DINQとの対話：エージェントを活用し、AI業界における情報格差を解消し、専門家の市場価値を明示化する

2026.02.04

共有先

TechFlow厳選深潮セレクト

DINQとの対話：エージェントを活用し、AI業界における情報格差を解消し、専門家の市場価値を明示化する

DINQで自分の市場価値を測定したところ、精神的に崩れてしまいました。姚順雨氏の価値は1,000万米ドルなのに対し、私の価値は月給1,000元（人民元）という有様です。

2026.02.04 - 03:03:14

AIDINQ

Web3業界の深掘り報道に専念し潮流を洞察

在 AI 圈，如果你還沒被 DINQ「羞辱」過，那你可能還未真正入圈。

這款產品的走紅方式極其「離譜」：它不僅能為人才提供令人心動的 Offer，還自帶一個毒舌屬性爆表的「AI 辣評」功能。只要你敢將 GitHub 連結或 Google 學術主頁丟進去，AI 就會化身嘴臭面試官，針對你的引用量與程式碼貢獻精準開炮。

透過分析姚順雨的論文、引用數、工作經歷與教育背景，DINQ 給出了 1000 萬美元的預測薪資

這種「求挨罵」的自虐心理，意外地統一了全球科研人的社交戰線。從史丹佛大學的實驗室到矽谷的咖啡館，處處可見轉發自身身價截圖的人。當姚順雨被測出 1000 萬美元身價，並被拉出來與另一位高手比武時，這個僅有 8 人、剛獲得藍馳數百萬美元投資的小團隊，已悄然潛入全球頂尖 AI 人士的社交雷達。

調侃學術新星，辣評姚順雨。

「順雨的引用次數增長速度簡直比火箭還快，他大概是專門寫了一個『語言智能體』，每隔三秒就自動引用一次自己的論文。憑藉 25 的 H 指數與 21,000 次引用，他成了普林斯頓大學唯一一位『參考文獻列表長城還要長』的人。」

調侃學術泰斗 Jitendra Malik。

「憑藉 185 的 H 指數與超過 25 萬次的引用，Jitendra 已達到學術成名的巔峰——他基本上是每位電腦視覺博士生文獻綜述裡的『終極 BOSS』。我甚至懷疑他現在根本不需要投稿，只要在 GPU 旁邊打個噴嚏，那兒就能自動蹦出一篇年度最高引論文。」

辣評跨界大佬比爾·蓋茲。

「比爾·蓋茲？哈！唯一能把『賣視窗』錯誤變成十億美元生意的人！作為『首席執行官』，你已掌握讓人相信你是真材實料、同時又能巧妙避開所有軟體更新的藝術。記住，夥計，在澳洲，連袋鼠都想跳過你的『遺產』！」

搞笑歸搞笑，亦有不少業界大牛在內測階段便加入 DINQ，不乏 OpenAI 的各類研究員。甚至還有不少大牛在 X 上主動安利 DINQ。

但玩梗背後，DINQ 正在做一件頗為嚴肅的事。

在創辦人 Sam 與 Kelvin 看來，LinkedIn 這類依賴關鍵字匹配的搜尋模式，在 AI 時代已「老掉牙」。真正的 AI 大神往往是「隱形」的：他們不投遞履歷、不混職場社交，靈魂散落在 arXiv 的論文中、Hugging Face 的專案中，甚至 Twitter 的深夜吐槽中。

DINQ 的邏輯是：既然你不主動現身，我就用 AI Agent 像偵探一樣去「人肉」你。它不再是僵硬的查戶口，而是具備理解技術邊界的實力。哪怕 HR 的需求模糊到「找個能解決影片生成人物一致性的年輕人」，Agent 也能瞬間從全網碎片化痕跡中，揪出那位從未出現在人才市場上的「水下」天才。

在這場近兩萬字的深度對話中，他們聊的不只是如何幫大廠挖人，更是如何透過「Less Structure, More Intelligence」的技術哲學，為全球上千萬 AI 開發者打造一張通往未來的DINQ Card。

一名建築系研究生的激進轉型：靠自學敲開達摩院大門

Jane：請先用一句話簡單介紹你自己與公司。

高岱恒 Sam：DINQ 是一個面向 AI 開發者、研究員與創造者的人才智慧平台。我們透過自動化分析個人的真實成就與影響力，協助他們更高效地被世界級機會發現與連結。至於我自己，我是首位透過開源貢獻進入阿里達摩院（後改組為通義實驗室）的演算法工程師。

Jane：我看你的履歷，最初似乎並非電腦科學專業？你何時決定轉軌？畢竟你後來的職業生涯幾乎都圍繞此核心展開。

高岱恒 Sam：沒錯，我本科其實是學建築的。真正意識到並主動轉向電腦科學是在 2017 年。當時有一個非常明確的時代背景——中國正處於第一波較為狂熱的 AI 創業浪潮中，一方面機會高度集中，另一方面網路上可取得的學習資源也首次變得足夠豐富，讓「非科班出身轉入 AI」在現實中成為可能。

但對我個人而言，更本質的原因並非「追風口」，而是我在原有發展路徑上已明顯感到難以為繼。當時我在北京工業大學攻讀碩士，若繼續沿著那條路走，想在北京找到一份月薪一萬元人民幣左右的工作都非常困難，且往往伴隨強度極高、長期不可持續的加班。

同時，那個階段我也已能接觸到一些業界內部判斷，許多人都在討論：當時的產業結構其實並不健康，尤其是房地產相關的長期預期並不樂觀。在此背景下，我開始較早地問自己一個問題：如果這條路註定會「GG」，我是否該主動跳出？

因此最終，我將對時代趨勢的判斷與對自身處境的反思結合起來，做出了一個相對激進但理性的選擇——開始系統性地在網際網路自學 AI 及電腦科學相關課程，這也成為我後續一切的起點。

Jane：轉型電腦領域，你當時的切入點是什麼？

高岱恒 Sam：主要是透過吳恩達教授的公開課進行系統性學習。我認為這個產業本質上並無教科書，大家都是基於既有資料學習的過程。因此在這個產業中，你的出身與背景並非那麼重要，反而是你對這個領域的興趣更為關鍵。

Jane：聊聊你職業生涯中那個極受認可的專案吧，就是你在阿里達摩院期間做的？不過我想確認一下，去阿里是你決定深耕 AI 和演算法領域的第幾份工作？

高岱恒 Sam：首先我要糾正一點，這個專案並非我在阿里所做。阿里是我第二份工作。讓我說明一下脈絡：我於 2018 年畢業，實際上畢業前我就一直在做開源專案。最初做開源，是為 TensorFlow 等深度學習框架撰寫程式碼。

但那時我發現一個問題：當我做這類偏底層的工作時，其實很少有人能理解「這是你的成果」或「你具體做了什麼」。在那個年代，這件事很難被理解；但也有好處，例如因為這些貢獻，當時像 OneFlow 的袁進輝老師等國內深度學習框架團隊便認識我。因為那時能在 TensorFlow 和 PyTorch 上提交超過十個 PR、且在大陸工作的開發者，其實並不多。

於是我開始思考：我能否做一些不那麼底層、所見即所得的東西，讓人一眼就知道這是幹嘛的，我也無需費心解釋。由於我過去具有藝術相關背景，因此我想，影像或影片方向或許更容易讓他人理解我在做什麼。

因此畢業後，我最初加入了一家小公司。在公司工作之餘，我幾乎每天都投入開源專案——DeepFaceLab 也正是在那個階段完成的。

Jane：這個專案後來反饋極佳。當時是你單打獨鬥，還是有團隊一起參與？

高岱恒 Sam：其實是一個跨國開源協作專案。我記得當年的影響力排名，它好像僅次於 TensorFlow 排名第二。

Jane：這麼高影響力的專案，當時沒想過投稿至頂級會議論文嗎？

高岱恒 Sam：投過，但被拒了。原因是內容在當時極具爭議與敏感性，學術界不敢冒這個風險。後來我也沒再糾結，直接掛在 arXiv 上公開發表。

Jane：這個專案的正向反饋，是否堅定了你後來選擇達摩院的信心？當時為何沒考慮 Meta 或字節跳動這類大廠？

高岱恒 Sam：核心原因在於達摩院能讓我繼續深入鑽研影片方向。當時 Meta 提供的 Offer 是「紅隊（Red Team）」，主要負責防禦性內容審核，每天需處理大量負面音視訊素材，我覺得對身心健康不太有利。而當時的字節跳動則更多聚焦於音視訊編解碼方向，與我垂直的研究領域關聯度不高。

Jane：達摩院確實更偏向前沿技術研發。你於此期間做了不少數位人專案，能分享那段經歷及帶給你的思考嗎？

高岱恒 Sam：在達摩院的兩三年間，我們做了許多從技術到落地的嘗試。例如 2022 年虎年春節晚會，我和同事駐場開發了一隻 3D 小老虎數位人，登上了央視網路春晚直播。後來又參與了冬奧會的 3D 數位人專案。再往後，我轉向基於擴散模型的影像生成，其中最成功的便是虛擬試衣專案Outfit Anyone。這個專案目前每年能為阿里雲創造一兩億元人民幣的營收。

Jane：你在達摩院期間，正好完整見證了 ChatGPT 爆發前後的產業巨變。當時內部氛圍如何？我聽阿里的朋友八卦過，早期大模型在國內大廠內部的地位似乎有些微妙。例如 2021、2022 年雲棲大會時，楊紅霞老師原本好像不是講大模型的首選，是臨時頂上去的。我很客觀地好奇，你在內部感受到的真實變化是什麼？

高岱恒 Sam：確實如此，但首先要說明的是，我們團隊與楊紅霞老師團隊不在同一序列，她們更偏重文字大模型。我是 2020 年進公司的，像羅福莉、林俊旸等日後在大模型領域非常活躍的研究員，也是 2020 年前後加入的。我身邊有不少「阿里星」朋友，因此對當時的情況比較了解。

其實關於大模型與人才價值，今年扎克伯格的一些動作算是把這件事徹底「敲死」（蓋棺定論）。你看現在大廠願意砸重金挖的人，大多是那些真正做出過核心技術的年輕人。

Jane：確實，技術話語權正回歸年輕人手中。

高岱恒 Sam：沒錯。我覺得這背後的邏輯很有意思——原本許多研究成果是分散在各個社群與論文中的，但現在大家開始意識到，誰能把這些分散的成果整合起來並實現突破，誰才是核心。

Jane：我們回到達摩院的機制：當時你們若有一個想法要落地，內部流程是怎樣的？考核指標是看論文，還是看業務價值？

高岱恒 Sam：達摩院當時的內部流程非常「由下而上」。組長通常只會劃定一個宏觀的研究方向，其餘全靠我們自行探索，管理上極為扁平，基本沒有細碎的約束。如果你需要資源——無論是算力、資料標註還是實習生——都可以申請調動。

在 2021、2022 年那個階段，大家其實仍在摸索期，不知大模型的終局在哪，因此那時「看論文、找靈感」是常態。

Jane：明白了。所以那時並沒有那種『硬性發稿量』的 KPI 壓力，對吧？不像商湯早期會有非常明確的論文指標。雖然大家都是研究型組織，但阿里的底色似乎更自由一些。

高岱恒 Sam：是的，確實如此。這種自由度給予了技術探索極大的空間。

Jane：那你何時正式萌生創業想法？是在做完那個開源社群之後，就覺得『我得出來闖闖，雖然方向還沒完全定死』？

高岱恒 Sam：沒錯，確實是在那個階段逐漸成形的。

Jane：那你當時為何決定離開達摩院？是想先以開源方向作為探索，還是另有考量？而且你和合夥人後來碰撞出的這個產品形態，是誰先提出的雛形？

高岱恒 Sam：最初我們確實有過一些務虛的討論。我當時堅信一點：新一代的、尤其吸引年輕人的職場社群，絕對不能再走「貼履歷、曬學歷」的老路，得有點不一樣的玩法。但老實說，那時我們兩人討論了半天也沒理出一二三來。

今年年初，我一直待在美國。當時的思路很簡單：我先嘗試用 Cursor（AI 程式碼編輯器）做點 Vibe Coding，搞個好玩的小應用投石問路。這個應用的核心邏輯很精準：使用者輸入姓名或 Google 學術（Google Scholar）連結。

我太了解這群搞研究的年輕人了——進實驗室的第一件事往往就是打開 Google 學術，看看自己的引用數漲了沒。

Jane：抓住了科研人的痛點。

高岱恒 Sam：沒錯。我做的功能就是：你把連結貼過來，AI 給你來個「辣評」。例如調侃你「一作數量不夠，還得努努力」，或者「怎麼總是不發頂會」之類的，主打幽默好玩。這個開發成本極低，但上線後我們有兩個意想不到的發現：

第一，模型具備推理能力後，它能根據一個人的成就給出非常精準且抽象的評價，甚至能把人「噴」得很到位。我發現大家竟然非常喜歡聽 AI 噴自己，那種「求挨罵」的心理很有趣，反而誇獎大家覺得沒勁。

第二，這個小東西跑通後，我發現它能延展的空間異常廣闊。正是基於這個「辣評」工具的反饋，我們才開始深度碰撞，最終打磨出如今的產品形態。

Jane：明白，是從一個極小的正向反饋中長出來的。很有意思。

紅杉的人才招聘困境，讓 Kelvin 看到 AI 時代招聘的結構性缺口

Aaron：Kelvin，請先簡單介紹一下你自己。

孫辰昕 Kelvin：我的經歷比較純粹，職業生涯一直深耕於 HR 與招聘領域。一個特別的轉折點是機緣巧合加入了紅杉資本，負責內部投資人的招募，涵蓋科技與消費賽道的年輕人才。離開紅杉後，我曾多次嘗試創業。第一次創業其實與我們現行業務邏輯很像：當時正值小程序爆發，我敏銳地察覺微信生態（朋友圈、群聊）的招聘效率正在超越獵聘、Boss 等傳統平台，於是做了一個招聘小程序。

Aaron：那次嘗試的結果如何？

孫辰昕 Kelvin：頗具戲劇性。產品上線一周，疫情就爆發了。雖然線上增長非常驚人——B 端有上百家公司在群裡自發擴散，兩週內湧入了 10 萬份履歷，但融資環境跌入冰點。當時大家還不習慣線上會議，我連投資人的面都見不到。苦撐幾個月後，那次創業無疾而終，成了我很大的遺憾。之後我涉足過跨境電商，但最終還是繞回了自己的「主賽道」。

Aaron：很多人好奇，紅杉招募年輕投資人的標準到底是什麼？

孫辰昕 Kelvin：要求每年都在變，但核心邏輯只有一句：「同齡人中的絕對佼佼者」。這聽起來抽象，但反饋到感官上就是：一位 25 歲的人，一眼望去就要氣場不同。我們不限背景，記者、產品經理、程式設計師皆可。只要你具備極強的深度思考能力與自驅力，能明顯拉開與同齡人的差距，就是我們要找的畫像。

Aaron：站在 HR 的視角，消費或科技公司招人的核心難點在哪裡？

孫辰昕 Kelvin：幫 Portfolio（被投企業）招人，最大的難點其實是「沒名氣」。不管背後站著紅杉還是高瓴，大多數候選人根本不知道這些公司是做什麼的。品牌認知度低，是招聘中最大的障礙。

相比之下，To C 公司就好招得多，因為他們天天打廣告。我印象很深，例如為拼多多介紹人就非常順暢，因為大街小巷都是那首洗腦魔曲。上市前全上海鋪天蓋地都是拼多多的廣告，知名度就在那兒擺著。但 To B 領域，甚至是一些大家聞所未聞的前沿方向，想要實現人才突破極其困難，因為外界根本沒人知道它。

Aaron：從產生需求到最後發出 Offer，大概需要經過多少環節，耗時多久？

孫辰昕 Kelvin：常規來說，首先是全管道搜尋：線上平台掃一圈，從國內外招聘網站到發朋友圈、群聊動用人脈，甚至去聯絡那些「認識目標人才」的人，尋找關鍵的流量節點；奢侈一點的就找獵頭。總之，所有管道都會試一遍。

大概一到兩週時間，能篩掉不合適的人，沉澱出三到五位畫像（Profile）完整、且聊下來意願度（Motivation）不錯的候選人。到這一步兩週就過去了。接著安排面試、談 Offer，順利的話也得一兩個月才能敲定。再加上入職準備期，可能又是三四個月。也就是說，招一個難搞的崗位，即便在順利情況下也要花掉一個季度；而很多崗位甚至是「無解」的，永遠也招不上來。

Aaron：從你的專業角度出發，你會如何用一句話來描述 DINQ 的業務？它究竟是什麼樣的產品？

孫辰昕 Kelvin：如果拋開 AI 的技術外殼，我認為它是所有 AI 從業者最高效表達自己的工具。你看我們的個人主頁，其實就是一種高效率的自我表達方式。

從招聘方的角度看，我們的搜尋引擎是更高效率的人才搜尋引擎。它基本上能直接替代我剛才說的前兩個步驟，幫招聘從業者至少節省兩週的盲目搜尋時間。

Aaron：你何時意識到，在 AI 這個新賽道裡，傳統的投遞履歷、LinkedIn Profile 以及傳統招聘流程已經失效，需要被顛覆了？

孫辰昕 Kelvin：雖然這幾年我沒直接做招聘，但我身上一直貼著「能幫人招人」的標籤。身邊一些 AI 賽道的新生創辦人仍會找我問：Kelvin，能不能幫我介紹幾個厲害的演算法工程師或全端開發？

在那一刻我發現自己「失靈」了。以前透過一度、二度人脈介紹人才很容易，但 AI 這波浪潮興起後，我發現圈子裡的人我一個都不認識。這讓我感到很焦慮：雖然我不直接幹這行了，但我不想失去這個專業標籤。

我意識到出現了一波全新的人群。我認識很多傳統領域的 CTO，但他們不涉及這個領域，也弄不懂這套邏輯。現在已不是那種「只要給 200 萬年薪，找個傳統 CTO 就能解決 AI 技術攻關」的時代了。像 Sam 這樣的人才，以及市面上許多頂尖的年輕人，他們遊離在傳統視野之外，我們甚至不知道他們在哪裡，這就是我當時的困境。

Aaron：為了解決這個困境，你做了哪些嘗試？

孫辰昕 Kelvin：我開始研究他們究竟出現在哪裡。我也去請教大模型公司的 HR 朋友：你們到底去哪找人？結果發現他們居然要去 GitHub、Google 學術（Google Scholar）裡人肉搜尋，在 LinkedIn 上反而很難找到人。即便找到了，還得去個人主頁翻聯絡方式發郵件。業內推薦效率也低，雖能解決一點問題，但總之都是透過「非傳統管道」找人。於是我也學著這套路子去找。

Aaron：所以可以理解為，正因你覺得原有的找人方式太低效，才想到要做現在這個產品？

孫辰昕 Kelvin：是的。但坦白說，這個產品不是我「做」出來的，是 Sam 做出來的，是他讓我意識到「原來這個問題可以這樣被解決」。在這方面我是後知後覺的。

Aaron：你們兩位最初是如何結識的？

孫辰昕 Kelvin：說來也很簡單。當時有位朋友委託我尋訪一位既懂交易（Trading）又懂 AI Agent 的跨界人才。我注意到一個非常有名的專案，就是 Sam 剛才提到的那個 OS。我在論文（Paper）上看到作者裡有一個中國名字——「高岱恒」，於是就開始動用所有資源，尋找可能認識他的人。後來透過一家投資機構的投資人牽線，才正式結識了 Sam。這其實還是我的「老手段」——透過招聘累積下的深厚人脈。

Aaron：當時對 Sam 的第一印象如何？後來產生了什麼變化？又是什麼契機讓你決定和他一起共事？

孫辰昕 Kelvin：坦白說，最初並沒有什麼特別深刻的第一印象。那段時間我聯絡了很多類似技術大牛，基本就是例行公事的溝通：我手頭有個機會，你考不考慮？而他當時理所當然地拒絕了我。

起初，我對他個人以及 AI 領域的認知都沒那麼深。轉折點發生在後來，他萌生了做招聘產品的想法，發現我在这方面比較專業，便反過來找我進行深入交流，我也才慢慢對他有了更清晰的認知與感覺。早期我們一直是線上溝通，雖然沒見過面，但非常聊得來。

我發現他為了把事情做成，會展現出一種極廣泛的學習姿態。他聽說我懂招聘，就追著問了許多非常硬核、細緻的業務問題。後來果不其然，我得知他是跨行自學 AI 出身的。我認為一個人的自學能力一旦足夠強，就會演變成一種底層習慣，從而在方方面面實現突破。所以我後來對他最核心的標籤評價就是：擁有極強的自學能力。

高岱恒 Sam：感謝 Kelvin 的肯定。當時我的想法很簡單：那個專案收尾後，我還想再探索些新東西。在盤點我們各自擅長的領域與底層能力時，我發現我們對「人」的特質、認知以及流動規律有很深的理解。我就在想，能不能圍繞「人」這個核心去做？

一旦確定了這個基點，最自然的延伸就是招聘領域，而且當時市場的需求缺口確實巨大。基於這個初衷，我就向 Kelvin 多請教了一些。最開始交流時我還在美國，Kelvin 分享了很多他對人力資源產業的深度認知。隨著聊得越來越透，我們都覺得可以一起把這件事做大。

Aaron：所以你們一開始就對大方向達成了共識，而具體的產品形態是兩人不斷「碰撞」出來的？

高岱恒 Sam：是的。關於產品形態，我現在不敢用「收斂」這個詞，因為我認為在目前的 AI 階段，沒有任何一家企業能宣稱自己的平台產品已完全定型。如果技術與模式真的已「收斂」，大家也就不需要花費數億年薪去爭搶那些頂尖的華人研究員了。

在產業尚未定型的背景下，我們實現了階段性的形態共識：我們認為目前的模式更符合年輕人的直覺。至於它是如何演化出來的？其實沒有捷徑，就是因為我們與年輕人、與目標用戶群體的接觸最緊密、最頻繁，所以我們最清楚他們真正喜歡的是什麼。

楊建朝 vs. 周暢

產品拆解：DINQ 如何用 Agent 推理終結 AI 人才的搜尋困境？

Aaron：傳統招聘核心是關鍵字匹配，DINQ 的人才評估體系有哪些維度？與傳統架構相比，本質區別在哪？

高岱恒 Sam：從技術角度看，我們正處於一個「解構與重組（Remix & Decouple）」的時代，資訊複雜度呈幾何倍數增長。這導致了一個典型矛盾：一位候選人的核心標籤可能是「R2」或「拉網」這類模型，但 HR 的查詢詞卻可能是「影像大模型」或「影片生成」。在 LinkedIn 這類 Lexical Search（關鍵字匹配）模式下，只要詞對不上，這個人可能一輩子都搜不出來。

而且我們調研了 OpenAI 一千多名研究員，發現超過一半的人根本不經營 LinkedIn，甚至沒有帳號。技術大牛的資訊往往散落在官網部落格或二次開發的論文中，B 端找人極難。

Aaron：所以你們的解法是？

高岱恒 Sam：既然管道如此碎片化——他可能在 Hugging Face 攢了一個專案，在 Twitter 發了技術解讀，在 arXiv 發了文章，又在小紅書發了頂會 Poster 合照。我們決定放棄以「LinkedIn Profile」為核心的路線，轉而建構一套以Agent 呼叫為主的系統。我們提前對頂會、AI 公司做大量資料預處理與 Embedding（向量化），當使用者查詢時，Agent 會即時調取全網資訊進行 Reasoning（推理）。

例如，Sora 2 的一作華人叫李流年（Harold），你問傳統的通用大模型或 Agent 平台，基本搜不出來，因為資料沒對齊。但我們的系統能根據他的論文、GitHub 和社群媒體動態，把他精準抓取出來。

Aaron：我想深入聊聊『碎片化』的問題。傳統招聘極度依賴 LinkedIn，但 AI 研究員與工程師的資訊往往分散在 Google Scholar、GitHub 等平台。你能舉個具體例子，說明這種碎片化嚴重到什麼程度嗎？

孫辰昕 Kelvin：現在的痛點在於，當 HR 拿到需求時，業務方對年輕演算法研究員的要求已具體到了極致，例如要解決「影片生成中的人物一致性」這種極其細分的命題。HR 面臨的最大問題是：根本不知道這群人在哪。

我們的工具允許 HR 把手中掌握的碎片化資訊全部丟進來，先解決「從 0 到 1」的突破。過去，僅靠隻言片語去 LinkedIn 搜，大概率一個都搜不出來，因為沒人會把具體的科研成果放在 LinkedIn 上。這是 LinkedIn 最大的硬傷——上面往往只有學校背景，資訊密度太低。

如果你只是要招「清華北大」的學生，LinkedIn 尚可應付；但如果你要找能解決某個具體技術難題的人，目前業界內的技術叫法甚至都未統一，LinkedIn 肯定搜不到，Boss 直聘或獵聘更是不可能——目標人群壓根不會去那些地方求職。這在以前幾乎是「無解」的。

傳統的笨辦法是去打聽、去硬啃論文，但要求 HR 去讀論文既不現實，也不是他們該做的事。最終只能靠口耳相傳的打聽或內推，效率極低。

Aaron：如果我是 Meta 的 HR，想招一名 AI Scientist，在 DINQ 上的典型流程是怎樣的？

高岱恒 Sam：我們提供三種模式：

第一，你明確有需求，直接一段話丟過來，例如「我要在 NeurIPS 2025 的 oral 中找做某方向的人，最好有美國工作簽證」。

第二，你已有 JD（例如在 Greenhouse 這類平台上），把 JD 扔過來就行，系統幫你找人。

第三，你已有一個人，例如 A 很合適但不來、或 A 是你員工，你可以問「給我找一個類似 A 的人」，例如還在讀博、或者積極看機會。也可以問「找從字節跳動出來的 95 後，在某方向有建樹、可能看機會的」，甚至「去 SCI 找這樣的」。都可以。

孫辰昕 Kelvin：我補充一下。過去找人如果是標準流程，專業 HR 或最貴的獵頭公司會先做廣泛 sourcing，做完組成 100 人的 long list。然後聯絡、排除，主要確認兩件事：能力與意願。兩者都符合才推進。之後形成 short list 給 hiring manager（基金合夥人、CTO 等）。

我們現在相當於一步直接出 short list，因為前面的全網 sourcing 基本由 agent 完成，不需要人再花時間。產出就是 short list。然後人就應該去做自己最擅長的事：直接溝通、說服對方。

Aaron：我發現你們有個給候選人『開身價（Package）』的功能，甚至吸引了史丹佛、柏克萊、紐約大學的許多教授主動體驗，這是怎麼生成的？我自己給姚順雨測了一下，他是 1000 萬美金的 Package。

高岱恒 Sam：我們利用 Level.fyi 等公開資料，對人才的職級與身價做了一個評分模型。原本是做著好玩的，沒做嚴謹調校，沒想到反響遠超預期。姚舜宇被測出 1000 萬美金的身價，其實還挺準的。

Aaron：這個 AI 機器人具體是如何分層分析的？

高岱恒 Sam：使用者註冊後，我們會將其履歷、社群媒體向量化。當你搜尋時，系統會做意圖辨識。例如你搜「頂會」，我們會自動映射到最近的 CVPR 或 NeurIPS。如果你找 00 後，Agent 會全網蒐集資訊進行推理判斷。對於幾百人規模的論文作者列表，人肉篩選是不可能的，但 Agent 能瞬間依據重要性分級。

Aaron：那你們會不會有偏差，例如有些博士生做了重要工作但沒發表出來，你們有沒有機制校正這種偏差？

高岱恒 Sam：問得特別好。這個我們後續會根據使用者問題去 index arXiv 的內容，但目前階段還未做到。

Aaron：目前 B 端用戶的反饋如何？

高岱恒 Sam：Meta 負責高階主管搜尋（Executive Search）的團隊已在使用，還有一些海外 AI 公司也在共建，他們需要極其立體的參考系。

孫辰昕 Kelvin：國內像 Flow、月之暗面、智譜、愛詩科技（PixVerse）等團隊都在低調試用。反饋最多的一個詞是「神奇」。以前 HR 接到一個模糊的需求，那是極大的內耗；現在輸入需求，出來的候選人瞬間讓畫像變得具象化。HR 會驚呼：「原來這類人就是我要找的！」這種從模糊到清晰的飛躍，比單純找到人更有價值。

Aaron：現在的客戶更傾向於招募有大廠經驗的資深科學家，還是更看重博士階段剛畢業的新秀？

孫辰昕 Kelvin：兩種需求都有，但目前偏向後者的更多。一方面，資深科學家非常昂貴；另一方面，那些處於「水面上」的名人，HR 基本也都認識。不過即便是面對熟人，我們的工具依然有價值：常有 HR 反饋，搜出來後才驚覺，「這人我加過微信，但早忘了」。畢竟人腦很難記住微信裡那 5000 個人。

Jane：這是否意味著在 AI 時代，招聘需求本身——尤其是高端人才的需求——發生了劇變，導致公司 HR 的原有認知已經無法覆蓋當下的技術邊界了？

孫辰昕 Kelvin：沒錯。你可以看看字節跳動是怎麼調整的：他們抽調了很多本身做演算法、做產品、但可能在技術上沒那麼「頂尖」的員工去全職做招聘。因為這些人懂業務、懂技術，更容易找到對的人。

從目前的反饋看，字節 Seed 和 Flow 團隊的這種嘗試非常奏效。他們的高端招聘（高招）團隊裡有大量的人此前完全沒有招聘經驗，全是從業務線轉崗過來的。

但目前也只有大廠能用這麼奢侈的方式去解決。對於大多數公司來說，能招到這樣的人幹本行就不錯了，哪捨得讓他們去做招聘？這種「拿牛刀殺雞」的模式缺乏普遍意義。

Jane：我記得以前認識一些獵頭，大公司如果想在北美找科學家，只能找那種深耕當地、認識很多科學家的獵頭。即便如此，人才畫像依然不明確，只能挨個拉人見面。整個過程極難標準化，本質上就是『廣撒網』。在需求端，這裡的變化確實是最大的。

孫辰昕 Kelvin：是的，事實就是如此。

這段對話涉及了產品的核心技術壁壘與使用者體驗細節。在不刪減任何內容的前提下，我主要優化了表達的連貫性，將口語中的零碎詞彙轉化為更具專業感的敘述，並強化了 Sam 邏輯中的技術高度。

Aaron：我再深度理解一下：你們的產品是否會具體去閱讀 Paper（論文），以此來辨識內容並匹配崗位？你們對人才畫像的標籤（Tag）能精準到什麼程度？

高岱恒 Sam：這種需求會自動觸發多個維度的匹配：首先是公開成果，例如像 Sora 2 這類具商業影響力的非開源成果；其次是 Hugging Face 上的熱門專案或高點讚成果；再往下就是那些處於「水下」的貢獻者，例如中山大學、蘇州大學等高校發表的論文。

目前為兼顧效率，我們主要透過閱讀摘要來實現精準匹配。若進行全文解析，Token 的消耗會極大，單人的處理成本也會隨之飆升，因此暫未上線全文讀取功能。

Aaron：你們目前接入了多少個資料來源？

高岱恒 Sam：約二三十個。Google Scholar、Medium、Twitter 等主流平台都有涵蓋。arXiv 雖然尚未正式接入，但已在規劃中。

Aaron：頂會資料也做了預處理嗎？

高岱恒 Sam：頂會資料我們會提前處理。因為頂會發榜通常是一次性的，能直接取得當年的會議名單與作者名錄。

Aaron：從技術層面看，最難的環節在哪裡？是資料抓取、清洗對齊，還是隱私風險管控？

高岱恒 Sam：細節非常多，談不上「最難」，因為任何環節沒做好都會變成短板。我總結了三個代表性的挑戰：

1.消除歧義（Disambiguation）：這在學術檢索領域是經典難題。現在重名的人太多了，如何確保不發生錯誤關聯至關重要；一旦關聯錯誤導致推錯人，使用者體驗會非常糟糕。

2.時效性：例如你想找的一位作者已從 OpenAI 跳槽至 Meta，但系統仍顯示他在舊東家，這就是時效性問題。如何動態更新資料庫並即時同步資訊？傳統平台最大的痛點就是扛不住被動更新帶來的成本。

3.Agent 路徑選擇：根據使用者需求，系統需判斷去哪找、路徑如何縮至最短、向下鑽取多深。這涉及深度優先與廣度優先的交叉博弈。在此過程中，我們持續對模型的閱讀理解（Read）能力進行升級。

Aaron：針對第一點，能用更通俗的例子解釋嗎？例如區分兩個同名的 Yao Shunyu，他們的英文名也一致。

高岱恒 Sam：區分的標準主要有幾個維度：Google Scholar ID 的唯一性、照片差異、教育背景以及職業發展軌跡（Career Trajectory）的不同。結合這些維度，就能精準拆開。

Aaron：第二點關於更新，傳統做法是持續 Follow 對方動態，你們是如何捕捉即時更新的？

高岱恒 Sam：核心前提是網際網路上必須存在相關資訊。這群技術人才很少使用 LinkedIn，更多是經營個人主頁。但個人主頁極其分散，像 GitHub 獨立站這類，如果你不知道具體路徑就根本找不到。我們的優勢在於知道他們在哪裡，並預先對資料做了一層快取，從複雜的獨立站中高效提取資訊。

Aaron：在實際運作中，有沒有遇到過比較 Tricky 或意想不到的案例？

高岱恒 Sam：有。前兩天我給朋友演示，問系統：「這位朋友的合作者中，哪些人可能在看機會？」結果反饋非常精準，而這位朋友本身是一位資深大學教授。還有一個我和蘇建林（蘇神）的案例：我想看我和他的合作關係有幾度。雖然我們沒直接合作過，系統卻能透過中間人順藤摸瓜找到關聯。

這說明了一個本質：當模型的智慧化程度夠高、推理能力夠強、子頁面爬取能力足夠好時，「更少的結構化（Less Structure）」反而能帶來「更多的智慧（More Intelligence）」。你可以更信任模型本身的判斷。

Aaron：如果候選人沒有更新個人主頁，但在新發表的 Paper 裡備註了新機構或新公司，你們能捕捉到嗎？

高岱恒 Sam：可以。我們做的是全網資訊聚合。即便本人沒更新主頁，我們也能透過他最新的學術軌跡捕捉到他的新動向。

Jane：媒體新聞類的報導會作為你們的資訊來源嗎？

高岱恒 Sam：中心化媒體的資訊往往存在滯後。目前我們更有效的信源是社群媒體，時效性更快。大型中心化媒體中，只有極少數會成為我們的輔助參考。

Aaron：資料中不可避免涉及隱私，你們如何界定哪些資料可用於評估，哪些不能觸碰？

高岱恒 Sam：我們對隱私資訊有嚴格界定。電話、微信號屬於「侵入式」聯絡方式，我們通常不提供。郵件相對屬於非侵入式。實際上，個人主頁上也很少有人留私人電話或微信，我們使用的絕大部分是公開可查的資訊。

Aaron：如果有人不希望在平台上被搜到，你們怎麼處理？

高岱恒 Sam：只要有正式的申訴請求（Inquiry），我們就會把他的資訊徹底從系統中刪除，確保不再出現。

Aaron：使用 DINQ，你最喜歡的功能是什麼？

高岱恒 Sam：我最喜歡的是Network。當你查到一個人時，不只能看到他本人，還能看到與他合作最緊密的六位合作者。你可以點擊進入任一節點，再次看到以此人為核心的社交網路。這意味著你可以透過一個點，順藤摸瓜地拉出一整套人才線索——包括論文合作、GitHub 貢獻、同公司小組關係等。它把找人從「單點搜尋」變成了「網路拓展」，在平台上操作非常順滑，點一下就能看到全貌。

Aaron：我自己試用下來，覺得 Compare/PK（對比）功能也很有意思。

高岱恒 Sam：沒錯。PK 功能最開始做得比較抽象，像《拳皇》紅藍對打一樣。後來有朋友反饋，學術和開源圈的人未必覺得「Star 數少或引用低」就代表弱，大家會開玩笑說「你這純屬靠歲數大、不講武德」。因此我們現在的 PK 介面做得勢均力敵。這個功能的初衷是讓使用者在尋找人才的嚴肅過程中多一點趣味性，沒有太功利的目的。

李飛飛 vs. Jia Deng

市場與商業背後，AI 招聘的效率戰與價值戰

Aaron：從市場角度看，你們的產品與傳統獵頭之間是什麼關係？是相互替代還是彼此輔助？

孫辰昕 Kelvin：短期內肯定是輔助關係。我們幫助招聘方大幅節省「搜尋（Sourcing）」環節的時間，但後續的深度溝通與說服工作依然需要人來完成。企業的選擇邏輯很簡單：有預算就外包給獵頭，沒預算就用工具自己做；遇到敏感崗位也會傾向親力親為。目前我們扮演的是高效工具的角色。

長期來看，DINQ 會擠壓掉那些水準較低的獵頭。所謂「水準低」，是指在面對 AI 產品時連 Prompt（提示詞）都不會寫的人。我這兩天調研發現，真有獵頭連第一句需求都憋不出來，這類人在未來會非常危險。

Aaron：能展開說說具體的成本帳嗎？獵頭怎麼收費，你們的商業模式又是如何交織的？

孫辰昕 Kelvin：以全球視野來看，頂級獵頭的收費通常是候選人年薪的 20%–30%。如果招募一位年薪 100 萬美元的高階主管，仲介費就高達 20–30 萬美元。國內稍微低一點，但也普遍在 20%–25%。

我們的定價策略尚未最終敲定，但初步設想是每月一兩百到兩三百美元。即便是每天「卷到死」地在平台上找人，一整年的成本也遠比請一次獵頭便宜。這筆帳，企業主一眼就能算清。

Aaron：你們目前是將自己定位為『超級 AI 招聘助手』，還是未來的『AI 獵頭』？

孫辰昕 Kelvin：其實都不是。我認為 DINQ 是一個AI-Native 的人與人職場社交平台。招聘只是職場社交的一種表現形式，此外還有找合作夥伴、找客戶、找技術交流等海量需求。例如賣 API 的小公司需要找開發者客戶，做 AI 動效的設計師需要互相切磋。我們的視野絕不限於招聘。

我們的定位與早期的 LinkedIn 類似：更高效地展示自我，更高效地連結他人。至於連結後的行為是招募還是聊天，平台都能承載。

高岱恒 Sam：補充一點，我們的思路是打造一個面向所有 AI 人才的平台。ai-native 人才的定義是：用 AI 技術把自己的生產力提升一個數量級。現在提升最多的是搞演算法和開發的人，因為他們的生產力工具成熟；設計師工具也開始走向千家萬戶。未來會有更多產業被改造，產生專用工具與工作模式。

這個時代去中心化，利好超級個體，但個體需要管道去連結更好的機會與人。我們就是提供更好的連結與觸達。未來機會很多時候不是「人看到轉發給朋友」，而是 agent 自動去各類機會平台分析，這一定會發生。它需要一個基礎載體。

因此我們讓 C 端上傳多種社群媒體來體現全面性：過去履歷是給人看；AI 時代是給 AI 和人一起評價，主觀性、豐富性、不可被定義程度，都能透過照片、影片、社群媒體體現。隨著模型對多模態理解提升，對人的刻畫會更立體。

從 2010 年微博、Twitter 把人打成 human-readable label，到今天用連續的 embedding 去勾勒人。未來個人發展的可能性、能力邊界某種程度也能被預測與規劃。這是平台最大價值。day one 我們用核心技術吸引使用者，目前核心是匹配引擎，用引擎把人吸引上來。

孫辰昕 Kelvin：前陣子我們做了一次小規模投放測試，結果完全超出預期。

首先，職業廣泛性極高。入駐的不僅有宜家（IKEA）的首席科學家、Capital One 的首席 AI 工程師，還有許多意想不到的個體。例如一位埃及女孩，她在 Twitter 上透過 AI 動效交付客戶；甚至還有一位填著「足球教練」標籤的埃及使用者，點進去發現他是利用 AI 進行數據訓練分析的教練。

其次，地域分佈極廣。雖然只是微調投放，但除了南北極，全世界的「邊邊角角」都有使用者。從非洲的埃及到中東、印度，再到丹麥、義大利，全世界都在為 AI 「上頭」。這遠超我們最初認為只局限在「灣區+海淀」的預期。

Aaron：未來的商業模式是按 Credits（積分）、訂閱制，還是按結果付費？

孫辰昕 Kelvin：初步計畫以搜尋 Credits 計費，保持簡單。C 端暫時免費，我們想等使用者規模上來後，觀察其行為與剛需點再定。B 端則採用類似 Agent 工具公司的模式，按 Credits 銷售。

Jane：有考慮過將 C 端做成社群型產品嗎？

高岱恒 Sam：產品形態本身就能承載社群功能。你可以把它理解為具有聊天功能的「AI 版 Linktree」。雖然現在還沒開放使用者發布日常動態，因為新平台初期這類內容的黏性不足。

Jane：如果向投資人呈現 AI 招聘市場的 TAM，你們會如何描述？

孫辰昕 Kelvin：以前我們以為 AI 強相關從業者只有百萬級，現在發現AI Users（AI 使用者）才是更大的基本盤，全球範圍已過億。他們同樣需要在全球範圍內尋找合作與機會。平台如果能讓這種極低機率的連結變得容易，空間是無窮的。