DINQ'in CEO'su ve Kurucu Ortağı Sam Gao ile Röportaj Serisi

Sam Gao, önde gelen bir yapay zeka araştırmacısı, mühendisi ve girişimcisidir ve şu şirketin CEO'su ve kurucu ortağıdır: DINQYapay zekâ çağı için yeni nesil yetenek bağlantı platformu. Aslen inşaat mühendisliği eğitimi almış olan bu kişi, yapay zekâya geçiş yapmış ve NeurIPS, ICML ve CVPR gibi üst düzey konferanslarda 10'dan fazla makale yayınlamış, ayrıca PyTorch ve TensorFlow gibi önemli açık kaynaklı çerçevelere katkıda bulunmuştur.

Gao, dünyanın önde gelen açık kaynaklı yüz değiştirme sistemi DeepFaceLab'ın ikinci yazarıdır. DeepFaceLab, GitHub'da 46,000'den fazla yıldız kazanmış ve 2020 yılında GitHub'ın en iyi on yapay zeka projesi arasında yer almıştır. Ayrıca, 2024 yılında HuggingFace Spaces'te en iyi 20 proje arasında yer alan ve Taobao'da ticari olarak kullanıma sunulan, yıllık 100 milyon RMB'nin üzerinde gelir elde eden evrensel bir sanal deneme sistemi olan OutfitAnyone'ı da geliştirmiştir. Ek olarak, yaygın olarak alıntı yapılan bir Merkezi Olmayan Ticaret Aracısı çerçevesi olan Eliza OS Yapay Zeka Aracısı Teknik Belgesi'nin de yazarıdır.

Yapay zekâ inovasyonuna küresel bir bakış açısıyla yaklaşan Gao, Silikon Vadisi, New York, Denver, Davos, Singapur ve Kyoto gibi merkezlere seyahat ederek önde gelen araştırmacılar, kurucular ve sektör öncüleriyle kapsamlı bir şekilde etkileşimde bulundu. Gao, 30,000'den fazla takipçisi ve 5,000 uzmanıyla büyüyen Qingke Yapay Zeka Topluluğu'nu kurdu ve bu topluluk, öncü teknolojiler hakkında konuşmalar, özel atölye çalışmaları ve ağ kurma fırsatları sunuyor. Topluluk, xAI, OpenAI, DeepMind, Qwen, Deepseek ve daha birçok şirkette çalışan araştırmacılar için en profesyonel ve etkili ağlardan biri olarak kabul ediliyor.

Alibaba Cloud'da artırılmış gerçeklik ve sanal gerçeklik için bilgisayar görüşü ve grafikler üzerinde birkaç yıl çalıştınız ve daha sonra blockchain'de yapay zeka destekli insan kanıtı sistemleri konusunda danışmanlık yaptınız. Sizi bu rollerden ayrılmaya ve DINQ'yu kurmaya iten kişisel hayal kırıklığı veya dönüm noktası ne oldu?

Alibaba Damo Akademisi'ndeki yıllarım boyunca, en son teknolojinin milyonlarca kullanıcıya ulaştığını gördüm. Ancak en büyük hayal kırıklığım teknik bir darboğaz değil, yetenek uyumsuzluğuydu. Parlak doktora mezunlarının gerçek dünya uygulamalarında zorlandığını, kendi kendine öğrenen "kodlama sihirbazlarının" ise prestijli bir unvana sahip olmadıkları için göz ardı edildiğini gördüm. Daha sonra, blockchain kimlik sistemleri konusunda danışmanlık yaparken "İnsan Kanıtı"nın gücünü öğrendim. DINQ, bu deneyimlerin kesişim noktasıdır: Yapay zeka çağında geliştirme yapan herkes için kesin ve objektif bir Değer Kanıtı sağlama misyonu.

DINQ, yapay zeka modelleri ve işlem kapasitesinin, bunları oluşturmak ve dağıtmak için gereken yetenekten daha hızlı ölçeklendiği bir dönemde piyasaya sürülüyor. Sizin bakış açınızdan, günümüzde yapay zeka yeteneğinin keşfedilme ve değerlendirilme biçiminde temel olarak yanlış olan nedir?

Temel sorun "Değerlendirme Gecikmesi"dir. Yapay zeka yetenekleri her ay gelişirken, işe alım süreçleri on yıl öncesine ait bir paradigmaya takılıp kalmış durumda:

Anahtar Kelime Eskimesi: Geleneksel filtreler, ChatGPT'yi sadece "kullanan" biriyle çoklu ajan iş akışı tasarlayabilen biri arasında ayrım yapamaz.

“Soy Ağacı” Tuzağı: Seçkin üniversite diplomalarına veya “Büyük Teknoloji” unvanlarına güvenmek, yetkinliğin tembel bir göstergesidir. Açık kaynak kodlu veya niş sektörlerde inovasyonu yönlendiren “gizli cevherlerin” engin okyanusunu göz ardı eder.

Statik ve Akışkan: Özgeçmiş geçmişin bir anlık görüntüsüdür; yapay zeka katkısı ise GitHub, Hugging Face ve iş birliği platformlarında sürekli akan, yaşayan ve nefes alan bir veri akışıdır.

DINQ'yu özgeçmişlerin, LinkedIn profillerinin ve anahtar kelime tabanlı işe alım yöntemlerinin sınırlılıklarına bir yanıt olarak tanımladınız. Yapay zeka araştırmacıları ve geliştiricileri hakkında geleneksel işe alım sistemleri tarafından hangi kritik sinyaller gözden kaçırılıyor?

Standart işe alım yöntemleri, bir inşaatçının "davranışsal DNA'sını" gözden kaçırıyor:

Yinelemeli Dayanıklılık: Bir kullanıcı, bir komut istemini veya modeli işe yarayana kadar nasıl iyileştirir?

Bağlamsal Hakimiyet: Ham bir yapay zeka aracı ile belirli bir iş çözümü arasındaki boşluğu doldurabilme yeteneği.

“Öğrenme Hızı”: Bilginin her altı ayda bir değer kaybettiği bir alanda, birinin yeni bir çerçeveyi (örneğin RAG'den Agentic iş akışlarına geçiş gibi) ne kadar hızlı kavradığı, toplam deneyim yılından daha önemlidir.

DINQ Kartı, kodları, yayınları, projeleri ve işbirliklerini tek bir doğrulanmış profilde bir araya getiriyor. Bu durum, henüz büyük unvanlara veya tanınmış kurumlara sahip olmayan genç yapay zeka araştırmacıları için "etki" tanımını nasıl değiştiriyor?

DINQ Kartı, başarı tanımını "Kimin için çalıştığınızdan" "Gerçekten ne inşa ettiğinize" kaydırıyor. Kariyerinin başındaki geliştiriciler veya geleneksel olmayan yaratıcılar için bu, oyunun kurallarını değiştiren bir şey. İster yüksek performanslı bir LoRA, ister viral bir yapay zeka projesi, isterse de kritik bir yapay zeka altyapı hatası düzeltmesi olsun, doğrulanmış katkıları bir İtibar'da topluyor. Uzak bir bölgedeki bir öğrencinin, "Doğrulanmış Etki"sinin saf değerine dayanarak Silikon Vadisi'ndeki bir mühendisle aynı saygıyı görmesini sağlıyor.

İşe alım tarafında ise DINQ, statik filtreler yerine yapay zeka tabanlı arama ve akıl yürütme özelliklerini sunuyor. Bu durum, şirketlerin takviyeli öğrenme veya çoklu ajan sistemleri gibi son derece uzmanlaşmış alanlar için adayları belirleme biçimini nasıl değiştiriyor?

Geleneksel arama ikili (Evet/Hayır) temellidir. DINQ'nun araması ise akıl yürütmeye dayalıdır. Bir şirket "yapay zeka ajanları" için birine ihtiyaç duyuyorsa, DINQ sadece anahtar kelimeyi aramaz. Adayın gerçek çıktısını analiz eder: Karmaşık akıl yürütme döngülerini çözdüler mi ve Langchain veya Dify'ye katkıda bulundular mı? Projelerinde API gecikmesini nasıl ele aldılar? Bu, şirketlerin "Uzmanlaşmış Genelciler"i belirlemelerini sağlar: Henüz iş unvanına bile dönüştürülmemiş belirli yapay zeka zorluklarının üstesinden gelmek için derin bir sezgiye sahip kişiler.

Alibaba Cloud gibi büyük platformlarda çalışmış biri olarak, büyük kuruluşların gerçek yapay zeka yeteneklerini yüzeysel niteliklerden ayırma konusunda en çok neyi yanlış anladığını düşünüyorsunuz?

Büyük kuruluşlar genellikle "geçmişteki başarıyı" "geleceğe uyum yeteneği" ile karıştırırlar. Yapılandırılmış, geleneksel bir ortamdaki başarının, yapay zekanın "vahşi batısı"nda da başarı anlamına geldiğini varsayarlar. Gerçek şu ki, günümüzdeki yapay zeka yeteneği, belirsiz bir problemi ele alıp yapay zekayı kullanarak baştan sona çözme yeteneğiyle ilgilidir. Büyük platformlar, aslında ilerlemeyi sağlayan "azimkar yenilikçileri" çoğu zaman gözden kaçırırlar.

DINQ, tekil başarılara odaklanmak yerine, platformlar genelinde iş birliği modellerini ve uzun vadeli araştırma gidişatını ortaya koyuyor. Yapay zeka araştırmaları daha disiplinlerarası ve ekip odaklı hale geldikçe, bu uzunlamasına bakış açısı neden daha önemli hale geliyor?

İnovasyon artık bireysel bir spor değil; iş birliğine dayalı bir evrim. Bir kişinin zaman içinde platformlar arası gidişatına bakarak stratejik tutarlılığını görebiliriz. Sadece her popüler akıma mı atlıyorlar, yoksa derinlemesine, disiplinler arası bir altyapı mı oluşturuyorlar? Yapay zeka ekip odaklı hale geldikçe, bir kişinin başkalarının kodları ve araştırmalarıyla nasıl etkileşim kurduğu, "kültürel katkısı" ve teknik liderliğinin nihai göstergesi haline geliyor.

Yapay zekâ alanındaki işe alımların liyakatten ziyade görünürlüğe öncelik verdiği yönünde artan bir endişe var. DINQ, aksi takdirde gizli kalabilecek veya gözden kaçabilecek yüksek etkili yetenekleri nasıl ortaya çıkarmayı hedefliyor?

Günümüzde işe alımlar, en yeteneklilerden ziyade sosyal medyada en çok ses çıkaranları tercih ediyor. DINQ, "Yetenek için Nicel Bir Fon" gibi çalışıyor. Gürültüyü ortadan kaldırıp Değer Yoğunluğuna bakıyoruz. GitHub, Huggingface veya özel forumlarda "sessiz geliştiriciler" olabilecek yüksek etkili katkıda bulunanları ortaya çıkararak, en iyi fırsatları kimin alacağını pazarlamanın değil, liyakatin belirlemesini sağlıyoruz.

Yapay zeka altyapısı, uygulamalı araştırma ve şimdi de yetenek sistemlerinin kesişim noktasında faaliyet göstermiş biri olarak, yapay zeka işlem gücünün genişlemesi ile insan uzmanlığı arasındaki ilişkinin önümüzdeki birkaç yıl içinde nasıl gelişeceğini düşünüyorsunuz?

Hesaplama gücü arttıkça, "İnsan-Döngüde" yaklaşımı, uygulayıcıdan mimara dönüşüyor. "Uzmanlık" kavramının, devasa hesaplama kaynaklarını anlamlı sonuçlara yönlendirme yeteneğinizle tanımlandığı bir dünyaya doğru ilerliyoruz. İlişki rekabetçi değil, simbiyotiktir. "Yapay Zeka Destekli İnsan", küresel ekonominin en değerli varlığı olacak; modelleri yönetebilen, gerçeği doğrulayabilen ve algoritmaların duvara çarptığı noktalarda yaratıcı sezgiyi devreye sokabilen bireyler.

Ocak ayındaki lansmanın ötesine baktığımızda, DINQ'in yapay zeka ekosisteminin insan yeteneğini büyük ölçekte tanıma, geliştirme ve kullanma biçimini yeniden şekillendirmedeki başarısı ne anlama geliyor?

DINQ için başarı, yapay zeka ekonomisinin "güven katmanını" inşa etmek anlamına gelir. DINQ Kartının ihtiyaç duyacağınız tek "özgeçmiş" olduğu bir dünya görmek istiyoruz. 2026 yılına kadar hedefimiz, küresel işgücü piyasasını, yeteneğin anında keşfedildiği, otomatik olarak doğrulandığı ve coğrafya veya geçmişe bakılmaksızın dünyanın en acil sorunlarına yönlendirildiği, gerçek anlamda büyük ölçekli bir liyakat sistemine dönüştürmektir.

Harika röportaj için teşekkürler, daha fazla bilgi edinmek isteyen okuyucular ziyaret etmelidir. DINQ.