深涌智能CTO黄涛:一个离职率为0的技术团队,是如何搭建的?
2026-11-19 20:49:20
  • 0
  • 0
  • 0

黄涛,深涌智能联合创始人兼CTO。毕业于北京大学数学系本科,9年AI算法经验,先后在字节、百度凤巢、蚂蚁金服、腾讯做AI算法,还做过百亿级量化基金的策略研究员,曾获腾讯技术突破奖、CCF科技成果奖(科技进步类)、中国国际数据博览会领先科技成果奖、中国算力大会“算力之星”杰出科创新人等奖项。

离开大厂,他和高中同桌黄可铖共同创办深涌智能。公司核心团队21人,技术团队17人,研发人员占比80%。在这篇专访中,黄涛只谈“人”:这支技术“特种兵”团队是怎么搭建起来的,以及深涌智能相信什么样的人才。

工作中的黄涛

先请你整体介绍一下深涌智能的技术团队,团队有多少人,如何分工?

黄涛:技术团队分四块。

数据团队做金融数据基建:全球实时行情、政策新闻,服务多智能体和策略;

Infra团队是底层设施,最底下是开源的多智能体基座,基座之上能演化出很多套Harness——超级金融分析专家Analyst Harness,超级策略研究专家 Strategy Harness,C端用户服务专家Chat Harness等;

策略团队有了数据和Infra,就能在Harness里快速做策略:以前可能要一个月以上,现在压到一周,有些几天就出来;

最后是后训练:基模擅长Reasoning,但只能判断“当前是什么”,不会预测未来。我们做的是面向未来金融市场的反馈闭环:接入真实交易系统,用后来发生的数据反哺模型——这在基模蒸馏里拿不到。

团队成员的背景都很强,基本是全球顶级名校出来的,MIT、北大、清华,不少是之前就有学术关系的朋友,还有一些是我在大厂盯了很久的人。

深涌智能的“特种兵团队”

每个团队的成员,此前的工作背景和专业能力大概是怎么样?

黄涛:数据团队的核心,都是在金融机构待了十几年、专门做交易系统的“老人”。

Infra团队基本是我从前腾讯、阿里的老同事,腾讯11级、十年工作经验这个level,一起出来创业,我最看重他们对系统和架构的了解。

策略团队最核心的是实盘经验。两位专家PM,来自全球头部私募和自营机构,5年以上实盘经验。

团队里的一位同事Lillian,复旦本科、康奈尔硕士,后来在华尔街工作。但她碰到了一个职业瓶颈:亚裔女性在华尔街,业绩再好论资排辈也轮不到你。她一直在寻找比较好的开源工具,来放大自己的个人价值,在这个过程中试用了我们的产品。我们邀请她做客户访谈时,她发现我们的团队年轻、包容,就放弃了那边优渥的工作。

而后训练团队全是PhD,来自MIT、东大这些学校,在大模型后训练上有研究经验,知道怎样把我们现在的数据构造成脚手架,再基于它去做后训练。

很多公司是一帮金融的人来做AI,
而我们是一帮技术人员在做金融。

整个技术团队的背景和能力都非常厉害。那么你在搭建这个团队的时候,最看重的核心能力是什么?

黄涛:团队搭建是越来越偏手艺活的一件事。一开始我也不知道怎么搭,是在实际业务拓展中慢慢倒推出来的,同时我们也要做面向未来的建设,想清楚未来团队长什么样。所以我最看重的不是现成的专业经验,而是学习能力和跨边界合作的能力——数据、infra、策略的专业边界很难跨越。

还有一点比能力更底层:金融AI这个赛道,很多公司是一帮金融的人来做AI,而我们是一帮技术人员在做金融。前者做的AI更多是copilot,而我们想做一个端到端的决策型AI,打造金融科技新范式。

第一个加入技术团队的是谁?为什么选择他一起加入创业?

黄涛:第一个加入的,是我在腾讯时的老同事,现在带领我们的Infra团队。他最核心的品质是梦想——有理想、有追求。大厂有生活保障、收入不低,一般人很难直接出来创业。愿意出来的人,背后一定有个驱动因素:自己的愿景,这辈子想怎么过、要做成什么事。在大厂非常成熟的商业模式下,“做好当天的事”和“我期望的更好的发展”是比较矛盾的,因为人的成长靠的事外部环境变化带来的剧烈的挑战。创业就是面对一个又一个无数的挑战。

他的这种品性很内化,大厂里只有很少数人具备。他有个特点:朋友圈基本每天都在转机器之心这类科技类、行业类洞察,对技术有很强的promoting。所以我们完成第一笔建设融资后,他就欣然辞职,抛弃了大厂高薪的工作来加入。

打造超级金融智能,
共建金融AI的未来范式

在招聘时,您会怎么向对方介绍深涌智能、介绍咱们要做的产品以及咱们未来要做成什么?

黄涛:我们的核心目标是把大家吸引过来,一起共建。其中最有挑战的是怎么把每个人所追求的理想,和公司的战略糅合在一起。

公司战略很清楚:打造超级金融智能。那么对于数据团队,金融专家被提炼成智能体之后需要什么数据支撑?空间很大,有一个非常清晰的愿景和具体的实施路径。对于后训练团队,GPU不缺,直接给硬件;数据也不缺,立马提供燃料。对Infra团队,多层架构已经比较成熟,并且非常先进,我们就一起把通用多智能体框架、把Harness做出来。超级金融智能不是一个口头表达,一定有实盘,我们给数据、给模型、给回测框架,保证策略的研发人员可以在这里以更高的效率做运行。

归根结底,面对不同画像的人,我讲的都是同一件事:我们的产品从专家内容、策略、资金托管到面向券商,发展路径清晰,每个团队的愿景也很明确。

从团队成员的角度来看,深涌智能对于顶尖人才有哪些吸引力?

黄涛:面向AI时代,传统数据商那套方式一定会被替换:以前卖数据、卖报告,现在要和系统、生态结合。传统做数据、做策略、做Infra的逻辑都不一样了。AI金融显然是大势所趋,加入深涌智能可以快速实现职业转型,跟技术最前沿接轨。

对于策略团队来说,最直接的体感是产出速度快很多。传统量化机构里的PM是“缺东西”的:缺分析师提炼的数据,缺自己挖的因子,更多时候是单兵作战。有了这套底座,对PM 而言效率能够大幅提升——就像vibe coding之于程序员。

另外还有一层:每个做资金管理的人,心里都在思考未来的策略范式是什么样,AI和金融怎么结合,我们已经有了一套比较完整的解法,大家只需要在这个清晰的解决方案里去做共建。

深涌智能 企业荣誉

你觉得自己在这个技术团队中,扮演一个什么样的角色?

黄涛:我们没有非常明显的上下级观念。技术团队核心成员的主动离职率接近0%,基本没有人走。大家会来,一是信我这个人;二是信这个方向。

对于我个人的信任是非常直接的:我在大厂拿过很多成果,他们知道这人靠谱,方向和战略定力不会出大问题。我的角色涉猎广一点:私募基金、大厂都待过,系统、算法、数据都碰过,所以清楚团队怎么协作、边界在哪,对每个团队的智能有清晰的划分。

团队成员之间平时是怎么沟通交流的?会经常约饭、聚餐吗?

黄涛:这个特别有意思。一起吃饭反而显得非常刻意。反而是在日常过程中,苹果、小米、英伟达的发布会,新模型、新GPU发布,会成为我们的话题。大家会聊这个做得怎么样、那个做得好不好,各抒己见。

让超级金融智能
与人类专家
共同抬高能力上限

你刚才提到,希望实现超级金融智能。

什么叫做超级金融智能?怎样才算实现所谓的超级金融智能?

黄涛:在我看来,超级金融智能的建设包含两个核心环节:沉淀、蒸馏人类专家的专业经验,并持续把这些经验内化训练到模型当中。所谓超级金融智能,我理解就是它能够做出媲美人类专家以及超越人类专家的宏观分析。

另一方面,我们可以类比AI在数学领域的突破,AI能够完成高难度的数学猜想证明,但成果依然需要数学家核验、复现;放到金融场景也是同理,即便模型在宏观研判、板块分析上做到比肩甚至超越人类专家,也离不开专家的校验。

这也意味着,AI与人类专家不会是替代关系,而是长期共生的关系,我们希望依托这套体系搭建一个更开放的生态。超级金融智能既是效率加速器,也是专家能力增强器:AI 承接海量数据检索、基础推演等繁重工作,帮专家节省大量调研时间;专家则持续对模型输出的观点标注、纠偏、给出反馈,反过来持续迭代模型能力,共同抬高整个体系的能力上限。

在这个开放共生的循环里,专家持续精进研判能力,模型持续打磨专属金融认知,最终沉淀出很难被复制的专家经验体系与金融大模型。

深涌智能是一家专注于 AI-native 自主智能系统的科技公司,核心团队来自 MIT、清华、北大等高校,骨干成员曾任职于阿里、腾讯、蚂蚁、头部量化机构。公司围绕金融复杂系统构建全栈自研技术体系,覆盖金融认知数据服务、AI 因子工程体系、金融市场推演引擎、多智能体协同系统及个人金融智能终端等方向,致力于推动金融 AI 从信息理解走向市场推演、因子生成、风险识别与智能执行闭环。

AlphaDojo 是你的专业级 AI 决策助手,基于大语言模型与金融知识引擎,为你提供从信息获取、归因分析到投资决策的全链路智能服务。

关键特性:

• 以接近专业机构分析水平为目标,惠及每一位个人投资者。

• 提供全链路投资分析服务,一个对话框完成信息获取、归因分析、决策参考。

• 牢记你的风险偏好、你关注的赛道,根据逐渐丰富的背景信息自动调整分析——就像熟悉你投资风格的“老朋友”。

 
最新文章
相关阅读