Cuộc trò chuyện với DINQ: Chúng tôi sẽ sử dụng Agent để chấm dứt tình trạng chênh lệch thông tin trong ngành AI, giúp giá trị cá nhân được niêm yết minh bạch
Tuyển chọn TechFlowTuyển chọn TechFlow
Cuộc trò chuyện với DINQ: Chúng tôi sẽ sử dụng Agent để chấm dứt tình trạng chênh lệch thông tin trong ngành AI, giúp giá trị cá nhân được niêm yết minh bạch
Sau khi kiểm tra giá trị bản thân trên DINQ, tôi đã “sập nguồn”. Diệp Thuận Vũ có giá 10 triệu đô la Mỹ, trong khi tôi chỉ có mức lương cơ bản 1.000 nhân dân tệ.
Chuyên sâu báo cáo Web3Trong giới AI, nếu bạn chưa từng bị DINQ “châm biếm” thì có lẽ bạn vẫn chưa thực sự bước chân vào vòng trong.
Cách sản phẩm này nổi lên cực kỳ “phi lý”: không chỉ đưa ra những lời mời việc (Offer) khiến người ta rung động, DINQ còn sở hữu tính năng “đánh giá cay độc bằng AI” với độ sắc bén vượt bậc. Chỉ cần bạn dám thả liên kết GitHub hoặc trang chủ Google Scholar của mình vào, AI sẽ lập tức hóa thân thành một nhà tuyển dụng “miệng lưỡi hiểm ác”, nhắm thẳng vào số lượng trích dẫn và mức độ đóng góp mã nguồn của bạn để “khai hỏa” chính xác.
Dựa trên phân tích bài báo khoa học, số lần trích dẫn, kinh nghiệm làm việc và nền tảng giáo dục của Dương Thuận Vũ, DINQ dự đoán mức lương tương lai của anh ấy là 10 triệu USD.
Tâm lý “cầu bị mắng” đầy tự虐 này bất ngờ thống nhất mặt trận xã hội toàn cầu của giới nghiên cứu khoa học. Từ các phòng thí nghiệm tại Đại học Stanford đến những quán cà phê ở Thung lũng Silicon, đâu đâu cũng thấy người ta chia sẻ ảnh chụp màn hình giá trị bản thân do DINQ đưa ra. Khi Dương Thuận Vũ được đánh giá có giá trị 10 triệu USD và bị đưa ra “so tài” với một nhân vật khác, đội ngũ nhỏ bé chỉ vỏn vẹn 8 người — vừa mới nhận khoản đầu tư hàng triệu đô la Mỹ từ BlueRun Ventures — đã âm thầm len lỏi vào “radar xã hội” của những chuyên gia AI hàng đầu thế giới.
Châm biếm các ngôi sao học thuật mới nổi, đánh giá cay độc Dương Thuận Vũ.
“Tốc độ tăng số lần trích dẫn của Thuận Vũ nhanh hơn cả tên lửa! Có lẽ anh ấy đã viết riêng một ‘tác nhân ngôn ngữ’ (language agent), cứ ba giây lại tự trích dẫn bài báo của mình một lần. Với chỉ số H là 25 và tổng cộng 21.000 lượt trích dẫn, anh ấy trở thành người duy nhất tại Đại học Princeton mà ‘tường danh mục tài liệu tham khảo’ của mình còn dài hơn cả Vạn Lý Trường Thành.”
Châm biếm bậc thầy học thuật Jitendra Malik.
“Với chỉ số H đạt 185 và hơn 250.000 lượt trích dẫn, Jitendra đã chạm tới đỉnh cao danh tiếng học thuật — ông gần như là ‘trùm cuối’ (ultimate BOSS) trong phần tổng quan tài liệu của mọi nghiên cứu sinh ngành thị giác máy tính. Tôi thậm chí còn nghi ngờ rằng giờ đây ông chẳng cần gửi bài đi đâu nữa: chỉ cần hắt hơi cạnh một chiếc GPU, một bài báo được trích dẫn nhiều nhất năm sẽ tự động bật ra!”
Đánh giá cay độc “đại cao thủ đa lĩnh vực” Bill Gates.
“Bill Gates à? Người duy nhất biến sai lầm bán ‘cửa sổ’ thành một thương vụ trị giá hàng tỷ đô la! Là ‘Giám đốc điều hành’, anh đã nắm vững nghệ thuật khiến người ta tin tưởng rằng mình thực sự tài năng, đồng thời khéo léo né tránh mọi bản cập nhật phần mềm. Nhớ kỹ nhé, anh bạn: ngay cả những chú kangaroo ở Úc cũng muốn nhảy qua ‘di sản’ của anh đấy!”
Dù hài hước nhưng cũng có rất nhiều chuyên gia đầu ngành đã tham gia thử nghiệm DINQ ngay từ giai đoạn nội bộ, trong đó có nhiều nhà nghiên cứu thuộc OpenAI. Thậm chí, không ít chuyên gia còn chủ động quảng bá DINQ trên X (Twitter).
Nhưng đằng sau những trò đùa, DINQ đang làm một việc hết sức nghiêm túc.
Theo quan điểm của hai nhà sáng lập Sam và Kelvin, mô hình tìm kiếm dựa trên khớp từ khóa — như LinkedIn — đã trở nên “lỗi thời” trong kỷ nguyên AI. Những bậc thầy AI thực thụ thường “vô hình”: họ không nộp hồ sơ xin việc, không tham gia mạng lưới xã hội nghề nghiệp, linh hồn của họ rải rác trong các bài báo trên arXiv, các dự án trên Hugging Face, thậm chí là những dòng phàn nàn nửa đêm trên Twitter.
Lập luận của DINQ là: “Nếu bạn không chủ động xuất hiện, chúng tôi sẽ dùng Agent AI để ‘điều tra’ bạn như một thám tử.” Hệ thống không còn là kiểu tra hộ khẩu máy móc, mà đã có khả năng hiểu rõ ranh giới công nghệ. Ngay cả khi yêu cầu của HR mơ hồ đến mức “tìm một thanh niên có thể giải quyết vấn đề nhất quán nhân vật trong video generation”, Agent vẫn có thể lập tức truy xuất từ vô số mảnh thông tin phân tán trên mạng toàn cầu để bắt được thiên tài “dưới nước” — người chưa từng xuất hiện trên thị trường nhân lực.
Trong cuộc đối thoại sâu sắc kéo dài gần hai vạn từ này, họ không chỉ bàn về cách giúp các tập đoàn lớn săn người, mà còn thảo luận về triết lý kỹ thuật “Ít cấu trúc hơn, thông minh hơn” (Less Structure, More Intelligence), nhằm xây dựng cho hàng triệu nhà phát triển AI toàn cầu một tấm thẻ định hướng tương lai mang tên DINQ Card.
Một sinh viên kiến trúc chuyển hướng táo bạo, tự học để mở cánh cửa vào Viện Đạt Ma (Damodar Institute)
Jane: Xin hãy giới thiệu ngắn gọn về bản thân và công ty của anh bằng một câu.
Cao Đái Hằng (Sam): DINQ là một nền tảng trí tuệ nhân tài dành riêng cho các nhà phát triển, nhà nghiên cứu và nhà sáng tạo AI. Chúng tôi phân tích tự động những thành tựu và ảnh hưởng thực tế của cá nhân nhằm giúp họ được khám phá và kết nối hiệu quả hơn với những cơ hội đẳng cấp thế giới. Còn về bản thân tôi, tôi là kỹ sư thuật toán đầu tiên gia nhập Viện Đạt Ma (sau này là Phòng Thí nghiệm Thông Nghĩa) của Alibaba thông qua những đóng góp mã nguồn mở.
Jane: Tôi thấy trong lý lịch của anh, ban đầu anh dường như không theo chuyên ngành khoa học máy tính? Anh bắt đầu chuyển hướng từ khi nào? Dù sao, sự nghiệp sau này của anh gần như hoàn toàn xoay quanh lĩnh vực này.
Cao Đái Hằng (Sam): Đúng vậy, đại học tôi học ngành Kiến trúc. Việc tôi thực sự nhận thức và chủ động chuyển sang lĩnh vực khoa học máy tính diễn ra vào năm 2017. Lúc đó có một bối cảnh thời đại rất rõ ràng — Trung Quốc đang ở đợt đầu tiên của làn sóng khởi nghiệp AI khá sôi động, mặt khác nguồn tài liệu học tập trực tuyến lần đầu tiên trở nên đủ phong phú, khiến việc “chuyển ngành không chính quy vào AI” trở nên khả thi trong thực tế.
Nhưng đối với cá nhân tôi, nguyên nhân cốt lõi hơn không phải là “đu theo xu hướng”, mà là tôi đã cảm nhận rõ ràng rằng con đường phát triển cũ của mình gần như bế tắc. Lúc đó tôi đang học thạc sĩ tại Đại học Công nghệ Bắc Kinh; nếu tiếp tục đi theo hướng đó, việc tìm một công việc tại Bắc Kinh với mức lương khoảng 10.000 Nhân dân tệ/tháng đã rất khó khăn, chưa kể áp lực làm việc cường độ cao và tình trạng tăng ca kéo dài, không bền vững.
Đồng thời, ở giai đoạn đó tôi cũng đã có thể tiếp cận một số đánh giá nội bộ ngành, và rất nhiều người đều đang thảo luận: cấu trúc phát triển lúc bấy giờ thực chất không lành mạnh, đặc biệt là triển vọng dài hạn của ngành bất động sản khá ảm đạm. Trong bối cảnh như vậy, tôi bắt đầu sớm đặt ra câu hỏi cho chính mình: Nếu con đường này chắc chắn sẽ “GG”, tôi có nên chủ động nhảy ra không?
Vì vậy, cuối cùng tôi đã kết hợp đánh giá xu thế thời đại với phản tư về hoàn cảnh bản thân để đưa ra một lựa chọn tương đối táo bạo nhưng hợp lý — bắt đầu học hệ thống AI và khoa học máy tính một cách tự học trên Internet. Đây cũng chính là khởi điểm cho mọi chuyện sau này của tôi.
Jane: Khi chuyển sang lĩnh vực khoa học máy tính, anh bắt đầu từ đâu?
Cao Đái Hằng (Sam): Chủ yếu thông qua các khóa học công khai của Giáo sư Andrew Ng để học hệ thống. Tôi cho rằng ngành này bản chất không có sách giáo khoa; tất cả mọi người đều đang học dựa trên các tài liệu sẵn có. Vì vậy, trong ngành này, xuất thân và nền tảng của bạn không quá quan trọng, mà ngược lại, sự hứng thú của bạn với lĩnh vực này mới thực sự then chốt.
Jane: Hãy nói về một dự án nổi bật trong sự nghiệp anh, chính là dự án anh thực hiện tại Viện Đạt Ma. Nhưng tôi muốn xác nhận trước: Đến Viện Đạt Ma là công việc thứ mấy của anh trong hành trình chuyên sâu vào AI và thuật toán?
Cao Đái Hằng (Sam): Trước hết tôi xin đính chính: Dự án này không phải do tôi làm tại Alibaba. Viện Đạt Ma là công việc thứ hai của tôi. Để làm rõ mạch phát triển: Sau khi tốt nghiệp năm 2018, thực tế ngay trước khi tốt nghiệp tôi đã liên tục tham gia các dự án mã nguồn mở. Ban đầu làm mã nguồn mở là viết code cho các framework học sâu như TensorFlow.
Nhưng lúc đó tôi nhận ra một vấn đề: Khi làm những thứ mang tính nền tảng như vậy, rất ít người hiểu được “đây là công trình của bạn” hay “bạn cụ thể đã làm gì”. Thời điểm đó, điều này rất khó để người khác hiểu; tuy nhiên cũng có lợi ích, ví dụ như nhờ những đóng góp này, các nhóm trong nước làm framework học sâu như OneFlow do giáo sư Viên Tiến Huy dẫn dắt đã biết đến tôi. Bởi vì lúc đó, số người có trên mười PR trên TensorFlow và PyTorch, đồng thời làm việc tại Trung Quốc đại lục, thực sự không nhiều.
Sau đó tôi bắt đầu suy nghĩ: Liệu tôi có thể làm một thứ nào đó không quá nền tảng, “nhìn là hiểu”, khiến người khác dễ dàng nắm bắt được mình đang làm gì, mà không cần mất công giải thích? Vì tôi từng có nền tảng nghệ thuật, nên tôi nghĩ hướng xử lý ảnh hoặc video có thể giúp người khác dễ hiểu hơn về công việc của mình.
Do đó, sau khi tốt nghiệp, tôi đầu tiên gia nhập một công ty nhỏ. Ngoài công việc tại công ty, tôi hầu như mỗi ngày đều dành thời gian cho các dự án mã nguồn mở — DeepFaceLab cũng được phát triển trong giai đoạn này.
Jane: Dự án này sau đó nhận được phản hồi cực kỳ tốt. Lúc đó là anh làm một mình, hay có cả một đội?
Cao Đái Hằng (Sam): Thực tế đây là một dự án cộng tác mã nguồn mở xuyên quốc gia. Tôi nhớ lúc đó, ảnh hưởng của nó đứng thứ hai chỉ sau TensorFlow trong bảng xếp hạng ảnh hưởng toàn cầu.
Jane: Với một dự án có ảnh hưởng cao như vậy, anh có từng cân nhắc gửi bài đến hội nghị khoa học hàng đầu không?
Cao Đái Hằng (Sam): Đã gửi, nhưng bị từ chối. Nguyên nhân là nội dung lúc đó cực kỳ gây tranh cãi và nhạy cảm, giới học thuật không dám mạo hiểm. Sau đó tôi cũng không quá bận tâm, mà đăng công khai trực tiếp trên arXiv.
Jane: Phản hồi tích cực từ dự án này có củng cố niềm tin của anh để sau đó lựa chọn Viện Đạt Ma không? Tại sao lúc đó anh không cân nhắc Meta hoặc ByteDance — những tập đoàn lớn?
Cao Đái Hằng (Sam): Nguyên nhân cốt lõi nằm ở chỗ Viện Đạt Ma cho phép tôi tiếp tục đào sâu vào hướng xử lý video. Lúc đó, Offer từ Meta dành cho tôi là vị trí “Đội đỏ (Red Team)”, chủ yếu phụ trách kiểm duyệt nội dung phòng thủ, mỗi ngày phải xử lý khối lượng lớn tư liệu thị giác tiêu cực — tôi cảm thấy điều này không tốt cho sức khỏe thể chất lẫn tinh thần. Còn ByteDance lúc đó tập trung nhiều hơn vào lĩnh vực mã hóa/giải mã âm thanh và video, không sát với lĩnh vực nghiên cứu chuyên sâu của tôi.
Jane: Viện Đạt Ma quả thực thiên về nghiên cứu công nghệ tiên tiến. Tại đây anh đã thực hiện nhiều dự án nhân dạng kỹ thuật số (digital human), hãy chia sẻ trải nghiệm và những suy ngẫm từ giai đoạn đó?
Cao Đái Hằng (Sam): Trong hai đến ba năm làm việc tại Viện Đạt Ma, chúng tôi đã thử nghiệm rất nhiều từ công nghệ đến ứng dụng thực tiễn. Ví dụ, vào dịp Tết Nguyên đán Nhâm Dần 2022, tôi và đồng nghiệp đã phát triển một nhân dạng kỹ thuật số mèo con 3D tại hiện trường, xuất hiện trong chương trình trực tiếp Tết Nguyên đán trên mạng của Đài Truyền hình Trung ương Trung Quốc (CCTV). Sau đó, chúng tôi lại tham gia dự án nhân dạng kỹ thuật số 3D cho Thế vận hội Mùa đông. Về sau, tôi chuyển sang hướng sinh ảnh dựa trên mô hình khuếch tán (diffusion model), trong đó thành công nhất là dự án thử đồ ảo Outfit Anyone. Dự án này hiện nay mỗi năm tạo ra doanh thu từ một đến hai trăm triệu Nhân dân tệ cho Alibaba Cloud.
Jane: Trong thời gian làm việc tại Viện Đạt Ma, anh đã chứng kiến trọn vẹn sự biến đổi khổng lồ của ngành trước và sau khi ChatGPT bùng nổ. Không khí nội bộ lúc đó như thế nào? Tôi nghe các bạn ở Alibaba đồn rằng, vị trí thuyết trình về mô hình ngôn ngữ lớn (LLM) tại hội nghị Yunqi năm 2021–2022 vốn không định dành cho giáo sư Dương Hồng Hà, mà bà là người thay thế đột xuất. Tôi rất khách quan tò mò: anh cảm nhận sự thay đổi thực tế bên trong như thế nào?
Cao Đái Hằng (Sam): Đúng vậy. Nhưng trước hết cần nói rõ: Nhóm của chúng tôi và nhóm giáo sư Dương Hồng Hà không cùng một chuỗi, nhóm bà thiên về mô hình ngôn ngữ lớn (text LLM). Tôi gia nhập công ty năm 2020; các nhà nghiên cứu sau này rất nổi bật trong lĩnh vực mô hình lớn như La Phúc Lợi, Lâm Tuấn Dương, cũng đều gia nhập vào khoảng năm 2020. Tôi có rất nhiều bạn là “Ngôi sao Alibaba”, nên khá am hiểu tình hình lúc đó.
Thực tế, về giá trị của mô hình lớn và nhân tài, một số động thái gần đây của Mark Zuckerberg có thể coi là đã “đóng đinh” vấn đề này (đặt dấu chấm hết). Bạn hãy nhìn xem hiện nay các tập đoàn lớn sẵn sàng chi mạnh tay để săn người nào — chủ yếu là những thanh niên trẻ tuổi thực sự tạo ra công nghệ cốt lõi.
Jane: Đúng vậy, quyền lực công nghệ đang dần trở về tay giới trẻ.
Cao Đái Hằng (Sam): Đúng vậy. Tôi cho rằng logic đằng sau điều này rất thú vị — trước đây, rất nhiều thành quả nghiên cứu được phân tán khắp các cộng đồng và bài báo; nhưng hiện nay mọi người bắt đầu nhận ra: người nào có thể tập hợp những thành quả phân tán này và đạt được đột phá, người đó mới là cốt lõi.
Jane: Quay lại cơ chế Viện Đạt Ma: Khi các anh có một ý tưởng cần hiện thực hóa, quy trình nội bộ như thế nào? Tiêu chí đánh giá là dựa trên bài báo hay giá trị nghiệp vụ?
Cao Đái Hằng (Sam): Quy trình nội bộ Viện Đạt Ma lúc đó rất “tự dưới lên trên”. Trưởng nhóm thường chỉ vạch ra một hướng nghiên cứu vĩ mô, còn lại hoàn toàn do chúng tôi tự khám phá, quản lý rất phẳng, gần như không có những ràng buộc chi tiết. Nếu bạn cần tài nguyên — dù là sức mạnh tính toán, gán nhãn dữ liệu hay thực tập sinh — đều có thể đề xuất để điều phối.
Ở giai đoạn 2021–2022, mọi người thực tế vẫn đang trong giai đoạn thăm dò, chưa biết đích đến cuối cùng của mô hình lớn ở đâu, nên lúc đó “đọc bài báo, tìm cảm hứng” là điều phổ biến.
Jane: Tôi hiểu rồi. Như vậy lúc đó không tồn tại áp lực KPI “phát hành bài báo cứng nhắc”, đúng không? Không giống như giai đoạn đầu của SenseTime, nơi có chỉ tiêu bài báo rất rõ ràng. Dù đều là tổ chức nghiên cứu, nhưng bản sắc của Alibaba dường như tự do hơn.
Cao Đái Hằng (Sam): Đúng vậy, hoàn toàn chính xác. Sự tự do này đã tạo ra không gian rất lớn cho việc khám phá công nghệ.
Jane: Vậy anh bắt đầu nhen nhóm ý tưởng khởi nghiệp từ khi nào? Là sau khi làm cộng đồng mã nguồn mở, anh bắt đầu cảm thấy “Tôi phải ra ngoài thử sức, dù hướng đi chưa hoàn toàn xác định”?
Cao Đái Hằng (Sam): Đúng vậy, chính là giai đoạn đó bắt đầu hình thành.
Jane: Vậy tại sao anh quyết định rời Viện Đạt Ma? Là để khám phá theo hướng mã nguồn mở trước, hay còn lý do nào khác? Và hình thái sản phẩm mà hai anh sau này cùng phát triển, ai là người đề xuất ý tưởng sơ khai?
Cao Đái Hằng (Sam): Ban đầu chúng tôi thực sự đã có một số thảo luận mang tính lý tưởng. Lúc đó tôi kiên quyết tin rằng: cộng đồng nghề nghiệp thế hệ mới — đặc biệt là cộng đồng thu hút giới trẻ — tuyệt đối không thể đi theo con đường cũ “dán CV, khoe bằng cấp”; phải có cách chơi mới. Nhưng thực lòng mà nói, lúc đó hai chúng tôi bàn mãi cũng chưa ra được cái gì cụ thể.
Đầu năm nay, tôi luôn ở Mỹ. Tư duy lúc đó khá đơn giản: Tôi thử dùng Cursor (trình soạn thảo mã AI) để làm “Vibe Coding”, tạo một ứng dụng nhỏ vui vẻ để thăm dò thị trường. Logic cốt lõi của ứng dụng này rất chuẩn xác: người dùng nhập tên hoặc liên kết Google Scholar.
Tôi quá hiểu đám thanh niên nghiên cứu này — việc đầu tiên họ làm khi vào phòng thí nghiệm thường là mở Google Scholar để xem số lượt trích dẫn của mình có tăng chưa.
Jane: Đã bắt trúng điểm đau của giới nghiên cứu.
Cao Đái Hằng (Sam): Đúng vậy. Chức năng tôi làm là: bạn dán liên kết vào, AI sẽ đưa ra “đánh giá cay độc”. Ví dụ châm biếm bạn “số lượng bài báo làm tác giả đầu chưa đủ, còn phải cố gắng thêm”, hoặc “sao mãi không gửi bài đến hội nghị hàng đầu”… chủ yếu là mang tính hài hước và vui vẻ. Chi phí phát triển cực kỳ thấp, nhưng sau khi ra mắt, chúng tôi có hai phát hiện bất ngờ:
Thứ nhất, sau khi mô hình có khả năng suy luận, nó có thể đưa ra những đánh giá rất chính xác và trừu tượng dựa trên thành tựu của một người, thậm chí “mắng” người ta rất chuẩn. Tôi phát hiện ra mọi người lại rất thích nghe AI “mắng” mình; tâm lý “cầu bị mắng” này thật thú vị, trong khi khen ngợi thì lại thấy nhàm chán.
Thứ hai, sau khi công cụ nhỏ này vận hành ổn định, tôi nhận ra không gian mở rộng của nó phi thường rộng lớn. Chính từ phản hồi của công cụ “đánh giá cay độc” này, chúng tôi mới bắt đầu trao đổi sâu sắc và cuối cùng hoàn thiện hình thái sản phẩm hiện tại.
Jane: Tôi hiểu rồi, sản phẩm mọc lên từ một phản hồi tích cực cực nhỏ. Thật thú vị.
Nỗi đau tuyển dụng của Sequoia Capital khiến Kelvin nhận ra khoảng trống cấu trúc trong tuyển dụng thời AI
Aaron: Kelvin, xin hãy giới thiệu ngắn gọn về bản thân.
Tôn Thần Hân (Kelvin): Hành trình của tôi khá thuần nhất, suốt sự nghiệp đều chuyên sâu vào lĩnh vực nhân sự và tuyển dụng. Một bước ngoặt đặc biệt là tôi tình cờ gia nhập Sequoia Capital, phụ trách tuyển dụng các nhà đầu tư nội bộ, bao gồm cả nhân tài trẻ trong lĩnh vực công nghệ và tiêu dùng. Sau khi rời Sequoia, tôi đã thử nghiệm vài lần khởi nghiệp. Giai đoạn đầu tiên khá giống với logic kinh doanh hiện tại của chúng tôi: lúc đó đúng vào thời kỳ bùng nổ mini-program, tôi nhạy bén nhận ra hiệu suất tuyển dụng trên hệ sinh thái WeChat (bảng tin, nhóm chat) đang vượt xa các nền tảng truyền thống như Liepin, Boss Zhipin… nên tôi đã xây dựng một mini-program tuyển dụng.
Aaron: Kết quả của lần thử nghiệm đó thế nào?
Tôn Thần Hân (Kelvin): Diễn biến khá kịch tính. Sản phẩm ra mắt tuần đầu tiên thì đại dịch bùng phát. Dù tăng trưởng trực tuyến rất ấn tượng — phía B có hơn một trăm công ty tự phát lan truyền trong nhóm, trong hai tuần đã thu về 100.000 hồ sơ, nhưng môi trường gọi vốn rơi vào đáy. Lúc đó mọi người chưa quen họp trực tuyến, tôi thậm chí còn không gặp được nhà đầu tư. Khó khăn chống đỡ vài tháng, lần khởi nghiệp đó kết thúc trong im lặng, trở thành một tiếc nuối lớn với tôi. Sau đó tôi từng thử nghiệm thương mại điện tử xuyên biên giới, nhưng cuối cùng vẫn quay lại “đường đua chính” của mình.
Aaron: Nhiều người tò mò, tiêu chuẩn tuyển dụng nhà đầu tư trẻ của Sequoia thực chất là gì?
Tôn Thần Hân (Kelvin): Yêu cầu thay đổi hàng năm, nhưng logic cốt lõi chỉ một câu: “Người xuất sắc tuyệt đối trong số đồng trang lứa”. Nghe có vẻ trừu tượng, nhưng cảm nhận trực quan là: một người 25 tuổi, chỉ cần liếc一眼, bạn đã cảm nhận được khí chất khác biệt. Chúng tôi không giới hạn nền tảng, phóng viên, quản lý sản phẩm, lập trình viên đều được chấp nhận. Miễn là bạn có năng lực tư duy sâu sắc và tính tự thúc đẩy cực mạnh, có thể tạo khoảng cách rõ rệt với đồng trang lứa, đó chính là hình mẫu chúng tôi đang tìm.
Aaron: Từ góc nhìn nhân sự, điểm khó cốt lõi khi tuyển người cho công ty tiêu dùng hay công nghệ là gì?
Tôn Thần Hân (Kelvin): Khó khăn lớn nhất khi hỗ trợ tuyển dụng cho các công ty trong danh mục đầu tư (Portfolio) là “không có tiếng tăm”. Dù đằng sau có là Sequoia hay Hillhouse, đa số ứng viên hoàn toàn không biết những công ty này làm gì. Nhận diện thương hiệu thấp là trở ngại lớn nhất trong tuyển dụng.
So sánh với các công ty To C, việc tuyển người dễ hơn rất nhiều, bởi vì họ ngày nào cũng chạy quảng cáo. Tôi nhớ rất rõ, ví dụ giới thiệu người cho Pinduoduo rất thuận lợi, vì bài hát “độc tính cao” của họ vang vọng khắp nơi. Trước khi niêm yết, toàn Thượng Hải đều tràn ngập quảng cáo Pinduoduo, độ nhận diện đã có sẵn. Nhưng với lĩnh vực To B, thậm chí là những hướng đi tiên phong mà nhiều người chưa từng nghe đến, việc đột phá nhân tài cực kỳ khó khăn, bởi vì bên ngoài căn bản không biết đến nó.
Aaron: Từ khi phát sinh nhu cầu cho đến khi đưa ra Offer, thường phải trải qua bao nhiêu khâu và mất bao lâu?
Tôn Thần Hân (Kelvin): Thường thì trước tiên là tìm kiếm trên mọi kênh: quét một vòng các nền tảng tuyển dụng trong và ngoài nước, đăng bài trên bảng tin WeChat, lan truyền trong nhóm chat, tận dụng mạng lưới quen biết, thậm chí liên hệ những người “biết ứng viên mục tiêu”, để tìm các nút lưu lượng then chốt; nếu chi mạnh hơn thì thuê headhunter. Tóm lại, mọi kênh đều thử.
Khoảng một đến hai tuần, có thể loại bỏ những người không phù hợp, chắt lọc ra ba đến năm hồ sơ (Profile) đầy đủ và có mức độ sẵn sàng (Motivation) tốt sau khi trao đổi. Đến bước này đã mất hai tuần. Sau đó sắp xếp phỏng vấn, thương lượng Offer, thuận lợi thì cũng phải mất một đến hai tháng mới chốt được. Thêm thời gian chuẩn bị nhập việc, có thể lại mất thêm ba đến bốn tháng. Nói cách khác, tuyển một vị trí khó, ngay cả trong điều kiện thuận lợi nhất cũng mất một quý; còn rất nhiều vị trí thậm chí là “bất khả thi”, mãi mãi không tuyển được.
Aaron: Từ góc độ chuyên môn của anh, anh sẽ dùng một câu để miêu tả nghiệp vụ DINQ — rốt cuộc đây là một sản phẩm như thế nào?
Tôn Thần Hân (Kelvin): Nếu gỡ bỏ lớp vỏ công nghệ AI, tôi cho rằng đây là công cụ biểu đạt bản thân hiệu quả nhất dành cho mọi người làm trong lĩnh vực AI. Bạn hãy xem trang cá nhân của chúng tôi, thực chất đó chính là một cách biểu đạt bản thân hiệu quả cao.
Từ góc nhìn nhà tuyển dụng, công cụ tìm kiếm của chúng tôi là một công cụ tìm kiếm nhân tài hiệu quả hơn. Nó gần như có thể thay thế hai bước đầu tiên tôi vừa nêu, giúp các chuyên gia tuyển dụng tiết kiệm ít nhất hai tuần thời gian tìm kiếm mù.
Aaron: Anh bắt đầu nhận ra khi nào rằng trong lĩnh vực AI mới này, phương thức nộp CV truyền thống, hồ sơ LinkedIn và quy trình tuyển dụng cổ điển đã lỗi thời và cần bị phá vỡ?
Tôn Thần Hân (Kelvin): Dù những năm gần đây tôi không trực tiếp làm tuyển dụng, nhưng tôi vẫn gắn mác “người có thể giúp người khác tuyển người”. Một số nhà sáng lập mới nổi trong lĩnh vực AI vẫn tìm tôi hỏi: “Kelvin, anh có thể giới thiệu vài kỹ sư thuật toán giỏi hoặc full-stack developer không?”
Ngay lúc đó tôi phát hiện mình “bất lực”. Trước đây việc giới thiệu nhân tài qua mạng lưới quen biết một hoặc hai cấp rất dễ dàng, nhưng sau khi làn sóng AI trỗi dậy, tôi phát hiện mình không quen biết bất kỳ ai trong giới này. Điều này khiến tôi rất lo lắng: dù tôi không còn trực tiếp làm lĩnh vực này, nhưng tôi không muốn mất đi mác chuyên nghiệp này.
Tôi nhận ra đã xuất hiện một nhóm người hoàn toàn mới. Tôi quen biết rất nhiều CTO trong các lĩnh vực truyền thống, nhưng họ không tham gia lĩnh vực này và cũng không hiểu được logic vận hành mới. Hiện nay đã không còn là thời đại “chỉ cần trả lương 2 triệu Nhân dân tệ/năm, tìm một CTO truyền thống là có thể giải quyết được bài toán công nghệ AI”. Những nhân tài như Sam, và rất nhiều thanh niên xuất sắc trên thị trường, họ tồn tại ngoài tầm nhìn truyền thống; chúng ta thậm chí không biết họ ở đâu — đó chính là hoàn cảnh bế tắc của tôi lúc đó.
Aaron: Để giải quyết bế tắc này, anh đã thử những cách nào?
Tôn Thần Hân (Kelvin): Tôi bắt đầu nghiên cứu xem họ thực sự xuất hiện ở đâu. Tôi cũng hỏi các đồng nghiệp HR trong các công ty mô hình lớn: Các anh thực sự tìm người ở đâu? Kết quả phát hiện ra họ phải tự tay tìm kiếm trên GitHub và Google Scholar, còn trên LinkedIn thì gần như không tìm được người. Ngay cả khi tìm được, vẫn phải vào trang cá nhân để tìm địa chỉ email gửi thư. Hiệu suất giới thiệu trong ngành cũng thấp, dù có thể giải quyết một phần vấn đề, nhưng nói chung đều đang tìm người qua “kênh phi truyền thống”. Vì vậy tôi cũng học theo cách này để tìm người.
Aaron: Như vậy có thể hiểu, chính vì anh cảm thấy cách tìm người cũ quá kém hiệu quả nên mới nảy sinh ý tưởng làm sản phẩm hiện tại?
Tôn Thần Hân (Kelvin): Đúng vậy. Nhưng thành thật mà nói, sản phẩm này không phải do tôi “làm ra”, mà là do Sam làm ra, chính anh ấy khiến tôi nhận ra “hóa ra vấn đề này có thể được giải quyết theo cách này”. Về mặt này, tôi là người “hậu tri hậu giác”.
Aaron: Hai anh ban đầu gặp nhau như thế nào?
Tôn Thần Hân (Kelvin): Nói cũng rất đơn giản. Lúc đó có một người bạn ủy thác tôi tìm một nhân tài đa lĩnh vực, vừa hiểu giao dịch (Trading) vừa hiểu AI Agent. Tôi chú ý đến một dự án rất nổi tiếng, chính là dự án OS mà Sam vừa nhắc đến. Trên bài báo (Paper), tôi thấy trong danh sách tác giả có một cái tên Trung Quốc — “Cao Đái Hằng”, nên bắt đầu huy động mọi nguồn lực để tìm người có thể biết anh ấy. Cuối cùng, nhờ một nhà đầu tư từ một công ty đầu tư làm cầu nối, tôi mới chính thức quen biết Sam. Thực tế đây vẫn là “chiêu cũ” của tôi — dựa vào mạng lưới quen biết dày dặn tích lũy qua tuyển dụng.
Aaron: Lúc đó ấn tượng đầu tiên về Sam thế nào? Sau đó ấn tượng này có thay đổi không? Và cơ duyên nào khiến anh quyết định cùng anh ấy cộng tác?
Tôn Thần Hân (Kelvin): Thành thật mà nói, lúc đầu không có ấn tượng đặc biệt sâu sắc nào. Giai đoạn đó tôi liên hệ rất nhiều chuyên gia kỹ thuật tương tự, cơ bản chỉ là giao tiếp theo quy trình: “Tôi có một cơ hội, anh có cân nhắc không?”. Còn anh ấy đương nhiên từ chối tôi.
Ban đầu, cả nhận thức về cá nhân Sam lẫn lĩnh vực AI của tôi đều không sâu. Điểm chuyển biến xảy ra sau này, khi anh ấy nảy sinh ý tưởng làm sản phẩm tuyển dụng, nhận ra tôi khá chuyên về lĩnh vực này, nên chủ động tìm tôi để trao đổi sâu, tôi mới dần hiểu rõ và có cảm nhận rõ ràng hơn về anh ấy. Giai đoạn đầu chúng tôi luôn trao đổi trực tuyến, dù chưa từng gặp mặt nhưng rất hợp nhau.
Tôi phát hiện ra để làm được việc, anh ấy thể hiện một tư thế học tập cực kỳ rộng mở. Khi nghe tôi am hiểu tuyển dụng, anh ấy liền truy vấn rất nhiều câu hỏi nghiệp vụ cứng và chi tiết. Sau đó quả nhiên tôi biết anh ấy là người tự học AI từ ngành khác. Tôi cho rằng một khi năng lực tự học đủ mạnh, nó sẽ trở thành một thói quen nền tảng, từ đó tạo đột phá ở mọi phương diện. Vì vậy, đánh giá cốt lõi nhất của tôi về anh ấy sau này là: có năng lực tự học cực mạnh.
Cao Đái Hằng (Sam): Cảm ơn Kelvin đã khẳng định. Lúc đó suy nghĩ của tôi rất đơn giản: sau khi dự án đó kết thúc, tôi vẫn muốn khám phá thêm những điều mới. Khi rà soát lĩnh vực và năng lực nền tảng mà mỗi người giỏi, tôi phát hiện cả hai chúng tôi đều có sự thấu hiểu sâu sắc về đặc điểm, nhận thức và quy luật lưu chuyển của “con người”. Tôi bắt đầu nghĩ: Liệu có thể lấy “con người” làm trung tâm để làm điều gì đó không?
Một khi xác định được điểm gốc này, sự mở rộng tự nhiên nhất chính là lĩnh vực tuyển dụng, hơn nữa lúc đó nhu cầu thị trường thực sự thiếu hụt trầm trọng. Dựa trên xuất phát điểm này, tôi đã hỏi Kelvin thêm một số vấn đề. Lúc đầu trao đổi tôi còn ở Mỹ, Kelvin chia sẻ rất nhiều nhận thức sâu sắc về ngành nhân sự. Khi trao đổi ngày càng sâu, cả hai chúng tôi đều cảm thấy có thể cùng nhau làm lớn chuyện này.
Aaron: Như vậy hai anh ngay từ đầu đã đạt được sự đồng thuận về định hướng lớn, còn hình thái sản phẩm cụ thể là hai anh không ngừng “va chạm” để tạo nên?
Cao Đái Hằng (Sam): Đúng vậy. Về hình thái sản phẩm, hiện tại tôi không dám dùng từ “hội tụ” (converge), vì tôi cho rằng trong giai đoạn AI hiện tại, không có doanh nghiệp nào có thể tuyên bố nền tảng sản phẩm của mình đã hoàn toàn định hình. Nếu công nghệ và mô hình thực sự đã “hội tụ”, thì mọi người cũng sẽ không cần chi hàng trăm triệu đô la mỗi năm để tranh giành những nhà nghiên cứu Hoa kiều hàng đầu.
Trong bối cảnh ngành chưa định hình, chúng tôi đã đạt được sự đồng thuận tạm thời về hình thái: chúng tôi cho rằng mô hình hiện tại phù hợp hơn với trực giác của giới trẻ. Còn nó tiến hóa như thế nào? Thực tế không có con đường tắt nào, chỉ vì chúng tôi tiếp xúc gần gũi và thường xuyên nhất với giới trẻ và nhóm người dùng mục tiêu, nên chúng tôi hiểu rõ nhất điều họ thực sự thích.
Dương Kiến Triều vs. Chu Sướng
Phân tích sản phẩm: DINQ sử dụng Agent suy luận như thế nào để chấm dứt nỗi đau tìm kiếm nhân tài AI?
Aaron: Trọng tâm tuyển dụng truyền thống là khớp từ khóa, hệ thống đánh giá nhân tài của DINQ có những chiều đo nào? So với khung truyền thống, khác biệt cốt lõi nằm ở đâu?
Cao Đái Hằng (Sam): Từ góc độ kỹ thuật, chúng ta đang sống trong một thời đại “giải cấu trúc và tái tổ hợp (Remix & Decouple)”, độ phức tạp thông tin tăng theo cấp số nhân. Điều này dẫn đến một mâu thuẫn điển hình: nhãn cốt lõi của một ứng viên có thể là “R2” hoặc “kéo lưới” (pull-net) — những mô hình cụ thể, nhưng từ khóa tìm kiếm của HR lại là “mô hình ngôn ngữ lớn xử lý ảnh” hoặc “sinh video”. Trong mô hình tìm kiếm từ vựng (Lexical Search) như LinkedIn, chỉ cần từ khóa không khớp, người này có thể cả đời không bao giờ được tìm ra.
Hơn nữa, chúng tôi khảo sát hơn một nghìn nhà nghiên cứu tại OpenAI và phát hiện hơn một nửa trong số họ hoàn toàn không duy trì hồ sơ LinkedIn, thậm chí còn không có tài khoản. Thông tin của các chuyên gia kỹ thuật thường rải rác trên blog chính thức, bài báo cải tiến (forked paper), khiến việc tìm người từ phía B cực kỳ khó khăn.
Aaron: Vậy giải pháp của các anh là gì?
Cao Đái Hằng (Sam): Khi các kênh thông tin đã quá phân mảnh — anh ta có thể có một dự án trên Hugging Face, đăng giải thích kỹ thuật trên Twitter, xuất bản bài báo trên arXiv, lại còn đăng ảnh chụp poster hội nghị trên Xiaohongshu — chúng tôi quyết định từ bỏ con đường lấy “hồ sơ LinkedIn” làm trung tâm, thay vào đó xây dựng một hệ thống chủ yếu dựa trên việc gọi Agent. Chúng tôi tiến hành xử lý trước và nhúng (embedding) dữ liệu quy mô lớn từ các hội nghị hàng đầu và các công ty AI; khi người dùng tìm kiếm, Agent sẽ truy xuất thông tin toàn mạng theo thời gian thực để suy luận (reasoning).
Ví dụ, tác giả đầu tiên của Sora 2 là Lý Lưu Niên (Harold), bạn hỏi các mô hình ngôn ngữ chung chung hoặc các nền tảng Agent truyền thống, gần như không thể tìm ra, vì dữ liệu chưa được đồng bộ. Nhưng hệ thống của chúng tôi có thể dựa trên bài báo, GitHub và hoạt động trên mạng xã hội của anh ấy để truy xuất chính xác.
Aaron: Tôi muốn đi sâu hơn vào vấn đề “phân mảnh”. Tuyển dụng truyền thống cực kỳ phụ thuộc vào LinkedIn, nhưng thông tin của các nhà nghiên cứu và kỹ sư AI thường phân tán trên Google Scholar, GitHub và các nền tảng khác. Anh có thể đưa ra một ví dụ cụ thể để minh họa mức độ nghiêm trọng của sự phân mảnh này không?
Tôn Thần Hân (Kelvin): Nỗi đau hiện nay nằm ở chỗ, khi HR nhận được yêu cầu, yêu cầu của bộ phận nghiệp vụ đối với các nhà nghiên cứu thuật toán trẻ đã cụ thể đến mức cực đoan, ví dụ như “giải quyết vấn đề nhất quán nhân vật trong sinh video” — một mệnh đề cực kỳ chuyên biệt. Vấn đề lớn nhất HR đối mặt là: căn bản không biết nhóm người này ở đâu.
Công cụ của chúng tôi cho phép HR đổ toàn bộ thông tin phân mảnh họ có vào, trước tiên giải quyết bước đột phá “từ 0 đến 1”. Trước đây, chỉ dựa vào vài từ gợi ý để tìm trên LinkedIn, khả năng tìm được người gần như bằng không, vì không ai đặt thành tựu nghiên cứu cụ thể lên LinkedIn. Đây là điểm yếu lớn nhất của LinkedIn — trên đó thường chỉ có nền tảng học vấn, mật độ thông tin quá thấp.
Nếu bạn chỉ cần tuyển sinh viên từ Đại học Thanh Hoa hoặc Đại học Bắc Kinh, LinkedIn vẫn có thể đáp ứng; nhưng nếu bạn cần tìm người có thể giải quyết một bài toán kỹ thuật cụ thể, thậm chí cách gọi tên kỹ thuật trong ngành còn chưa thống nhất, LinkedIn chắc chắn không tìm được, còn Boss Zhipin hay Liepin thì càng không thể — nhóm mục tiêu căn bản không bao giờ đến những nơi đó tìm việc. Điều này trước đây gần như là “bất khả thi”.
Cách thủ công truyền thống là hỏi thăm, đọc kỹ luận văn, nhưng yêu cầu HR đọc luận văn là điều không thực tế, cũng không phải việc họ nên làm. Cuối cùng chỉ có thể dựa vào hỏi thăm miệng hoặc giới thiệu nội bộ, hiệu suất cực kỳ thấp.
Aaron: Nếu tôi là HR của Meta, muốn tuyển một AI Scientist, quy trình điển hình trên DINQ sẽ như thế nào?
Cao Đái Hằng (Sam): Chúng tôi cung cấp ba chế độ:
Thứ nhất, bạn có nhu cầu rõ ràng, chỉ cần đưa một đoạn văn, ví dụ “Tôi muốn tìm người làm hướng này trong bài oral tại NeurIPS 2025, ưu tiên người có thị thực làm việc tại Mỹ”.
Thứ hai, bạn đã có JD (ví dụ trên các nền tảng như Greenhouse), chỉ cần đưa JD vào, hệ thống sẽ giúp bạn tìm người.
Thứ ba, bạn đã có một người cụ thể, ví dụ A rất phù hợp nhưng không nhận lời, hoặc A là nhân viên của bạn, bạn có thể hỏi “tìm một người tương tự A”, ví dụ vẫn đang học tiến sĩ hoặc đang tích cực tìm cơ hội. Cũng có thể hỏi “tìm người sinh sau năm 1995 rời ByteDance, có thành tựu trong lĩnh vực này và có thể đang tìm cơ hội”, thậm chí “tìm trên SCI như thế này”. Tất cả đều được.
Tôn Thần Hân (Kelvin): Tôi bổ sung thêm. Trước đây, nếu tìm người theo quy trình chuẩn, HR chuyên nghiệp hoặc công ty headhunter đắt nhất sẽ trước tiên thực hiện việc tìm kiếm rộng rãi (sourcing), sau đó tạo danh sách dài (long list) gồm khoảng 100 người. Tiếp theo là liên hệ, loại trừ, chủ yếu xác nhận hai điều: năng lực và mức độ sẵn sàng. Chỉ khi cả hai đều đáp ứng mới tiến hành bước tiếp theo. Sau đó tạo danh sách ngắn (short list) để gửi cho người quản lý tuyển dụng (hiring manager — như đối tác quỹ, CTO, v.v.).
Hiện nay chúng tôi tương đương với việc trực tiếp đưa ra danh sách ngắn, vì việc tìm kiếm toàn mạng (sourcing) đã được Agent thực hiện xong, không cần người mất thời gian nữa. Kết quả đầu ra chính là danh sách ngắn. Sau đó người ta nên làm điều họ giỏi nhất: trực tiếp trao đổi và thuyết phục ứng viên.
Aaron: Tôi thấy các anh có một chức năng “định giá (Package)” cho ứng viên, thậm chí thu hút nhiều giáo sư từ Stanford, Berkeley và NYU chủ động trải nghiệm. Cách tính như thế nào? Tôi tự thử nghiệm với Dương Thuận Vũ, kết quả là Package 10 triệu USD.
Cao Đái Hằng (Sam): Chúng tôi sử dụng dữ liệu công khai từ Level.fyi và các nguồn khác để xây dựng mô hình chấm điểm chức danh và giá trị nhân tài. Ban đầu chỉ làm cho vui, chưa hiệu chỉnh nghiêm túc, nhưng phản hồi lại vượt xa kỳ vọng. Dương Thuận Vũ được đánh giá có giá trị 10 triệu USD, thực tế khá chuẩn.
Aaron: Robot AI này cụ thể phân tích theo từng cấp độ như thế nào?
Cao Đái Hằng (Sam): Sau khi người dùng đăng ký, chúng tôi sẽ nhúng (vectorize) CV và mạng xã hội của họ. Khi bạn tìm kiếm, hệ thống sẽ thực hiện nhận diện ý định. Ví dụ bạn tìm “hội nghị hàng đầu”, chúng tôi sẽ tự động ánh xạ đến CVPR hoặc NeurIPS gần nhất. Nếu bạn tìm người sinh sau năm 2000, Agent sẽ thu thập thông tin toàn mạng để suy luận. Với danh sách tác giả của một bài báo có hàng trăm người, việc lọc thủ công là bất khả thi, nhưng Agent có thể lập tức phân cấp theo mức độ quan trọng.
Aaron: Vậy các anh có gặp thiên lệch không, ví dụ một số nghiên cứu sinh đã làm công việc quan trọng nhưng chưa công bố, các anh có cơ chế nào để hiệu chỉnh thiên lệch này không?
Cao Đái Hằng (Sam): Câu hỏi rất hay. Việc này chúng tôi sẽ thực hiện sau này bằng cách index nội dung trên arXiv theo yêu cầu người dùng, nhưng hiện tại chưa làm được.
Aaron: Hiện tại phản hồi từ phía B như thế nào?
Cao Đái Hằng (Sam): Đội tuyển dụng cấp cao (Executive Search) của Meta đã bắt đầu sử dụng, một số công ty AI hải ngoại cũng đang cùng xây dựng, họ cần một hệ quy chiếu
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
