用Agent重新发现人才。
作者 /Oriana
跨界的人才Agent创业者
高岱恒的轨迹并非典型的技术天才叙事。
2010年至2018年，他在燕山大学和北京工业大学攻读土木工程本硕学位。2017年，AI热潮初涌，命运发生转向。他打开吴恩达的AI课程，满打满算自学一两个月，惊讶地发现，自己竟能凭此在北京找到日薪上千的实习。在这个门槛与机遇并存的窗口期，他顺势跃入。
2018年硕士毕业，他加入北京灵汐科技，从事类脑智能相关研发。但公司正职并非他探索欲的全部出口。白天完成工作，夜晚则属于开源世界。他持续为PyTorch、TensorFlow等主流框架贡献代码，累计提交超过10个PR（Pull Request）；在CSDN撰写的技术博客浏览量突破百万。除了奠定扎实的工程与理论功底外，这也让他嗅到了开源协作的另一种可能。
真正的转折点悄然而至。
2018年，Deepfake技术引发轰动但也因粗糙饱受诟病。高岱恒与几位朋友，包括一位俄罗斯人和一位乌克兰人，在GitHub上相遇，共同启动了DeepFaceLab项目，目标是打造影视级质量的换脸工具。在这个阶段，很多身边的朋友叫他Sam，因为中文名实在是很难发音。
Sam作为算法负责人，致力于在快速运动、复杂光照下提升模型的真实感。这个由中、俄、乌三国开发者组成的“神奇组合”，在开源社区迅速崭露头角。2020年，DeepFaceLab被GitHub官方评为年度十大AI开源项目第二名，力压同年发布的GPT-2（排名第四）。
项目的成功，让高岱恒第一次深刻体会到：“做开源项目，尤其是有影响力的项目，能直接转化成职业发展的新台阶。”它像一张硬核的“技术名片”，为他赢得了Meta、字节跳动和阿里巴巴的offer。
他最终选择了阿里达摩院。“最本质的原因是，这边能继续做一些前沿的研究。”在达摩院近四年，他先投身3D数字人领域，后转向图像与视频生成的前沿。期间，他以第一作者身份在NeurIPS、ICML等顶级会议发表多篇论文，谷歌学术引用超过900次，度过了一段“边挣钱边读博士”的岁月。
在阿里后期，他参与的虚拟试衣项目OutfitAnyone，在2024年初登上HuggingFace Spaces热门榜前二十；另一个让“熊猫跳舞”的项目AnimateAnyone，则为通义千问APP带来了数十万新增用户。
从理论到应用，高岱恒完成了闭环锤炼。更重要的是，他在这里观察到一个深刻趋势：2022至2023年间，从Stable Diffusion到各类大模型突破，关键技术的创造者几乎都是年轻人。“超过30岁的吗？没有。”这个洞察，悄然改变了他对个人与行业价值的思考。
2024年初，一个想法变得迫切：既然年轻人是推动AI浪潮的决定性力量，为何不创建一个让他们更早被看见的舞台？他与朋友联合创办了“青稞AI”，一个AGI时代的青年科学家社区。
3月2日，第一期活动邀请到当时还在小红书、后来加入Liblib的王浩帆等年轻研究者，纯粹依靠朋友圈启动。青稞迅速成长为一个连接华人AI新星的活跃节点。
他的探索并未止步于社区。2024年下半年，AI Agent项目ElizaOS在GitHub开源，他为项目撰写的白皮书引起了广泛关注。这个探索“AI智能体如何用于交易”的项目意外地在加密世界激起巨大涟漪，Github Star一度达到1.7万star。
然而，高岱恒的思绪始终萦绕着更根本的问题。2025年5月，当Llama 4训练受挫、扎克伯格为Meta疯狂挖角等事件接连发生时，他看到了一个日益尖锐的矛盾：在数据与算力密集的AI时代，顶尖的智力成果却更难被准确识别和定价，企业与人才之间的匹配摩擦巨大。
“今天在旧金山买一栋房子，40天可以搞定。但作为初创公司，想找到一个合适的人，可能花两三个月，还不一定能成。”传统招聘平台依赖关键词与静态简历，在技术日新月异、人才多维立体的AI领域已然乏力。
一个全新的构想逐渐清晰：能否用AI Agent的能力，去解决AI时代人才匹配的难题？2025年8月，高岱恒正式创立DINQ，并迅速完成了由蓝驰创投领投的数百万美元天使轮融资，兼任CEO与CTO。
就在本周，DINQ正式上线。
“DINQ是一个AI原生的智能人才引擎。”他如此定义，“核心是用Agent驱动的匹配能力，把一句模糊的需求（比如‘我想找一个做世界模型、发过顶会的人’），直接链接到具体的人；反过来，也能将一个人才的完整数字足迹（论文、代码、社交媒体动态）与隐藏的机会精准匹配。”
他认为，在信息本身廉价的时代，产生信息的“渠道”以及整合、理解这些信息的“智能”更为珍贵。DINQ不试图建立另一个巨型简历库，而是打造一个能实时调动谷歌学术、GitHub、推特等多维公开信息进行深度推理的“活”的引擎。
以下是新物种与DINQ高岱恒的对谈，欢迎进入一段探索边界与人才的故事。
01.从土木工程到AI
新物种：你本科和硕士都读土木工程，看起来很“传统”，是怎么转向算法工程师的？是对写代码感兴趣吗？
高岱恒：底层讲，我不是对写代码感兴趣，是对创造特别的东西感兴趣。17年接触到AI，觉得它是个能实现想法的强大工具，就自学了吴恩达老师的课程。
以前学土木想盖有特色的楼，但专业和目标离得太远。我更想用AI创造世界上没有的、好玩的东西。代码只是手段，现在看各种AI编程工具，这个手段正变得越来越不重要。
新物种：那在灵汐科技这家做类脑智能的公司，是你第一份正式工作吗？
高岱恒：是。之前我在爱奇艺、携程、西门子和一家AI医疗公司实习过。毕业后去灵汐，主要做模型部署和训练，是计算机视觉的基础工作，感觉挑战不大，就是从开源库拿东西来改、训模型、处理数据。所以开始想，怎么才能做点更不可替代的事。最早是自己写博客，后来给TensorFlow、PyTorch这些框架贡献代码。
新物种：然后就边工作边参与到DeepFaceLab这个开源项目？
高岱恒：对。2018年Deepfake换脸很火，但效果很糙。我就想能不能做个质量更好的版本？那时GAN也刚起来，我在GitHub上找到一些朋友一起做，主要负责人是个俄罗斯人Ivan Perov。
我主要负责算法，把新方法实现在模型里，让换脸在运动、光照变化下更真实。DeepFaceLab成了影视级的产品，我也因为这个项目得到很多工作机会。
新物种：做这个项目最大的收获是什么？
高岱恒：收获听起来有点虚，但这是我第一次知道，做有影响力的开源项目，能直接转化成职业台阶。以前我觉得路径就是好学历、进好公司、跳槽升职，可能35岁就被优化。但这个项目让我知道，“原来这样也可以”。
现在很多项目都走这种路径，发起人有的进大厂，有的创业融资。传统路径不太有这种机会。这个逻辑会持续成立，像Cursor、Claude，也都是从项目成长为主流工具的。
新物种：DeepFaceLab让你接到了Meta等大厂的Offer，为什么选了阿里达摩院？
高岱恒：最根本的原因是，达摩院能继续做前沿研究，不用为落地负责。Meta那个是AI Red Team，很多时候在审核不良内容，我怕影响心态（笑）。
我先是进了机器智能实验室，后来去过XR实验室，最后到通义实验室的通用与视觉组。前期主要是做研究，那段很像读博，我没那么系统的科研训练，在这里知道了顶尖研究者怎么工作，也通过合作快速成长。变化发生在2022年，Stable Diffusion、Midjourney出来，23年整体就转向做应用了。
新物种：所以你从研究转向了应用？习惯吗？
高岱恒：对，因为要证明价值。那时图像领域的Scaling Law明确了，Stable Diffusion用一个LAION-5B数据集就实现泛化。以前用GAN、NeRF，只能做单一类别，成本高、泛化差。扩散模型和Scaling Law验证后，我们就做更通用的东西。
我挺接受的。因为我观察到一个现象：21、22年的关键技术，比如DDPM、DDIM、CLIP、各种VAE变种，几乎都是30岁以下的年轻人做出来的。可能GPT的RLHF是个例外。现在各种Agent技术也是。所以我也想通了。做应用有机会用大公司的算力和数据，做出有影响力的东西。
新物种：你当时具体负责什么？
高岱恒：我主要做虚拟试衣，在GitHub有五六千Star，在Hugging Face 2023年排名前十。还参与了Animate Anyone（让人物跳舞），我负责加速。这两个项目在23年底都比较有名。Animate Anyone给通义APP带来几十万注册，很多人用它生成视频，去水印再发抖音。
新物种：你在达摩院又发论文又做功能，怎么看待研究与落地的关系？
高岱恒：我强烈建议多做研究。最近重看Ashby创始人Benjamin Encz在2017年写的《The Art of Stealing》，他当时就预测编程能力会越来越不稀缺，但做研究的时间很少。今天这已被验证：研究做得少，你连怎么跟AI交互、发掘它的智能都困难。
所以研究越来越重要。没完整做过研究、交付过结果，就不懂从问题提出到收尾的全过程。平时写代码都在细节里，缺少全局思考。研究是个很好的最小闭环，能锻炼全部能力。它不一定要发论文，但能教你如何收敛问题、如何交付。
工业落地是研究的延伸，只是有很多枯燥工作，比如数据处理、调参。但有研究背景，你就清楚哪里可以优化。这也是为什么OpenAI、Anthropic给研究员的投入远大于工程师。
02.用Agent重新发现人才
新物种：你是在达摩院时期就开始做青稞AI社区的吗？
高岱恒：对，青稞的第一期活动在2024年3月2号。这个想法很直接：我注意到顶尖技术的创造者越来越年轻，像GPT的Alec Radford、LLaMA的Hugo Touvron，都是29岁左右做出的突破，且越来越多年轻的华人AI人才崭露头角。但聚光灯总打在商业领袖身上，我觉得该有个地方，让这些真正的构建者早点被看见。
新物种：第一期是怎么启动的？你认为青稞成功搭建起来的原因是什么？
高岱恒：从朋友圈开始。请了当时还在小红书的Lovart王浩帆、剑桥的Andy Zhang、南洋理工的黄子琪。浩帆是因为都在Hugging Face上活跃而结识。大家聊扩散模型和AI的未来，反响很好。
青稞成功的核心在于，这群年轻的创造者也需要被认可、被连接，这是社区能起来的根本。
新物种：后来做的Eliza OS，和区块链有关？你在里面负责什么？
高岱恒：它本质上是个AI Agent项目。当时在探索Agent能做什么，有人提议试试交易场景，我们就参与了。结果衍生出了代币，币价涨得有点出乎意料。
我主要负责算法和技术白皮书，确保项目有扎实的说明和评估基准，不能只扔个代码库就指望它成功。算是给它建立“学术血统”。
新物种：这应该是你第一次接触Agent？当时为什么决定深入Agent这个方向？
高岱恒：算是第一次。契机是我给OpenAI的初创成员Durk Kingma发邮件请教，他回复说AI Agent是未来几年最具商业价值的落地方向。这引起了我的兴趣。
于是我去研究当时最火的Agent框架，像LlamaIndex和LangChain。发现一个有趣现象：它们的创始人都在差不多时间从同一家公司离职，分别创业做AI Agent。这让我感觉，Agent不是一个虚的概念，而是一个正在爆发的、有清晰路径的领域。它的本质是流程编排和调度，我觉得可以搞明白，就投入进去了。
新物种：那是什么促使你将Agent与招聘结合，创立DINQ？
高岱恒：源于两个观察。一是在AI时代，什么最值钱？我认为是解决复杂问题的高端智力。但这些人分散各处，很难被精准发现。
二是传统招聘模式在AI领域失效了——顶尖人才的信息不在领英简历上，而在论文、代码库和推特里。企业找他们，他们找机会，都像大海捞针。我想做一个能解决这个根本摩擦的平台。
新物种：你们的团队是怎么组建的？目前规模是？
高岱恒：目前不到十人。联合创始人有红杉资本的HR和猎头背景，帮很多公司招过人。我先跟他聊洞察，他没概念；但看到Demo后，他立刻觉得这事能成。
新物种：能否用一句话让人理解这是什么产品？
高岱恒：DINQ是最好用的找AI人才平台，用一句话就能找到你想找的任何人。
新物种：所以DINQ究竟解决什么本质问题？
高岱恒：用智能引擎，把一句模糊的需求（比如“我想找做世界模型的人”）直接匹配到具体的人；反过来，也能把一个人的完整数字足迹匹配到隐藏的机会。这不是简单搜索，是深度理解与连接。
新物种：这和领英或新的AI招聘工具有何不同？
高岱恒：传统平台依赖关键词和静态简历，但AI人才不用领英。我们调研过，很多OpenAI的技术人员领英都不活跃。比如Sora 2的核心作者，你从他领英只能知道他是UCLA博士，其他什么也没有。他的信息都在学术主页和推特上。
新式的平台做了语义搜索，但本质还是在一个固定的数据库（比如领英数据）里做向量化查询。而AI领域技术、人、需求的变化太快，一个静态数据库永远追不上。
我们的做法不同。我们把决策权交给Agent。比如你要找“在NeurIPS发过文的视频生成专家”，Agent可以直接去最新的会议论文列表里实时找，并结合GitHub、推特等多渠道信息来刻画这个人。我们是动态、实时、跨平台的“活”搜索，不是维护一个庞大的死数据库。
新物种：能举个例子说明这种能力的差异吗？
高岱恒：我问过如Gemini、ChatGPT这类通用AI，“Sora 2的华人核心贡献者是谁？”它们给的答案很表面。但我们的系统能找出这些人，并关联到他们的论文、代码、最新动态甚至联系方式。对于求职者也一样，Agent可以主动识别匹配的机会并协助投递。这才是下一代人才平台该有的样子。
03.构建智能人才罗盘
新物种：你觉得投资人看重你们什么？
高岱恒：最大的点是我比较了解这群人——AI人才的独特画像和习惯。如果你也认同这群人是稀缺的高价值资源，且传统方式难以精准触达，那就有新平台的机会。有新的人群，就有新平台出现的空间。
新物种：作为新平台，DINQ怎么解决冷启动？
高岱恒：主要靠产品功能和精准运营。冷启动的核心是功能本身要有粘性，能让人留下来。比如我们提供的GitHub源码分析、个人技术画像对比、找导师交流和Agent自动推荐机会等功能，都是为了解决实际痛点，而不仅仅是流量导入。
新物种：对构建数据飞轮，你们有什么策略吗？
高岱恒：说实在的，我目前没有特别花哨的策略。我认为最核心的还是先验证我们的匹配引擎是不是足够好、足够准。如果引擎不成立，没有解决根本问题，纯靠运营拉来的增长也会很快流失。
新物种：那如何确保你们的引擎是第一梯队？
高岱恒：我们自己建立了内部评估体系（Benchmark），横向对比了三类方案：一是直接用通用大模型（如Gemini、Claude）搜索；二是用通用AI Agent（如Manus）；三是现有的专业竞品平台（如PeopleGPT）。在同样的查询条件下，我们的效果是最好且领先明显的。我们不仅能找到人，还能关联出他的合作网络、最新研究成果、社交媒体动态乃至联系方式。
新物种：你们会根据需求改变调用的基座模型吗？怎么看和底层模型厂商的关系？担心他们吞噬Agent公司吗？
高岱恒：首先，用好模型的关键不在于频繁更换，而在于如何将其能力与你的业务流程深度结合。比如，我们如何用强化学习让Agent在特定任务上减少犯错、形成记忆，这是我们的技术壁垒。
至于模型厂商，他们本质是“发电厂”，提供通用能力；我们是“电器厂”，把电转化成解决特定问题的产品。定位不同，暂时没有直接竞争。人的数据是非标准的、实时变化的，大模型训练数据总有滞后性，而这正是我们处理信息的优势。关于吞噬，最终是产品定位问题：用户是来找“人”的，不是来调用“AI”的，这决定了我们的生存空间。
新物种：你们怎么看“匹配成功”这个指标？是更快的速度，还是更高的契合度？
高岱恒：我更看重基于渠道的深度理解，而不仅是简历数据的匹配。AI时代，公开信息本身越来越廉价，但一个人在哪里活跃（谷歌学术、GitHub、推特），在这些渠道做了什么，这些“渠道价值”更重要。我们通过“个人主页”聚合用户的全渠道信息，比静态简历更及时、立体。例如，一个研究员可能不常更新领英，但他的最新想法都在推文和论文预印本里。我们能捕捉这些动态，从而实现更精准的推荐和匹配。
新物种：LinkedIn不会做这个事吗？他们有海量数据，做类似Agent似乎很自然。
高岱恒：第一，他们会不会全力做，我不确定。第二，LinkedIn的根基是上一代职业社交网络，服务于“公司-雇员”范式下的职场人脉积累。而今天顶尖的AI人才，他们的主要舞台和社交货币已经变了——更多在开源社区、学术论坛和推特上，追求的是项目影响力和远程协作机会。这是两代人的区别。
新物种：那你们的商业模式是什么？怎么收费？
高岱恒：目前主要是按搜索收费（Credit模式），用户为智能查询付费。这类似传统搜索平台，但内核不同：我们不是关键词匹配，而是用引擎将一句模糊的自然语言需求，转化为一个精准的人才图谱或机会列表。
新物种：后续会考虑别的收费模式吗？只靠搜索收费会不会太单一？
高岱恒：目前阶段不太考虑分散精力。首要任务是验证核心引擎的不可替代性。如果产品本身不够硬，附加再多商业模式也留不住用户。我认同一个观点：这行业最终会像制造业一样，回归到产品本身是否足够扎实。
新物种：你们怎么处理隐私和数据安全问题？
高岱恒：我们只处理和分析个人自愿公开或已在互联网上公开的信息，比如邮箱、学术主页、技术博客。不涉及敏感的个人隐私数据。
新物种：你觉得短期内（一年）DINQ最需要验证什么？3到5年内希望它成为什么平台？
高岱恒：一年内，我们需要验证用户活跃度和匹配质量。目标是聚集起第一批数十万的高质量的、活跃的AI从业者和爱好者。3到5年，我希望DINQ能成为AI领域人才的首选“个人品牌枢纽”——一个人在这里展示他的成果和动态，就能高效地连接到他该连接的所有机会和人，无论是求职、合作还是创业。
新物种：你从土木到算法，做开源、待大厂、再创业，这种跨界经历给你带来哪些独特视角？
高岱恒：这种经历让我习惯站在“系统之外”看问题。比如，现在招一个顶尖AI人才的摩擦成本高得惊人，甚至可能超过在旧金山买一栋房的时间。所有公司都在为此付出巨额成本。我们的价值不在于用AI优化面试流程，而在于解决一个更根本的问题：“你如何发现那些你根本不知道其存在、但却最适合你的人？”——也就是“人不知道自己不知道”的困境。这是当前市场一个巨大的结构性痛点。
新物种：展望2026年，最值得关注的趋势是什么？
高岱恒：我认为2026年将是“垂直领域AI Agent”的落地之年。未来的AI产品大致有两个方向：一是利用AI大规模处理信息流（如Cursor）；二是利用AI解决高度复杂的专业问题（如科研、医疗）。我们将看到更多深入具体行业的Agent涌现。而无论哪个方向，找到对的人，始终是这一切的起点和核心。人的创造力，依然是技术浪潮中最关键的变量。
排版运营/Teagan
- End -
热门跟贴