Sam Gao, CEO dan Co-Founder DINQ – Seri Wawancara

Sam Gao adalah seorang peneliti AI terkemuka, insinyur, dan wirausaha, menjabat sebagai CEO dan Co-Founder DINQ, sebuah platform koneksi bakat generasi berikutnya untuk era AI. Awalnya dilatih di bidang teknik sipil, ia beralih ke AI, menerbitkan lebih dari 10 makalah di konferensi top-tier termasuk NeurIPS, ICML, dan CVPR, dan berkontribusi pada kerangka kerja open-source utama seperti PyTorch dan TensorFlow.

Gao adalah penulis kedua DeepFaceLab, sistem face-swapping open-source terkemuka di dunia, yang telah mendapatkan lebih dari 46.000 bintang di GitHub dan menduduki peringkat di antara proyek AI teratas di GitHub pada tahun 2020. Ia juga menciptakan OutfitAnyone, sistem virtual try-on universal yang diakui di antara 20 proyek teratas di HuggingFace Spaces pada tahun 2024 dan diterapkan secara komersial di Taobao, menghasilkan lebih dari 100 juta RMB dalam pendapatan tahunan. Selain itu, ia menulis Eliza OS AI Agent Whitepaper, kerangka kerja yang banyak dikutip untuk Decentralized Trading Agent.

Dengan perspektif global pada inovasi AI, Gao telah berinteraksi secara ekstensif dengan peneliti terkemuka, pendiri, dan pelopor industri, bepergian ke pusat-pusat seperti Silicon Valley, New York, Denver, Davos, Singapura, dan Kyoto. Gao mendirikan Komunitas AI Qingke, yang telah tumbuh menjadi lebih dari 30.000 pengikut publik dan 5.000 ahli, menawarkan ceramah teknologi terdepan, bengkel privat, dan kesempatan jaringan. Komunitas ini sekarang diakui sebagai salah satu jaringan paling profesional dan berpengaruh untuk peneliti yang bekerja untuk xAI, OpenAI, DeepMind, Qwen, Deepseek, dan lain-lain.

Anda menghabiskan beberapa tahun bekerja pada visi komputer dan grafis untuk AR dan VR di Alibaba Cloud, dan kemudian memberikan saran pada sistem proof-of-human yang didorong AI di blockchain. Apa frustrasi pribadi atau titik infleksi yang membuat Anda meninggalkan peran tersebut dan mendirikan DINQ?

Selama tahun-tahun saya di Alibaba Damo Academy, saya melihat teknologi canggih mencapai jutaan pengguna. Namun, frustrasi terbesar saya bukanlah bottleneck teknis; itu adalah kesalahpenanganan bakat. Saya melihat PhD yang cemerlang bergelut dengan penerapan dunia nyata, sementara “penyihir coding” yang autodidak diabaikan karena mereka tidak memiliki label bergengsi. Kemudian, memberikan saran pada sistem identitas blockchain mengajarkan saya kekuatan “Proof-of-Human.” DINQ adalah persimpangan dari pengalaman ini: sebuah misi untuk menyediakan Proof-of-Value yang definitif dan objektif untuk siapa pun yang membangun di era AI.

DINQ diluncurkan pada saat model AI dan kapasitas komputasi berkembang lebih cepat daripada bakat yang dibutuhkan untuk membangun dan menerapkannya. Dari perspektif Anda, apa yang secara fundamental rusak tentang bagaimana bakat AI ditemukan dan dievaluasi saat ini?

Kekurangan dasar adalah “Evaluation Lag.” Sementara kemampuan AI berkembang setiap bulan, perekrutan masih terjebak dalam paradigma yang sudah berusia satu dekade:

Ketidakberesan Kata Kunci: Filter tradisional tidak dapat membedakan antara seseorang yang hanya “menggunakan” ChatGPT dan seseorang yang dapat merancang alur kerja multi-agents.

Perangkap “Pedigree”: Mengandalkan gelar elit atau judul “Big Tech” adalah proksi malas untuk kompetensi. Ini mengabaikan lautan “permata tersembunyi” yang sebenarnya menggerakkan inovasi di bidang open-source atau vertikal khusus.

Statis vs. Fluid: Resume adalah foto dari masa lalu; kontribusi AI adalah aliran data hidup yang berkelanjutan di GitHub, Hugging Face, dan platform kolaboratif.

Anda telah menggambarkan DINQ sebagai respons terhadap keterbatasan resume, profil LinkedIn, dan perekrutan berbasis kata kunci. Apa sinyal kritis tentang peneliti dan pengembang AI yang dilewatkan oleh sistem perekrutan tradisional?

Perekrutan standar melewatkan “DNA perilaku” dari seorang pembangun:

Ketahanan Iteratif: Bagaimana seorang pengguna memperbaiki prompt atau model sampai berhasil?

Kemampuan Kontekstual: Kemampuan untuk menjembatani kesenjangan antara alat AI mentah dan solusi bisnis khusus.

“Laju Pembelajaran”: Di bidang di mana pengetahuan merugikan setiap enam bulan, kecepatan di mana seseorang menguasai kerangka kerja baru (seperti berpindah dari RAG ke alur kerja Agentic) lebih penting daripada total tahun pengalaman mereka.

Kartu DINQ menggabungkan kode, publikasi, proyek, dan kolaborasi menjadi satu profil yang diverifikasi. Bagaimana ini menggeser definisi “dampak” untuk peneliti AI awal yang mungkin belum memiliki judul besar atau afiliasi yang terkenal?

Kartu DINQ menggeser definisi kesuksesan dari “Siapa yang Anda kerjakan untuk” menjadi “Apa yang Anda bangun.” Untuk pembangun awal atau kreator non-tradisional, ini adalah perubahan besar. Ini menggabungkan kontribusi yang diverifikasi, apakah itu LoRA berkinerja tinggi, proyek AI yang dihasilkan virus, atau perbaikan bug infrastruktur AI kritis, menjadi Reputasi. Ini memungkinkan seorang mahasiswa di daerah terpencil untuk memerintahkan rasa hormat yang sama dengan insinyur Silicon Valley berdasarkan keunggulan “Dampak yang Diverifikasi” mereka.

Di sisi perekrutan, DINQ memperkenalkan pencarian dan penalaran AI asli daripada filter statis. Bagaimana ini mengubah cara perusahaan mengidentifikasi kandidat untuk domain yang sangat khusus seperti pembelajaran penguatan atau sistem multi-agents?

Pencarian tradisional adalah biner (Ya/Tidak). Pencarian DINQ adalah Berbasis Penalaran. Jika sebuah perusahaan membutuhkan seseorang untuk “agens AI,” DINQ tidak hanya mencari kata kunci. Ini menganalisis output aktual kandidat: Apakah mereka menyelesaikan loop penalaran kompleks dan berkontribusi pada Langchain atau Dify? Bagaimana mereka menangani latensi API dalam proyek mereka? Ini memungkinkan perusahaan untuk mengidentifikasi “Spesialis Generalis”: orang-orang dengan intuisi mendalam untuk menavigasi tantangan AI khusus yang belum menjadi judul pekerjaan.

Setelah bekerja di dalam platform besar seperti Alibaba Cloud, apa yang Anda pikir organisasi besar salah paham tentang menilai kemampuan AI yang sebenarnya versus kredential permukaan?

Organisasi besar sering kali salah mengartikan “Pedigree Masa Lalu” sebagai “Adaptabilitas Masa Depan.” Mereka menganggap bahwa kesuksesan dalam lingkungan struktural, warisan, diterjemahkan ke dalam kesuksesan di “Wild West” AI. Kebenarannya adalah bahwa kemampuan AI saat ini adalah tentang Keagenan, kemampuan untuk mengambil masalah yang samar dan menggunakan AI untuk menyelesaikannya dari ujung ke ujung. Platform besar sering melewatkan “inovator yang gesit” yang sebenarnya menggerakkan jarum.

DINQ menampilkan pola kolaborasi dan trajektori penelitian jangka panjang di seluruh platform daripada fokus pada prestasi terisolasi. Mengapa pandangan longitudinal ini menjadi lebih penting ketika penelitian AI menjadi lebih antar disiplin dan berbasis tim?

Inovasi tidak lagi merupakan olahraga solo; ini adalah Evolusi Kolaboratif. Dengan melihat trajektori seseorang di seluruh platform dari waktu ke waktu, kita melihat Konsistensi Strategis mereka. Apakah mereka hanya melompat ke setiap siklus hype, atau apakah mereka membangun tumpukan antar disiplin yang dalam? Ketika AI menjadi berbasis tim, melihat bagaimana seseorang berinteraksi dengan kode dan penelitian orang lain menjadi prediktor utama “Culture Add” dan kepemimpinan teknis mereka.

Ada kekhawatiran yang tumbuh bahwa perekrutan AI cenderung memihak pada visibilitas daripada merit. Bagaimana DINQ bertujuan untuk menampilkan bakat berdampak tinggi yang mungkin tetap tersembunyi atau diabaikan?

Perekrutan saat ini memfavoritkan suara terkeras di media sosial, bukan necesarilinya yang paling berbakat. DINQ bertindak seperti “Dana Kuantitatif untuk Bakat.” Kami menghilangkan kebisingan dan melihat Kepadatan Nilai. Dengan menampilkan kontributor berdampak tinggi yang mungkin “pembangun sunyi” di GitHub, Huggingface, atau forum khusus, kami memastikan bahwa merit, bukan pemasaran, menentukan siapa yang mendapatkan kesempatan terbaik.

Sebagai seseorang yang telah beroperasi di persimpangan infrastruktur AI, penelitian terapan, dan sekarang sistem bakat, bagaimana Anda melihat hubungan antara ekspansi komputasi AI dan keahlian manusia berkembang dalam beberapa tahun mendatang?

Ketika komputasi berkembang, “Manusia-dalam-litar” berevolusi dari pelaku menjadi arsitek. Kami bergerak menuju dunia di mana “Keahlian” didefinisikan oleh kemampuan Anda untuk mengarahkan sumber daya komputasi besar ke arah hasil yang bermakna. Hubungan ini tidak kompetitif; ini simbiotik. “Manusia yang Ditenagai AI” akan menjadi aset paling berharga di perekonomian global, individu yang dapat mengatur model, memverifikasi kebenaran, dan menyuntikkan intuisi kreatif di mana algoritma menemui dinding.

Melihat melampaui peluncuran Januari, apa yang terlihat seperti kesuksesan untuk DINQ dalam mengubah cara ekosistem AI mengakui, mengembangkan, dan menerapkan bakat manusia secara besar-besaran?

Kesuksesan untuk DINQ berarti membangun “Lapisan Kepercayaan” dari Ekonomi AI. Kami ingin melihat dunia di mana Kartu DINQ adalah satu-satunya “Resume” yang pernah Anda butuhkan. Dengan tahun 2026, tujuan kami adalah untuk telah mengubah pasar tenaga kerja global menjadi Mertikrasi Skala Sebenarnya, di mana bakat ditemukan secara instan, diverifikasi secara otomatis, dan diterapkan pada masalah paling mendesak di dunia tanpa memandang geografi atau latar belakang.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi DINQ.