DINQ 联合创始人兼 CEO Sam Gao – 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，在顶级会议如 NeurIPS、ICML 和 CVPR 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替换系统，在 GitHub 上获得了超过 46,000 个星标，并在 2020 年被列为 GitHub 前十名 AI 项目之一。他还创建了 OutfitAnyone，一种被 HuggingFace Spaces 认可为 2024 年前 20 名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，他撰写了 Eliza OS AI 代理白皮书，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、 싱가포르 和 京都 在内的中心。Gao 创立了清科 AI 社区，社区已拥有超过 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。该社区现被认为是 xAI、OpenAI、DeepMind、Qwen、Deepseek 等研究人员最专业、最具影响力的网络之一。

您在阿里云从事 AR 和 VR 的计算机视觉和图形工作多年，后来又担任区块链中 AI 驱动的证明人类系统的顾问。是什么个人挫折或转折点让您离开这些角色并联合创立 DINQ？

在阿里巴巴 Damo 学院工作期间，我看到尖端技术触及数百万用户。然而，我最大的挫折并不是技术瓶颈；而是人才错配。我看到优秀的博士生在现实世界中部署时遇到困难，而自学成才的“编码巫师”却因为缺乏声望而被忽视。后来，在区块链身份系统中担任顾问教会了我“证明人类”的力量。DINQ 是这些经历的交汇点：一个使任何在 AI 时代建设的人都能获得明确、客观的价值证明的使命。

DINQ 正在 AI 模型和计算能力比人才建设和部署速度更快的时刻推出。从您的角度来看，当前 AI 人才的发现和评估有什么根本性的问题？

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

关键词过时：传统的过滤器无法区分仅仅“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”头衔是懒惰的能力代理。它忽略了在开源或垂直领域中推动创新发展的“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回应。传统招聘系统在评估 AI 研究人员和开发人员时会忽略哪些关键信号？

标准招聘流程忽略了“行为 DNA”：

迭代韧性：用户如何完善一个提示或模型直到它有效？

语境掌握：将原始 AI 工具与特定商业解决方案之间的差距。

“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 到 Agentic 工作流）的速度比他们的总工作年限更重要。

DINQ 卡汇总代码、出版物、项目和合作成一个单一的、经过验证的个人资料。对于可能还没有大型头衔或知名隶属关系的早期 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“为谁工作”转变为“实际建造了什么”。对于早期建设者或非传统创作者来说，这是一个游戏规则的改变。它汇总了经过验证的贡献，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，成为一个声誉。它使得一个偏远地区的学生能够仅凭借他们的“验证影响力”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专业化领域的候选人？

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“专业通才”：那些具有深刻直觉的人，可以应对尚未转化为工作标题的特定 AI 挑战。

在大型平台如阿里云工作期间，您认为大型组织最常误解的是关于评估真正的 AI 能力的什么，而不是表面层面的资格？

大型组织经常将“过去的血统”与“未来的适应性”混淆。他们假设在传统环境中的成功转化为在 AI 领域的成功。事实上，AI 能力今天是关于代理能力，即使用 AI 解决模糊问题的能力。大型组织经常忽略那些真正推动创新发展的“机智的创新者”。

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，这种纵向视角为什么变得更加重要？

创新不再是一项单独的运动；它是协作演化。通过查看一个人在平台上的时间轨迹，我们看到他们的战略一致性：他们是否只是追逐每个热潮，还是在构建一个深厚的、跨学科的技术栈？随着 AI 成为团队驱动，查看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“文化贡献”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功绩。DINQ 如何旨在揭示可能被忽视或隐藏的高影响力人才？

当前的招聘偏向于社交媒体上最响亮的声音，而不是最有才华的人。DINQ 起到了“人才量化基金”的作用。我们剥去噪音，关注价值密度。通过揭示可能是 GitHub、Huggingface 或专业论坛上“安静的建设者”的高影响力贡献者，我们确保才华，而不是营销，决定谁获得最佳机会。

作为曾在 AI 基础设施、应用研究和人才系统交叉点工作的人，您如何看待 AI 计算扩张和人类专业知识在未来几年内的演变关系？

随着计算能力的扩展，“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”被定义为您能够引导大量计算资源朝着有意义的结果发展的能力。这种关系不是竞争性的；它是共生的。具有 AI 能力的“人”将成为全球经济中最有价值的资产，能够编排模型、验证真相并在算法遇到瓶颈时注入创造性的直觉。

展望 DINQ 的 1 月份推出，DINQ 在重塑 AI 生态系统如何识别、培养和部署大规模的人才方面的成功是什么样的？

DINQ 的成功意味着构建 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转变为真正的规模化的功绩制，在那里，人才可以被立即发现、自动验证，并根据地理位置或背景部署到世界上最紧迫的问题上。

感谢这次精彩的采访，希望了解更多的读者可以访问 DINQ。