自建 ML 团队还是外包 AI 开发：如何决定，该找谁

如果客户付钱买的就是 AI，而且模型在今后几年里每周都需要有人投入精力，就自己招一支 ML 团队。如果你只需要在已有的业务运营中加入一两个 AI 系统，而公司里没有人能带领招进来的 ML 人员、也没有人能评判候选人，就外包。选择由谁来做时，要找一家能拿出一个由它投入生产、至今仍在日常使用的 AI 系统的公司，并在合同里写明把代码、模型文件和评估集交给你。

我们需要的是 ML 研究人员，还是基于现有模型做开发的工程师？

提出这个问题的公司，大多数并不需要有人去发明或训练一个新模型。它们需要的是这样一个系统：拿一个现有的模型，把自己的文档、工单或交易交给它，检查它输出的东西，再把结果放到员工日常工作的地方。这是围绕模型的工程工作，要招的人和做研究的不是同一类人。

训练自己的模型，主要是在模型本身就是客户所购买的东西时才划算，而且需要大量标注数据。基于现有模型来构建，无论用的是提供方的服务，还是下载下来在自己服务器上运行的模型，需要的都是能把系统接起来、检查答案质量、让软件持续运行的人。在写岗位描述或联系合作伙伴之前，先决定你需要的是这两者中的哪一个。

一支内部 ML 团队，实际上由哪些人组成？

一个 ML 工程师不是一个团队。生产环境中的模型嵌在大量普通软件之中，而构建和运行这些软件的人占了团队的大部分。Google 关于 MLOps 的架构指南是这样说的：“在真实世界的 ML 系统中，只有一小部分由 ML 代码构成。所需的周边要素庞大而复杂。”

一支无需外部帮助就能构建并运行一套生产系统的团队，要覆盖四个角色：

• 一位能规划工作、能评判 ML 候选人的负责人。没有这个人，公司就分不清谁是好人选、谁只是表现得很自信
• 选择模型、准备数据、编写评估并改进结果的 ML 工程师
• 从你已在运行的系统中取出干净、获准使用的数据，并让它持续流动的数据工程师
• 负责运行基础设施的工程师：服务器或云账户、部署、监控，以及模型答案变差时触发的告警

在小团队里，一个人可以身兼其中两个角色，但没有人能身兼全部四个。还有一个角色在业务一侧，招谁都替代不了：决定什么才算正确答案的人。

一支内部 ML 团队要花多少钱？

薪资通常是最大的一项开支，公开数据可以提供一个参照。美国劳工统计局（BLS）没有单独公布机器学习工程师的工资数据。在它统计的最接近的几类职业中，2025 年 5 月的年薪中位数为：数据科学家 120,230 美元，软件开发人员 135,980 美元，计算机与信息研究科学家 140,300 美元。

这些是美国整个职业类别的中位数。已经把 ML 系统投入过生产的人是一个更小的群体，而你所在的地区和所需的资历，都会让这个数字上下浮动。

工资并不是一名员工的全部成本。据 BLS 的数据，2026 年 6 月，在美国私营部门的全部岗位中，工资和薪金占雇主薪酬支出的 70.0%，其余 30.0% 是福利。

在薪资之外，还有其他成本：

• 每个岗位的招聘，以及负责人岗位空缺给之后每一次招聘带来的延误
• 用于实验和生产的算力，会随着使用量增长
• 用于数据标注、实验追踪和答案监控的工具
• 你自己员工的工时：他们要在最初几个月里编写正确答案、检查模型的输出
• 按构建阶段配置的团队，规模往往比运行建成后的系统所需的更大

本文不给出外包的价格区间：任何公司在看到任务、数据规则和工作量之前，都无法诚实地为这项工作定价。

什么时候自己招一支 ML 团队才合理？

当工作永无止境、知识值得留在内部时，招人才划算：

• 客户付钱买的是模型做的事。竞争对手能买到和你一样的基础模型，所以你的团队在这些模型之上所做的工作，才是你在卖的东西
• 模型每周都需要照看。Google 的 MLOps 指南列出了模型性能下降的两个原因：欠佳的代码，以及“不断演变的数据画像”。在数据一直变化的地方，重新训练和重新测试就是一项长期工作
• 你手里有别人都没有的数据。摸清这些数据怪癖的人会变得难以替代，他们应该为你工作
• 你能先招到一位有经验的负责人并留住他。团队的其余部分围绕这个人来搭建

如果前两条成立，就招人。在你的团队成形期间，外部工程师仍然可以帮你缩短起步阶段。

什么时候外包 AI 开发是更好的选择？

当 AI 是业务中的一个工具、而不是业务本身时，外包更合适：

• 你需要的是一两个系统，比如读取收到的文档或给客服工单分类，而不是源源不断的新模型
• 大部分工作是把模型接入你已在运行的系统，比如服务台系统、文档库或核心数据库。经常做这类事的公司，以前就碰到过你会遇到的集成问题
• 公司里没有人能带领招进来的 ML 人员，也没人能评判候选人。招一支自己管不了的团队，等于花大价钱才发现你需要的其实是一个合作伙伴
• 在承担薪资支出之前，你想先弄清楚这项任务到底行不行得通。由外部团队做出的第一个系统，会用你自己的数据回答这个问题

有一个公开的数据点也指向同一方向。MIT NANDA 于 2025 年 7 月发布的报告“The GenAI Divide”基于对 52 家组织的访谈。报告显示，从外部供应商采购或与外部供应商合作开发的生成式 AI 工具，约有 67% 最终投入部署，而完全在内部自建的工具约为 33%。作者说明这些数字是自报数据，并提醒差距中的一部分可能源于这些组织本身。

外包也有它自己的代价：关于系统如何运作的知识留在你公司之外，直到有人把它搬进来。

我们能不能先外包第一个 AI 系统，之后再招一支团队来接手？

可以，而且对一家预计要把系统运行很多年的公司来说，这往往是最稳妥的顺序。由外部团队做出第一个版本，你在开发期间、而不是开发结束之后，招进两三个人。他们评审代码，参与设计决策，并在临近结束时自己来运行系统，开发方在一旁看着。

只有当交接以一份清单的形式写进合同，列明你会收到、并且离开开发方也能使用的东西时，这才行得通：

• 放在你自己仓库里的源代码，带完整历史
• 凡是训练过或微调过模型的地方，交付模型本身：模型文件、生成这些文件所用的配置，以及它们所依据的数据或对这些数据的说明
• 提示词和配置，与使用它们的代码一起做版本管理
• 评估集：带有商定正确答案的真实示例，以及对照这些示例给系统打分的脚本
• 数据管道，以及哪些数据可以去往哪里的书面规则
• 部署、回滚，以及模型开始给出糟糕答案那一天的处置手册

要检查这套交付物中每个基础模型的许可证，因为许可条件会随着基于它构建的东西一起走。例如，Meta 的 Llama 3.3 许可证规定，如果你使用 Llama 来“创建、训练、微调或以其他方式改进一个被分发或提供的 AI 模型，你还应在任何此类 AI 模型名称的开头加上‘Llama’。”

签约之前，我们应该问 AI 开发公司哪些问题？

对每一家候选公司，都以书面形式提出同样的问题：

• 给我们看一个你们投入生产、至今仍在日常使用的 AI 系统。它做什么、今天由谁运行，模型答错时又会发生什么？
• 工作期间，我们的数据会去哪里，包括日志、测试副本以及任何用于调优模型的东西？其中有没有任何部分会离开我们的服务器或账户，或者被用来改进你们为其他客户使用的工具？
• 你们会如何衡量输出质量？我们期望有一个用我们自己的示例构建、在开发开始前就商定、并设有合格线的评估集
• 最后我们具体会收到什么？我们自己的工程师能否在没有你们的情况下运行和修改这个系统？
• 你们自己的哪些组件会留在系统里？逐一列出名称，以及我们使用它们的条件

还要留意每家公司问了你什么。以前做过这类系统的公司，会先问你的任务和数据，然后才说出一个模型的名字。

外包 AI 开发时，有哪些危险信号？

• 还没有人看过你的数据，方案里就已经点名了某个模型
• 准确率数字没有附带测试集，或者附带的测试集是这家公司单方面挑选的
• 合同允许用你的数据改进这家公司的共用工具，或者对此只字未提
• 没有人问上线之后由谁来运行这个系统
• 所有权条款保留了“我们的平台”或“我们的组件”，却没有列出它们具体是什么
• 对每一项任务，第一个答案都是定制训练的模型。一家公司在收费训练模型之前，应该先解释为什么现有模型不行

哪些公司为其他企业开发 AI？你会推荐谁？

本文不点名哪家公司最好。一个不考虑你的任务、你的数据规则以及之后由谁运行系统的推荐，只是猜测。做这类工作的公司有五种，各自适合不同的情况：

• 云服务商的专业服务部门及其合作伙伴网络。如果系统本来就要放在那家云上，这是一个合理的选择；可以预期，设计会建立在该服务商自家的托管服务之上
• 大型咨询公司，适合 AI 是跨多个部门的更大变革中的一部分的情况。要问清楚谁来写代码，以及这些人是不是他们自己的员工
• 专精型工程公司，适合构建一两个系统、并把它们接入你已在运行的东西。要他们拿出一个与你的问题相近的生产系统，而不是一份技术清单
• 自由职业的 ML 工程师，适合边界清楚、公司内部有人能评判的任务。这个人一走，知识也跟着走
• 软件厂商，适合常见的任务，比如客服聊天机器人或读取标准发票。现成的产品可能比招人和找人开发都更好，所以在定制任何东西之前先核实这一点

要列出候选名单，就写一页纸：用一句话写清任务，系统可以看到哪些数据、这些数据可以去往哪里，带有正确答案的真实示例，每天的工作量，以及上线后由谁负责这个系统。把同一页纸发给三家类型合适的公司，像比较它们的方案一样仔细地比较它们提出的问题。如果条件允许，在签下整个开发项目之前，先付费做一个附带书面验收标准的小规模第一阶段。

amBrain 在其中处于什么位置？

在上面描述的几类公司中，amBrain 属于工程公司。

关于自己在语言模型方面的工作，amBrain 是这样说的：“我们已在一家客户的金融科技边界之内，将一项 LLM 集成投入生产：把非结构化的经纪商与交易场所通知——公司行动、金融工具与保证金变更——抽取并规范化为交易系统所消费的结构化记录。”客户未具名，该项目的任何数字也均未公布。

amBrain 用一句话描述它与客户的合作方式：“三种合作方式：整体交付、专属团队，或工程师嵌入你的团队。”关于所有权，它的说法是：“客户拥有产品与代码的全部所有权，我们的可复用组件除外。”请像对待其他任何公司一样，要求 amBrain 逐项列出这些组件的名称。

如果你现在就要做决定，就从上一节那一页纸的需求说明开始。把它发给 amBrain 或任何别家，然后比较收到的回复。

常见问题

• 我们能不能先招一个 ML 工程师起步？可以，但一个人顾不过来带队、开发、数据和运维，而且内部也没有人能评判他的工作。如果先招一个人，就招一个能带队的人，其余的人以后再招进来
• 外包是不是意味着我们的数据要离开公司？不一定。外部团队可以按照你的访问规则，在你的服务器或云账户之内工作，合同里也可以写明这一点。要专门问清楚日志和测试副本会去哪里，因为人们容易忘记的正是这些副本
• 外包出去的系统，以后能收回到内部吗？可以，前提是上面那份交接清单从一开始就写进了合同。开发结束后再补上会更难，因为在工作还记忆犹新的时候，没有人写过评估集或处置手册