期前京东技术委员会主席周伯文曾向他汇报。

▲Jerome Pesenti

Jerome和杨立昆在Facebook的职责关系，若以往日的腾讯AI为参照，可理解为：前者是腾讯副总裁姚星（已离职），后者则是张正友（AI Lab和Robotics X实验室主任）。

Jerome负责管理整个AI部门的技术、产品赋能、运营等工作，杨立昆负责基础研究。

在这次Facebook的人事调整官方口径中，要施行“去中心化组织结构”。

此前，Facebook的AI部门是职能制组织架构：通俗讲就把公司同一类工种的员工（科学家），聚拢在同一个部门。

部门的工作任务由Jerome，以及其老板CTO Andrew Bosworth制定和考核。

这样做的好处是专业化程度高，全公司最聪明的科学家们汇聚在一个地方工作，便于专业信息的交流和共享。

▲职能制·AI研究院组织架构

这种体系造就了举世闻名的贝尔实验室，贝尔实验室不仅在理论上发现了电子的波动性，提出信息论，更是在产品上组织发射了第一颗商用通信卫星，铺设第一条商用光纤，并发明了射电天文望远镜、晶体管、数字交换机、Unix操作系统和C语言。

在这种体系的影响下，以Facebook为代表的企业，其AI部门的目标和考核，更多围绕把技术变得更前沿展开，在汇报和考核关系上，不对任意一条成熟的App产品线负责。

一位在美国多家巨头企业任职过的研究高管告诉雷峰网：很多学者喜欢去Facebook做研究，虽然是企业实验室，但科研氛围比高校还高校。

四年前，杨立昆卸掉FAIR管理层身份、就任首席AI科学家时，还在FAIR的田渊栋、吴育昕等研究员都曾表示，“没有产品的压力。”

简单来说，早期Facebook AI部门的任务就是花式炫技、刷模型打榜，在各种抛头露脸的地方跑赢微软、Google、亚马逊，就算成功。

在Google内部，同样为职能制结构的Deepmind，也有它的幸福和烦恼。

2021年，作为Google内部的独立AI团队，Deepmind先推出了惊人的蛋白质结构预测AI——AlphaFold 2，然后又公布了2016年让DeepMind一炮而响的AlphaGo进阶版——MuZero。这无疑体现了独立的职能制，在专业性上所能发挥的强大优势。

但是，Deepmind既想要资金，又想保持纯净、理想化的AI研究。

YouTube和DeepMind合作改进推荐算法的过程中，在共享多少数据的问题上，双方各执一词，最终项目搁浅。

这也体现了直线职能制的弊端：独立AI研究院，懂最新的学术风向，有算法能力，但与业务部门的割裂，使其缺少工程化能力和核心场景数据，容易成为花瓶，最终在对数据依赖较小的场景中自嗨。

当然，App产品部门一直以来都对AI有着使用诉求。

当AI研究院的半成品算法包，并不能满足他们的实际诉求，且双方协作、沟通有障碍重重时，产品部也会招募完全属于自己的AI研究人员，自由地为己所用。

但产品部毕竟没有明星科学家，缺乏人才号召力的他们，更多在二流的AI研究员市场挑挑选选。

此外，产品部门的AI团队与独立AI研究院之间，也时常爆发矛盾。

当年，百度内部有两套语音方案赛马，一套是由贾磊主导，一套则由吴恩达负责。

从角色定位来看，贾磊属于搜索产品线旗下的AI派，吴恩达属于独立AI研究派。

吴恩达出任百度首席科学家后，想把学术研究成果应用到工业。然而这次赛马，吴恩达的学术成果，数据虽漂亮，但在应用上对性能并无本质提升，仍处于刚发完论文的实验室阶段。而贾磊的成果已经在工程上验证过。

吴恩达对方案没在百度内得到大规模应用而恼火，并迁怒贾磊。于是，他逼宫李彦宏，让李彦宏二选一，最终造成贾磊的短暂离开。

02 大厂AI落地的敌人：职能制组织架构

在直线职能制下，一个研究院动辄百千人，人均百万年薪，在产出较小、与业务部门协作乏善可陈的情况下，对巨头而言是一笔沉重的负担。

在不抛弃职能制的前提下，中国互联网企业走了一些弯路：给研究院制定营收KPI。

研究院创造营收的方式分两种：一种是把产品卖给其他企业的外包制，一种是“亲兄弟、明算账”的内包制。

外包制如2021年阿里云冲刺900亿目标之际，阿里为达摩院制定了高达10亿级的营收KPI。让研究院背负营收，自行研发产品，并兜售给客户。这一举措在内部引发不少争议，达摩院陆续离职多位P11级科学家。

而内包制的形式，产品/业务部门若有AI需求，会向研究院下达，研究院按照投入人头和服务器使用量，向产品部门收费。这种内包制收费手段，在微众银行等企业的人工智能部颇为常见。

“假如业务部门需要开发一个非常基础的AI功能，研究院会评估需要多少个AI研发以及多少周期，然后给出报价。”

可这个时候问题出现了，该如何收费、怎么收费、如何放下同事情感，建立起公正的甲乙方关系？

有些科技巨头的产品部发现，同样功能的实现，找外部AI供应商采购，报价比找自家研究院便宜不少。但出于数据安全考虑，产品部门只能忍痛付费。

双方矛盾由此产生：研究院为了完成营收KPI，在内部胡乱收费，项目经验的缺失，交付质量层次不齐。反观产品部门，出于安全考量，被迫支出一笔笔超额的预算，还经常达不到预期。

“产品部门没得选。他们缺少对AI研究院的考核力和约束力，即便走内包收费模式，把产品部和研究院，变成了甲乙方关系。但从实际情况来看，因为在同一家公司，AI研究人员们仗着自己职级和薪资比产品经理、开发人员更高，天天在甲方面前当大爷，呵斥产品经理啥都不懂。二者不同的思维方式和行事习惯，使得配合协作起来层层受阻。如果他们在同一个部门里，天天腻在一起干活，肯定不一样，起码能听懂对方要表达的意思。”李想（化名）告诉雷峰网。

根据过往的情况来看，当前无论是外包亦或是内包，都进入了进退两难的困局，不但未达到期望的效果，反而引发内部的多重矛盾。

于是今年达摩院也撤销了对营收业绩的考核。

在直线职能制下，有一家把内包制运作得非常成熟的机构：西门子美国研究院。

如上文所说，在内包制的经营中，产品部对AI研究院缺乏考核力和约束力。

而西门子采用“赛马+竞标”的模式，通过内卷，把内包制变得充满活力，让他们辉煌过一段时间。

一位在该实验室工作十多年的研究员刘华（化名）向雷峰网表示，西门子美国研究院非常以收入为导向。

“我们当时只有30%的经费是人头费，总部下拨的。另外70%的经费需要自己去挣，和产品部门签合同，拿项目。”

但问题是，当时西门子美国研究院中，同一个研究方向的小组有3-4个，一起争数量有限的项目，内部赛马让大家疲惫不堪。为各自部门的利益，研究院们争抢项目。

直到方向重合的部门合并，内部竞争才渐渐平息下来。

区别于Facebook纯粹的职能制，西门子美国研究院保持收费的职能制的好处是，仍然可以保持职能制下研究院的独立性；但是，收钱之后一样变得短视：过于注重眼前，对长线投入的研究方向缺乏动力，容易丢掉对研究风向的敏锐度。

刘华坦言，深度学习出来之后，西门子美国研究院在技术上开始有点吃老本、落伍。

“我们挺早就开始关注深度学习。2006年的时候，杨立昆还来我们实验室访问过一次。2012年，深度学习在计算机视觉上取得成功（AlexNet的提出）。不过，直到2013年我们参加的行业顶会上，发现深度学习已经侵入我们的领域时，才真正开始有所反应，成立一个5-6个人的攻关小组。”

另一方面，与出钱的产品部门合作，还容易被“使绊子”、“穿小鞋”。

刘华吐槽到，“我们的产品部门非常变态，由于内部采购限制，在产品中不允许我们用GPU。当时用深度学习开发了一个算法，因为产品中不能用GPU，花了6个月在CPU上做加速，把运算时间从2分钟压缩到20秒，才得以集成进产品落地。假如可以用GPU，这些工作都是没有必要的。”

AI兴起之后，西门子美国研究院的科研和产品就开始脱节。

“科研必须追踪深度学习的进展，而落地项目大多数情况下只能采用传统的机器学习方法。大家本来就忙于落地产品，脱节之后，科研很难有进展。”

还有一个槽点是，西门子的工资待遇十几年不变。

深度学习兴起，互联网大厂大幅提高AI算法工程师的待遇，一个刚毕业的博士生就可以拿到25-30万美元的package，而西门子美国研究院能给的只有前者的一半，导致团队很难招到优秀的人才。

在21世纪的头十年，三篇CVPR级别的论文，是西门子美国研究员的入门“硬通货”。到2017年，有一篇CVPR的候选人都很难招到，团队优秀的员工也纷纷被大厂（比如Google、Amazon）挖走。

“那一阵子，整个团队士气非常低落。”

刘华说，“没有科研产出（通常用专利或者论文来衡量）的实验室不是真正意义上的实验室，也很难建立品牌效应，吸引到优秀的人才加入；在实验室的日常管理上，充分授权，让研究员有一定的自由度来平衡项目与科研。”

在直线职能制的体系下，不管是走内包、还是外包，都会被分走两头的势力来回牵扯，走进一条死胡同。

03 AI管理混乱的源头：矩阵式架构

回到Facebook。

2018年，Jerome来到Facebook后，由于他在IBM有着丰富的产品赋能经验，Facebook逐渐尝试将AI部门的组织架构变成了矩阵式结构：既要独立做研究，也要给几大App产品部门服务。

职能制适合集专业力量办大事，是横向组织结构。

事业部制各类人员配置五脏俱全，机动性更强，适用于冲刺业绩，是纵向组织结构。

而矩阵式兼具职能制和事业部制两个的优势，但无法把任意一种的优势发挥到极致，属于折中和权衡之计，包含横纵两个坐标。

▲矩阵式·AI研究院组织架构

矩阵式的问题，在于一仆二主、既对职能线负责人汇报，也向事业部线领导汇报。

考核颇为复杂：既需CTO考核，也要产品部门领导打分。

到底该听谁的话？是优先服务产品线，还是优先满足CTO制定的技术指标？这成为摆在Facebook AI部门头上的一大难题。

所以，最新一次的人事调整，Facebook又有变化：从矩阵式，过渡到更为简单粗暴的事业部型的组织架构。

Jerome也在推特上说，“过去集中的AI组织带来了大量外部影响力，但在技术与应用的深度整合上遇到阻碍。新架构会把人工智能系统的所有权分配给各产品组，加速新技术在整个公司范围内的落地应用。”

这个时候，分布在各大产品组的AI团队，只为一个目标服务：产品，只听一个人的话：产品负责人。

04 让AI向利益看齐：事业部制架构

IBM实验室在一段时间里，是事业部制的代表作。

吴军的《浪潮之巅》中曾写到，IBM实验室有不少理论研究。当时负责IBM转型的领导人郭士纳，砍掉了一些偏重于理论而没有效益的研究，将研究和开发结合。

一旦一个研究项目可以实用，他就将整个研究组从实验室挪到产品部门。到后期，郭士纳甚至要求IBM的所有研究员必须从产品项目中挣一定的工资。

事业部制的核心，是将研发、产品、设计、运营、市场等要素配齐。

每个团队就是一家微型公司，大家在同一条船上，为同一个营收KPI负责。

▲事业部制·AI研究院组织架构

郭士纳掌舵的9年间，公司持续盈利，股价上涨了10倍，成为全球最赚钱的公司之一。

但要从职能制拆成事业部制，难度不小，其中的利益纠葛异常复杂。

多年的内部升迁，AI研究院的负责人身居高位，与各产品部门总经理平起平坐。一旦拆分，必然削减掉研究院掌舵者的势力和话语权。

这时候，在不断试错未果后，往往需要壮士断腕的决心和魄力，也必须要郭士纳级别的高管亲自操刀，让研究院真正融入业务场景中。

产品部的核心目标，一是用户/客户量，二是营收。

而事业部制的一大槽点在于，研究人员向产品部门全职汇报后，研究团队也会沦为这两目标的奴隶，工作重心从“精尖主义”转变为“实用主义”，过分脚踏实地，目光短视，看重眼前，缺乏布局5-10年新技术的动力。

在这种制度下，可能会错过下一个风口的最佳入场时间，也难以找到最顶尖的AI人才。越牛的人才，越是心高气傲，越重视宽松的交流、研究氛围，期望与大量高水平的同事一起共事。业务线“向钱看齐”的目标，会让前者反感。

与职能制相反的是，事业部制更注重当下。如果说前者的AI研究院是飞在天上的侦察机，看得更远，得窥全貌；那么，后者的AI研究院更像是坦克部队，离战场更近，看得更细，攻击力更强。

所以，先将AI大牛汇聚一处，经过多年的企业文化熏陶和专业培训，待时机成熟后，再打散发配到产品体系中，让每个业务团队都拥有研究基因和PR AI 资本，便于进一步招揽人才，形成良性循环。

想象一下，当研究院的AI专家全职调任至淘宝、微信、搜索、抖音等产品中时，前者拿到场景数据，后者具备顶尖AI算法，将达到1+1＞2的预期效果。

而各自为阵的跨部门协作，永远是减法。

05 抄不了的作业：微软和Google

与IBM的“事业部制”、西门子的“内包型职能”模式不同的是，微软和Google根据各自基因开辟出一条适用于自身的研究院之路。

2013年，原微软亚太研发集团COO申元庆说，在微软全球10万余名的员工里面，有1000多位科学家，他们是从事基础研究，是看5年到25年的东西。绝大部分的研发人员都在从事所谓的开发工作，看当下到5年的变化。

一个壮观的景象是：每年，微软的科学家给工程部门做路演，哪个部门看上了，代表你就毕业了，颇有“翻牌子”的意味。

申元庆说，“微软研究院的10篇论文里，9.5篇是废的，发论文实际意义有限，但可以省下一大把公关费，吸引优质学生的加入。”

另外一家巨头——谷歌，是工程团队亲自下场做研究，从目前国内公司的配置看，Google的段位太高。

《纽约时报》曾写道，在2004年，有3万多员工的微软的创新，居然比不过不到2000人的Google。《纽约时报》认为差距在于，微软的开发模式没有Google的效率高。

Google的特点，是研究和工程开发不分家。

Google没有严格意义上的研究部门，所有开发人员遇到实际问题需要研究时，因为没有可以指望的研究部门做后盾，只能自己动手。Google虽然有一个很小的研究部门，但是所有的研究员都在第一线做开发。

这种工程文化，无疑受到两位创始人和Jeff Dean的技术理念影响。这要求Google每个工程师不仅要会写程序，还会做研究。

这么高的人才要求，唯一的解决办法是尽可能地招动手能力强的博士。因此，Google也就成了全球单位办公面积博士最集中的地方。

此外，Google也倾向招募有着工科博士背景的产品经理，进一步降低工程团队和产品团队之间的沟通成本。

但需要注意的是，Google的核心发起点是工程师。

而国内想要模仿难度很大，由于工程和研究培养体系在时间上整体晚于欧美，国内的绝大多数研究员，并不具备出色的工程开发和代码水平，他们深入到项目的前提，是先同工程团队协作，随之双方再与产品/项目团队协作。两层协作关系的推进，协作和信息流通效率会大打折扣。

Google和微软的两个特殊样本，对于当下的互联网巨头AI研究院来说，所需的条件太高。

没有人、没有足够多的牛人，想要学到其精髓，很难。

06 向AI研究院开刀

从直线职能制走向矩阵式，进而再融入到事业部的架构中。Facebook的这次结构调整，给中国互联网巨头什么样的启示，是不是也到了强制打散AI研究院的节点？

2016年前后，国内互联网巨头相继开启AI人才的“军备竞赛”，成立AI研究院。

在当时的情形下，选择”职能制”是一个时代的产物、互联网巨头一笔算得过来的账。

如果他们一开始不设立独立的研究院，而是在各个产品BG下面自建AI团队，意味着每个BG都要重复建设多套几乎一致的AI技术体系，这会产生非常高的技术和研究重复建设成本。

同时，各个部门的AI团队各自为战，群龙无首的非中心化的AI组织架构，也难以吸引一流的人才加入。

所以，互联网公司在5-7年前成立独立的、中心化的AI研究院，组织架构的选择显然正确。

但到现在，各大公司的AI研究院使命基本完成，已经建立起了基础AI平台和AI能力，并汇聚一流的AI人才，当前的人工智能，在短时间内也很难看到新基础理论的突破。

此时的AI研究院，已走到“革自己命”的节点，流入至各个产品BG里，为产品和工程服务，推动AI的规模化落地才是正解。

事实上，摆在中国互联网AI研究院的路，也确实只剩下这一条——事业部制。

首先，无内包付费、纯粹的职能制，被Facebook验证了略显滞后，已被舍弃。Deepmind与谷歌的分家矛盾也屡屡发生。

其次，在职能制的体系下，与产品部进行捏合难见其效。

从西门子美国研究院的案例来看，被强行联姻、摊派营收KPI的职能制，更是错过了深度学习等技术的风口。西门子的骨子里是医疗器械厂商，每年推出的影像设备是一个个的标准化、本地化的产品，不存在实时迭代的需求。实验室与产品部门签一年期的合同，年初就定义好几个交付的关键节点，可以提前规划。

而国内的巨头AI研究院，并不具备进行竞标的方式和条件。因为他们要支持的是C端实时变化的应用，以及to B高度定制的生意。

对互联网公司的产品部门来说，每年都会有成千上万个场景需求。如果在直线职能制的体系下，每个需求走内部竞标，供需严重不匹配，需求远远大于供给。

因此，在内外承压的现实逼迫下，国内互联网巨头外包、内包型的职能制体系均难以长期施行。

走向事业部制，这也是国内AI研究院的必由之路。

天下大势，分久必合、合久必分。

用纳德拉的著作《刷新》中的一句话来说：每一个人、每一个组织乃至每一个社会，在到达某一个点时，都应点击刷新——重新注入活力、重新激发生命力、重新组织并重新思考自己存在的意义。

等到下一步新技术浪潮到来后，集团级的研究院又会重新像2016年前后那样把最聪明的人汇聚在一起，为公司构建基础设施。于是，这三种体系又重新走入一种循环。

正如金庸的武侠小说，每一种招式都不可用老。

体系，一定是时代性的体系；解法，一定是时代性的解法。

延伸阅读

延伸阅读《分布式数据库原理、架构与实践》

干货直达

• 这几年爆火的智能物联网（AIoT），到底前景如何？

• 大消费企业怎样做数字化转型？
  

• AI落地制造业：智能机器人应具备这4种能力

• 终于有人把联邦学习讲明白了

更多精彩

在公众号对话框输入以下关键词

查看更多优质内容！

读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手

大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化

AI | 人工智能 | 机器学习 | 深度学习 | NLP

5G | 中台 | 用户画像 | 数学 | 算法 | 数字孪生

据统计，99%的大咖都关注了这个公众号