Entretien avec DINQ : « Nous voulons mettre fin aux asymétries d’information dans le secteur de l’IA grâce aux agents, afin que les tarifs soient clairs et transparents. »
TechFlow SélectionTechFlow Sélection
Entretien avec DINQ : « Nous voulons mettre fin aux asymétries d’information dans le secteur de l’IA grâce aux agents, afin que les tarifs soient clairs et transparents. »
Après avoir vérifié ma valeur sur DINQ, j’ai craqué : Yao Shunyu vaut 10 millions de dollars américains, tandis que moi, je ne vaux que 1 000 yuans de salaire de base.
Dédié à des analyses Web3 approfondiesDans le cercle de l’IA, si vous n’avez pas encore été « humilié » par DINQ, alors vous n’êtes probablement pas encore vraiment entré dans ce milieu.
Le succès de ce produit est d’une rare extravagance : non seulement il peut proposer des offres d’emploi irrésistibles aux talents, mais il intègre également une fonction « critique acerbe par IA », dotée d’un sens du sarcasme hors pair. Dès que vous y collez un lien GitHub ou une page Google Scholar, l’IA se métamorphose en un recruteur impitoyable et vous assène des remarques cinglantes sur votre nombre de citations et vos contributions au code.
En analysant les articles, les citations, l’expérience professionnelle et le parcours universitaire de Yao Shunyu, DINQ a prédit un salaire de 10 millions de dollars américains.
Ce goût pervers pour l’autocritique — cette forme de masochisme intellectuel — a, contre toute attente, uni la communauté mondiale des chercheurs sur les réseaux sociaux. Des laboratoires de Stanford aux cafés de la Silicon Valley, tout le monde partage fièrement sa « fiche de paie » générée par DINQ. Lorsque Yao Shunyu s’est vu attribuer une valeur de 10 millions de dollars, puis mis en comparaison avec un autre chercheur, cette petite équipe de huit personnes, fraîchement investie par plusieurs millions de dollars de BlueRun Ventures, s’était déjà discrètement infiltrée dans le radar social des meilleurs experts mondiaux en IA.
Moquerie des nouvelles stars académiques, critiques acerbes à l’égard de Yao Shunyu.
« La croissance du nombre de citations de Shunyu est plus rapide qu’une fusée : il aurait même développé un “agent intelligent linguistique” qui s’auto-cite toutes les trois secondes. Avec un indice H de 25 et plus de 21 000 citations, il est devenu le seul chercheur de l’université de Princeton dont la liste des références bibliographiques dépasse en longueur la Grande Muraille. »
Moquerie du grand maître académique Jitendra Malik.
« Fort d’un indice H de 185 et de plus de 250 000 citations, Jitendra a atteint le sommet de la renommée académique — il est tout simplement le “boss final” dans la revue de littérature de chaque doctorant en vision par ordinateur. Je soupçonne même qu’il n’a plus besoin de soumettre ses travaux : il lui suffirait d’éternuer à côté d’une GPU pour qu’un article record de l’année jaillisse automatiquement. »
Critique acerbe du magnat transversal Bill Gates.
« Bill Gates ? Le seul homme capable de transformer une erreur de commercialisation de fenêtres en une affaire valant des milliards de dollars ! En tant que “chef de la direction”, vous avez parfaitement maîtrisé l’art de convaincre les autres de votre légitimité tout en esquivant habilement chaque mise à jour logicielle. Souvenez-vous, mon vieux : en Australie, même les kangourous veulent sauter par-dessus votre “héritage” ! »
Certes, ces blagues sont amusantes, mais de nombreux grands noms ont rejoint DINQ dès sa phase de test interne, notamment divers chercheurs d’OpenAI. Certains d’entre eux ont même spontanément recommandé DINQ sur X (anciennement Twitter).
Mais derrière ces plaisanteries, DINQ mène une mission sérieuse.
Pour ses fondateurs Sam et Kelvin, les moteurs de recherche basés sur la correspondance de mots-clés, comme LinkedIn, sont désormais obsolètes à l’ère de l’IA. Les véritables génies de l’IA sont souvent « invisibles » : ils ne postulent pas, ne fréquentent pas les réseaux professionnels, et leur essence se dissémine dans les articles d’arXiv, les projets de Hugging Face, voire dans les récriminations nocturnes publiées sur Twitter.
La logique de DINQ est simple : puisque vous ne vous montrez pas, nous utiliserons des agents IA pour vous « traquer » comme des détectives. Il ne s’agit plus d’un simple interrogatoire administratif, mais d’un système capable de comprendre les frontières techniques. Même si la demande d’un recruteur est aussi vague que « trouver un jeune talent capable de résoudre le problème de cohérence des personnages dans la génération vidéo », l’agent pourra instantanément extraire du chaos numérique le « génie sous-marin » jamais apparu sur le marché du travail.
Au cours de cet entretien approfondi, long de près de vingt mille caractères, ils ne parlent pas seulement de comment aider les grands groupes à dénicher des talents, mais surtout de comment construire, grâce à la philosophie technologique « Moins de structure, plus d’intelligence », une DINQ Card vers l’avenir destinée aux dizaines de millions de développeurs IA dans le monde.
Une transition radicale depuis les études en architecture, menant à l’entrée au DAMO Academy par auto-apprentissage
Jane : Pour commencer, présentez-vous brièvement, ainsi que votre entreprise.
Gao Daiheng (Sam) : DINQ est une plateforme intelligente de talents destinée aux développeurs, chercheurs et créateurs en IA. Grâce à une analyse automatisée des réalisations concrètes et de l’influence réelle de chaque individu, nous aidons ceux-ci à être découverts et connectés plus efficacement aux opportunités mondiales de haut niveau. Quant à moi personnellement, j’ai été le premier ingénieur en algorithmes à intégrer la DAMO Academy (devenue par la suite le laboratoire Tongyi), grâce à mes contributions open source.
Jane : Votre parcours professionnel indique que vous n’étiez initialement pas diplômé en informatique. À quel moment avez-vous décidé de changer de voie ? Après tout, votre carrière ultérieure s’est presque entièrement concentrée sur ce domaine.
Gao Daiheng (Sam) : Exact. J’ai suivi une formation initiale en architecture. Ce n’est qu’en 2017 que j’ai pris conscience de manière claire, puis entrepris activement, une reconversion vers l’informatique. À cette époque, un contexte historique très marqué était à l’œuvre en Chine : la première vague d’enthousiasme entrepreneurial autour de l’IA battait son plein. D’un côté, les opportunités étaient extrêmement concentrées ; de l’autre, les ressources pédagogiques disponibles en ligne étaient, pour la première fois, suffisamment riches et accessibles, rendant ainsi réaliste une entrée dans le domaine de l’IA sans formation universitaire spécifique.
Mais pour moi, la raison fondamentale n’était pas de « suivre la tendance », mais plutôt le constat, très net, que ma trajectoire antérieure avait atteint une impasse. À l’époque, je préparais un master à l’Université polytechnique de Pékin. Si j’avais continué sur cette voie, décrocher un emploi à Pékin avec un salaire mensuel d’environ 10 000 yuans aurait été extrêmement difficile, et ce poste serait inévitablement associé à des heures supplémentaires extrêmement intensives et insoutenables à long terme.
Par ailleurs, j’avais déjà accès à certaines analyses internes de l’industrie, et beaucoup de gens discutaient du fait que la structure de développement à ce moment-là n’était pas saine, notamment en raison des perspectives médiocres à long terme liées au secteur immobilier. Dans ce contexte, j’ai commencé très tôt à me poser cette question : si cette voie est vouée à l’échec, ne devrais-je pas en sortir activement ?
J’ai donc finalement combiné mon jugement sur les tendances de l’époque et une réflexion profonde sur ma propre situation, pour prendre une décision relativement radicale, mais rationnelle : entamer un apprentissage systématique de l’IA et de l’informatique via Internet. Ce choix constitue le point de départ de tout ce qui suit.
Jane : Par où avez-vous commencé votre reconversion vers l’informatique ?
Gao Daiheng (Sam) : Principalement par des cours en ligne dispensés par le professeur Andrew Ng. Je pense que, fondamentalement, ce domaine ne repose pas sur des manuels classiques : chacun apprend à partir des ressources existantes. Ainsi, dans cette industrie, votre origine ou votre parcours universitaire n’ont pas une importance capitale ; ce qui compte davantage, c’est votre intérêt réel pour le domaine.
Jane : Parlez-nous d’un projet emblématique de votre carrière, celui que vous avez mené à la DAMO Academy. Mais avant cela, permettez-moi de préciser : votre passage à Alibaba a-t-il été votre premier ou votre deuxième emploi après avoir décidé de vous spécialiser dans l’IA et les algorithmes ?
Gao Daiheng (Sam) : Permettez-moi d’abord une correction : ce projet n’a pas été réalisé chez Alibaba. Alibaba a été mon deuxième emploi. Voici la chronologie : après avoir obtenu mon diplôme en 2018, j’avais déjà participé activement à des projets open source bien avant la fin de mes études. Au départ, j’ai contribué au code de frameworks d’apprentissage profond tels que TensorFlow.
Cependant, j’ai rapidement identifié un problème : lorsque l’on travaille sur des composants très bas-niveau, peu de gens comprennent réellement « ce que vous avez fait » ou « quelle est exactement votre contribution ». À l’époque, cela était difficile à saisir ; néanmoins, cela présentait aussi un avantage : grâce à ces contributions, des équipes chinoises spécialisées dans les frameworks d’apprentissage profond, comme celle de Yuan Jinhui (OneFlow), avaient pris connaissance de mon travail. En effet, à cette époque, il y avait très peu de développeurs basés en Chine continentale ayant soumis plus de dix pull requests (PR) sur TensorFlow ou PyTorch.
J’ai alors commencé à me demander : serais-je capable de créer quelque chose de moins bas-niveau, plus immédiatement perceptible, afin que tout le monde comprenne immédiatement ce que je fais, sans que j’aie besoin de fournir d’explications complexes ? Compte tenu de mon passé artistique, j’ai pensé que les domaines de l’image ou de la vidéo seraient plus facilement compréhensibles.
Après l’obtention de mon diplôme, j’ai donc rejoint une petite entreprise. En parallèle de mon travail, j’ai consacré presque chaque jour à des projets open source — c’est à cette période que j’ai lancé DeepFaceLab.
Jane : Ce projet a rencontré un très grand succès. Étiez-vous seul, ou travailliez-vous avec une équipe ?
Gao Daiheng (Sam) : Il s’agissait en réalité d’un projet collaboratif international open source. Je me souviens que, selon le classement de son influence à l’époque, il se plaçait juste derrière TensorFlow, à la deuxième position.
Jane : Un projet d’une telle ampleur n’a-t-il pas suscité l’idée de soumettre un article à une conférence prestigieuse ?
Gao Daiheng (Sam) : Oui, nous l’avons tenté, mais l’article a été rejeté. La raison en était que le contenu était considéré, à l’époque, comme hautement controversé et sensible, et la communauté académique n’a pas osé prendre ce risque. Par la suite, je n’ai pas insisté davantage et j’ai publié directement le document sur arXiv.
Jane : Ce retour positif a-t-il renforcé votre confiance dans le choix de rejoindre la DAMO Academy ? Pourquoi n’avez-vous pas envisagé d’autres géants comme Meta ou ByteDance ?
Gao Daiheng (Sam) : La raison principale était que la DAMO Academy me permettait de continuer à approfondir mes recherches dans le domaine vidéo. Chez Meta, l’offre que l’on m’a faite concernait l’équipe « Red Team », chargée essentiellement de la modération défensive de contenus, impliquant quotidiennement le traitement d’un volume massif de matériel audiovisuel négatif — ce que je jugeais néfaste pour ma santé mentale et physique. Chez ByteDance, l’offre portait surtout sur les technologies de codage/décodage audiovisuel, qui ne correspondaient pas étroitement à mon champ de recherche spécialisé.
Jane : La DAMO Academy est effectivement davantage orientée vers la R&D de pointe. Vous y avez mené plusieurs projets de personnages numériques. Pouvez-vous nous raconter cette expérience et les réflexions qu’elle vous a inspirées ?
Gao Daiheng (Sam) : Durant mes deux ou trois années passées à la DAMO Academy, nous avons mené de nombreuses expériences allant de la recherche fondamentale à la mise en œuvre concrète. Par exemple, lors du Gala du Nouvel An lunaire 2022, j’ai participé, avec des collègues, au développement d’un personnage numérique 3D représentant un petit tigre, qui a été diffusé en direct sur le Gala en ligne de la CCTV. Par la suite, j’ai également contribué à un projet de personnages numériques 3D pour les Jeux olympiques d’hiver. Plus tard, je me suis orienté vers la génération d’images basée sur les modèles de diffusion, dont le projet le plus abouti est Outfit Anyone. Ce dernier génère actuellement un chiffre d’affaires annuel de un à deux centaines de millions de yuans pour Alibaba Cloud.
Jane : Vous étiez à la DAMO Academy précisément pendant la période charnière précédant et suivant l’explosion de ChatGPT. Comment était l’ambiance interne à ce moment-là ? J’ai entendu dire, par des amis d’Alibaba, que le statut des grands modèles au sein des grandes entreprises chinoises était, à l’époque, assez ambigu. Par exemple, lors de la conférence Yunqi de 2021 et 2022, la professeure Yang Hongxia n’aurait pas été initialement choisie pour parler des grands modèles, mais aurait été désignée à la dernière minute. Je suis curieux, objectivement, de savoir quels changements réels vous avez perçus au sein de l’entreprise.
Gao Daiheng (Sam) : C’est exact. Toutefois, je dois préciser que notre équipe et celle de la professeure Yang Hongxia ne relevaient pas de la même division : elle se concentrait davantage sur les grands modèles textuels. J’ai rejoint l’entreprise en 2020, et des chercheurs très actifs aujourd’hui dans le domaine des grands modèles, comme Luo Fuli et Lin Junyang, sont également arrivés aux alentours de cette période. J’ai de nombreux amis « Alibaba Star », ce qui me donne une bonne compréhension de la situation à l’époque.
En effet, concernant la valeur des grands modèles et des talents, certaines initiatives récentes de Mark Zuckerberg peuvent être considérées comme ayant scellé définitivement cette question. Regardez aujourd’hui combien les grandes entreprises sont prêtes à dépenser pour recruter des jeunes talents ayant réellement conçu des technologies fondamentales.
Jane : C’est vrai, le pouvoir technologique revient progressivement entre les mains des jeunes.
Gao Daiheng (Sam) : Exactement. Je trouve fascinant le raisonnement sous-jacent : à l’origine, de nombreuses découvertes étaient dispersées dans diverses communautés et publications scientifiques, mais on commence maintenant à réaliser que celui qui parvient à rassembler ces résultats épars et à opérer une percée véritable est le véritable centre de gravité.
Jane : Revenons sur le fonctionnement interne de la DAMO Academy : quand vous aviez une idée à concrétiser, quel était le processus interne ? Vos performances étaient-elles évaluées sur la base de publications scientifiques ou de valeur business ?
Gao Daiheng (Sam) : Le processus interne à la DAMO Academy était alors très « ascendant ». Le chef d’équipe définissait généralement uniquement une direction globale de recherche, laissant ensuite toute liberté d’exploration à ses membres. La gestion était extrêmement horizontale, sans contraintes microscopiques. Si vous aviez besoin de ressources — puissance de calcul, annotation de données ou stagiaires — vous pouviez les demander librement.
Aux alentours de 2021–2022, nous étions encore dans une phase d’exploration, ignorant totalement l’issue finale des grands modèles. Ainsi, « consulter les articles, chercher l’inspiration » était la norme.
Jane : Je comprends. Il n’y avait donc pas de pression KPI stricte liée à un quota de publications, contrairement à certaines entreprises comme SenseTime, qui imposaient à l’origine des objectifs très clairs en matière de publications. Bien que toutes soient des organisations de recherche, la culture d’Alibaba semble plus libre.
Gao Daiheng (Sam) : Oui, c’est tout à fait exact. Cette liberté a largement ouvert l’espace à l’exploration technique.
Jane : À quel moment avez-vous eu pour la première fois l’idée de créer votre propre entreprise ? Est-ce après ce projet open source que vous avez commencé à penser : « Je dois sortir et tenter ma chance, même si la direction n’est pas encore totalement définie » ?
Gao Daiheng (Sam) : Oui, c’est précisément à ce stade que l’idée a commencé à se cristalliser.
Jane : Pourquoi avez-vous alors décidé de quitter la DAMO Academy ? Était-ce pour explorer d’abord la voie open source, ou y avait-il d’autres motifs ? Et qui, entre vous et votre co-fondateur, a eu l’idée initiale de ce produit ?
Gao Daiheng (Sam) : Au départ, nous avions effectivement eu des discussions assez théoriques. J’étais fermement convaincu qu’une nouvelle génération de communautés professionnelles, particulièrement attractives pour les jeunes, ne pouvait plus suivre la vieille méthode consistant à « coller son CV et exhiber ses diplômes ». Il fallait inventer quelque chose de différent. Honnêtement, après de longues discussions, nous n’avions pas réussi à formuler une stratégie claire.
Début 2024, je séjournais aux États-Unis. Mon raisonnement initial était simple : je voulais d’abord tester Cursor (un éditeur de code IA) pour pratiquer le « Vibe Coding », afin de créer une petite application ludique servant de pierre de touche. La logique centrale de cette application était très précise : l’utilisateur entre un nom ou un lien Google Scholar.
Je connais trop bien ces jeunes chercheurs — la première chose qu’ils font en arrivant au laboratoire est souvent d’ouvrir Google Scholar pour vérifier si leur nombre de citations a augmenté.
Jane : Vous avez parfaitement cerné la douleur des chercheurs.
Gao Daiheng (Sam) : Exactement. La fonctionnalité que j’ai développée était la suivante : collez le lien, et l’IA vous délivre une « critique acerbe ». Par exemple, elle vous taquine avec des phrases comme « Vous n’avez pas assez de publications en tant que premier auteur, il faut redoubler d’efforts » ou « Pourquoi ne publiez-vous jamais dans les conférences prestigieuses ? », le tout dans un esprit humoristique et divertissant. Le coût de développement était extrêmement faible, mais deux découvertes inattendues ont suivi son lancement :
Premièrement, une fois doté de capacités de raisonnement, le modèle était capable de produire des évaluations extrêmement précises et abstraites sur la base des réalisations d’une personne, allant jusqu’à la « critiquer » avec une justesse remarquable. J’ai découvert que les utilisateurs adoraient réellement se faire critiquer par l’IA, cette psychologie du « désir d’être critiqué » étant fascinante, tandis que les compliments semblaient, en comparaison, fades.
Deuxièmement, une fois ce petit outil opérationnel, j’ai réalisé qu’il offrait un potentiel d’extension exceptionnellement vaste. C’est précisément sur la base des retours reçus sur cet outil de « critique acerbe » que nous avons engagé des échanges approfondis, conduisant finalement à la conception actuelle du produit.
Jane : Je vois, le produit a grandi à partir d’un petit signal positif. Très intéressant.
Les difficultés de recrutement de Sequoia Capital ont permis à Kelvin de percevoir une faille structurelle dans le recrutement à l’ère de l’IA
Aaron : Kelvin, présentez-vous brièvement.
Sun Chenxin (Kelvin) : Mon parcours est assez linéaire : j’ai toujours travaillé dans le domaine des ressources humaines et du recrutement. Un tournant décisif fut mon entrée, par hasard, au capital-risque Sequoia Capital, où j’étais chargé du recrutement des investisseurs internes, notamment des jeunes talents dans les secteurs technologique et de la consommation. Après avoir quitté Sequoia, j’ai tenté plusieurs aventures entrepreneuriales. Ma première startup était très similaire à notre activité actuelle : à l’époque du boom des mini-programmes, j’ai rapidement compris que l’efficacité du recrutement au sein de l’écosystème WeChat (messagerie, groupes) dépassait largement celle des plateformes traditionnelles telles que Liepin ou Boss Zhipin. J’ai donc développé un mini-programme dédié au recrutement.
Aaron : Quel a été le résultat de cette tentative ?
Sun Chenxin (Kelvin) : Très théâtral. Une semaine après le lancement, la pandémie a éclaté. Bien que la croissance en ligne ait été spectaculaire — des centaines d’entreprises B2B ont spontanément diffusé le service dans leurs groupes, et plus de 100 000 candidatures sont arrivées en deux semaines — le climat de financement s’est effondré. Personne n’était encore habitué aux réunions virtuelles, et je n’ai même pas pu rencontrer un seul investisseur en personne. Après plusieurs mois de lutte acharnée, cette aventure s’est terminée sans lendemain, ce qui demeure pour moi une grande déception. J’ai ensuite exploré le commerce électronique transfrontalier, mais je suis finalement revenu sur ma « voie principale ».
Aaron : Beaucoup de gens se demandent quelle est, concrètement, la grille de recrutement de Sequoia pour ses jeunes investisseurs.
Sun Chenxin (Kelvin) : Ces exigences évoluent chaque année, mais la logique fondamentale se résume à une seule phrase : « Le meilleur absolu parmi ses pairs ». Cela peut sembler abstrait, mais cela se traduit concrètement par une impression immédiate : un jeune de 25 ans doit dégager une aura distincte. Nous n’exigeons aucun parcours spécifique — journalistes, chefs de produits, programmeurs sont tous les bienvenus. Pourvu qu’il possède une capacité de réflexion approfondie et une forte motivation intrinsèque, le distinguant nettement de ses contemporains, il correspond à notre profil type.
Aaron : Du point de vue d’un RH, quels sont les principaux défis du recrutement dans les entreprises technologiques ou de consommation ?
Sun Chenxin (Kelvin) : Le principal défi, lorsqu’on recrute pour les entreprises de notre portefeuille, est leur « absence de notoriété ». Peu importe qu’elles soient soutenues par Sequoia ou Hillhouse, la plupart des candidats ignorent totalement ce qu’elles font. Le faible niveau de reconnaissance de la marque constitue le plus grand obstacle au recrutement.
En comparaison, les entreprises B2C recrutent beaucoup plus facilement, car elles font de la publicité en continu. Je me souviens très bien de la facilité avec laquelle nous recrutions pour Pinduoduo : sa chanson publicitaire ultra-accrocheuse résonnait partout dans les rues. Avant son introduction en bourse, Shanghai était envahie par ses campagnes publicitaires — sa notoriété était indéniable. En revanche, dans le domaine B2B, voire dans des domaines de pointe totalement inconnus du grand public, il est extrêmement difficile de réussir une percée en matière de talents, car personne à l’extérieur n’en a jamais entendu parler.
Aaron : Combien d’étapes sont nécessaires, et combien de temps faut-il, entre la naissance du besoin et l’envoi de l’offre ?
Sun Chenxin (Kelvin) : Classiquement, la première étape consiste à une recherche multi-canaux : balayer les plateformes de recrutement nationales et internationales, publier sur WeChat Moments ou dans les groupes, mobiliser son réseau personnel, voire contacter des personnes susceptibles de connaître les talents ciblés, afin d’identifier les « nœuds de trafic » clés ; les entreprises les plus aisées feront appel à des chasseurs de têtes. En somme, on essaie tous les canaux possibles.
En une à deux semaines, on élimine les profils inappropriés, et on affine une short list de trois à cinq candidats dont le profil est complet et dont la motivation semble forte. À ce stade, deux semaines se sont déjà écoulées. Ensuite viennent les entretiens et les négociations salariales, qui prennent encore un à deux mois dans les cas favorables. Sans compter la période de préparation à l’intégration, qui peut durer trois ou quatre mois supplémentaires. Autrement dit, recruter pour un poste complexe prend, même dans les conditions optimales, un trimestre entier ; et pour de nombreux postes, c’est tout simplement « impossible » — ils restent à jamais vacants.
Aaron : De votre point de vue professionnel, comment décririez-vous en une phrase l’activité de DINQ ? Quel genre de produit est-ce réellement ?
Sun Chenxin (Kelvin) : En mettant de côté l’enveloppe technologique de l’IA, je considère DINQ comme l’outil le plus efficace pour que tout professionnel de l’IA puisse s’exprimer. Regardez nos pages personnelles : ce sont précisément des moyens hautement efficaces d’expression de soi.
Du point de vue des recruteurs, notre moteur de recherche est un moteur de recherche de talents plus performant. Il remplace essentiellement les deux premières étapes décrites ci-dessus, permettant aux professionnels du recrutement d’économiser au moins deux semaines de recherche aveugle.
Aaron : À quel moment avez-vous pris conscience que, dans ce nouveau domaine de l’IA, les méthodes traditionnelles (CV, profils LinkedIn, processus de recrutement classiques) étaient devenues inefficaces et devaient être bouleversées ?
Sun Chenxin (Kelvin) : Bien que je n’aie pas exercé directement le recrutement ces dernières années, j’ai conservé l’étiquette de « personne capable de vous aider à recruter ». Des entrepreneurs émergents dans le domaine de l’IA continuent de me solliciter : « Kelvin, pouvez-vous me présenter quelques excellents ingénieurs en algorithmes ou développeurs full-stack ? »
À ce moment-là, j’ai pris conscience de mon « dysfonctionnement ». Autrefois, il était facile de recommander des talents via mon réseau de première ou deuxième main, mais avec l’essor de la vague IA, je me suis rendu compte que je ne connaissais absolument personne dans ce cercle. Cela m’a causé une vive anxiété : bien que je ne travaille plus directement dans ce domaine, je ne souhaite pas perdre cette étiquette professionnelle.
J’ai compris qu’une toute nouvelle catégorie de personnes était apparue. Je connais de nombreux CTO issus de domaines traditionnels, mais ils ne sont pas impliqués dans ce secteur et ne comprennent pas cette logique. Nous ne sommes plus dans une ère où l’on peut résoudre les défis technologiques liés à l’IA en engageant un CTO traditionnel avec un salaire de 2 millions de yuans. Des talents comme Sam, ainsi que de nombreux jeunes prodiges sur le marché, évoluent en dehors des champs de vision traditionnels — nous ignorons même où ils se trouvent. Telle était ma difficulté à ce moment-là.
Aaron : Que faites-vous pour résoudre ce problème ?
Sun Chenxin (Kelvin) : J’ai commencé à étudier où ces personnes apparaissent réellement. J’ai également interrogé des responsables RH de sociétés de grands modèles : « Où allez-vous chercher vos talents ? » J’ai découvert qu’ils fouillaient manuellement GitHub et Google Scholar, et qu’ils trouvaient très difficilement des profils pertinents sur LinkedIn. Même lorsqu’ils trouvaient un profil, ils devaient encore consulter la page personnelle pour obtenir les coordonnées et envoyer un e-mail. Les recommandations par le biais du réseau sont également peu efficaces : elles résolvent certes partiellement le problème, mais tout se fait par des « canaux non traditionnels ». J’ai donc adopté cette méthode.
Aaron : On peut donc comprendre que c’est précisément parce que vous jugez les méthodes traditionnelles de recherche trop inefficaces que vous avez eu l’idée de développer ce produit ?
Sun Chenxin (Kelvin) : Oui. Mais honnêtement, ce produit n’est pas « mon » produit : c’est Sam qui l’a créé, et c’est lui qui m’a fait prendre conscience que « ce problème peut être résolu de cette façon ». Sur ce point, j’ai été un suiveur.
Aaron : Comment vous êtes-vous rencontrés, tous les deux ?
Sun Chenxin (Kelvin) : C’est assez simple. À l’époque, un ami m’a demandé de rechercher un talent transversal, à la fois expert en trading et en agents IA. J’ai remarqué un projet très célèbre, celui mentionné précédemment par Sam. Sur l’article scientifique, j’ai vu un nom chinois parmi les auteurs : « Gao Daiheng ». J’ai alors mobilisé toutes mes ressources pour trouver des personnes susceptibles de le connaître. Finalement, une introduction par un investisseur d’une société de capital-risque nous a permis de faire officiellement connaissance. C’est encore une fois ma « vieille méthode » : tirer parti d’un réseau professionnel accumulé au fil des années de recrutement.
Aaron : Quelle a été votre première impression de Sam ? Comment a-t-elle évolué ? Et quel a été le déclic vous incitant à travailler ensemble ?
Sun Chenxin (Kelvin) : Honnêtement, je n’ai pas eu d’impression particulière au premier abord. À cette époque, j’étais en contact avec de nombreux experts techniques similaires, et nos échanges étaient purement routiniers : « J’ai une opportunité, êtes-vous intéressé ? » Il a naturellement refusé ma proposition.
Initialement, ni ma connaissance de Sam ni celle du domaine de l’IA n’étaient très profondes. Le tournant est intervenu plus tard, lorsqu’il a eu l’idée de créer un produit de recrutement et qu’il s’est adressé à moi pour des échanges approfondis, car il savait que j’étais expert dans ce domaine. C’est à ce moment-là que j’ai commencé à le connaître plus clairement. Nos échanges initiaux étaient entièrement virtuels, sans rencontre physique, mais nous nous entendions très bien.
J’ai remarqué qu’il adoptait une démarche d’apprentissage extrêmement large pour mener à bien ses projets. Ayant appris que je maîtrisais le recrutement, il m’a posé de nombreuses questions très techniques et précises. Par la suite, j’ai appris qu’il avait appris l’IA par lui-même, sans formation initiale. Je pense qu’une fois qu’une personne développe une capacité d’apprentissage autonome suffisamment forte, cela devient un réflexe fondamental, lui permettant de réussir dans tous les domaines. Ainsi, mon évaluation la plus centrale de lui est : une capacité d’apprentissage autonome exceptionnelle.
Gao Daiheng (Sam) : Merci pour cette appréciation, Kelvin. À l’époque, mon raisonnement était simple : après avoir bouclé ce projet, je voulais explorer de nouvelles pistes. En examinant nos compétences respectives et nos capacités fondamentales, j’ai constaté que nous avions tous deux une compréhension profonde des caractéristiques, de la cognition et des dynamiques de circulation des « personnes ». J’ai donc réfléchi : pourquoi ne pas placer la « personne » au cœur de notre démarche ?
Une fois ce point de départ établi, l’extension la plus naturelle était le domaine du recrutement, et la demande du marché était effectivement gigantesque. Partant de cette intention, j’ai consulté Kelvin à plusieurs reprises. Nos premiers échanges se sont déroulés alors que j’étais encore aux États-Unis, et Kelvin m’a partagé de nombreuses analyses approfondies sur le secteur des ressources humaines. À mesure que nos discussions se sont approfondies, nous avons tous deux estimé que nous pouvions mener ce projet ensemble à grande échelle.
Aaron : Vous étiez donc d’accord dès le départ sur la direction stratégique globale, et la forme précise du produit est le fruit de vos échanges constants ?
Gao Daiheng (Sam) : Exactement. Concernant la forme du produit, je n’ose pas utiliser le mot « stabilisation », car je pense qu’à ce stade de l’IA, aucune entreprise ne peut affirmer que sa plateforme est complètement figée. Si la technologie et le modèle étaient vraiment « stabilisés », il ne serait pas nécessaire de verser des salaires annuels de plusieurs dizaines de millions de dollars pour se disputer les meilleurs chercheurs chinois.
Dans un contexte où le secteur n’est pas encore stabilisé, nous avons néanmoins atteint un consensus sur une forme provisoire : nous pensons que le modèle actuel correspond mieux à l’intuition des jeunes. Comment est-il apparu ? Il n’y a pas de raccourci : c’est parce que nous sommes en contact le plus étroit et le plus fréquent avec les jeunes et avec notre groupe cible que nous savons le mieux ce qu’ils apprécient réellement.
Yang Jianchao vs. Zhou Chang
Décryptage produit : Comment DINQ utilise-t-il le raisonnement des agents pour mettre fin au calvaire de la recherche de talents en IA ?
Aaron : La recherche traditionnelle repose sur la correspondance de mots-clés. Quelles sont les dimensions de l’évaluation des talents par DINQ ? Quelle est la différence fondamentale avec les cadres traditionnels ?
Gao Daiheng (Sam) : Du point de vue technologique, nous vivons une ère de « déconstruction et de recomposition (Remix & Decouple) », où la complexité de l’information augmente de façon exponentielle. Cela crée une contradiction typique : l’étiquette centrale d’un candidat pourrait être « R2 » ou « réseau de capture » (pull network), tandis que la requête d’un recruteur pourrait être « grands modèles d’images » ou « génération vidéo ». Dans un moteur de recherche lexical comme LinkedIn, si les termes ne correspondent pas exactement, ce candidat risque de ne jamais être trouvé.
En outre, lors d’une enquête menée auprès de plus de mille chercheurs d’OpenAI, nous avons découvert que plus de la moitié d’entre eux ne maintiennent même pas de profil LinkedIn, voire n’en possèdent pas du tout. Les informations sur les experts techniques sont souvent dispersées sur les blogs institutionnels ou dans des articles issus de travaux de recherche secondaires, rendant extrêmement difficile leur localisation par les entreprises.
Aaron : Quelle est donc votre solution ?
Gao Daiheng (Sam) : Puisque les canaux sont si fragmentés — un chercheur peut avoir un projet sur Hugging Face, publier des analyses techniques sur Twitter, soumettre des articles sur arXiv, et partager des photos de posters de conférences sur Xiaohongshu — nous avons choisi d’abandonner la voie centrée sur le « profil LinkedIn » pour concevoir un système reposant principalement sur des appels d’agents. Nous effectuons à l’avance un traitement massif et une vectorisation (embedding) des données provenant des conférences prestigieuses et des entreprises d’IA. Lorsqu’un utilisateur lance une requête, l’agent procède en temps réel à un raisonnement (reasoning) en exploitant l’ensemble des informations disponibles sur le web.
Par exemple, le premier auteur chinois de Sora 2 s’appelle Li Liunian (Harold). Si vous interrogez un grand modèle généraliste ou une plateforme d’agents traditionnelle, vous ne le trouverez probablement pas, car les données ne sont pas alignées. Notre système, lui, est capable de l’identifier avec précision à partir de ses articles, de son profil GitHub et de ses activités sur les réseaux sociaux.
Aaron : Parlons plus en détail de ce problème de « fragmentation ». Le recrutement traditionnel dépend fortement de LinkedIn, mais les informations sur les chercheurs et ingénieurs en IA sont souvent dispersées sur Google Scholar, GitHub, etc. Pouvez-vous donner un exemple concret illustrant à quel point cette fragmentation est extrême ?
Sun Chenxin (Kelvin) : Le problème central actuel est que, lorsqu’un RH reçoit une demande, les exigences du service métier concernant les jeunes chercheurs en algorithmes sont devenues extrêmement précises — par exemple, résoudre le problème très spécifique de la « cohérence des personnages dans la génération vidéo ». Le défi majeur pour le RH est alors de savoir tout simplement « où ces personnes se trouvent ».
Notre outil permet au RH d’injecter l’ensemble des informations fragmentées dont il dispose, afin de résoudre d’abord le défi du « passage de zéro à un ». Par le passé, une recherche sur LinkedIn à partir de quelques mots isolés aboutissait presque toujours à un échec, car personne ne publie ses réalisations scientifiques spécifiques sur LinkedIn. C’est là la plus grande faiblesse de LinkedIn : il ne contient souvent que des informations sur le parcours universitaire, avec une densité d’information extrêmement faible.
Si vous cherchez simplement des étudiants de Tsinghua ou de Peking University, LinkedIn peut encore convenir ; mais si vous recherchez une personne capable de résoudre un défi technique très spécifique, il est impossible de la trouver sur LinkedIn, car les appellations techniques ne sont même pas encore standardisées dans l’industrie. Boss Zhipin ou Liepin sont encore moins adaptés — la population cible ne va tout simplement pas y chercher un emploi. C’était, auparavant, un problème « insoluble ».
La méthode traditionnelle consistait à interroger des connaissances ou à lire scrupuleusement les articles, mais exiger d’un RH qu’il lise des articles scientifiques est à la fois irréaliste et en dehors de ses fonctions. Il ne reste alors que des méthodes inefficaces comme les recommandations orales ou les parrainages internes.
Aaron : Si j’étais un RH chez Meta cherchant un « AI Scientist », quel serait le flux typique sur DINQ ?
Gao Daiheng (Sam) : Nous proposons trois modes d’utilisation :
Premièrement, vous avez une demande claire : il vous suffit de la formuler en une phrase, par exemple « Je cherche des personnes travaillant sur tel sujet à NeurIPS 2025, en session orale, de préférence titulaires d’un visa de travail américain ».
Deuxièmement, vous disposez déjà d’une fiche de poste (JD), par exemple sur une plateforme comme Greenhouse : collez-la simplement, et le système vous trouvera les candidats correspondants.
Troisièmement, vous avez déjà identifié une personne : par exemple, A est parfaitement adapté mais refuse l’offre, ou A est un de vos employés. Vous pouvez alors demander « trouvez-moi une personne similaire à A », par exemple encore en thèse ou ouverte à de nouvelles opportunités. Vous pouvez aussi demander « trouvez-moi des personnes nées après 1995, issues de ByteDance, ayant accompli des réalisations dans tel domaine et potentiellement ouvertes à de nouvelles opportunités », ou encore « trouvez-moi de telles personnes sur SCI ». Tout cela est possible.
Sun Chenxin (Kelvin) : Je complète. Dans le processus traditionnel, un RH qualifié ou une société de chasseurs de têtes très coûteuse commence par une recherche extensive (sourcing), aboutissant à une « long list » de 100 personnes. Ensuite, elle les contacte et les élimine progressivement, en vérifiant principalement deux choses : leurs compétences et leur motivation. Seuls ceux qui répondent aux deux critères sont retenus pour la suite. On obtient alors une « short list » à soumettre au manager recruteur (partenaire de fonds, CTO, etc.).
Nous, nous fournissons directement cette short list, car la recherche exhaustive sur le web est désormais effectuée par l’agent, sans nécessiter d’intervention humaine. Le résultat est donc directement la short list. Ensuite, le RH doit faire ce qu’il fait le mieux : entrer directement en contact et convaincre le candidat.
Aaron : J’ai remarqué que vous proposez une fonctionnalité permettant de « valoriser » les candidats (Package), qui a même attiré de nombreux professeurs de Stanford, Berkeley et NYU pour tester le service. Comment est-ce généré ? J’ai moi-même testé Yao Shunyu, qui obtient un package de 10 millions de dollars.
Gao Daiheng (Sam) : Nous utilisons des données publiques, comme celles de Level.fyi, pour construire un modèle d’évaluation des niveaux hiérarchiques et des packages salariaux des talents. Initialement, ce modèle était une simple curiosité, sans réglage rigoureux, mais sa réception a largement dépassé nos attentes. Le package de 10 millions de dollars attribué à Yao Shunyu est en réalité assez précis.
Aaron : Comment cet agent IA procède-t-il concrètement à cette analyse hiérarchisée ?
Gao Daiheng (Sam) : Lors de l’inscription, nous vectorisons le CV et les profils sur les réseaux sociaux de l’utilisateur. Lors d’une recherche, le système effectue une reconnaissance de l’intention. Par exemple, si vous recherchez « conférences prestigieuses », nous mappons automatiquement cela sur les dernières éditions de CVPR ou NeurIPS. Si vous recherchez des personnes nées après 2000, l’agent collectera et analysera en temps réel des informations à travers le web. Pour une liste d’auteurs d’un article comptant des centaines de personnes, une sélection manuelle est impossible, mais l’agent peut instantanément la hiérarchiser selon l’importance relative de chacun.
Aaron : Ne risquez-vous pas des biais ? Par exemple, certains doctorants ont accompli un travail important sans le publier. Disposez-vous de mécanismes pour corriger de tels biais ?
Gao Daiheng (Sam) : Excellente question. Nous prévoyons d’indexer progressivement le contenu d’arXiv en fonction des requêtes des utilisateurs, mais cela n’est pas encore mis en œuvre.
Aaron : Quels sont les retours actuels des utilisateurs professionnels (B2B) ?
Gao Daiheng (Sam) : L’équipe de recherche de cadres dirigeants (Executive Search) de Meta l’utilise déjà, ainsi que plusieurs entreprises IA étrangères qui collaborent avec nous, car elles ont besoin de référentiels extrêmement complets.
Sun Chenxin (Kelvin) : En Chine, des équipes comme Flow, Moonshot, Zhipu et PixVerse (Aishikeji) l’essaient discrètement. Le mot le plus fréquemment utilisé dans leurs retours est « magique ». Autrefois, lorsque le RH recevait une demande floue, cela entraînait une énorme perte d’énergie interne ; aujourd’hui, dès qu’il entre la demande, les candidats qui apparaissent rendent immédiatement le profil concret. Le RH s’exclame alors : « Voilà exactement le type de personne que je cherchais ! » Ce bond spectaculaire du flou au concret a une valeur supérieure à celle de la simple identification d’un candidat.
Aaron : Actuellement, les clients privilégient-ils le recrutement de scientifiques expérimentés ayant travaillé dans de grands groupes, ou accordent-ils plus d’importance aux jeunes talents tout juste diplômés de doctorat ?
Sun Chenxin (Kelvin) : Les deux besoins existent, mais actuellement, la tendance penche davantage vers les jeunes talents. D’un côté, les scientifiques expérimentés sont extrêmement coûteux ; de l’autre, les « célébrités » déjà visibles à la surface sont généralement déjà connues des RH. Néanmoins, même dans le cas de personnes connues, notre outil conserve une valeur : de nombreux RH nous rapportent qu’après avoir lancé une recherche, ils s’exclament : « Je l’ai déjà ajouté sur WeChat, mais je l’avais complètement oublié ! » Car il est impossible pour un cerveau humain de se souvenir des 5 000 contacts dans son WeChat.
Jane : Cela signifie-t-il que, à l’ère de l’IA, la demande de recrutement — en particulier pour les talents de haut niveau — a subi une transformation radicale, rendant les anciennes perceptions des RH incapables de couvrir les frontières technologiques actuelles ?
Sun Chenxin (Kelvin) : Exactement. Observez comment ByteDance s’y est pris : ils ont détaché de nombreux employés issus de l’algorithme ou du produit — même si leur expertise technique n’était pas « phénoménale » — pour qu’ils se consacrent pleinement au recrutement. Ces personnes comprennent à la fois le métier et la technique, ce qui facilite grandement la recherche des bons profils.
Selon les retours actuels, cette initiative des équipes Seed et Flow de ByteDance s’avère très efficace. Dans leurs équipes de recrutement de haut niveau (High Hiring), une grande majorité des membres n’avaient aucune expérience préalable en recrutement, provenant directement des lignes métiers.
Mais à ce stade, seules les grandes entreprises peuvent se permettre une telle méthode coûteuse. Pour la plupart des sociétés, le fait de recruter de tels talents pour leur activité principale est déjà un luxe — il est hors de question de les affecter au recrutement. Ce « recrutement à coups de sabre » manque de pertinence universelle.
Jane : Je me souviens d’avoir connu des chasseurs de têtes qui, pour recruter des scientifiques en Amérique du Nord, devaient obligatoirement passer par des intermédiaires locaux très bien implantés, connaissant personnellement de nombreux scientifiques. Même dans ce cas, le profil du candidat restait imprécis, et il fallait les rencontrer un par un. L’ensemble du processus était extrêmement difficile à standardiser, relevant fondamentalement d’un « coup de filet à large maille ». C’est ici, du côté de la demande, que le changement est le plus profond.
Sun Chenxin (Kelvin) : Oui, c’est exactement cela.
Cet entretien couvre les barrières technologiques fondamentales du produit et les détails de l’expérience utilisateur. Sans supprimer aucun contenu, j’ai principalement amélioré la fluidité de l’expression, transformant les formulations orales décousues en récits plus professionnels, et renforçant la hauteur technologique du raisonnement de Sam.
Aaron : Pour approfondir : votre produit lit-il concrètement les articles scientifiques (papers) afin d’en identifier le contenu et de le faire correspondre aux postes ? À quel degré de précision vos étiquettes (tags) décrivant les profils des talents peuvent-elles aller ?
Gao Daiheng (Sam) : Une telle demande déclenche automatiquement une correspondance multidimensionnelle : d’abord les réalisations publiques, comme Sora 2, un produit non open source ayant un fort impact commercial ; ensuite les projets populaires ou très aimés sur Hugging Face ; puis, enfin, les contributeurs « sous-marins », comme ceux publiant des articles dans des universités telles que Sun Yat-sen University ou Soochow University.
Actuellement, pour concilier efficacité et performance, nous réalisons principalement une correspondance précise à partir des résumés (abstracts). Une analyse complète du texte intégral consommerait un nombre excessif de tokens, et le coût de traitement par individu exploserait, ce pourquoi la lecture complète du texte n’est pas encore disponible.
Aaron : Combien de sources de données avez-vous intégrées à ce jour ?
Gao Daiheng (Sam) : Environ deux ou trois dizaines. Nous couvrons les principales plateformes comme Google Scholar, Medium et Twitter. arXiv n’est pas encore officiellement intégré, mais figure dans nos plans.
Aaron : Les données des conférences prestigieuses sont-elles également prétraitées ?
Gao Daiheng (Sam) : Oui, les données des conférences prestigieuses sont prétraitées. Comme les listes officielles des conférences sont publiées d’un seul bloc, nous pouvons directement récupérer la liste des participants et des auteurs pour l’année en cours.
Aaron : Du point de vue technologique, quelle est l’étape la plus difficile ? La collecte, le nettoyage et l’alignement des données, ou la gestion des risques liés à la confidentialité ?
Gao Daiheng (Sam) : Il y a de nombreux détails, et il est difficile de désigner une étape comme « la plus difficile », car une défaillance à n’importe quel niveau devient un goulot d’étranglement. Je peux citer trois défis représentatifs :
1.Résolution de l’ambiguïté (Disambiguation) : C’est un problème classique dans la recherche académique. Aujourd’hui, les homonymes sont légion, et il est crucial d’éviter toute association erronée ; une erreur de ce type, entraînant la suggestion d’un mauvais profil, nuirait gravement à l’expérience utilisateur.
2.Actualité (Timeliness) : Par exemple, si l’auteur que vous recherchez a quitté OpenAI pour rejoindre Meta, mais que le système continue d’indiquer son ancienne affiliation, c’est un problème d’actualité. Comment mettre à jour dynamiquement la base de données et synchroniser en temps réel les informations ? Le principal point faible des plateformes traditionnelles est leur incapacité à supporter le coût élevé des mises à jour passives.
3.Choix du chemin par l’agent (Agent Path Selection) : Selon la demande de l’utilisateur, le système doit déterminer où chercher, comment raccourcir au maximum le chemin de recherche, et jusqu’à quelle profondeur descendre. Cela implique une interaction complexe entre recherche en profondeur (depth-first) et recherche en largeur (breadth-first). Dans ce processus, nous améliorons continuellement la capacité de compréhension (Read) du modèle.
Aaron : Pour la première difficulté, pouvez-vous donner un exemple plus concret ? Par exemple, distinguer deux personnes nommées Yao Shunyu, dont les noms anglais sont identiques.
Gao Daiheng (Sam) : Les critères de distinction sont multiples : l’unicité de l’identifiant Google Scholar, les différences de photographies, les parcours universitaires et les trajectoires professionnelles (Career Trajectory). En combinant ces dimensions, la séparation devient précise.
Aaron : Pour la deuxième difficulté, concernant la mise à jour, la méthode traditionnelle consiste à suivre en continu les actualités de la personne. Comment capturez-vous les mises à jour en temps réel ?
Gao Daiheng (Sam) : La condition préalable fondamentale est que l’information existe sur Internet. Ces talents techniques utilisent très peu LinkedIn, préférant entretenir leurs propres pages personnelles. Or, ces pages sont extrêmement dispersées — par exemple, des sites autonomes hébergés sur GitHub — et si vous ignorez le chemin exact, vous ne les trouverez jamais. Notre avantage réside dans
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
