Sam Gao, CEO a spoluzakladatel DINQ – Interview Series

Sam Gao je přední AI výzkumník, inženýr a podnikatel, který působí jako CEO a spoluzakladatel DINQ, next-generation talent connection platform pro AI éru. Původně vzdělaný v oboru stavebního inženýrství, přešel do AI, publikoval přes 10 článků na top-tiér konferencích včetně NeurIPS, ICML a CVPR a přispěl do major open-source frameworků jako PyTorch a TensorFlow.

Gao je druhým autorem DeepFaceLab, světového leading open-source face-swapping systému, který získal přes 46 000 hvězd na GitHub a byl zařazen mezi top 10 AI projektů na GitHub v roce 2020. Také vytvořil OutfitAnyone, univerzální virtuální vyzkoušení systému, který byl uznán mezi top 20 projekty na HuggingFace Spaces v roce 2024 a byl nasazen komerčně na Taobao, generující přes 100 milionů RMB ročně. Kromě toho autorizoval Eliza OS AI Agent Whitepaper, široce citovanou framework pro Decentralized Trading Agent.

S globálním pohledem na AI inovace, Gao se extenzivně zapojil s leading výzkumníky, zakladateli a průmyslovými průkopníky, cestoval do center jako Silicon Valley, New York, Denver, Davos, Singapur a Kjóto. Gao založil Qingke AI Community, která vyrostla na více než 30 000 veřejných followerů a 5 000 odborníků, nabízející frontier technologii talky, soukromé workshopy a networkingové příležitosti. Komunita je nyní uznávána jako jedna z nejprofesionálnějších a nejvlivnějších sítí pro výzkumníky, kteří pracují pro xAI, OpenAI, DeepMind, Qwen, Deepseek a další.

Strávil jste několik let prací na počítačovém vidění a grafice pro AR a VR v Alibaba Cloud a později radil na AI-driven proof-of-human systémech v blockchain. Jaká osobní frustrace nebo inflexní bod vás vedl k odchodu z těchto rolí a spoluzaložení DINQ?

Během mých let v Alibaba Damo Academy, jsem viděl, jak pokročilá technologie dosáhla milionů uživatelů. Má největší frustrace však nebyla technickou překážkou; byla to talentová nesoulad. Viděl jsem, jak brilantní PhD studenti bojovali s reálným nasazením, zatímco samoučící “kódovací čarodějové” byli ignorováni, protože postrádali prestižní štítek. Později, radil na blockchain identity systémech, jsem se naučil o síle “Proof-of-Human.” DINQ je průnikem těchto zkušeností: mise poskytnout definitivní, objektivní Proof-of-Value pro každého, kdo buduje v AI éře.

DINQ se spouští v momentě, kdy AI modely a výpočetní kapacita škálovají rychleji, než talent potřebný k jejich budování a nasazení. Z vašeho pohledu, co je zásadně špatně s tím, jak je AI talent objeven a hodnocen dnes?

Zásadní chyba je “Evaluation Lag.” Zatímco AI schopnosti škálovají měsíčně, nábor zůstává uvězněn v desetiletém paradigmatu:

Keyword Obsolescence: Tradiční filtry nemohou rozlišit mezi někým, kdo prostě “používá” ChatGPT a někým, kdo může navrhnout multi-agent workflow.

The “Pedigree” Trap: Spoléhání se na elitní tituly nebo “Big Tech” názvy je líným proxy pro kompetenci. Přehlíží obrovský oceán “skrytých drahokamů”, které skutečně pohánějí inovace v open-source nebo niklových vertikálách.

Static vs. Fluid: Životopis je snímek minulosti; AI příspěvek je živý, dýchající proud dat napříč GitHub, Hugging Face a kolaborativními platformami.

Popisujete DINQ jako odpověď na limity životopisů, LinkedIn profilů a keyword-based náboru. Jaké kritické signály o AI výzkumnících a vývojářích jsou přehlíženy tradičními náborovými systémy?

Standardní nábor přehlíží “behaviorální DNA” stavitelů:

Iterative Resilience: Jak uživatel upravuje prompt nebo model, dokud nefunguje?

Contextual Mastery: Schopnost propojit mezeru mezi surovým AI nástrojem a konkrétním obchodním řešením.

The “Learning Rate”: V oblasti, kde znalosti deprecují každých šest měsíců, rychlost, s níž někdo zvládne nový framework (jako přechod z RAG na Agentic workflows), je důležitější než celková délka jejich zkušeností.

DINQ Card agreguje kód, publikace, projekty a spolupráci do jediného, ověřeného profilu. Jak tato změna definici “dopadu” pro rané kariérní AI výzkumníky, kteří možná ještě nemají velké tituly nebo známé afiliace?

DINQ Card mění definici úspěchu z “Pro koho pracujete” na “Co jste vlastně postavili.” Pro rané kariérní stavitelé nebo netradiční tvůrce, je to game-changer. Agreguje ověřené příspěvky, zda je to high-performing LoRA, virální AI-generovaný projekt nebo kritický AI infra bug fix, do Reputace. Umožňuje studentovi v odlehlé oblasti získat stejný respekt jako inženýr z Silicon Valley na základě čisté zásluhy jejich “Ověřeného dopadu.”

Na straně náboru, DINQ zavádí AI-rodný vyhledávání a uvažování spíše než statické filtry. Jak tato změna způsob, jakým společnosti identifikují kandidáty pro vysoce specializované domény jako reinforcement learning nebo multi-agent systémy?

Tradiční vyhledávání je binární (Ano/Ne). DINQ vyhledávání je Reasoning-based. Pokud společnost potřebuje někoho pro “AI agenty”, DINQ nehledá pouze keyword. Analyzuje skutečný výstup kandidáta: Rozřešil komplexní reasoning loops a přispěl do Langchain nebo Dify? Jak zvládl API latency ve svých projektech? To umožňuje společnostem identifikovat “Specializované generalisty”: lidi s hlubokou intuicí pro navigaci specifických AI výzev, které ještě nebyly transformovány do pracovních titulů.

Po práci uvnitř velkých platforem jako Alibaba Cloud, co si myslíte, že velké organizace nejvíce nepochopily o hodnocení skutečné AI schopnosti versus povrchové kredence?

Velké organizace často považují “Minulý Pedigree” za “Budoucí Adaptabilitu.” Předpokládají, že úspěch ve strukturovaném, dědičném prostředí se překlápí do úspěchu ve “Wild West” AI. Pravda je, že AI schopnost dnes je o Agentuře, schopnosti vzít nejasný problém a použít AI k jeho řešení end-to-end. Velké platformy často přehlížejí “špinavé inovátory”, kteří skutečně pohánějí jehlu.

DINQ odhaluje spolupráci vzorce a dlouhodobou výzkumnou trajektorii napříč platformami spíše než soustředění se na izolované úspěchy. Proč je tento longitudinální pohled stává důležitějším, jak AI výzkum se stává více interdisciplinárním a týmovým?

Inovace již není sólo sport; je to Kolaborativní Evoluce. Pohledem na osobu trajektorii napříč platformami v čase, vidíme jejich Strategickou Konsistenci. Jsou pouze skákající na každou hype cyklu, nebo budují hlubokou, interdisciplinární zásobu? Jak AI se stává týmovým, pohled na to, jak osoba interaguje s ostatními kódem a výzkumem se stává konečným prediktorem jejich “Culture Add” a technického vedení.

Existuje rostoucí obava, že AI nábor je zaujatý směrem k viditelnosti spíše než zásluze. Jak DINQ cílí odhalit high-impact talent, který by jinak zůstal skrytý nebo přehlížen?

Nábor dnes favors nejhlasitější hlasy na sociálních médiích, ne nutně nejtalentovanější. DINQ působí jako “Kvantitativní fond pro talent.” Odstraníme šum a podívejme se na Value Density. Odhalením high-impact přispěvatelů, kteří mohou být “quiet builders” na GitHub, Huggingface nebo specializovaných fórech, zajišťujeme, že zásluha, ne marketing, určuje, kdo dostane nejlepší příležitosti.

Jako někdo, kdo operoval na průsečíku AI infrastruktury, aplikovaného výzkumu a nyní talent systémů, jak vidíte vztah mezi AI compute expanzí a lidskou odborností se vyvíjející v příštích letech?

Jak se compute škáluje, “Human-in-the-loop” se vyvíjí z doera na architekta. Přecházíme do světa, kde “Odbornost” je definována vaší schopností řídit masivní compute zdroje směrem k významným výsledkům. Vztah není soutěživý; je symbiotický. “AI-Enabled Human” bude nejvíce cenným aktivem v globální ekonomice, jedinci, kteří mohou orchestrovat modely, ověřovat pravdu a vkládat kreativní intuici, kde algoritmy narazí na zeď.

Pohledem za lednový launch, co znamená úspěch pro DINQ v přetvoření, jak AI ekosystém rozpoznává, vyvíjí a nasazuje lidský talent ve velkém?

Úspěch pro DINQ znamená budování “Trust Layer” AI Ekonomiky. Chceme vidět svět, kde DINQ Card je jediný “Životopis”, kterého budete kdy potřebovat. Do roku 2026, náš cíl je přetvořit globální trh práce do skutečné Meritokracie ve velkém, kde talent je objeven okamžitě, ověřen automaticky a nasazen do nejnaléhavějších problémů světa bez ohledu na geografii nebo pozadí.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit DINQ.