DeepSeek的用人觀：學霸、年輕人、禁止賽馬｜焦點分析

文｜周鑫雨

編輯｜蘇建勛

被雷軍親自挖到小米的「天才95后少女」、曾任DeepSeek模型訓練員的羅福莉，揭開了DeepSeek人才畫像的冰山一角：年輕、優秀的應屆畢業生。

正是這一羣「高深莫測的奇才」（OpenAI前政策主管Jack Clark評價），僅用600萬美元，訓練出性能超越GPT-4o和Claude 3.5 Sonnet的模型DeepSeek-V3。

DeepSeek創始人梁文峰曾在36氪的採訪中，給出了這一羣員工的大致畫像：「都是一些Top高校的應屆畢業生、沒畢業的博四、博五實習生，還有一些畢業才幾年的年輕人。」

但僅僅組建一支天才梯隊，對實現DeepSeek的AGI理想是不夠的。

通過與多位相關人士的訪談，《智能涌現》發現，DeepSeek想要用好這一羣年輕的天才，離不開團隊的管理方式。

當下，隨着團隊規模的飛速擴張，不少AI公司不得不採用更為高效的垂直管理模式。

但自2023年5月成立以來，DeepSeek將團隊一直控制在150人左右的規模，並採用一種淡化職級、極為扁平的文化，去確定研究課題，並調動資源。

而創新，就發生在這一羣未經驗證過的年輕天才，和一家採用非互聯網組織形式的公司中。

百名年輕天才，不賽馬，不帶團隊

聘請具有AI技術經驗的老將出山，是大多AI公司的選人策略。

比如王小川為百川智能，搬來的是20年前的搜狗老班底；微軟出身的姜大昕，在成立階躍星辰之初，招徠的也是微軟亞研院的老同事。而零一萬物的聯合創始人名單，起初更是星光熠熠，包括：

出身微軟亞研院的黃文灝，前谷歌大腦首位研究軟件工程師、前字節跳動AI平臺負責人潘欣，以及前貝殼集團策略算法中心負責人李先剛。

但DeepSeek，偏愛沒有工作履歷的年輕人。

一名曾與DeepSeek有過合作的獵頭告訴《智能涌現》，DeepSeek不要資深的技術人，「工作經驗在3-5年已經是最多的了，工作超8年的基本就pass了」。

比如，DeepSeekMath的其中三名核心作者，朱琪豪、邵智宏、Peiyi Wang，是在博士實習期間完成了相關的研究工作。再比如，V3研究成員代達勱，2024年纔剛從北大獲得博士學位。

代達勱。圖源：網絡

沒有工作履歷，DeepSeek衡量年輕畢業生「優秀」與否的標準，除了院校，還有競賽成績。另有多名DeepSeek的第三方合作機構表示，DeepSeek對競賽成績看得非常重，「基本金獎以下就不要了」。

一名DeepSeek成員曾在網絡上披露自己的履歷：畢業於北大，在三場ACM/ICPC（國際大學生程序設計競賽）比賽均獲金獎。本科期間共發了6篇論文，兩篇共同一作，基本都是頂會。

據《智能涌現》瞭解，2022年，幻方量化就開始為DeepSeek組建AI團隊。2023年5月，當DeepSeek正式成立，團隊已有近百名工程師。

如今，不包括位於杭州的基礎設施團隊，北京團隊的工程師也有百人規模。技術報告的致謝名單顯示，參與DeepSeek V3研究的工程師，已經有139人。

百人規模的團隊，與字節、百度等動輒千人的模型雄兵，在人才規模上顯得捉襟見肘。但在「人才密度」的分量遠超「人員規模」的AI創新領域，不少人對《智能涌現》形容，DeepSeek是一支全員精鋭的團隊。

如何管理、留住這一羣年輕的天才？一方面，是粗暴地砸錢、給卡。

知情人對《智能涌現》表示，DeepSeek薪酬水平對標的是字節研發，「根據人才能拿到的字節offer，再往上加價」。

與此同時，只要梁文峰判斷技術提案有潛力，DeepSeek給人才的算力，「不限」。

另一方面，DeepSeek採取的是相當扁平和「學院派」的管理方式。

上述獵頭表示，DeepSeek每個成員不帶團隊，而是根據具體的目標，分成不同的研究小組。組內成員之間沒有固定分工和上下級關係，「每個人都負責自己最擅長解決的部分，遇到困難就一起討論，或者向其他組的專家討教。」

梁文峰曾在36氪的訪談中將這種組織形式形容為「自下而上」「自然分工」：「每個人有自己獨特的成長經歷，都是自帶想法的，不需要push他……當一個idea顯示出潛力，我們也會自上而下地去調配資源。」

行業內，不少創業者也將「扁平」，視作適用於創新業務的組織模式。「平等溝通對建立一個學習型組織很重要，淡化崗位身份會更鼓勵大家暢所欲言。」王慧文成立AI公司光年之外之初，曾對《智能涌現》表示。

OpenAI聯創Greg Brockman也曾提到，OpenAI的工作崗位沒有研究員和工程師之分，統稱為「Member of Technical Staff」。這意味着，主流意義上的「初級工程師」也能在研究項目中挑大樑。

一個「自然分工」的典型成果，就是讓V3訓練成本大降的關鍵訓練架構，MLA。梁文峰提到，MLA最初來源於一個年輕研究員的個人興趣，「我們為此組了一個team，花了幾個月時間才跑通」。

與此同時，DeepSeek內部不賽馬——據一名接觸過DeepSeek團隊的AI從業者表述，這是爲了杜絕賽馬造成的人力、資源浪費，「也不利於人才的留存和團隊共識的形成，賽馬機制造成的內耗太嚴重了」。

「想要創新，團隊必須擺脫慣性」

2023年，國內AI頂尖人才畫像的幾個標籤——學術大牛、大廠高管、創業老兵——都指向同一個用人標準：這些人才，需要被職級、產品影響力等職場標準驗證過。

但很明顯，2024年以來，AI行業的用人標準，正在產生變化。更多尚未經過職場驗證、剛畢業不久的年輕人，正走到臺前。

Sora其中一位負責人Aditya Ramesh曾在2024年智源大會上表示，OpenAI的招聘策略與其他組織非常不同，「我們更關注那些有高潛力，但可能還沒機會獲得正式學術成績的人」。

同樣，DiT（Sora底層架構）作者謝賽寧也提到，有很多非常成功的研究人員並沒有真正經歷所謂的傳統研究、正式的研究培訓。

謝賽寧和Aditya Ramesh在智源大會上的對談。圖源：智源

類似的招聘觀念，也體現在DeepSeek的選人策略上。加入DeepSeek的年輕人，不少都沒有模型訓練的相關經驗，甚至不是計算機專業出身。

一名畢業於物理專業的DeepSeek成員曾公開提到，自己是一次偶然機會自學了計算機，「由於工作太前沿，幾乎沒有什麼參考資料，一切問題都是自己設計方案並實踐解決的」。另有一名DeepSeek運維工程師提到，加入公司前，自己是沒有任何相關經驗的「小白」。

「想要創新，團隊必須要擺脫慣性。」一名AI從業者對《智能涌現》表示，如今大部分國內AI公司，已經陷入了淺顯模仿OpenAI的慣性，算法就選Transformer，訓練就遵從Scaling Law，「跟隨被驗證過的路徑，就能降低失敗的風險。」

但大家往往忽視，在被GPT-3驗證前，Transformer和Scaling Law也被視作是「瘋狂的事」。

「DeepSeek沒有給成員設定硬性的kpi，也沒有商業化的壓力，成員沒有太多模型訓練的經驗，反而能讓他們不會去抄OpenAI的‘標準答案’。」

上述從業者表示，一名DeepSeek的員工曾告訴他，「如今很少有廠商會從調整Transformer去做文章，但DeepSeek對算法架構的反思，是從第一天就開始的。MLA（DeepSeek自研的架構）其他廠商未必做不出來，但是他們不會想要推翻原有的正確答案。」

但他也坦言，DeepSeek的底氣，還是來源於充足的算力和錢，「所有的資源都投到模型訓練一件事上，他們沒有其他業務，也不燒錢做投放，省了不少錢」。

「DeepSeek不招有名的大佬，他們很少有創新的動力。」與DeepSeek曾合作過的一名獵頭對《智能涌現》總結，「曾經的成功者已經成功過了，他們身上有不允許失敗的包袱。創新的事，還是交給新人去做。」

歡迎交流！

歡迎關注！