企业家在运用资本时往往面临着两大挑战:大规模运营的复杂性,以及市场条件的不可预见性。一般来讲,当市场风向变化且业务增长缓慢时,初创公司和上市企业往往都会全面裁员以减缓资本耗损的速度。
根据Crunchbase的数据,今年到目前为止,全球遭解雇的科技员工已达近45000名。在过去几个月里,Glossier、Go Puff、Klarna和Netflix等知名企业都发生过裁员,更多互联网公司则暂停招聘。
在HackerEarth,我们成功度过了两轮衰退周期,且从未进行过任何裁员。最近10年来,我们发现了一种可持续的招聘和项目实验方法,足以帮助我们驾驭充满不确定性的市场条件。
时刻保持「安全车距」
为了保持精益,我们一直设定并执行一组目标和最佳实践,让我们能够随着持续变化的市场而灵活调整,避免一切资源浪费。在任何特定时段之内,我们的员工组合都在给完美条件打个九折的状态工作。设想一下,如果说我们在高速公路上开车时,与前方车辆间保持的距离有个完美条件下的理论值,那我们就把它再放大一些作为常态。这样当市场快速变化时,企业就不致于因运营状态过于极限而引发「意外」。
如此一来,我们可以在「安全车距」内做出干预、及时反应,又不会对员工造成重大干扰。总之,我们会主动规划员工组合来应对当前及未来,而不是在发现压力后第一时间调整招聘计划、甚至着手裁员。
这样的运营思路不仅让我们能够对变化做出快速反应,也有助于提高每位员工的效率。当人员配备略低于最佳状态时,人们就有机会比绩效标准做得更好。而这种完成目标的感觉,能让整个团队以更自信的态度追求新的效率与成长。
建立强大文化,保障产品目标
由于留下了10%的效率空间,那这部分就要靠文化来填补。在招聘时,我们会优先考虑具备多样化灵活技能组合、可以适应需求变化的候选人。这就让我们的团队能够同时处理多个项目,并减少成员之间隔绝孤立的思维和行为。
作为管理团队,我们共同做出决策,并对最终决定承担集体责任。只有建立起透明和开放的沟通渠道,这种联合决策才有可能实现。我们尽可能与团队分享意见,因此在组织当中,新人员工所知悉的信息很可能达到某位高管的99%。
建立开放沟通文化的最佳方式,就是努力建立横向沟通渠道,并授权中层管理者自主做出重要决策。作为人才留存战略的重要一环,我们专注于增强员工信任和忠诚度。根据相关调查,当员工信任雇主时,他们在工作中主动找到解决方案的可能性要高出23%。根据亲身经历,我们发现这个结论真实可信。
别把人孤立于寒风当中
说起从不裁员,很多朋友可能觉得那是因为我们公司的业务没怎么受大环境的影响。真是这样就好了,其实近几年的震荡下哪有完全不受影响的企业呢?
这10年来,我们至少有两次都是在搜肠刮肚,希望找到在不裁员的前提下压缩预算的办法。首先就是关闭一条业务线,但继续保留所有团队成员。我们让这部分员工转向其他业务价值,变成增强另外部门的重要后援。
在这里,我们贯彻了建立多样化团队、灵活发挥自身优势的思维。事实上,我们的任何一个团队都不会100%满负荷,这样就能轻松实现团队间的人员往来,同时避免对预算产生显著影响。
在疫情最严重的时期,我们再次陷入困境。这时候的现实问题主要集中在工作方式和工作地点上。为了适应新的现实,我们集思广益并制定出最佳行动方案,最终决定以减薪但不裁员的方式降低运营风险。这是一项集体决定,团队中的每个人都表示支持,而且大家都认为相对于失去伙伴、少拿点工资其实不是什么大问题。
这个决定也来自长期观察和短期内的实验性调整。如果业务再次回暖,我们该做点什么?如果招不到合适的新人,我们要怎么办?要回答这些问题,我们就必须开放沟通渠道,定期与员工们分享企业决策背后的考量。
可持续增长重于盲目扩张
在我们的业务中,可持续运营绝不代表保守。我们是专注于衡量回报、计算风险,追求雄心勃勃目标的同时,也采取精心设计的试水方案。
我们知道,要想实现真正的增长,就必须勇敢跨出舒适区。无论一项倡议看起来多么古怪或者不可思议,我们总会以成本极低的方式进行尝试,并最终将其推向某个具备合理性和成功可能的状态。
具体来讲,我们的大多数实验都不会被一次性赋予太多资源。我们乐于接受失败,因为哪怕路走不通,项目中的人员和资源也可以被重新分配给其他工作。
我们不知道自己的这条「不裁员」之路有没有带来什么启发,但至少这十年来,我们的业务支柱仍然稳健坚实,我们也一直非常谨慎地看待招聘工作,只在必要时才增添新成员。我们的团队一直精干老练,总能在出现问题时帮企业扛住不少压力。
我们也关注初创心态,深信员工们能够理解这个集体的难处、愿意共同让步以解决问题。最后,我们将这种信任融入企业文化,让员工的忠诚度成为这家公司的立足之本。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。