Sam Gao, CEO และผู้ร่วมก่อตั้ง DINQ – สัมภาษณ์シリーズ

Sam Gao เป็นนักวิจัย ผู้เชี่ยวชาญด้าน AI และผู้ประกอบการชั้นนำ ซึ่งดำรงตำแหน่ง CEO และ Co-Founder ของ DINQ ซึ่งเป็นแพลตฟอร์มเชื่อมต่อผู้มีพรสวรรค์สำหรับยุค AI โดยเริ่มแรกได้รับการฝึกอบรมด้านวิศวกรรมโยธา และต่อมาได้เปลี่ยนมาเป็น AI โดยตีพิมพ์งานวิจัยมากกว่า 10 เรื่องในงานประชุมชั้นนำ รวมถึง NeurIPS, ICML และ CVPR และมีส่วนร่วมในการพัฒนาเฟรมเวิร์กโอเพ่นซอร์ส เช่น PyTorch และ TensorFlow

Gao เป็นผู้เขียนร่วมคนสำคัญของ DeepFaceLab ซึ่งเป็นระบบเปลี่ยนใบหน้าที่เปิดให้ใช้งานได้ฟรีและเป็นที่นิยมที่สุดในโลก โดยมีมากกว่า 46,000 ดาวบน GitHub และได้รับการจัดอันดับให้เป็นหนึ่งใน 10 โครงการ AI ที่ดีที่สุดบน GitHub ในปี 2020 นอกจากนี้เขายังสร้าง OutfitAnyone ซึ่งเป็นระบบลองเสื้อผ้าเสมือนจริงที่ได้รับการยอมรับให้เป็นหนึ่งใน 20 โครงการที่ดีที่สุดบน HuggingFace Spaces ในปี 2024 และได้รับการติดตั้งบน Taobao โดยสร้างรายได้มากกว่า 100 ล้าน RMB ต่อปี นอกจากนี้เขายังเป็นผู้เขียนร่วมของ Eliza OS AI Agent Whitepaper ซึ่งเป็นเฟรมเวิร์กที่มีการอ้างอิงอย่างกว้างขวางสำหรับ Decentralized Trading Agent

ด้วยมุมมองระดับโลกเกี่ยวกับนวัตกรรม AI Gao ได้ทำการแลกเปลี่ยนความคิดเห็นอย่างกว้างขวางกับนักวิจัย ผู้ก่อตั้ง และผู้บุกเบิกอุตสาหกรรมชั้นนำ โดยเดินทางไปยังศูนย์กลางต่างๆ รวมถึง Silicon Valley, New York, Denver, Davos, Singapore และ Kyoto Gao เป็นผู้ก่อตั้ง Qingke AI Community ซึ่งมีผู้ติดตามสาธารณะมากกว่า 30,000 คนและผู้เชี่ยวชาญมากกว่า 5,000 คน โดยมีการจัดให้มีการสนทนาเกี่ยวกับเทคโนโลยีระดับแนวหน้า การสัมมนาแบบส่วนตัว และโอกาสในการสร้างเครือข่าย ชุมชนนี้ได้รับการยอมรับว่าเป็นหนึ่งในเครือข่ายที่มีความเป็นมืออาชีพและทรงอิทธิพลที่สุดสำหรับนักวิจัยที่ทำงานสำหรับ xAI, OpenAI, DeepMind, Qwen, Deepseek และอื่นๆ

คุณใช้เวลาหลายปีในการทำงานเกี่ยวกับวิชั่นคอมพิวเตอร์และกราฟฟิกสำหรับ AR และ VR ที่ Alibaba Cloud และต่อมาได้ให้คำแนะนำเกี่ยวกับระบบ Proof-of-Human ที่ขับเคลื่อนด้วย AI บน blockchain สิ่งใดที่ทำให้คุณตัดสินใจออกจากบทบาทเหล่านั้นและร่วมก่อตั้ง DINQ?

ในช่วงเวลาที่ฉันอยู่ที่ Alibaba Damo Academy ฉันเห็นเทคโนโลยีที่ทันสมัยถึงมือผู้ใช้หลายล้านคน แต่ความ沮เสียที่ยิ่งใหญ่ที่สุดของฉันไม่ใช่ปัญหาทางเทคนิค แต่เป็นปัญหาเรื่องความไม่สอดคล้องกันของทักษะ ฉันเห็นนักวิจัย PhD ที่มีความสามารถสูงต้องดิ้นรนในการนำสิ่งที่พวกเขาพัฒนามาใช้จริง ในขณะที่ผู้ที่มีทักษะการเขียนโค้ดที่ดีถูกมองข้ามเพราะไม่มีฉลากที่มีชื่อเสียง ต่อมา การให้คำแนะนำเกี่ยวกับระบบ Proof-of-Human บน blockchain สอนฉันถึงพลังของ “Proof-of-Human” DINQ คือจุดตัดของประสบการณ์เหล่านี้: การมอบหมายให้สร้าง Proof-of-Value ที่ชัดเจนและเป็นกลางสำหรับทุกคนที่สร้างสรรค์ในสภาพแวดล้อม AI

DINQ เปิดตัวในขณะเดียวกับที่โมเดล AI และความสามารถในการคำนวณกำลังขยายตัวเร็วกว่าทักษะที่จำเป็นในการสร้างและใช้งานพวกมัน จากมุมมองของคุณ สิ่งใดที่มีปัญหาอย่าง根本เกี่ยวกับวิธีการค้นหาและประเมินทักษะ AI ในปัจจุบัน?

ความผิดพลาดพื้นฐานคือ “Evaluation Lag” ในขณะที่ความสามารถของ AI ขยายตัวทุกเดือน การจ้างงานยังคงติดอยู่ในแบบจำลองที่มีอายุเกิน 10 ปี:

Keyword Obsolescence: ตัวกรองแบบดั้งเดิมไม่สามารถแยกแยะระหว่างคนที่ใช้ ChatGPT กับคนที่สามารถออกแบบการทำงานแบบหลายตัวแทนได้

The “Pedigree” Trap: การพึ่งพาปริญญาเอกหรือชื่อ “Big Tech” เป็นเพียงตัวแทนของความสามารถโดยไม่คำนึงถึงความสามารถที่แท้จริง

Static vs. Fluid: เรซูเม่คือภาพถ่ายของอดีต การมีส่วนร่วมของ AI คือกระบวนการเปลี่ยนแปลงที่มีชีวิตและเติบโตบน GitHub, Hugging Face และแพลตฟอร์มร่วมอื่นๆ

คุณอธิบาย DINQ ว่าเป็นการตอบสนองต่อข้อจำกัดของเรซูเม่ โปรไฟล์ LinkedIn และการหางานโดยใช้คำค้นหา สัญญาณสำคัญใดเกี่ยวกับนักวิจัยและนักพัฒนา AI ที่ถูกพลาดไปโดยระบบการสรรหาบุคลากรแบบดั้งเดิม?

การสรรหาบุคลากรแบบดั้งเดิมพลาด “DNA ของพฤติกรรม” ของผู้สร้าง:

Iterative Resilience: วิธีการที่ผู้ใช้ปรับปรุงคำถามหรือโมเดลจนกว่ามันจะทำงานได้

Contextual Mastery: ความสามารถในการเชื่อมช่องว่างระหว่างเครื่องมือ AI แบบดั้งเดิมกับโซลูชันทางธุรกิจเฉพาะ

The “Learning Rate”: ในสาขาที่ความรู้ลดค่าลงทุกๆ 6 เดือน ความเร็วในการที่ใครสักคนเรียนรู้เฟรมเวิร์กใหม่ๆ (เช่น การย้ายจาก RAG ไปเป็น Agentic workflows) มีความสำคัญมากกว่าจำนวนปีที่พวกเขามีประสบการณ์

บัตร DINQ รวมโค้ด การตีพิมพ์ โครงการ และการร่วมมือเข้าด้วยกันในโปรไฟล์ที่ถูกยืนยันเพียงโปรไฟล์เดียว วิธีนี้เปลี่ยนคำจำกัดความของ “ผลกระทบ” สำหรับนักวิจัย AI ในช่วงต้นอาชีพที่อาจไม่มีชื่อเสียงหรือสังกัดที่รู้จักกันดี?

บัตร DINQ เปลี่ยนคำจำกัดความของความสำเร็จจาก “คุณทำงานที่ไหน” เป็น “คุณสร้างอะไร” สำหรับผู้สร้างในระยะต้นหรือผู้สร้างที่ไม่ใช่แบบดั้งเดิม สิ่งนี้เปลี่ยนแปลงเกม โดยการรวมการมีส่วนร่วมที่ถูกยืนยัน ไม่ว่าจะเป็น LoRA ที่มีประสิทธิภาพสูง โครงการ AI ที่สร้างขึ้นที่มีคนดูมาก หรือการแก้ปัญหาโครงสร้างพื้นฐาน AI ที่สำคัญ เข้าด้วยกันใน “Reputation” ทำให้นักเรียนในพื้นที่ห่างไกลสามารถได้รับความเคารพในระดับเดียวกับวิศวกรใน Silicon Valley ตามคุณธรรมของ “ผลกระทบที่ถูกยืนยัน”

ด้านการจ้างงาน DINQ นำการค้นหาและเหตุผล AI ที่มีเอกลักษณ์เฉพาะตัวมาแทนที่ตัวกรองแบบคงที่ วิธีนี้เปลี่ยนแปลงวิธีการที่บริษัทต่างๆ ค้นหาพนักงานสำหรับโดเมนเฉพาะ เช่น Reinforcement Learning หรือ Multi-Agent Systems?

การค้นหาแบบดั้งเดิมเป็นแบบทวินาม (ใช่/ไม่) การค้นหาของ DINQ เป็นแบบเหตุผล หากบริษัทต้องการคนที่มีความสามารถด้าน “AI agents” DINQ ไม่เพียงแค่ค้นหาคำที่ตรงกัน แต่ยังวิเคราะห์ผลลัพธ์ที่แท้จริงของ候่งคนที่มีผลงานเกี่ยวกับ Langchain หรือ Dify และวิธีการจัดการ API latency ในโครงการของพวกเขา สิ่งนี้ช่วยให้บริษัทสามารถระบุ “Specialized Generalists” ได้: คนที่มีความเข้าใจลึกซึ้งในการแก้ไขปัญหาที่เฉพาะเจาะจงซึ่งยังไม่ได้กลายเป็นตำแหน่งงาน

จากการทำงานภายในแพลตฟอร์มขนาดใหญ่ เช่น Alibaba Cloud คุณคิดว่าองค์กรขนาดใหญ่เข้าใจผิดเกี่ยวกับการประเมินความสามารถ AI จริงๆ เทียบกับเครดิตผิวเผินอย่างไร?

องค์กรขนาดใหญ่บ่อยครั้งมองข้าม “Past Pedigree” สำหรับ “Future Adaptability” พวกเขาสันนิษฐานว่าความสำเร็จในสภาพแวดล้อมที่มีโครงสร้างและย้อนกลับไปในอดีตจะถูกต้องสำหรับความสำเร็จใน “Wild West” ของ AI ความจริงคือความสามารถ AI ในปัจจุบันคือเรื่องของ Agency ความสามารถในการใช้ AI ในการแก้ปัญหาจากจุดเริ่มต้นจนถึงจุดสิ้นสุด องค์กรขนาดใหญ่พลาด “นักนวัตกรรมที่มีจิตวิญญาณ” ที่แท้จริงที่ขับเคลื่อนนวัตกรรม

DINQ เผยให้เห็นรูปแบบการร่วมมือและเส้นทางการวิจัยระยะยาวบนแพลตฟอร์มต่างๆ มากกว่าที่จะเน้นไปที่ความสำเร็จที่โดดเดี่ยว ทำไมมุมมองเชิงยาวจึงมีความสำคัญมากขึ้นเมื่อการวิจัย AI กลายเป็นแบบสหวิทยาการและขับเคลื่อนด้วยทีม?

นวัตกรรมไม่ใช่การแข่งขันเดี่ยวอีกต่อไป แต่เป็น “Collaborative Evolution” โดยการดูเส้นทางของบุคคลบนแพลตฟอร์มต่างๆ เราจะเห็น “Strategic Consistency” ของพวกเขา พวกเขากำลังกระโดดไปทุกๆ หยุดหรือไม่ หรือพวกเขากำลังสร้างสแต็คที่ลึกและครอบคลุมหลายสาขา เมื่อ AI กลายเป็นแบบขับเคลื่อนด้วยทีม การมองเห็นว่าบุคคลหนึ่งโต้ตอบกับโค้ดและงานวิจัยของคนอื่นเป็นตัวบ่งชี้สูงสุดของ “Culture Add” และความเป็นผู้นำทางเทคนิค

มีความกังวลที่เพิ่มขึ้นเกี่ยวกับการจ้างงาน AI ที่มีอคติไปในทางที่มีชื่อเสียงมากกว่าความสามารถ จุดมุ่งหมายของ DINQ คือการเปิดเผยผู้มีผลกระทบสูงซึ่งอาจถูกซ่อนหรือมองข้าม?

การสรรหาบุคลากรในปัจจุบันให้ความสำคัญกับเสียงที่ดังบนโซเชียลมีเดียมากกว่าความสามารถที่แท้จริง DINQ ทำหน้าที่เหมือน “Quantitative Fund for Talent” โดยการเอาเสียงรบกวนออกและดู “Value Density” โดยการเปิดเผยผู้มีส่วนร่วมที่มีผลกระทบสูงซึ่งอาจเป็น “ผู้สร้างเงียบๆ” บน GitHub, Huggingface หรือฟอรัมเฉพาะ ทำให้ความสามารถแท้จริงได้รับโอกาสที่ดีที่สุด

ในฐานะคนที่ได้ทำงานที่จุดตัดของโครงสร้างพื้นฐาน AI การวิจัยเชิงประยุกต์ และระบบทักษะในปัจจุบัน คุณมองเห็นความสัมพันธ์ระหว่างการขยายตัวของการคำนวณ AI และความเชี่ยวชาญของมนุษย์จะพัฒนาไปอย่างไรในช่วงหลายปีที่จะมาถึง?

เมื่อการคำนวณ AI ขยายตัว “Human-in-the-loop” จะพัฒนาไปจากผู้ทำหน้าที่เป็นผู้ออกแบบ โดยเรากำลังจะเข้าสู่โลกที่ “Expertise” ถูกกำหนดโดยความสามารถในการควบคุมทรัพยากรการคำนวณขนาดใหญ่ไปสู่ผลลัพธ์ที่มีความหมาย ความสัมพันธ์ไม่ใช่การแข่งขัน แต่เป็นแบบสymbiotic “AI-Enabled Human” จะเป็นสินทรัพย์ที่มีค่าที่สุดในเศรษฐกิจโลก บุคคลที่สามารถจัดการโมเดล ตรวจสอบความจริง และใส่ความเข้าใจเชิงสร้างสรรค์ลงในจุดที่อัลกอริทึมถูกขัดขวาง

เมื่อมองไปไกลกว่าการเปิดตัวในเดือนมกราคม สิ่งที่ DINQ ตั้งเป้าไว้ในการเปลี่ยนแปลงวิธีการที่ระบบ AI ตระหนัก พัฒนา และใช้ทักษะมนุษย์อย่างมีประสิทธิภาพ?

ความสำเร็จของ DINQ คือการสร้าง “Trust Layer” ของเศรษฐกิจ AI เราต้องการเห็นโลกที่บัตร DINQ เป็น “เรซูเม่” เดียวที่คุณต้องการ โดยในปี 2026 เป้าหมายของเราคือการเปลี่ยนแปลงตลาดแรงงานระดับโลกให้เป็น Meritocracy ที่มีประสิทธิภาพ โดยที่ทักษะถูกค้นพบในทันที ยืนยันโดยอัตโนมัติ และใช้งานในประเด็นสำคัญที่สุดของโลก โดยไม่คำนึงถึงภูมิหลังหรือที่ตั้ง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ DINQ