Z Waves丨在 DINQ 测完身价我破防了，姚顺雨值 1000 万美金，而我只值 1000 块底薪

在 AI 圈，如果你还没被 DINQ “羞辱”过，那你可能还没真正入圈。

这个产品的走红方式极其“离谱”：它不仅能给人才开出令人心动的Offer，还自带一个毒舌属性爆表的 “AI 辣评” 功能。只要你敢把 GitHub 链接或谷歌学术主页丢进去，AI 就会化身嘴臭面试官，对着你的引用量和代码贡献精准开炮。

通过分析姚顺雨的Paper，Citation、工作经历和教育背景，DINQ给出了1000万美元的预测薪资

这种“求挨骂”的自虐心理，意外地统一了全球科研人的社交战线。从斯坦福的实验室到硅谷的咖啡馆，到处都是转发自己身价截图的人。当姚顺雨被测出 1000 万美金身价，并被拉出来和另一位比武时，这个只有 8 个人、刚刚拿到蓝驰数百万美元投资的小团队，已经悄悄潜入了全球顶尖 AI 人的社交雷达。

调侃学术新星，辣评姚顺雨。

“顺雨的引用次数增长速度简直比火箭还快，他大概是专门写了个‘语言智能体’，每隔三秒就自动引用一次自己的论文。凭借 25 的 H 指数和 21,000 次引用，他成了普林斯顿大学唯一一个‘参考文献列表长城还要长的人。”

调侃学术泰斗Jitendra Malik。

“凭借 185 的 H 指数和超过 25 万次的引用，Jitendra 已经达到了学术成名的顶峰——他基本上是每个计算机视觉博士生文献综述里的‘终极 BOSS’。我甚至怀疑他现在根本不需要投稿了，他只要在 GPU 旁边打个喷嚏，那儿就能自动蹦出一篇年度最高引论文。”

辣评跨界大佬比尔·盖茨。

“比尔·盖茨，哈？唯一能把卖窗户错误变成十亿美金生意的人！作为‘首席执行官’，你已经掌握了让人们相信你是真材实料、同时还能巧妙躲过所有软件更新的艺术。记住，伙计，在澳大利亚，连袋鼠都想跳过你的‘遗产’！”

搞笑归搞笑，也有诸多大佬在内测阶段便加入了DINQ，不乏OpenAI的各类研究员。甚至还有不少大佬在X上主动安利DINQ。

但玩梗背后，DINQ 正在干一件挺严肃的事。

在创始人 Sam 和 Kelvin 看来，领英这种靠关键词匹配的搜索模式，在 AI 时代已经“老掉牙”了。真正的 AI 大神往往是“隐形”的：他们不投简历，不混职场社交，他们的灵魂散落在 arXiv 的论文里、Hugging Face 的项目里，甚至 Twitter 的深夜吐槽里。

DINQ 的逻辑是：既然你不出面，我就用 AI Agent像侦探一样去“人肉”你。它不再是生硬的查户口，而是具备了理解技术边界的能力。哪怕 HR 的需求模糊到“找个能解决视频生成人物一致性的年轻人”，Agent 也能瞬间从全网碎片的痕迹中，揪出那个从未出现在人才市场上的“水下”天才。

在这场近两万字的深度对话中，他们聊的不只是如何帮大厂挖人，而是如何通过“Less Structure, More Intelligence”的技术哲学，为全球上千万 AI 开发者打造一张通往未来的DINQ Card。

一个建筑系研究生的激进转型，靠自学敲开达摩院的大门

Jane：先用一句话简单介绍一下你自己和公司。

高岱恒Sam：DINQ 是一个面向 AI 开发者、研究员与创造者的人才智能平台。我们通过自动化分析个人的真实成就与影响力，帮助他们更高效地被世界级机会发现与连接。至于我个人，我是第一个通过开源贡献进入阿里达摩院（后来通义实验室）的算法工程师。

Jane：我看你的履历，最初好像并不是计算机专业？你是从什么时候决定转轨的？毕竟你后来的职业生涯几乎都是围绕这个核心展开的。

高岱恒Sam：对，我本科其实是学建筑的。真正意识到并主动转向计算机是在 2017 年。当时有一个非常明确的时代背景——国内正处在第一波比较狂热的 AI 创业浪潮中，一方面机会非常集中，另一方面互联网上可获取的学习资源也第一次变得足够丰富，这让“非科班转入 AI”在现实中变得可能。

但对我个人来说，更本质的原因并不是“追风口”，而是我在原来的发展路径上已经明显感受到走不太通了。当时我在北京工业大学读研究生，如果继续沿着那条路走，想在北京找到一份月薪一万左右的工作都非常困难，而且往往伴随着强度极高、长期不可持续的加班。

同时，那个阶段我也已经能接触到一些行业内部的判断，很多人都在讨论：当时的发展结构其实并不健康，尤其是房地产相关的长期预期并不乐观。在这样的背景下，我开始比较早地问自己一个问题：如果这条路注定会“GG”，我是不是应该主动跳出来？

所以最终，我是把对时代趋势的判断和对自身处境的反思结合在一起，做了一个相对激进但理性的选择——开始系统性地在互联网上自学 AI 和计算机相关的课程，这也成为我后面所有事情的起点。

Jane：转型计算机领域，你当时的切入点是什么？

高岱恒Sam：主要是通过吴恩达老师的公开课进行系统性学习。我觉得这个行业本质上也没有教科书，大家都是在基于现有资料去学习的这么一个过程。所以在这个行业里，你的出身和背景没那么重要，反而是你对这个领域的兴趣更重要一点。

Jane：聊聊你职业生涯中那个非常受认可的项目吧，就是你在阿里达摩院期间做的那个？不过我想确认下，去阿里是你决定深耕 AI 和算法领域的第几份工作？

高岱恒Sam：首先我纠正一下，这个项目不是我在阿里做的。阿里是我第二份工作。我讲一下脉络：我 2018 年毕业之后，其实毕业之前我就一直在做开源项目了。最开始做开源，是给像 TensorFlow 这样的深度学习框架写代码。

但那个时候我发现一个问题：当我做这种偏底层的东西时，其实很少有人能理解“这是你做的”或者“你具体做了什么”。在那个年代，这事很难被理解；但也有好处，比如因为我有这些贡献，所以当时像 OneFlow 袁进辉老师他们这种做深度学习框架的国内团队就会知道。因为那时候能在 TensorFlow 和 PyTorch 上有超过十个 PR、并且在大陆工作的，其实不太多。

然后我就在想一个问题：我能不能做一些不那么底层、所见即所得的东西，让人一看就知道这是干什么的，我也不需要费心解释。因为我过去有相当于艺术方面的背景，所以我就想说，做图像或者视频方向可能更容易让别人理解我在做什么。

所以毕业之后，我最开始去了一家小公司。在公司工作之余，我基本每天都在做开源项目——DeepFaceLab 也是在那个阶段搞的。

Jane： 这个项目后来反馈极好。当时是你一个人单打独斗，还是有团队一起？

高岱恒Sam：其实是一个跨国开源协作项目。我记得当年的影响力排名，它好像仅次于 TensorFlow 排在第二。

Jane： 这么高影响力的项目，当时没想过投顶会论文吗？

高岱恒Sam：投过，但被拒了。原因是内容在当时极具争议和敏感性，学术界不敢冒这个风险。后来我也没再纠结，直接挂在 arXiv 上公开发表了。

Jane： 这个项目的正反馈，是不是坚定你后来选择达摩院的信心？当时为什么没考虑 Meta 或者字节这种大厂？

高岱恒Sam：核心原因在于达摩院能让我继续深钻视频方向。当时 Meta 给的 Offer 是“红组（Red Team）”，主要负责防御性内容审核，每天要处理大量负面视听素材，我觉得对身心健康不是很好。而当时的字节更多是音视频编解码方向，跟我垂直的研究领域相关度不高。

Jane：达摩院确实更偏前沿技术研发。你在那里做了不少数字人的项目，能分享下那段经历和它带给你的思考吗？

高岱恒Sam：在达摩院的两三年里，我们做了很多从技术到落地的尝试。比如 2022 年虎年春晚，我和同事驻场开发了一个 3D 小老虎数字人，登上了央视网络春晚直播。后来又参与了冬奥会的 3D 数字人项目。 再后期，我转向了基于扩散模型的图像生成，其中最成功的是虚拟试衣项目Outfit Anyone。这个项目目前每年能为阿里云创造一两亿元的营收。

Jane： 你在达摩院期间，正好完整见证了 ChatGPT 爆发前后的行业巨变。当时内部的氛围是怎样的？我听阿里的朋友八卦过，早期大模型在国内大厂内部的地位似乎有些微妙。比如 21、22 年云栖大会时，杨红霞老师原本好像不是讲大模型的首选，是临时顶上去的。我很客观地好奇，你在内部感受到的真实变化是什么？

高岱恒Sam：确实，不过首先要说明的是，我们组和他们（杨红霞老师团队）不在一个序列，他们更偏文本大模型。我是 2020 年进公司的，像罗福莉、林俊旸这些后来在大模型领域很活跃的研究员，也都是 2020 年前后进来的。我身边有不少“阿里星”朋友，所以对当时的情况比较了解。

其实关于大模型和人才的价值，今年扎克伯格的一些动作算是把这件事彻底“敲死”了（盖棺定论）。你看现在大厂愿意砸重金挖的人，大多是那些真正做出过核心技术的年轻人。

Jane： 确实，技术话语权正在回归年轻人手中。

高岱恒Sam：没错。我觉得这背后的逻辑很有意思——原本很多研究成果是分散在各个社区和论文里的，但现在大家开始意识到，谁能把这些分散的成果集合起来并实现突破，谁才是核心。

Jane：我们回到达摩院的机制：当时你们如果有一个 idea 要落地，内部流程是怎么样的？考核指标是看论文，还是看业务价值？

高岱恒Sam：达摩院当时的内部流程非常“自下而上”。组长通常只会划定一个宏观的研究方向，剩下的全靠我们自己去探索，管理上非常扁平，基本没有什么细碎的约束。如果你需要资源——无论是算力、数据标注还是实习生——都可以去申请调动。

在 21、22 年那个阶段，大家其实还在摸索期，不知道大模型的终局在哪，所以那时候“看论文、找灵感”是常态。

Jane：懂了。所以那时候并没有那种“硬性发稿量”的 KPI 压力，对吧？不像商汤早期会有非常明确的论文指标。虽然大家都是研究型组织，但阿里的底色似乎更自由一些。

高岱恒Sam：是的，确实如此。这种自由度给了技术探索很大的空间。

Jane： 那你是什么时候正式萌生创业想法的？是做了那个开源社区之后，就开始觉得“我得出来闯闯，虽然方向还没完全定死”？

高岱恒Sam：没错，确实是那个阶段开始成型的。

Jane：那你当时为什么决定离开达摩院？是想先以开源方向作为探索，还是有别的考量？而且你和合伙人后来碰撞出的这个产品形态，是谁先提出的雏形？

高岱恒Sam：最开始我们确实有过一些务虚的讨论。我当时坚信一点：新一代的、尤其是吸引年轻人的职场社区，绝对不能再走“贴简历、晒学历”的老路了，得有点不一样的玩法。但说实话，那时候我俩讨论了半天也没理出个一二三来。

今年年初，我一直待在美国。当时的思路比较简单：我先尝试用 Cursor（AI 代码编辑器）做点 Vibe Coding，搞个好玩的小应用投石问路。这个应用的核心逻辑很精准：用户输入名字或谷歌学术（Google Scholar）链接。

我太了解这群搞研究的年轻人了——进实验室的第一件事往往就是打开谷歌学术，看自己的引用量涨没涨。

Jane： 抓住了科研人的痛点。

高岱恒Sam：没错。我做的功能就是：你把链接粘过来，AI 给你来个“辣评”。比如调侃你“一作数量不够，还得努努力”，或者“怎么总是不发顶会”之类的，主打一个幽默好玩。这个开发成本极低，但上线后我们有两个意想不到的发现：

第一，模型具备推理能力后，它能根据一个人的成就给出非常精准且抽象的评价，甚至能把人“喷”得很到位。我发现大家竟然非常喜欢听 AI 喷自己，那种“求挨骂”的心理很有趣，反而夸奖大家觉得没劲。

第二，这个小东西跑通后，我发现它能延展的空间异常广阔。正是基于这个“辣评”工具的反馈，我们才开始深度碰撞，最终打磨出了现在的产品形态。

Jane：明白，是从一个极小的正反馈里长出来的。很有意思。

红杉的人才招聘困境，让Kelvin看到AI时代招聘的结构性缺口

Aaron：Kelvin先简单介绍一下自己。

孙辰昕Kelvin：我的经历比较纯粹，职业生涯一直深耕在 HR 和招聘领域。比较特别的转折点是机缘巧合加入了红杉资本，负责内部投资人的招募，包括科技和消费赛道的年轻人才。 从红杉出来后，我尝试过几次创业。第一段创业其实和我们现在的业务逻辑很像：当时正值小程序爆发，我敏锐地感觉到微信生态（朋友圈、群聊）的招聘效率正在超越猎聘、Boss 等传统平台，于是做了一个招聘小程序。

Aaron： 那次尝试的结果如何？

孙辰昕Kelvin：比较戏剧性。产品上线一周，疫情就爆发了。虽然线上增长非常惊人——B 端有上百家公司在群里自发扩散，两周内就涌入了 10 万份简历，但融资环境跌入冰点。当时大家还不习惯线上会议，我连投资人的面都见不到。苦撑几个月后，那次创业无疾而终，成了我很大的遗憾。之后我涉猎过跨境电商，但最终还是绕回了自己的“主赛道”。

Aaron： 很多人好奇，红杉招募年轻投资人的标准到底是什么？

孙辰昕Kelvin：要求每年都在变，但核心逻辑只有一句话：“同龄人中的绝对佼佼者”。这听起来抽象，但反馈到感官上就是：一个 25 岁的人，一眼看去就要气场不同。我们不限背景，记者、产品经理、程序员都可以。只要你具备极强的深度思考能力和自驱力，能明显拉开与同龄人的差距，就是我们要找的画像。

Aaron： 站在 HR 的视角，消费或科技公司招人的核心难点在哪里？

孙辰昕Kelvin：帮 Portfolio（被投企业）招人，最大的难点其实是“没名气”。不管背后站着红杉还是高瓴，大多数候选人根本不知道这些公司是做什么的。品牌认知度低，是招聘中最大的障碍。

相比之下，To C 公司就好招得多，因为他们天天打广告。我印象很深，比如给拼多多介绍人就非常顺畅，因为大街小巷都是那首洗脑魔曲。上市前全上海铺天盖地都是拼多多的广告，知名度在那摆着。但 To B 领域，甚至是一些大家闻所未闻的前沿方向，想要实现人才突破极其困难，因为外界根本没人知道它。

Aaron： 从产生需求到最后发出 Offer，大概需要经过多少环节，耗时多久？

孙辰昕Kelvin：常规来说，首先是全渠道搜索：线上平台扫一圈，从国内外的招聘网站到发朋友圈、群聊动用人脉，甚至去联系那些“认识目标人才”的人，寻找关键的流量节点；奢侈一点的就找猎头。总之，所有渠道都会试一遍。

大概一到两周时间，能筛掉不合适的人，沉淀出三到五个画像（Profile）完整、且聊下来意愿度（Motivation）不错的候选人。到这一步两周就过去了。接着安排面试、谈 Offer，顺利的话也得一两个月才能敲定。再加上入职准备期，可能又是三四个月。也就是说，招一个难搞的岗位，即便在顺利的情况下也要花掉一个季度；而很多岗位甚至是“无解”的，永远也招不上来。

Aaron： 从你的专业角度出发，你会怎么用一句话来描述 DINQ 的业务？它究竟是一个什么样的产品？

孙辰昕Kelvin：如果抛开 AI 的技术外壳，我认为它是所有 AI 从业者最高效表达自己的工具。你看我们的个人主页，其实就是一种高效率的自我表达方式。

从招聘方的角度看，我们的搜索引擎是更高效率的人才搜索引擎。它基本上能直接替代我刚才说的前两个步骤，帮招聘从业者至少节约两周的盲找时间。

Aaron： 你是什么时候意识到，在 AI 这个新赛道里，传统的投递简历、领英 Profile 以及传统招聘流程已经失效，需要被颠覆了？

孙辰昕Kelvin：虽然这几年我没直接做招聘，但我身上一直贴着“能帮人招人”的标签。身边一些 AI 赛道的新兴创业者还是会找我问：Kelvin，能不能帮我介绍几个厉害的算法工程师或全栈开发？

在那一刻我发现自己“失灵”了。以前通过一度、二度人脉介绍人才很容易，但 AI 这波浪潮兴起后，我发现圈子里的人我一个都不认识。这让我感到很焦虑：虽然我不直接干这行了，但我不想失去这个专业标签。

我意识到出现了一波全新的人群。我认识很多传统领域的 CTO，但他们不涉及这个领域，也弄不懂这套逻辑。现在已经不是那种“只要给 200 万年薪，找个传统 CTO 就能解决 AI 技术攻关”的时代了。像 Sam 这样的人才，以及市面上很多顶尖的年轻人，他们游离在传统视野之外，我们甚至不知道他们在哪里，这就是我当时的困境。

Aaron： 为了解决这个困境，你做了哪些尝试？

孙辰昕Kelvin：我开始研究他们究竟出现在哪里。我也去请教大模型公司的 HR 朋友：你们到底去哪找人？结果发现他们居然要去 GitHub、谷歌学术（Google Scholar）里人肉搜索，在领英上反而很难找到人。即便找到了，还得去个人主页翻联系方式发邮件。业内推荐效率也低，虽然能解决一点问题，但总之都是在通过“非传统渠道”找人。于是我也学着这套路子去找。

Aaron： 所以可以理解为，正是因为你觉得原有的找人方式太低效，才想到要做现在这个产品？

孙辰昕Kelvin：是的。但坦白说，这个产品不是我“做”出来的，是 Sam 做出来的，是他让我意识到“原来这个问题可以这样被解决”。在这方面我是后知后觉的。

Aaron： 你们两位最初是怎么结识的？

孙辰昕Kelvin：说来也很简单。当时有位朋友委托我寻访一个既懂交易（Trading）又懂 AI Agent 的跨界人才。我注意到一个非常有名的项目，就是 Sam 刚才提到的那个 OS。我在 Paper（论文）上看到作者里有一个中国名字——“高岱恒”，于是就开始动用所有资源，寻找可能认识他的人。后来通过一家投资机构的投资人牵线，才正式结识了 Sam。这其实还是我的“老手段”——通过招聘积累下的深厚人脉。

Aaron： 当时对 Sam 的第一印象如何？后来产生了什么变化？又是什么契机让你决定和他一起共事？

孙辰昕Kelvin：坦白说，最初并没有什么特别深刻的第一印象。那段时间我联络了很多类似的技术大牛，基本就是例行公事的沟通：我手头有个机会，你考不考虑？而他当时理所当然地拒绝了我。

起初，我对他个人以及 AI 领域的认知都没那么深。转折点发生在后来，他萌生了做招聘产品的想法，发现我在这方面比较专业，便反过来找我进行深入交流，我也才慢慢对他有了更清晰的认知和感觉。早期我们一直是线上沟通，虽然没见过面，但非常聊得来。

我发现他为了把事情做成，会展现出一种极广泛的学习姿态。他听说我懂招聘，就追着问了许多非常硬核、细致的业务问题。后来果不其然，我得知他是跨行自学 AI 出身的。我认为一个人的自学能力一旦足够强，就会演变成一种底层习惯，从而在方方面面实现突破。所以我后面对他最核心的标签评价就是：拥有极强的自学能力。

高岱恒Sam：感谢 Kelvin 的肯定。当时我的想法很简单：那个项目收尾后，我还想再探索些新东西。在盘点我们各自擅长的领域和底层能力时，我发现我们对“人”的特质、认知以及流动规律有着很深的理解。我就在想，能不能围绕“人”这个核心去做？

一旦确定了这个基点，最自然的延伸就是招聘领域，而且当时市场的需求缺口确实巨大。基于这个初衷，我就向 Kelvin 多请教了一些。最开始交流时我还在美国，Kelvin 分享了很多他对人力资源行业的深度认知。随着聊得越来越透，我们都觉得可以一起把这件事做大。

Aaron： 所以你们一开始就对大方向达成了共识，而具体的产品形态是你们两人不断“碰撞”出来的？

高岱恒Sam：是的。关于产品形态，我现在不敢用“收敛”这个词，因为我认为在目前的 AI 阶段，没有任何一家企业能宣称自己的平台产品已经完全定型了。如果技术和模式真的已经“收敛”，大家也就不需要花费数亿年薪去争抢那些顶尖的华人研究员了。

在行业尚未定型的背景下，我们实现了阶段性的形态共识：我们认为目前的模式更符合年轻人的直觉。至于它是怎么演化出来的？其实没有捷径，就是因为我们与年轻人、与目标用户群体的接触最紧密、最频繁，所以我们最清楚他们真正喜欢的是什么。

杨建朝 vs. 周畅

产品拆解：DINQ如何用Agent推理终结AI人才的搜寻困境？

Aaron： 传统招聘核心是关键词匹配，DINQ 的人才评估体系有哪些维度？与传统框架相比，本质区别在哪？

高岱恒Sam：从技术角度看，我们正处在一个“解构与重组（Remix & Decouple）”的时代，信息复杂度呈几何倍数增长。这导致了一个典型矛盾：一个候选人的核心标签可能是“R2”或“拉网”这种模型，但 HR 的查询词可能是“图像大模型”或“视频生成”。在领英这种 Lexical Search（关键词匹配）模式下，只要词对不上，这个人可能一辈子都搜不出来。

而且我们调研了 OpenAI 一千多名研究员，发现超过一半的人根本不维护领英，甚至没有账号。技术大牛的信息往往散落在官网博客或二开的论文里，B 端找人极难。

Aaron： 所以你们的解法是？

高岱恒Sam：既然渠道如此碎片化——他可能在 Hugging Face 攒了个项目，在 Twitter 发了技术解读，在 arXiv 发了文章，又在小红书发了顶会 Poster 合照。我们决定放弃以“领英 Profile”为核心的路线，转而构建一套以Agent 调用为主的系统。我们提前对顶会、AI 公司做大量数据预处理和 Embedding（向量化），当用户查询时，Agent 会实时调取全网信息进行 Reasoning（推理）。

例如，Sora 2 的一作华人叫李流年（Harold），你问传统的通用大模型或 Agent 平台，基本搜不出来，因为数据没对齐。但我们的系统能根据他的论文、GitHub 和社交媒体动态，把他精准抓取出来。

Aaron： 我想深入聊聊“碎片化”的问题。传统招聘极度依赖领英（LinkedIn），但 AI 研究员和工程师的信息往往分散在 Google Scholar、GitHub 等平台。你能举个具体例子，说明这种碎片化严重到什么程度吗？

孙辰昕Kelvin：现在的痛点在于，当 HR 拿到需求时，业务方对年轻算法研究员的要求已经具体到了极端，比如要解决“视频生成中的人物一致性”这种极其细分的命题。HR 面临的最大问题是：根本不知道这群人在哪。

我们的工具允许 HR 把手中掌握的碎片化信息全部丢进来，先解决“从 0 到 1”的突破。在过去，仅靠只言片语去领英搜，大概率一个都搜不出来，因为没人会把具体的科研成果放在领英上。这是领英最大的硬伤——上面往往只有学校背景，信息密度太低。

如果你只是要招“清华北大”的学生，领英尚可应付；但如果你要找能解决某个具体技术难题的人，目前行业内的技术叫法甚至都没统一，领英肯定搜不到，Boss 直聘或猎聘更是不可能——目标人群压根不会去那些地方求职。这在以前几乎是“无解”的。

传统的笨办法是去打听、去硬啃论文，但要求 HR 去读论文既不现实，也不是他们该干的事。最终只能靠口口相传的打听或内推，效率极低。

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

高岱恒Sam：我们提供三种模式：

第一，你明确有需求，直接一段话丢过来，比如“我要在 NeurIPS 2025 的 oral 里找做某方向的人，最好有美国工作签证”。

第二，你已经有 JD（比如在 Greenhouse 这类平台上），把 JD 扔过来就行，系统帮你找人。

第三，你已经有一个人，比如 A 很合适但不来、或 A 是你员工，你可以问“给我找一个类似 A 的人”，比如还在读博、或者积极看机会。也可以问“找从字节跳动出来的 95 后，在某方向有建树、可能看机会的”，甚至“去 SCI 找这样的”。都可以。

孙辰昕 Kelvin：我补充一下。过去找人如果是标准流程，专业 HR 或最贵的猎头公司会先做广泛 sourcing，做完组成 100 人的 long list。然后联系、排除，主要确认两件事：能力和意愿。两者都符合才推进。之后形成 short list 给 hiring manager（基金合伙人、CTO 等）。

我们现在相当于一步直接出 short list，因为前面的全网 sourcing 基本由 agent 做了，不需要人再花时间。产出就是 short list。然后人就应该去做自己最擅长的事：直接沟通、说服对方。

Aaron： 我发现你们有个给候选人“开身价（Package）”的功能，甚至吸引了斯坦福、伯克利、纽约大学的很多教授主动体验，这是怎么生成的？我自己给姚顺雨测了一下，他是 1000 万美金的Package。

高岱恒Sam：我们利用 Level.fyi 等公开数据，对人才的职级和身价做了一个打分模型。原本是做着好玩的，没做严谨调校，没想到反响远超预期。姚舜宇被测出 1000 万美金的身价，其实还挺准的。

Aaron： 这个 AI 机器人具体是如何分层分析的？

高岱恒Sam：用户注册后，我们会将其简历、社交媒体向量化。当你搜索时，系统会做意图识别。比如你搜“顶会”，我们会自动映射到最近的 CVPR 或 NeurIPS。如果你找 00 后，Agent 会全网搜集信息进行推理判断。对于几百人规模的论文作者列表，人肉筛选是不可能的，但 Agent 能瞬间根据重要性分级。

Aaron：那你们会不会有偏差，比如有些博士生做了重要工作但没发出来，你们有没有机制校正这种偏差？

高岱恒Sam：问得特别好。这个我们后面会根据用户问题去 index arXiv 的内容，但目前阶段还没有做到。

Aaron： 目前 B 端用户的反馈如何？

高岱恒Sam：Meta 负责高管搜寻（Executive Search）的团队已经在用了，还有一些海外 AI 公司也在共建，他们需要极其立体的参考系。

孙辰昕Kelvin：国内像 Flow、月之暗面、智谱、爱诗科技（PixVerse）等团队都在低调试用。反馈最多的一个词是“神奇”。 以前 HR 接到一个模糊的需求，那是极大的内耗；现在输入需求，出来的候选人瞬间让画像变得具象化。HR 会惊呼：“原来这类人就是我要找的！”这种从模糊到清晰的飞跃，比单纯找到人更有价值。

Aaron： 现在的客户更倾向于招募有大厂经验的资深科学家，还是更看重博士阶段刚毕业的新秀？

孙辰昕Kelvin：两种需求都有，但目前偏向后者的更多。一方面，资深科学家非常昂贵；另一方面，那些处于“水面上”的名人，HR 基本也都认识。不过即便是面对熟人，我们的工具依然有价值：常有 HR 反馈，搜出来后才惊觉，“这人我加过微信，但早忘了”。毕竟人脑很难记住微信里那 5000 个人。

Jane：这是否意味着在 AI 时代，招聘需求本身——尤其是高端人才的需求——发生了剧变，导致公司 HR 的原有认知已经无法覆盖当下的技术边界了？

孙辰昕Kelvin：没错。你可以看看字节跳动是怎么调整的：他们抽调了很多本身做算法、做产品、但可能在技术上没那么“顶尖”的员工去全职做招聘。因为这些人懂业务、懂技术，更容易找到对的人。

从目前的反馈看，字节 Seed 和 Flow 团队的这种尝试非常奏效。他们的高端招聘（高招）团队里有大量的人此前完全没有招聘经验，全是从业务线转岗过来的。

但目前也只有大厂能用这么奢侈的方式去解决。对于大多数公司来说，能招到这样的人干本行就不错了，哪舍得让他们去做招聘？这种“拿牛刀杀鸡”的模式缺乏普遍意义。

Jane： 我记得以前认识一些猎头，大公司如果想在北美找科学家，只能找那种深耕当地、认识很多科学家的猎头。即便如此，人才画像依然不明确，只能挨个拉人见面。整个过程极难标准化，本质上就是“广撒网”。在需求端，这里的变化确实是最大的。

孙辰昕Kelvin：是的，事实就是如此。

这段对话涉及了产品的核心技术壁垒与用户体验细节。在不删减任何内容的前提下，我主要优化了表达的连贯性，将口语中的零碎词汇转化为更具专业感的叙述，并强化了 Sam 逻辑中的技术高度。

Aaron： 我再深度理解一下：你们的产品是否会具体去阅读 Paper（论文），以此来识别内容并匹配岗位？你们对人才画像的标签（Tag）能精准到什么程度？

高岱恒Sam：这种需求会自动触发多个维度的匹配：首先是公开成果，比如像 Sora 2 这种有商业影响力的非开源成果；其次是 Hugging Face 上的热门项目或高点赞成果；再往下就是那些处于“水下”的贡献者，比如中山大学、苏州大学等高校发表的论文。

目前为了兼顾效率，我们主要通过阅读摘要来实现精准匹配。如果进行全文解析，Token 的消耗会极大，单人的处理成本也会随之飙升，所以暂时没有上线全文读取功能。

Aaron： 你们目前接入了多少个数据源？

高岱恒Sam：大约二三十个。Google Scholar、Medium、Twitter 等主流平台都有覆盖。arXiv 虽然还没正式接入，但在计划中。

Aaron： 顶会数据也做了预处理吗？

高岱恒Sam：顶会数据我们会提前处理。因为顶会发榜通常是一次性的，能直接获取当年的会议名单和作者名录。

Aaron： 从技术层面看，最难的环节在哪里？是数据抓取、清洗对齐，还是隐私风控？

高岱恒Sam：细节非常多，谈不上“最难”，因为任何环节没做好都会变成短板。我总结了三个代表性的挑战：

1.消除歧义（Disambiguation）：这在学术检索领域是经典难题。现在重名的人太多了，如何确保不发生错误关联至关重要；一旦关联错误导致推错人，用户体验会非常糟糕。

2.时效性：比如你想找的一位作者已经从 OpenAI 跳槽去了 Meta，但系统还显示他在旧东家，这就是时效性问题。如何动态地更新数据库并实时同步信息？传统平台最大的痛点就是扛不住被动更新带来的成本。

3.Agent 路径选择：根据用户需求，系统需要判断去哪里找、路径怎么缩到最短、向下钻取多深。这涉及深度优先与广度优先的交叉博弈。在这个过程中，我们持续对模型的阅读理解（Read）能力进行升级。

Aaron： 针对第一点，能用更通俗的例子解释吗？比如区分两个同名的Yao Shunyu，他们的英文名也一致。

高岱恒Sam：区分的标准主要有几个维度：Google Scholar ID 的唯一性、照片的差异、教育背景以及职业发展轨迹（Career Trajectory）的不同。结合这些维度，就能精准拆开。

Aaron： 第二点关于更新，传统做法是持续 Follow 对方动态，你们是如何捕捉实时更新的？

高岱恒Sam：核心前提是互联网上必须存在相关信息。这群技术人才很少使用领英，更多是维护个人主页。但个人主页极其分散，像 GitHub 独立站这类，如果你不知道具体路径就根本找不到。我们的优势在于知道他们在哪里，并预先对数据做了一层缓存，从复杂的独立站中高效提取信息。

Aaron： 在实际运行中，有没有遇到过比较 Tricky 或意想不到的案例？

高岱恒Sam：有。前两天我给朋友演示，问系统：“这位朋友的合作者中，哪些人可能在看机会？”结果反馈非常精准，而这位朋友本身是一位资深大学教授。还有一个我和苏建林（苏神）的案例：我想看我和他的合作关系有几度。虽然我们没直接合作过，系统却能通过中间人顺藤摸瓜找到关联。

这说明了一个本质：当模型的智能化程度够高、推理能力够强、子页面爬取能力足够好时，“更少的结构化（Less Structure）”反而能带来“更多的智能（More Intelligence）”。你可以更信任模型本身的判断。

Aaron： 如果候选人没有更新个人主页，但在新发表的 Paper 里备注了新机构或新公司，你们能捕捉到吗？

高岱恒Sam：可以。我们做的是全网信息聚合。即便本人没更新主页，我们也能通过他最新的学术轨迹捕捉到他的新动向。

Jane： 媒体新闻类的报道会作为你们的信息源吗？

高岱恒Sam：中心化媒体的信息往往存在滞后。目前我们更有效的信源是社交媒体，时效性更快。大型中心化媒体中，只有极少数会成为我们的辅助参考。

Aaron： 数据中不可避免涉及隐私，你们如何界定哪些数据可用于评估，哪些不能触碰？

高岱恒Sam：我们对隐私信息有严格界定。电话、微信号属于“侵入式”联系方式，我们通常不提供。邮件相对属于非侵入式。实际上，个人主页上也很少有人留私人电话或微信，我们使用的绝大部分是公开可查的信息。

Aaron： 如果有人不希望在平台上被搜到，你们怎么处理？

高岱恒Sam：只要有正式的申诉请求（Inquiry），我们就会把他的信息彻底从系统中删除，确保不再出现。

Aaron： 使用 DINQ，你最喜欢的功能是什么？

高岱恒Sam：我最喜欢的是Network。当你查到一个人时，不只能看到他本人，还能看到与他合作最紧密的六个合作者。你可以点击进入任何一个节点，再次看到以此人为核心的社交网络。这意味着你可以通过一个点，顺藤摸瓜地拉出一整套人才线索——包括论文合作、GitHub 贡献、同公司小组关系等。它把找人从“单点搜索”变成了“网络拓展”，在平台上操作非常丝滑，点一下就能看到全貌。

Aaron： 我自己试用下来，觉得 Compare/PK（对比）功能也很有意思。

高岱恒Sam：没错。PK 功能最开始做得比较抽象，像《拳皇》红蓝对打一样。后来有朋友反馈，学术和开源圈的人未必觉得“Star 数少或引用低”就代表弱，大家会开玩笑说“你这纯属靠岁数大、不讲武德”。所以我们现在的 PK 界面做得势均力敌。这个功能的初衷是让用户在寻找人才的严肃过程中多一点趣味性，没有太功利的目的。

李飞飞 vs. Jia Deng

市场与商业背后，AI招聘的效率战与价值战

Aaron： 从市场角度看，你们的产品与传统猎头之间是什么关系？是相互替代还是彼此辅助？

孙辰昕Kelvin：短期内肯定是辅助关系。我们帮助招聘方大幅节约“搜寻（Sourcing）”环节的时间，但后续的深度沟通和说服工作依然需要人来完成。企业的选择逻辑很简单：有预算就外包给猎头，没预算就用工具自己做；遇到敏感岗位也会倾向于亲力亲为。目前我们扮演的是高效工具的角色。

长期来看，DINQ 会挤压掉那些水平较低的猎头。所谓“水平低”，是指在面对 AI 产品时连 Prompt（提示词）都不会写的人。我这两天调研发现，真有猎头连第一句需求都憋不出来，这类人在未来会非常危险。

Aaron： 能展开说说具体的成本账吗？猎头怎么收费，你们的商业模式又是如何交织的？

孙辰昕Kelvin：以全球视野来看，顶级猎头的收费通常是候选人年薪的 20%–30%。如果招募一个年薪 100 万美金的高管，中介费就高达 20–30 万美金。国内稍微低一点，但也普遍在 20%–25%。

我们的定价策略尚未最终敲定，但初步设想是每月一两百到两三百美金。即便是每天“卷到死”地在平台上找人，一整年的成本也远比请一次猎头便宜。这笔账，企业主一眼就能算清。

Aaron： 你们目前是将自己定位为“超级 AI 招聘助手”，还是未来的“AI 猎头”？

孙辰昕Kelvin：其实都不是。我认为 DINQ 是一个AI-Native 的人与人职场社交平台。招聘只是职业社交的一种表现形式，此外还有找合作者、找客户、找技术交流等海量需求。比如卖 API 的小公司需要找开发者客户，做 AI 动效的设计师需要互相切磋。我们的视野绝不局限于招聘。

我们的定位与早期的领英（LinkedIn）类似：更高效地展示自我，更高效地连接他人。至于连接后的行为是招募还是聊天，平台都能承载。

高岱恒Sam：补充一点，我们的思路是打造一个面向所有 AI 人才的平台。ai-native 人才的定义是：用 AI 技术把自己的生产效率提升一个数量级。现在提升最多的是搞算法和开发的人，因为他们的生产力工具成熟；设计师工具也开始走向千家百户。未来会有更多行业被改造，产生专用工具与工作模式。

这个时代去中心化，利好超级个体，但个体需要渠道去链接更好的机会和人。我们就是提供更好的链接与触达。未来机会很多时候不是“人看到转发给朋友”，而是 agent 自动去各类机会平台分析，这一定会发生。它需要一个基础载体。

所以我们让 C 端上传多种社交媒体来体现全面性：过去简历是给人看；AI 时代是给 AI 和人一起评价，主观性、丰富性、不可被定义程度，都能通过照片、视频、社交媒体体现。随着模型对多模态理解提升，对人的刻画会更立体。

从 2010 年微博、Twitter 把人打成 human-readable label，到今天用连续的 embedding 去勾勒人。未来个人发展的可能性、能力边界某种程度也能被预测与规划。这是平台最大价值。day one 我们用核心技术吸引用户，目前核心是匹配引擎，用引擎把人吸引上来。

孙辰昕Kelvin：前阵子我们做了一次小规模投放测试，结果完全超出预期。

首先，职业广泛性极高。入驻的不仅有宜家（IKEA）的首席科学家、Capital One 的首席 AI 工程师，还有很多意想不到的个体。比如一位埃及女孩，她在 Twitter 上通过 AI 动效交付客户；甚至还有一位填着“足球教练”标签的埃及用户，点进去发现他是利用 AI 进行数据训练分析的教练。

其次，地域分布极广。虽然只是微调投放，但除了南北极，全世界的“边边角角”都有用户。从非洲的埃及到中东、印度，再到丹麦、意大利，全世界都在为 AI “上头”。这远超我们最初认为只局限在“湾区+海淀”的预期。

Aaron： 未来的商业模式是按 Credits（积分）、订阅制，还是按结果付费？

孙辰昕Kelvin：初步计划以搜索 Credits 计费，保持简单。C 端暂时免费，我们想等用户规模上来后，观察其行为和刚需点再定。B 端则采用类似 Agent 工具公司的模式，按 Credits 销售。

Jane：有考虑过将 C 端做成社区型产品吗？

高岱恒Sam：产品形态本身就能承载社区功能。你可以把它理解为具有聊天功能的“AI 版 Linktree”。虽然现在还没开放用户发布日常动态，因为新平台初期这类内容的粘性不足。

Jane： 如果向投资人呈现AI招聘市场的TAM，你们会如何描述？

孙辰昕Kelvin：以前我们以为 AI 强相关从业者只有百万级，现在发现AI Users（AI 使用者）才是更大的基本盘，全球范围已过亿。他们同样需要在全球范围内寻找合作与机会。平台如果能让这种极低概率的链接变得容易，空间是无穷的。

高岱恒Sam：平台的核心价值在于利用 AI 智能服务好用户。我们会很快过渡到推荐模式：随着我们越来越了解用户，推荐会越来越精准。未来，用户在这里不仅能找合作者，还能找导师、找伴侣。

Jane：它是更长期的事情。短期 TOB，但长期天花板更高、更适应现在。

孙辰昕Kelvin：对。而且我们真实业务也没那么 TOB/TOC，因为每个 B 也是一个 C 在工作，本质是一个真人在用，无非在工作场景用得更多。

高岱恒Sam：我再往高提一点：平台核心价值在于 AI 能帮助服务好用户。传统平台是供给方与用户共同创造价值；但今天像 ChatGPT，一个对话框也能成为平台，因为大模型本身提供智能服务。我们也一样：只要平台智能足够高、能解决足够多问题，你就是一个输入框，用户也会来用。

我们会很快过渡到推荐模式。最开始我不了解用户问题，上来就推人是瞎推。随着我们越来越了解用户，站内站外用户交错，推荐会越来越好、越来越准。

未来用户不只是找合作者，还找导师、找伴侣。过去没 AI 能力做不到最理性权衡：把所有可能适合你的导师都过一遍并评估，但信息占有与处理效率太低。今天有引擎就可能做到。我们上线版本会有功能叫 find my adviser；找对象也是同样逻辑。

孙辰昕Kelvin：这不是开玩笑。大量人谈恋爱结婚就是在工作场景认识的，是很真实的需求。也有人在领英上找对象。只要做得够大，时间一到，它必然会出现。

Jane： 这确实很吸引投资机构。比如红杉这种鼓励内部创业的机构，如果能通过平台点对点地直接联系到核心人才，需求会非常大。

孙辰昕Kelvin：Exactly，是的。

Jane： 传统领英团队如果要复现你们的数据源和架构，门槛高吗？

高岱恒Sam：从架构上看，我们的异步搜索架构具备很强的竞争力。如果开源，拿 1 万颗星不难。

复现一个版本可能只需要牛人花五个小时，但真正的壁垒在于错误判断、路径选择以及长期的参数调优。因为在 AI 领域没有标准答案，不懂业务逻辑的话，调优的过程会极其漫长。

Aaron： 近期大厂抢人非常凶猛，腾讯双倍薪资挖人，阿里内部也在发力。你们怎么看未来两到三年的 AI 招聘市场？

高岱恒Sam：一个明显的趋势是：除了塔尖的顶级人才外，中腰部人才的缺口其实更多。Indeed 首席经济学家的数据显示，美国目前缺口达 200 万，重点在于 AI 应用层的人才，平均年薪 20.6 万美元。

外界总在关注扎克伯格或张一鸣在挖谁，那些确实贵，但人数极少。更庞大的群体是那些开源贡献者、小论文作者，以及小公司里成果卓越的年轻人，他们的流动率更高。我们的核心策略和优势在于：我们已经掌握了最顶尖的那波人，所以可以实现“从高往低”的降维打击。

Jane： 你们测算过，全球范围内大厂重金争夺的这波顶尖人才大概有多少人？

高岱恒Sam：全球大概在 10 万到 30 万这个量级。而且人才版图正在飞速扩张：五年前主要是 CV（计算机视觉）和 NLP（自然语言处理），现在新增了具身智能、AI Agent、RAG、向量数据库等诸多领域，岗位呈非线性增长。

Jane： 五到十年后，你们希望 DINQ 扮演什么角色？

高岱恒Sam：我希望五年后，每一位 AI 从业者都拥有一张DINQ Card，上面集成了他所有的技术渠道和社交标签。他在平台上不仅能找到机会，更能认识圈外的朋友，甚至找到志同道合的伴侣。我希望五年后的用户规模能达到 1000 万。

团队、文化与「AI-native公司」的组织设计

Jane： 你们团队目前规模如何？

高岱恒Sam：目前全职共 8 个人。

Jane： 你们有用自己的产品招人吗？

孙辰昕Kelvin：最近开始用了。我跟技术负责人开玩笑说，我最大的愿望是明年能用 DINQ 招到全量人才。因为最初搜出来的人才级别太高，我们 offer 不起（笑）。

但令我惊喜的是，我们已经开始挖掘出一些“水下”的宝藏。我最近聊的一位增长负责人，就是从 DINQ 上发现并联系上的，这两天刚加了微信准备深入交流。能从平台上找到志同道合的人，这完全超出了我的预期。

高岱恒Sam：搜索体验非常直觉。比如你想找“在某某公司有过 GTM（去市场）经验”的人，一两句话就能出结果。

Jane： 只需要一两句话？

高岱恒Sam：对。用户不需要像写传统 JD 那样进行复杂的心理建设。在 DINQ，你可以没有心理负担，想到什么就问什么。

孙辰昕Kelvin：以前写 JD 很难，因为要求太高且需求模糊。用我们的工具，你可以先输入一个大概的方向跑一跑。如果出来的人不对，你可以通过多轮对话不断调优：比如“要更年轻一点”、“要更偏水下一点”。通过这种多轮 Narrow Down（缩小范围），最后锁定几个目标直接联系。

Jane： 你们团队文化的关键词是什么？这种文化如何映射到产品逻辑上？

孙辰昕Kelvin：我觉得用“纯粹”这个词更贴切。

高岱恒Sam：没错，纯粹。我们这里没有乱七八糟的杂事，大家就像进工作室画画一样，没有死板的固定工时。这种纯粹也体现在产品取舍上。比如评估身价的逻辑完全是我拍板定的；我们的搜索功能大方地展示 Network 和 Profile，而不是像某些产品那样把候选人 Mask（掩盖）掉逼用户付钱。那种把人当资产、想方设法“加气”的行为太小气了。

我们追求的是 AI 时代的“全链路通畅（Fully Differentiable）”。当未来用户规模达到几十万，你搜到人可以直接站内联系。

Jane： 你们的产品版式设计非常简洁且高级。

高岱恒Sam：这跟我学建筑的经历有关，我们对审美有品位。由于之前做过 AI 项目，我们知道用户偏好什么样的视觉体验。

Jane： 最后一个问题：对于现在年轻的 AI 学生或工程师，为了更有效地被大厂或同好发现，你们有什么建议？

高岱恒Sam：只有一句话：Building in Public。多写博客、文章、代码，分享你的观点。我印象最深的是苏建林（苏神），他从初高中就开始写博客，坚持了十几年，才成为今天大家眼里的“苏神”。他的技术成了大模型的标准实践。你要坚持得足够久，才会有好的结果。不要执着于在公司做那些所谓的“保密大事”，真正好的东西一定要拿出来经受批判和评价。

孙辰昕Kelvin：现在国内的变化也很快。小红书上有很多科研人在分享日常、作品和会议，把“科研人生”写活了。大家发现这些研究员也是有血有肉的小帅哥小美女，也养猫养狗。这些原来在水面之下的人，正通过社交媒体走到光亮处。

Jane： 确实，在小红书上能看到像沈清红老师这样以前很少出现在社交媒体的技术大牛。那我们的今天的访谈就到此为止，谢谢两位的时间。

欢迎扫码加群参与讨论

我们相信认知能够跨越阶层，

致力于为年轻人提供高质量的科技和财经内容。

稿件经采用可获邀进入Z Finance内部社群，优秀者将成为签约作者，00后更有机会成为Z Finance的早期共创成员。

我们正在招募新一期的实习生