Sam Gao, VD och medgrundare av DINQ – Intervjuserie

Sam Gao är en ledande AI-forskare, ingenjör och entreprenör, som tjänstgör som VD och medgrundare av DINQ, en plattform för nästa generations talanganslutning för AI-eran. Inledningsvis utbildad i civilingenjör, gick han över till AI, publicerade över 10 artiklar på toppkonferenser, inklusive NeurIPS, ICML och CVPR, och bidrog till stora öppna källramverk som PyTorch och TensorFlow.

Gao är den andra författaren till DeepFaceLab, världens ledande öppna källsystem för ansiktsutbyte, som har fått över 46 000 stjärnor på GitHub och rankats bland GitHub:s topp 10 AI-projekt 2020. Han skapade också OutfitAnyone, ett universellt virtuellt provsystem som erkänns bland de 20 bästa projekten på HuggingFace Spaces 2024 och distribueras kommersiellt på Taobao, som genererar över 100 miljoner RMB i årlig omsättning. Dessutom var han författare till Eliza OS AI Agent Whitepaper, ett brett citerat ramverk för ett decentraliserat handelsagent.

Med en global syn på AI-innovation har Gao engagerat sig omfattande med ledande forskare, grundare och branschpionjärer, reste till nav som Silicon Valley, New York, Denver, Davos, Singapore och Kyoto. Gao grundade Qingke AI-gemenskapen, som har vuxit till över 30 000 offentliga följare och 5 000 experter, som erbjuder frontteknologipresentationer, privata workshoppar och nätverksmöjligheter. Gemenskapen är nu erkänd som en av de mest professionella och inflytelserika nätverken för forskare som arbetar för xAI, OpenAI, DeepMind, Qwen, Deepseek och fler.

Du tillbringade flera år med att arbeta med datorseende och grafik för AR och VR på Alibaba Cloud, och senare rådde du om AI-drivna bevis på mänskliga system i blockchain. Vad var den personliga frustrationen eller inflexionspunkten som ledde dig att lämna dessa roller och medgrundade DINQ?

Under mina år på Alibaba Damo Academy såg jag hur banbrytande teknik nådde miljontals användare. Men min största frustration var inte en teknisk flaskhals; det var talangmissförhållande. Jag såg hur briljanta doktorsavhandlingar kämpade med verklig världsdistribution, medan självlärda “kodtroll” ignorerades för att de saknade en prestigefylld etikett. Senare lärde mig rådgivningen om blockchain-identitetssystem mig kraften i “Bevis på mänsklig”. DINQ är skärningspunkten för dessa upplevelser: en mission att tillhandahålla ett definitivt, objektivt bevis på värde för alla som bygger i AI-eran.

DINQ lanseras i en tid då AI-modeller och beräkningskapacitet utvecklas snabbare än den talang som behövs för att bygga och distribuera dem. Från din synvinkel, vad är det som är grundläggande fel med hur AI-talang upptäcks och utvärderas idag?

Den grundläggande felet är “Utvärderingsförsening”. Medan AI-förmågor utvecklas varje månad, förblir anställningen fast i ett decennium gammalt paradigm:

Nyckelordsföråldring: Traditionella filter kan inte skilja mellan någon som bara “använder” ChatGPT och någon som kan arkitektera ett multiagentflöde.

“Härkomstfällan”: Att förlita sig på elitexamens eller “Stor teknik” -titlar är en lat proxy för kompetens. Det förbiser den väldiga oceanen av “dolda juveler” som faktiskt driver innovation i öppen källkod eller nischvertikaler.

Statiskt kontra flytande: Ett CV är en ögonblicksbild av det förflutna; AI-bidrag är en levande, andningsström av data över GitHub, Hugging Face och samarbetsplattformar.

Du har beskrivit DINQ som ett svar på begränsningarna för CV, LinkedIn-profiler och nyckelordsbaserad rekrytering. Vilka kritiska signaler om AI-forskare och utvecklare missas av traditionella rekryteringssystem?

Standardrekrytering missar “beteendemässig DNA” hos en byggare:

Iterativ motståndskraft: Hur refinerar en användare en prompt eller en modell tills den fungerar?

Kontextuell mästerskap: Förmågan att överbrygga gapet mellan en rå AI-verktyg och en specifik affärslösning.

“Lärtakt”: I ett område där kunskapen avskrivs varje sex månad, är hastigheten med vilken någon bemästrar ett nytt ramverk (som att flytta från RAG till Agentic arbetsflöden) viktigare än deras totala år av erfarenhet.

DINQ-kortet sammanställer kod, publikationer, projekt och samarbeten i ett enda, verifierat profil. Hur förändrar detta definitionen av “påverkan” för tidiga AI-forskare som kanske inte har stora titlar eller välkända anslutningar?

DINQ-kortet förändrar definitionen av framgång från “Vem du arbetar för” till “Vad du faktiskt har byggt”. För tidiga byggare eller icke-traditionella skapare är detta en spelväxlare. Det sammanställer verifierade bidrag, antingen det är en högpresterande LoRA, ett viralt AI-genererat projekt eller en kritisk AI-infrastrukturfelkorrigering, i en Rykte. Det tillåter en student i en avlägsen region att kräva samma respekt som en Silicon Valley-tekniker baserat på förtjänsten av deras “Verifierad påverkan”.

På rekryteringssidan introducerar DINQ AI-infödd sökning och resonemang snarare än statiska filter. Hur förändrar detta hur företag identifierar kandidater för högt specialiserade domäner som förstärkt inlärning eller multiagent-system?

Traditionell sökning är binär (Ja/Nej). DINQ:s sökning är resonemangsbaserad. Om ett företag behöver någon för “AI-agenter”, letar DINQ inte bara efter nyckelordet. Det analyserar kandidatens faktiska utdata: Lösde de komplexa resonemangslooparna och bidrog till Langchain eller Dify? Hur hanterade de API-fördröjningen i sina projekt? Detta tillåter företag att identifiera “Specialiserade generalister”: personer med den djupa intuitionen att navigera specifika AI-utmaningar som ännu inte har blivit till jobbtitlar.

Haft du arbetat inom stora plattformar som Alibaba Cloud, vad tror du att stora organisationer missförstår mest om att utvärdera verklig AI-förmåga kontra ytmässiga krediteringar?

Stora organisationer förväxlar ofta “Tidigare härkomst” med “Framtida anpassningsförmåga”. De antar att framgång i en strukturerad, äldre miljö översätts till framgång i “Vilda Västern” i AI. Sanningen är att AI-förmåga idag handlar om Agent, förmågan att ta ett otydligt problem och använda AI för att lösa det från början till slut. Stora plattformar missar ofta “skapliga innovatörer” som faktiskt flyttar nålen.

DINQ visar samarbetsmönster och långsiktig forskningstrajektori över plattformar snarare än att fokusera på isolerade prestationer. Varför blir denna longitudinella vy viktigare när AI-forskning blir mer tvärvetenskaplig och teamdriven?

Innovation är inte längre en ensam sport; det är en samarbetsutveckling. Genom att titta på en persons trajektori över plattformar över tid ser vi deras Strategiska konsekvens. Hoppade de bara på varje hypecykel, eller byggde de en djup, tvärvetenskaplig stapel? När AI blir teamdriven, ser man hur en person interagerar med andras kod och forskning, vilket blir den ultimata förutsägelsen för deras “Kulturadd” och teknisk ledning.

Det finns en växande oro över att AI-rekrytering är fördomsfull mot synlighet snarare än förtjänst. Hur syftar DINQ till att visa högpresterande talang som annars kan förbli dold eller förbisett?

Rekrytering idag gynnar de högsta rösterna på sociala medier, inte nödvändigtvis de mest begåvade. DINQ fungerar som en “Kvantitativ fond för talang”. Vi tar bort bruset och tittar på Värismetod. Genom att visa högpresterande bidragsgivare som kan vara “tysta byggare” på GitHub, Huggingface eller specialiserade forum, ser vi till att förtjänst, inte marknadsföring, bestämmer vilka som får de bästa möjligheterna.

Som någon som har opererat på skärningspunkten mellan AI-infrastruktur, tillämpad forskning och nu talangsystem, hur ser du på förhållandet mellan AI-beräkningsutvidgning och mänsklig expertis utvecklas under de kommande åren?

När beräkningen skalar, utvecklas “Människan i loopen” från en utförare till en arkitekt. Vi rör oss mot en värld där “Experthet” definieras av din förmåga att styra massiva beräkningsresurser mot meningsfulla resultat. Förhållandet är inte konkurrenskraftigt; det är symbiotiskt. “AI-aktiverad människa” kommer att vara den mest värdefulla tillgången i den globala ekonomin, individer som kan orkestrera modeller, verifiera sanning och injicera kreativ intuition där algoritmer når en vägg.

Att se bortom januari-lanseringen, vad ser du som framgång för DINQ i att omforma hur AI-ekosystemet erkänner, utvecklar och distribuerar mänsklig talang i skala?

Framgång för DINQ innebär att bygga “Tillitslagret” i AI-ekonomin. Vi vill se en värld där ett DINQ-kort är det enda “CV” du någonsin behöver. Till 2026 är vårt mål att ha omformat den globala arbetsmarknaden till en sann meritokrati i skala, där talang upptäcks omedelbart, verifieras automatiskt och distribueras till världens mest brådskande problem, oavsett geografi eller bakgrund.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka DINQ.