AI for Science 团队搭建：从 0 到 1 的组织设计思考
科学智能方向的团队搭建不同于传统 AI 团队——需要平衡科研深度与工程效率，处理好"探索"与"交付"的张力。
AI for Science 方向的团队搭建是一个独特的组织设计挑战。这类团队既需要保持学术研究的深度和严谨性，又需要满足产品交付的时间和质量要求。
核心矛盾：探索 vs 交付
传统 AI 工程团队的目标相对明确：给定数据和指标，优化模型性能。但 AI for Science 团队常常面对的是"不知道问题是什么"的状态——科学发现本身就是不确定的。
这意味着团队设计需要同时容纳两种工作模式：
探索模式：允许失败、长周期、高不确定性
交付模式：明确目标、短周期、可量化
推荐的团队结构
核心团队（5-8 人起步）
**技术负责人（1人）**：需要有科学背景 + AI 工程经验的复合型人才。能定义技术方向，也能评估工程可行性。
**研究科学家（2-3人）**：负责核心算法研发和科学问题建模。建议至少 1 人有目标领域的 PhD 背景。
**算法工程师（1-2人）**：负责将研究成果工程化，搭建可复用的训练和推理 pipeline。
**数据工程师（1人）**：科学数据往往格式复杂、质量参差，需要专人处理数据获取、清洗和管理。
**科学顾问（兼职/外部）**：目标领域的资深研究者，帮助团队把握科学方向的正确性。
薪酬设计建议
研究科学家：年薪 60-120 万（视学术背景和发表记录）
算法工程师：年薪 50-90 万
数据工程师：年薪 35-60 万
股权/期权：对于早期团队，建议预留 10-15% 的期权池
常见误区
**只招"大厂出身"的人**：AI for Science 需要的是解决问题的好奇心和耐心，不是大规模系统的经验
**给研究者设定 KPI**：论文数量、专利数量不是好的考核指标，应该看技术突破的实际影响
**忽视科学顾问的价值**：一个优秀的科学顾问可以避免团队在错误的方向上浪费数月时间