Sam Gao，DINQ 的 CEO 和联合创始人 – 采访系列

Sam Gao 是一位领先的 AI 研究员、工程师和企业家，担任 DINQ 的 CEO 和联合创始人，DINQ 是一个面向 AI 时代的下一代人才连接平台。最初接受土木工程训练，他转向 AI 领域，在包括 NeurIPS、ICML 和 CVPR 在内的顶级会议上发表了 10 多篇论文，并为 PyTorch 和 TensorFlow 等主要开源框架做出了贡献。

Gao 是 DeepFaceLab 的第二作者，DeepFaceLab 是世界领先的开源面部交换系统，在 GitHub 上获得了超过 46,000 个星标，并在 2020 年被列为 GitHub 前十大 AI 项目之一。他还创建了 OutfitAnyone，一种被 HuggingFace Spaces 在 2024 年认可为前 20 个项目之一的通用虚拟试穿系统，并在淘宝上商业部署，年收入超过 1 亿人民币。另外，他还撰写了 Eliza OS AI 代理白皮书，这是一种被广泛引用的去中心化交易代理框架。

具有全球 AI 创新视野的 Gao 与领先的研究人员、创始人和行业先驱进行了广泛的交流，前往包括硅谷、纽约、丹佛、达沃斯、新加坡和京都在内的中心。Gao 创立了清科 AI 社区，社区已经拥有超过 30,000 名公众关注者和 5,000 名专家，提供前沿技术演讲、专属工作坊和社交机会。该社区现在被认为是 xAI、OpenAI、DeepMind、Qwen、Deepseek 等研究人员最专业和最具影响力的网络之一。

您在阿里云花了几年时间从事 AR 和 VR 的计算机视觉和图形工作，后来又担任了区块链中 AI 驱动的证明人类系统的顾问。是什么个人挫折或转折点导致您离开了这些角色并联合创立了 DINQ？

在我在阿里巴巴达摩院的岁月里，我看到最先进的技术触及了数百万用户。然而，我的最大挫折并不是技术瓶颈；而是人才错配。我看到杰出的博士生在现实世界中部署时挣扎，而自学成才的“编码巫师”被忽视，因为他们缺乏著名的标签。后来，担任区块链身份系统的顾问教会了我“证明人类”的力量。DINQ 是这些经历的交汇点：一个为 AI 时代中的任何建设者提供明确、客观的价值证明的使命。

DINQ 正在一个 AI 模型和计算能力以比构建和部署它们所需的人才更快的速度扩张的时刻推出。从您的角度来看，当前发现和评估 AI 人才的方法有什么根本性的缺陷？

根本缺陷是“评估滞后”。虽然 AI 能力每月都在扩张，但招聘仍然停留在十年前的范式中：

关键词过时：传统过滤器无法区分只是“使用”ChatGPT 和能够架构多代理工作流的人。

“血统”陷阱：依赖精英学位或“大科技”头衔是对能力的懒惰代理。它忽略了在开源或细分垂直领域推动创新的大量“隐藏宝石”。

静态与流动：简历是过去的快照；AI 贡献是 GitHub、Hugging Face 和协作平台上数据的活跃、呼吸流。

您将 DINQ 描述为对简历、LinkedIn个人资料和基于关键词的招聘的限制的回应。传统招聘系统在评估 AI 研究人员和开发人员时忽略了哪些关键信号？

标准招聘流程忽略了构建者的“行为 DNA”：

迭代韧性：用户如何完善提示或模型直到它起作用？

语境掌握：将原始 AI 工具与特定业务解决方案之间的差距进行桥接的能力。

“学习率”：在一个领域中，知识每六个月就会贬值，一个人掌握新框架（如从 RAG 转移到代理工作流）的速度比他们的总年数更重要。

DINQ 卡将代码、出版物、项目和合作聚合到一个单一的、经过验证的个人资料中。对于可能还没有大型头衔或著名隶属关系的早期 AI 研究人员来说，这如何改变“影响力”的定义？

DINQ 卡将成功的定义从“您为谁工作”转变为“您实际构建了什么”。对于早期构建者或非传统创作者来说，这是一个游戏规则的改变。它将经过验证的贡献（无论是高性能 LoRA、病毒式 AI 生成项目还是关键 AI 基础设施错误修复）聚合到一个声誉中。它允许远程地区的学生根据他们的“经过验证的影响力”获得与硅谷工程师相同的尊重。

在招聘方面，DINQ 引入了 AI 本土搜索和推理，而不是静态过滤器。如何改变公司识别强化学习或多代理系统等高级专业领域的候选人？

传统搜索是二元的（是/否）。DINQ 的搜索是基于推理的。如果一家公司需要有人进行“AI 代理”，DINQ 不仅仅寻找关键词。它分析候选人的实际输出：他们是否解决了复杂的推理循环并为 Langchain 或 Dify 做出了贡献？他们在项目中如何处理 API 延迟？这使得公司能够识别出“专业的通才”：那些具有深刻直觉、能够驾驭特定 AI 挑战（甚至还没有成为工作标题）的人。

在像阿里云这样的大型平台内工作，您认为大型组织在评估真正的 AI 能力与表面层次的证书方面最常见的误解是什么？

大型组织经常将“过去的血统”与“未来的适应性”混淆。他们假设在传统、遗留环境中取得的成功将转化为 AI 领域的成功。事实是，今天的 AI 能力是关于代理能力，即使用 AI 解决模糊问题的能力。大型组织经常忽略真正推动创新的人——那些“勤奋的创新者”。

DINQ 表面化了跨平台的合作模式和长期研究轨迹，而不是关注孤立的成就。随着 AI 研究变得更加跨学科和团队驱动，为什么这种纵向视图变得更加重要？

创新不再是一项单独的运动；它是一种协作演化。通过观察一个人在时间上跨平台的轨迹，我们看到他们的战略一致性。他们是否只是跟随每个热潮，还是正在构建一个深层次的、跨学科的技术栈？随着 AI 成为团队驱动，看到一个人如何与他人的代码和研究进行交互成为预测他们的“文化加成”和技术领导力的最终指标。

人们越来越担心 AI 招聘偏向可见度而不是价值。DINQ 如何旨在表面化可能被隐藏或忽略的高影响力人才？

当前的招聘偏向社交媒体上最响亮的声音，而不是最有才华的人。DINQ 就像一个“人才量化基金”。我们剥去噪音，关注价值密度。通过表面化可能是 GitHub、Huggingface 或专门论坛上“沉默的构建者”的高影响力贡献者，我们确保是价值，而不是营销，决定谁获得最好的机会。

作为一个人，您曾在 AI 基础设施、应用研究和现在的人才系统的交叉点上运作。您如何看待 AI 计算扩张和人类专业知识在未来几年内的关系演变？

随着计算能力的扩张，“人在循环中的角色”从执行者演变为架构师。我们正在迈向一个世界，在那里“专业知识”是由您引导大量计算资源朝着有意义的结果的能力定义的。这种关系不是竞争性的；它是共生的。具有最高价值的资产将是“AI 启用的人类”，即能够编排模型、验证真相并在算法遇到瓶颈时注入创造性直觉的人。

展望未来，DINQ 在重塑 AI 生态系统如何识别、培养和部署人类人才的方式中取得成功的意义是什么？

DINQ 的成功意味着建立“AI 经济的信任层”。我们希望看到一个世界，在那里 DINQ 卡是您唯一需要的“简历”。到 2026 年，我们的目标是将全球劳动力市场重塑为真正的规模化精英制度，在那里才能被立即发现、自动验证，并根据问题的紧迫性而不是地理位置或背景被部署。

感谢这次精彩的采访，希望了解更多的读者可以访问 DINQ。