Podcast Interview · 逐期深读

从千问变动到AI英雄传:作品、组织与人才匹配的边界

本期背景与内容导览

本期分两次录制。前半是程曼祺与DINQ创始人高岱恒对阿里千问人事变化的最新讨论,后半是春节前关于AI研究者、人物故事和人才市场的长谈。嘉宾曾在阿里达摩院工作,因开源贡献转入AI,现在做人才搜索与展示产品DINQ;这种前员工、开源受益者和招聘产品创始人的多重身份,使他的观察既有具体经验,也带有明确业务视角。 千问部分先给出一个平台侧信号:人事变化后,DINQ相关搜索量约翻3倍,约两三千条query,集中在大语言模型、强化学习和Agent RL,HR与猎头居多,海外招聘者也在搜索。它说明事件提高了市场对千问人才的兴趣,不等于这些人已决定离开。高岱恒随后解释千问的开源影响力:模型尺寸与任务类型丰富,满足低算力研究和端侧部署,下载、引用与社区使用形成事实标准。下载量等数字按嘉宾叙述保留,未由本期独立核验,也不直接等于阿里商业收入。 ModelScope被视为承载模型、数据集和应用的生态入口。它既可通过部署、推理和存储形成收入,也能从使用、点赞、评论中提供研究方向反馈。嘉宾强调其战略价值大于短期变现,这属于前员工和开源参与者的判断;是否转化为云客户和持续商业闭环仍需数据。 对千问组织变化,嘉宾预判人才会被Meta、xAI、OpenAI等争抢,并推测公司会更重视post-training、RL、Agent与第三方训练环境。主持人进一步追问核心研究团队与公司商业目标如何相处,嘉宾用‘达芬奇与美第奇’作比:研究员借公司资源完成代表作,个人声望不只依附雇主,组织则需要在作品自由与商业目标之间协调。该比喻能解释张力,也可能高估研究自主性,因为算力、知识产权、岗位和路线图仍由公司控制。 春节前的对谈从DINQ Roast的娱乐性身价评估进入‘作品’主题。高岱恒认为,论文、开源项目、模型、框架、博客和实际应用让人跳过部分学历筛选。其个人经历提供了具体链条:土木背景、学习公开课、先给PyTorch改拼写错误,获得正反馈,再参与DeepFaceLab、迁移StyleGAN,最终作品带来达摩院等工作机会。‘有作品就没人问学校’是他的亲历,不是所有招聘的普遍规则。 人物故事包括Alec Radford在主流强化学习环境中坚持下一个词预测、GPT-1投稿被拒;Patrick Lewis旅居和小公司经历后进入Meta并做出RAG;以及StyleGAN、PyTorch等贡献者的非典型背景。它们保留失败、拒稿、偶然收购和叙事选择,不应被写成‘只要松弛就能创新’。主持人和嘉宾也讨论公开平台放大可见性,DeepSeek成员被搜得少可能部分源于公开信息少,而非能力不足。 DINQ当前主要是公开信息聚合、展示与搜索,招聘方按论文或条件查人,个人获得低成本分发。嘉宾明确承认尚未到验证匹配合作的阶段,因此不能将平台查询量等同于招聘效果。中美搜索差异、学历与作品的权重、Token使用量作为AI native信号,都应结合数据覆盖和可见性偏差理解。 最后,双方推演智力工作从长期雇佣向短期任务匹配发展,AI压缩执行和需求对齐时间,但隐性知识、信任、验收、社保与组织知识传承仍是障碍。DINQ短期项目匹配当时只是计划于2026年四五月上线,尚非已交付结果。全文保留对职业通用性、研究心态、创造与健康的建议,同时把嘉宾预测、主持人质疑和本文推断分开。

晚点聊 LateTalk · #154 · 2026-03-12 · 1:46:41

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:02–00:28:12连续对话 1

00:00:02–00:02:27开场:千问被搜最多、天价薪酬与‘完整作品’

  • 中国哪个AI团队的人被搜得最多?
  • 钱对这些人意味着什么,Meta天价策略究竟打动谁?
  • 为什么这些非典型研究者像文艺复兴时期的艺术家?

开场先用三个问题点出全期主线:千问人才被市场搜索、天价薪酬对研究者的意义,以及研究者为何像创作者。高岱恒说目前被搜最多的是千问,不是DeepSeek,但这只是其平台与观察口径下的答案,后文会解释公开信息可见性差异。

面对Meta高薪挖人,他没有给出‘钱最能打动谁’的确定结论,而是说不知道,因为历史上很少有智力劳动者获得这样的价格。这种不回答比简单归因更重要:作品、影响力、财务安全和研究自由可能同时存在。

他把Alec Radford等年轻、非典型背景的研究者比作文艺复兴艺术家,核心不是浪漫化名声,而是他们能相对完整地提出问题、做实验、交付论文或项目。主持人追问‘完整做一个作品’,嘉宾进一步说,论文等作品足够强时,一些面试不再考察基础代码能力。这是他观察和个人经验,不能推成所有团队都不考基本功。

正式介绍中,主持人明确节目分两次录制:最新部分讨论千问变动,春节前部分讨论AI英雄传、研究者性格和人才市场。嘉宾从双非土木背景到阿里达摩院,再创业做DINQ,这条路径本身就是‘作品能否改变筛选’的案例。

DINQ嘉宾高岱恒(Sam)创立的AI Agent产品,主要功能是帮助公司、投资人或研究项目寻找合适的AI人才。它通过分析候选人的公开信息(如论文、开源贡献等)来评估其能力和潜力。
千问(Qwen)阿里巴巴达摩院通义实验室研发的大语言模型系列。在本段对话中,它不仅指一个具体的模型,也代指其背后的研发团队。该团队以其丰富的开源模型生态和在学术界、开发者社区的巨大影响力而著称。
魔搭社区(ModelScope)由阿里巴巴发起和运营的AI模型与数据集开源社区,类似于海外的Hugging Face。开发者可以在上面寻找、下载、使用和贡献各种AI模型、数据集及相关工具。在本段中,它被视为阿里AI开源战略的重要组成部分。
Hugging Face一个国际知名的AI社区和平台,提供大量预训练模型(特别是NLP领域)、数据集和相关工具库(如Transformers)。在本段中,它被用作与魔搭社区对标的、全球领先的开源模型托管平台。

话题推进:先进入最新录制的千问部分:人事变化怎样转化为招聘平台上的搜索行为。

00:02:28–00:09:34千问变动后的搜索激增:市场关注、开源影响力与可见性

  • 人事变化后DINQ搜索量有什么变化,搜索方是谁?
  • 开源社区怎样反应,千问与Mistral及国内模型相比有什么影响?
  • 千问模型尺寸与生态为什么重要?

主持人从林俊扬离职引发的千问人事震荡问起。高岱恒称,DINQ相关搜索量翻3倍,约两三千条query,查询千问成员或其论文作者,主要方向是大语言模型、强化学习和Agent RL,图像和语音较少。搜索者以HR、猎头为主,还包括Meta的Executive Search人员。

这些数字是DINQ自身的平台数据,说明事件后人才市场注意力迅速集中,不代表千问成员普遍想离职,也不能证明已发生实际录用。主持人的补充同样重要:事件前海外机构搜索中国人才时,千问已经是常见目标,其团队仅一百多人,因此新变动只是放大既有需求。

嘉宾把千问与Mistral比较,强调其模型在Hugging Face和ModelScope的下载与使用影响。其证据包括不同尺寸、语言、图像、视频、推理、embedding等模型家族,可服务低算力研究者、学术复现和机器人端侧部署。越来越多顶会论文引用技术报告并把千问用于研究链路,使其形成事实标准。

他还说千问在两个平台的总下载量超过国内其他相关模型之和。这个数字按嘉宾叙述保留,未由本期独立复核,也不应与单一模型性能、商业收入或全部开源生态份额混同。模型多尺寸与家族覆盖解释的是使用广度和可获得性,不证明每个版本都最强。

ModelScope部分则给出亲历:早期员工被要求贡献模型和数据集,后来访问与下载增加。这既说明平台成长,也提示早期生态包含公司主动组织,不是完全自然形成。

话题推进:主持人接着问ModelScope对阿里的长期商业价值,讨论从人才关注转向生态反馈和战略回报。

00:09:35–00:14:30ModelScope的战略价值与千问后续:生态反馈、人才流向与预测边界

  • ModelScope长期对阿里有什么商业价值?
  • 作为前阿里员工和开源贡献者,你怎么看这次变化的后续影响?

高岱恒把ModelScope和Hugging Face比作AI时代的GitHub:模型、数据集和应用在hub中集中,开发者使用、点赞、评论与下载构成反馈,帮助公司知道前沿实践者关心什么,从而调整研发优先级。战略价值因此不仅是内容托管,也是需求发现和研究反馈。

直接商业化则包括部署和推理收费、数据集存储费用等云服务。嘉宾判断,对阿里而言战略意义远大于一两千万量级收入,但这是他的行业判断,并未给出阿里云客户转化、留存或成本数据。开源使用者也可能本地部署或选择其他云,商业闭环仍需单独验证。

对千问后续,他预测核心人才会被Meta、xAI、OpenAI等争抢,xAI的创始团队变化和潜在IPO会增强财富效应。这是基于市场激励机制的推演,不是实际offer清单或IPO确认。

他还预判,在scaling继续有效的前提下,公司会更关注模型智能与Agent tool use,可能相对减少纯粹开源投入,招聘有post-training、RL经验的人以改善实战表现。‘benchmark不再重要’应理解为其对应用竞争的强调,而非评测彻底无用。

最后他预测2026年会有更多第三方数据和强化学习环境提供商,为前沿实验室提供场景和训练服务。这与他所说的‘美第奇与专业作坊’相连:一些过去必须体内完成的工作可能拆给专业供应方。是否真会形成规模市场,取决于数据质量、工具标准、客户信任与效果归属。

话题推进:主持人随后把问题收束到核心研发团队与公司商业目标的关系,引出‘达芬奇与美第奇’。

00:14:30–00:22:38研究者与大公司:‘达芬奇与美第奇’的解释力和权力边界

  • 特立独行的研究员与大型商业组织长期应怎样相处?
  • Cohere等外部服务商的金主是谁,科技巨头是否仍倾向体内研发?
  • 研究者追求代表作的长期目标是什么,超过金钱之后还有什么?

主持人指出,研究团队的目标与公司商业化、超级App和实际应用目标并不完全一致。高岱恒用文艺复兴作坊与赞助人作比:研究者进入公司,是希望借算力、数据与团队做出代表作,再以作品证明自身价值,而不是把公司内部年资当唯一资本。

他认为AI热潮提高研究者的社会地位与价格,正如艺术家从普通工匠变成被赞助的创作者。算力昂贵使能做对实验、发挥资源效率的人具有高溢价。他把这看成不可逆趋势,但这个强判断需要限定:价格仍受技术周期、融资、商业回报和岗位稀缺性影响。

组织形态上,他预测体内团队之外,会出现专门承担Agent RL等任务的第三方服务商,再有更独立的模型与企业服务公司,形成生态‘毛细血管’。Cohere、Tinker等被用来举例。主持人追问大型科技公司是否仍会保留体内研发,嘉宾转而谈人才供给与职业心态:进入千问、DeepSeek等是阶段和跳板,不是终点。

他提醒旧技术经验会快速折旧,实习生也可能推动关键工作。这强调年轻人的实际贡献,但‘实习生carry’是概括,不能抹去全职研究、infra与组织支持。

关于超越金钱的动机,嘉宾区分显意识与潜意识:显意识是做出作品、获得star、署名和同行反馈,建立自信;潜意识可能包含推动AGI或留下历史贡献。这里的‘作品’既是个人创造,也依赖公司资源,不能忽略组织权力和知识产权。

因此,美第奇比喻最好用于理解双方交换:公司提供资源和合法回报,研究者提供创造与影响。它不能推出研究员始终拥有方向自由,也不能把离职简单解释为公司不懂艺术家。

话题推进:对话回到春节前的录制,先从DINQ Roast的娱乐性功能谈起,逐步进入‘作品如何被发现’。

00:22:38–00:28:12DINQ Roast与身价游戏:公开指标、娱乐反馈与产品起点

  • DINQ Roast是什么,用户怎样使用?
  • 最初身价分档与后来Meta天价薪酬有何反差?
  • 用户先测名人还是测自己,指标有哪些局限?
  • 这些使用反馈怎样促成DINQ?

高岱恒介绍,DINQ Roast在2025年3月构思、4月开发,输入Google Scholar、GitHub或LinkedIn,系统分析经历并生成辣评。它利用当时研究员对‘我值多少钱’的FOMO,把身价分成多个区间,最高为1000万美元以上。主持人指出后来Meta出现更高报价,说明早期分档低估了市场,也提醒这些数字不是估值模型。

嘉宾还转述,高薪可能由现金工资与分期期权组成,有人账面基础工资不高,但按月兑现的股票或期权更高。这里的金额与支付方式属于听说,不宜推广为Meta标准合同。

用户最初测Ilya、John Schulman、翁家义等知名人物,后来更多测自己和周围人,于是增加PK功能,比较总引用、译作引用和顶会数量。嘉宾承认指标不公平:理论研究、不同子领域和实际工程影响的引用分布不同,不能只用引用衡量能力。

林俊扬与周畅的PK被提及为约2万引用、势均力敌,发给本人后得到‘绷不住’的反应。这是娱乐性使用案例,不是正式人才评价。

随后一些教授和研究者也使用产品,嘉宾通过邮件辨认用户,意识到人们有了解自己、展示自己和比较经历的需求,于是从趣味工具走向更严肃的DINQ。此处证明的是使用兴趣,不是招聘匹配成功。

话题推进:主持人追问DINQ服务哪类人,嘉宾从‘有创造能力的人’谈到作品、公开构建与研究者闭环。

00:28:12–00:57:42连续对话 2

00:28:12–00:42:27作品闭环与非典型路径:为什么公开创造能被看见,也有偏差

  • DINQ服务的‘有创造能力的人’指谁?
  • 为什么他们像文艺复兴时期的工匠,作品包括什么?
  • GitHub、Twitter和LinkedIn不够吗,为什么还需要聚合?
  • 造F1与开F1分别指什么,谁更容易获得公众影响?

高岱恒把服务对象定义为直接推动AGI、具有创造能力的人,不局限于论文作者。其共同点是能提出问题、做实验并交付结果,形成完整闭环。作品可以是论文、PyTorch/TensorFlow等框架、数据处理、基础设施、模型,也可以是应用或产品。

他认为,前沿机构越来越按作品找人,学历和过往公司标签仍有用但折旧更快。Luhmann兄弟没有走同行评审,而是在arXiv持续发布扩散模型研究,随后被OpenAI发现,说明公开工作能绕过部分传统入口。可是个案不能推出无需学历或无需深入评估,作品真实贡献仍需辨认。

平台的作用是把分散在Google Scholar、GitHub、Hugging Face、OpenReview、知乎、B站、YouTube、X、Substack等渠道的信息聚合。问题不是内容少,而是分发与筛选困难,尤其对非名校或不在主流社交网络中心的人。

嘉宾也观察到,ICLR投稿量从2020年约一两千增长到当前数万,学术与工程供给同时膨胀,发现人才的成本上升。这里的数字按他记忆保留,不作为官方会议统计。

‘造F1’指模型、infra和研究能力,‘开F1’指使用这些能力做应用、Agent和实际任务。后者对普通用户更可见,因其直接改善邮件、外卖、编程等生活工作,因此社交影响可能超过基础研究者。这个比喻区分技术生产与任务交付,但不能推出基础研究价值较低。

因此,公开创造增加被发现的机会,却也把可见性、平台使用习惯和表达能力变成新门槛。人才评价不能把‘被搜到多少’直接当作‘谁最强’。

DINQ嘉宾高岱恒正在创业的项目,一个旨在帮助发现和匹配AI领域顶尖人才的Agent产品。
作品 (Work/Portfolio)在本段对话中,特指AI研究员产出的、能够证明其创造力和能力的成果,如公开发表的论文、开源代码、算法实现、框架贡献或数据集等。它是评价和招聘人才的核心依据,重要性超过了传统的学历和工作履历。
arXiv一个由康奈尔大学维护的、免费的学术论文预印本平台。研究者可以在此发布未经同行评审的研究成果,以便快速交流和传播。嘉宾提到Sora的作者曾在此平台发布论文。
ICLR (International Conference on Learning Representations)国际表征学习会议,是人工智能和深度学习领域的顶级学术会议之一。嘉宾用其投稿量的剧增来说明AI领域的快速发展,并提到GPT-1曾被该会议拒稿。

话题推进:主持人随后让嘉宾回到自己:一个土木背景的人怎样通过开源进入达摩院。

00:42:27–00:57:42从土木到达摩院:微小开源贡献、正反馈与作品改变筛选

  • 你怎样从土木转入AI并通过开源进入达摩院?
  • 最初如何给PyTorch贡献,为什么要从拼写错误做起?
  • DeepFaceLab和StyleGAN经历带来哪些机会?
  • 为什么开始收集AI人物故事,Alec Radford的拒稿经历说明什么?

高岱恒回忆,2017年因担心土木就业而学习AI公开课,之后做图像检测、目标理解和行人重识别。他认为PyTorch动态图便于断点调试,相比当时TensorFlow静态图更友好,于是开始联系贡献者、逐文件找可修改之处。

最初他看不懂底层代码,只能找typos。几处拼写修复被合入主仓,虽技术含量有限,却给了强正反馈,让他继续参与开源。这个细节说明进入复杂系统可以从低门槛贡献开始,但后续仍需学习并做更有价值的工作,不能把改拼写本身当作研究能力证明。

DeepFaceLab让他负责算法,目标是让不懂技术的人通过脚本合成高质量换脸。2019年ICCV期间,Facebook相关挑战赛团队注意到他的贡献,其他机会也随之出现。他说,有作品后技术负责人不再问学校、专业或基础代码,这让他感到无需解释自己‘真的能做什么’。

StyleGAN从TensorFlow迁移到PyTorch又带来几百至一千星,他开始追问高质量代码背后是谁,发现作者Tero Karras、PyTorch贡献者Adam Paszke等也有非典型经历。由此,他把挖掘人物当成消遣与自我对话,并逐渐与研究者建立联系。

Diederik Kingma通过邮件建议他做AI Agent,因为底层模型需要大规模基础设施,而Agent更能让个人凭创造力交付。这影响其创业方向,但建议不是成功保证。

Alec Radford的故事则保留失败:在OpenAI多数人关注强化学习时,他坚持下一个词预测,GPT-1投稿被拒,后续GPT-2以博客发布。这支持非主流坚持的价值,也提醒结果不是一开始就得到认可,不能倒推当时所有人都看好他。

话题推进:主持人继续追问为了接触研究者做过什么,嘉宾讲述OpenAI蹲点及RAG作者的非线性路径。

00:57:42–01:26:56连续对话 3

00:57:42–01:01:10OpenAI门口蹲点:研究热情的执行、偶遇失败与故事边界

  • 为什么2025年2月去OpenAI门口蹲点,想采访谁?
  • 怎样向保安说明来意,最后采访到了吗?
  • 如果偶遇Sam Altman会怎样?

高岱恒想了解Jason Wei在冥想中形成思维链的过程,也想接触GPT-4o相关人员,于是趁住在旧金山期间去OpenAI办公室碰运气。他没有完整预约,只是认为偶遇会是额外奖励。

他向保安介绍自己像记录文艺复兴人物的作者,想理解这些研究者的故事和贡献,同时强调远道而来与投入,最终被允许把宣传材料放到内部公告板。主持人把这套过程概括为历史感、宏大目标和个人不易的组合拳。

重要的是结果:他没有采访到Jason Wei等人,也没有真正靠偶遇完成研究。这个失败使故事区别于‘只要热情就能接触任何人’的鸡汤。蹲点体现主动和叙事能力,但也有边界、偶然和安保限制,不应被当成可复制的招聘或采访方法。

主持人问若遇到Sam Altman怎么办,双方以玩笑收束,指出他可能更关心公司安保。这段主要补充嘉宾对人物挖掘的执念和 contacting style,不提供新的技术事实。

RAG (Retrieval-Augmented Generation)一种AI技术,指“检索增强生成”。其核心机制是,当大型语言模型需要回答问题或生成文本时,它首先从一个外部知识库(如数据库、文档集)中检索相关的最新或专有信息,然后将这些检索到的信息作为上下文,再生成最终的答案。这解决了大模型知识更新不及时和容易“胡说八道”(幻觉)的问题。在本段中,它被提及为一个前几年非常火但现在热度有所下降的技术。
社会工程学 (Social Engineering)在这里指一种非技术的渗透方法,通过与人打交道、利用人的心理弱点(如信任、同情)来获取信息、权限或达成特定目的。在本段中,嘉宾高岱恒通过向保安讲述一个宏大的历史使命感故事并博取同情,成功说服对方让他进入OpenAI公司内部,即为一次“社会工程学”实践。
Credit (学术荣誉/归属)在学术和研究领域,指对一项发现、一个理论或一项技术成果的贡献认可和荣誉归属。它通常通过论文作者署名、公开致谢等方式体现。在本段中,它指DC-GAN这项技术的发明功劳,嘉宾提到其最初的两位作者Alec Radford和Luke Metz的Credit在早期被忽略了。
DINQ嘉宾高岱恒的创业项目,一个为AI领域打造的人才Agent产品。其输入是招聘方用自然语言描述的人才需求(可具体到论文,也可宽泛到领域和背景),或研究员在各平台的公开信息(论文、代码、社交媒体等);输出是为招聘方找到匹配的人才画像和联系方式,以及为研究员生成一个聚合其所有成果的个人展示页面。其核心机制是通过AI Agent聚合、分析和匹配人才供需信息。

话题推进:随后对话从采访经历转回人物故事:RAG作者旅居、被收购进入Meta的路径,以及创新是否来自边缘与松弛。

01:01:11–01:06:15RAG、Llama与叙事连接:创新来自边缘,但不能省略积累与偶然

  • RAG作者Patrick Lewis的经历有什么意思?
  • 创新是否常来自边缘、旅居或相对松弛的状态?
  • Llama作者与雨果同龄的联想为什么吸引人?

嘉宾讲Patrick Lewis博士毕业后旅居越南及欧洲、在小公司工作,后加入一家医疗AI公司,同年公司被Meta收购,他因此进入Meta并在2020年做出RAG。后来他又去Cohere。这条路径有旅居、转换和偶然收购,不能简化为主动规划的直线履历。

嘉宾认为,随性、松弛和边缘位置可能让人看到不同问题。主持人补充,创新常是长期思考后的松弛状态,Jason Wei的冥想、牛顿疫情期间的研究也被拿来类比。这里应保留‘长期积累仍在’这一条件,不能把休息本身写成创新机制,也不能忽视Meta的团队与资源。

RAG的技术语境可用于理解检索与生成的结合,但本段重点不是技术讲解,而是职业路径。嘉宾自己承认‘可能跟这有关’,所以这是解释而非已证实因果。

Llama作者29岁与雨果29岁写《巴黎圣母院》的联想,则展示他‘连点成线’的叙事方式:合适连接能让人记住人物,但连接不等于命运或历史因果。主持人称其很能联想,嘉宾也承认讲得好与讲不好的差异。

这部分应与后文的人才评价连读:故事能扩大人物影响和记忆,但研究评价还需回到真实贡献、实验和作品,不被好故事替代。

话题推进:主持人继续追踪人物关系网,嘉宾讲Alec Radford、Luke Metz和Soumith Chintala的合作与credit分配。

01:06:15–01:10:23GPT人物关系网:合作、credit与去湾区的现实选择

  • Alec Radford与Luke Metz有什么同学和职业关系?
  • DC-GAN的credit争议怎样影响他们去湾区的选择?
  • 欧林工学院为什么与人物故事和新工科教育相关?

高岱恒把Luke Metz与Alec Radford的本科同学关系带入人物网,解释为何单独提到Thinking Machines的人员。两人与Soumith Chintala在DC-GAN相关工作上有交集,嘉宾称黄仁勋在2016年GTC把技术主要归于Meta,使两位年轻贡献者感到credit被忽略。

这一段不是重新判定DC-GAN署名权,而是嘉宾对人物心理和职业选择的叙述:他们觉得需要到湾区进入核心环境,后来分别去OpenAI与Google,又在OpenAI重逢。这样,credit不再只是论文尾注,而会影响年轻人选择哪里工作、被谁看见。

欧林工学院被补充为非传统新工科教育背景。主持人提及其与李泽湘等新工科实践的联系,说明学校模式也影响人物培养,但不应把Alec成功简单归因于学校或完全脱离学校。

这段故事把‘个人作品’与‘组织归属’连接起来:研究由人完成,荣誉却可能按机构分配。理解这种张力,有助于解释研究者为何既需要大组织,又关心个人署名和独立声誉。

话题推进:主持人从故事转向研究者的追求、畏惧和弱点,讨论长期研究与短期反馈的冲突。

01:10:24–01:19:38研究者的抗挫折、具体交流与金钱:长期判断如何穿过高压和不确定性

  • 这些研究者追求什么、害怕什么、讨厌什么?
  • 想联系他们时,什么交流方式更有效?
  • 钱对他们意味着什么,高薪怎样改变心态?
  • 什么样的人能在这个领域有所建树?

高岱恒首先强调抗挫折与战略定力:新方向可能长期没有正反馈,跟随热门能快速获得成果,却未必产生独特影响。真正能开新方向的人需要坐冷板凳,但冷板凳并不保证成功。主持人把它概括为原创追求与日常平常心的平衡。

在建联上,他观察许多研究者对‘你影响了一代人’等泛泛恭维不敏感,更愿意谈其研究方向、具体技术判断和未来发展。对招聘者和CEO而言,理解对方工作比单纯吹捧更有用。但这也因人而异,不能形成统一人格画像。

他提到一些早期研究者像社交媒体上的隐士,主动发帖少,却活跃地点赞和评论;当前研究者更公开,可能与人才竞争和可见性有关。公开活跃能被人发现,不代表研究能力更强。

金钱问题上,他说很多高薪者会发懵,想趁高薪期多工作几年、提前退休,再做不受KPI驱动的自由研究。大模型训练又伴随榜单、集群故障、数千卡实验等持续压力,高薪也包含对高压的补偿。主持人补充,优秀研究者提高算力利用效率,使高薪在公司账上可能合理。

嘉宾还猜测,这些薪酬是否包含未来许多白领岗位被替代的工资,明确说不知道。全民基本收入、创作者经济等是开放性设想,不是确定社会结果。

最后,他认为能建树的人需要真喜欢、愿意坚持,同时接受实验科学中大量失败:数据、集群、参数和MoE细节都可能出错。不要把每个失败都当成自我否定,长期判断与短期平常心要同时存在。

话题推进:话题随后转向DINQ:公司和个人各自看重什么,公开信息怎样变成搜索和匹配。

01:19:39–01:26:56DINQ的实际能力与限制:搜索展示已形成,匹配结果尚待验证

  • 公司和人才在匹配中分别看重什么?
  • 平台是免费还是订阅,用户怎样搜索?
  • 中美招聘搜索方式有何差异?
  • 千问、DeepSeek与DeepMind的被搜差异说明什么?

高岱恒说明,DINQ聚合论文、代码、博客、开源模型等异构公开数据,让招聘方用自然语言找人,个人则获得聚合展示页和低成本分发。招聘方关心具体热门方向的成果,个人尤其是年轻研究者需要被OpenAI、Anthropic等看见。

国外招聘方常直接给论文,要求找作者或相关方向,目标明确;国内更常给一组条件,如顶会、项目、华人、年龄与社交活跃度,需要Agent多轮修正。他认为具体论文更高效,但也承认宽泛需求可通过迭代逐步澄清。

当被问是否观察到匹配成功,他明确说目前还没到那个部分,产品仍是信息展示和搜索,后续才逐步做到匹配。这是全篇商业化边界的关键:搜索量、注册和查询不能等同于招聘结果,订阅付费也不证明匹配质量。

被搜较多的中国人才来自千问和Kimi,DeepSeek相对较少。主持人提出DeepSeek成员公开信息少,嘉宾认可这种可能,说明平台结果受数据覆盖和公开活跃影响,不能推断DeepSeek人才质量或市场价值更低。

按机构关键词搜索时,DeepMind较多,Runway、Black Forest Labs等也因视频和多模态受到关注。按条件搜索则常见学校、论文、年龄、社交活跃等锚点,这与嘉宾‘作品比学历更重要’形成现实张力:学历并未消失,只是和作品共同影响筛选。

因此,DINQ更准确的现阶段定位是公开信息基础设施和人才发现工具,而不是已被证明的自动招聘Agent。

话题推进:主持人继续追问这些条件搜索反映什么思维,双方讨论学历概率优势与Build in Public的风险差异。

01:26:56–01:46:41连续对话 4

01:26:56–01:30:52学历与公开构建:概率门票、作品上限与幸存者偏差

  • 中国用户用学校、论文、年龄和社交活跃搜人,反映什么思维?
  • Build in Public和传统升学,哪条路更可靠?

高岱恒认为,具体条件搜索说明招聘者仍需要锚点:名校、顶会、年龄和社交活跃能快速缩小范围,虽然‘作品更重要’的趋势在增强。主持人补充,初创团队写BP也常展示名校,可能是在满足投资人和外部筛选预期,不一定是创始人自己唯一相信的标准。

双方也承认,名校和名师提供知识、项目、人脉与算力机会,从概率上有优势。学历不是能力的同义词,却是降低筛选成本的代理指标;把‘英雄不问出处’理解为学历完全无意义,会漏掉这一结构条件。

Build in Public则被嘉宾描述为高能动性路径:持续公开创造好作品,迟早会被发现。他甚至说‘一定不会被埋没’,主持人马上限制,这类人可能仍是少数,而且上限高、下限也可能很低。公开构建需要持续产出、抗压和接受延迟回报,并不适合所有人。

传统升学相对稳定,能提供支持网络和基本下限,但后文会讨论它在技术剧变下也不再保证安全。更准确的比较不是‘作品还是学历’,而是不同资源起点下,怎样用可验证作品提高被评价和被发现的机会,同时承认成功案例有幸存者偏差。

Build in Public指个人或团队在公开的社交媒体、社区或博客上,持续、透明地分享自己构建产品、项目或研究的过程、进展、思考和结果。其输入是创造者的工作过程,输出是公开可见的作品、代码、文章等,旨在通过过程本身吸引关注、获得反馈、建立个人品牌和影响力。
Vibe Coding一种非正式的编程方式,指开发者不完全依赖精确的、逐行的指令,而是通过与AI编程助手进行自然语言对话,描述期望的功能、风格或“感觉”(Vibe),让AI来生成、修改或重构大部分代码。输入是开发者的高层次意图和反馈,输出是AI生成的代码。人在其中更多扮演架构设计、方向引导和结果验证的角色。
全民创作者经济 (Creator Economy)一种经济模式,其中大量个体(而非仅限于传统机构或公司)能够通过创作和分发数字内容(如视频、文章、代码、设计等)来直接获得收入和建立个人事业。在这个模式下,平台提供了工具和渠道,让创作者能连接到他们的受众和客户。
全民基本收入 (Universal Basic Income, UBI)一种社会保障制度构想,指政府或公共机构无条件地、定期向所有公民或居民发放一笔固定金额的钱,以满足其基本生活需求,无论其收入、资源或就业状况如何。

话题推进:随后双方讨论,AI编程和组织变化为什么让传统安全路径也失去稳定性。

01:30:52–01:35:28安全路径失效与创造者焦虑:技术替代、社会影响和未来不是单线结局

  • AI编程让传统职业安全感发生什么变化?
  • 全民创作者经济是否真能给人出路?
  • 研究者怎样看待自己工作的广泛社会影响?

嘉宾认为AI代码能力让人产生存在主义危机,过去靠学习和专业技能获得的稳定性被削弱。主持人补充,Anthropic的Claude Code等也体现AI参与构建,人更多负责架构和安全测试。双方借此讨论基础编码被外化后,人的角色怎样转向问题、判断与协作。

技术变化快于个人适应,传统‘读好书—进大厂—长期晋升’的路径并不保证安全。美国大公司裁员被用作背景,Naval的全民创作者经济则被提出作为一种可能:基本收入、蓝领工作或靠创造获得注意力与收入。它们是不同社会安排,不应混成确定预言。

主持人对‘人人都能做创造’提出质疑:深度思考和创造本身困难,应试教育也可能压抑创造力。嘉宾回应,新环境也可能重新激发它;又承认技术奇点可能让过渡期完全不同,未来无法预估。

谈到研究者的社会视角,嘉宾认为多数更关心更高、更快、更强:视频更长、更清晰、更一致,模型推理更便宜、智能更强,只有少数人如Ilya会更深入讨论社会影响。这是嘉宾观察,不能用来给整个研究群体定性,也不能把专注技术本身等同于对社会毫无责任。

因此,这段最重要的不是‘领低保去公园’的玩笑,而是双方承认未来分支很多,个人只能先处理当下可做的创造、健康与关系。

话题推进:主持人把宏观未来收回DINQ,具体询问AI会怎样改变人才匹配和招聘。

01:35:28–01:40:44从人与公司到人与任务:AI缩短交付,却不能消除信任和隐性知识

  • AI变强会怎样改变人才匹配?
  • 会不会从长期雇佣变成人与任务匹配?
  • 招聘指标会怎样变化,Token消耗能否代表AI native?
  • DINQ何时上线短期项目匹配?

高岱恒预测,微调等智力任务可能从雇佣数月变为短期专家一两周完成,工作因此外包化、顾问化。他认为AI同时压缩执行和需求对齐时间,使‘智力劳动外卖或滴滴化’成为可能。主持人将其概括为人与任务而非人与公司的匹配。

这一推演的合理处是任务边界可更清楚、交付更快;限制是高价值研究常包含隐性知识、长期代码与数据上下文、团队默契、保密和持续维护。需求被写出来并不等于被正确理解,短期完成也不等于长期可用。

嘉宾认为招聘会越来越快、零散,‘五年三跳’不再重要,并提到Token消耗、Claude Code使用、AI产品体验、任务自动化率等作为AI native信号。Cursor招聘重度用户是类似思路。它们能证明使用习惯,却不能直接证明创造、判断或任务成果,过度使用还可能只是高成本或低效率。

DINQ的短期项目匹配当时是计划于2026年四五月上线,尚未开始。双方谈到的C端个人、公司与机会之间的可逆匹配,也只是产品方向,不是已经验证的商业模式。

更稳妥的组织形态可能是核心团队与外部专家网络并存:核心负责长期知识和架构,外部承担边界清晰的模块。人才平台若能提供证据、验收和信任机制,才可能从展示搜索进入真正任务匹配。

话题推进:主持人请嘉宾给AI从业者建议,话题回到个人通用性、情绪、健康和人的独特价值。

01:40:44–01:43:45给AI从业者的建议:通用性、创造过程与可持续的身心状态

  • 作为前AI研究员和现创始人,你想对AI研究与开发者说什么?

高岱恒建议减少对公司内部职级和爬梯子的依赖,更关注个人发展与通用性。头部公司统一称Member of Technical Staff的说法被用来说明扁平化,但这不意味着影响力和责任完全相同,也不代表职级在所有组织失效。

他更强调照顾好身体和情绪,享受与AI碰撞的过程,在创造中形成想法和产品。基础编码等细分技能被外化后,人更多承担沟通、组织协调和关键判断,这些能力不靠每天十六七小时机械延长工作就能线性提高。

主持人认为,在激烈竞争中保持这种心态并不容易,需要很强调整能力。双方都同意,不应把身体搞垮去换一个并不确定的职业结果。关于未来失业、基本收入和长寿的讨论仍是开放背景,不是可依赖的社会保障承诺。

这段与前面的研究文化相连:长期方向需要坚持,日常生活需要可持续,作品需要产出,健康也需要被保留。它不是对竞争压力的否认,而是提醒个人不要把全部价值寄托在某个公司、职级或技术标签上。

话题推进:节目主体结束后,主播以第134期作呼应,继续讨论顶尖人才的追求、创新与组织资源。

01:43:48–01:46:41连点成线:顶尖人才追求、创新风险与组织资源的再呼应

主播推荐第134期与朱哲清的对谈,将其与本期的‘代表作’主题相连:顶尖研究者希望成为促进AGI出现的核心一份子,名字出现在未来的AGI论文或模型作者中。这与文艺复兴式作品追求相似,都涉及个人贡献被历史辨认。

第134期还强调,创新往往来自个人或小团队决定挑战既有方向,而非自然周期。大公司提供资源快速迭代,却限制方向;独立坐冷板凳保留自由,也可能没有成果。这与本期Alec Radford、RAG作者和千问组织变化形成同一问题:研究自主、资源与商业目标怎样协调。

转录中的‘Jerry Torek’不能擅自改为Andrej Karpathy。审读保留该名字为未核实转述,不把‘OpenAI没有高风险研究空间’安到另一位知名人物身上。

工程型人才影响公司未来2—3年、科学家型人才影响未来10年,而公司可能活不过早期,是另一层时间尺度冲突。xAI偏工程、Google偏科学也只是对话中的组织观察,不是固定分类。

主播最后邀请评论和推荐主题,结束节目。全期因此不是单纯人物八卦,而是用研究者故事解释人才、作品、组织和商业化的相互约束。

话题推进:本期结束。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

千问人事变化迅速放大人才市场关注,千问的开源家族与ModelScope生态又使这种关注具有技术和组织两层含义。

高岱恒(嘉宾开源与平台观察) · 00:03:34;00:07:37;00:09:40;00:12:22

DINQ搜索量翻3倍说明招聘方寻找候选人;模型多尺寸、任务覆盖与学术使用形成事实标准,ModelScope则提供分发和需求反馈。人才关注、生态影响与商业收入不是同一件事。

成立条件:搜索量不代表离职意愿或录用;下载和引用按嘉宾口径,未独立核验;ModelScope商业闭环需要云客户和收入证据。

AI研究者更像以作品建立声誉的创作者,公司则像提供资源的赞助人,双方需要协调研究自由与商业目标。

高岱恒(嘉宾组织与人才判断) · 00:15:13;00:16:46;00:22:15;01:44:46

论文、框架、模型和应用可带来个人声誉与机会,算力和团队又来自组织。‘达芬奇与美第奇’解释这种交换,也预示体外专业服务商与更灵活的任务分工。

成立条件:比喻可能高估研究自主性,算力、知识产权、路线图与商业回报仍受公司控制;体外服务是否扩张需要真实效果验证。

公开作品能改变部分人才筛选,非典型路径与抗挫折同样重要,但公开可见性不等于能力或匹配成功。

高岱恒(嘉宾个人经历与人物观察) · 00:46:13;00:49:22;00:56:51;01:02:26;01:11:03

嘉宾从改拼写、DeepFaceLab到迁移StyleGAN获得机会,Alec Radford经历拒稿仍坚持方向,Patrick Lewis经非线性路径做出RAG。这些故事显示创造、持续与偶然的共同作用。

成立条件:个案有幸存者偏差,公开平台偏好活跃者;学历仍有概率价值,作品贡献需核实,不能把松弛或坚持单独当成功公式。

人才匹配可能从长期雇佣扩展到短期任务,但DINQ目前主要是公开信息展示与搜索,任务匹配尚待验证。

高岱恒(嘉宾产品与未来推演) · 01:21:05;01:36:47;01:38:37;01:40:40

AI可缩短执行和需求对齐时间,Token使用和实际作品提供新信号,短期专家网络有增长可能。当前DINQ只完成信息聚合与搜索,短期项目功能仍是计划。

成立条件:隐性知识、信任、保密、验收、社保和长期组织知识不会因AI消失;查询量、Token消耗与产品使用不能直接代表能力或招聘结果。

机制与术语:对象、输入输出和中间过程

开源生态怎样形成反馈:模型分发、使用行为与研发选择

【本文整理】模型家族先降低研究和部署门槛,用户在ModelScope、Hugging Face下载、调用、点赞、评论和二次创作,形成可见需求。平台可据此帮助研发者判断哪些尺寸、任务和工具值得投入,并通过部署、推理、存储等探索商业化。其限制是下载不等于真实使用,开源不自动带来云收入,生态活跃也需要持续治理与贡献。

对应节目:00:07:37;00:09:40;00:11:43

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:千问用多尺寸和不同任务模型覆盖低算力研究与端侧场景,ModelScope沉淀这些使用与反馈。本文分析:这解释战略价值,却不能直接推出阿里商业回报或人才一定留任。

作品改变筛选的路径:低门槛贡献、正反馈与可验证成果

【本文整理】个人先通过公开渠道做可验证贡献,获得合作者和社区反馈,再逐渐承担更复杂任务。论文、代码、模型和应用提供比简历更直接的能力证据,可能绕开部分学历或基础技能筛选。但作品归属、质量、持续性和公开可见性仍需审查,个案不代表普遍规则。

对应节目:00:46:13;00:47:28;00:49:22;00:50:30

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:高岱恒先改PyTorch拼写错误获得正反馈,再参与DeepFaceLab和StyleGAN迁移,最终凭作品获得达摩院等机会。这个例子说明逐步积累,不是改几个拼写就直接进入研究机构。

研究自主与组织资源:‘赞助人—创作者’交换及其失败条件

【本文整理】研究者需要算力、数据、团队和回报,公司需要技术成果、产品能力与商业优势。双方通过岗位和项目交换资源,研究者以作品建立个人声誉,公司以组织目标约束优先级。当目标一致时可形成高产出;当方向、署名、回报或职业路径不一致时,可能出现人才流动。外部服务商和短期项目只是另一种分工,仍需信任与验收。

对应节目:00:15:13;00:19:29;00:22:15

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:研究者进入千问等团队,利用顶配资源完成技术报告或模型,再把贡献作为下一次机会的证明。本文分析:这像赞助人与创作者,但不能忽略公司对算力、岗位、知识产权和路线的控制。

DINQ人才发现机制:异构公开数据、自然语言搜索与可见性偏差

【本文整理】输入是招聘方的论文或条件,以及研究者在Google Scholar、GitHub、Hugging Face、博客和社交平台上的公开数据。系统聚合画像,用自然语言检索和多轮澄清输出候选与展示页。个人获得低成本分发,招聘方减少跨平台搜索成本。其偏差来自数据稀疏、身份误匹配、平台活跃度、指标选择和公司需求不清。

对应节目:01:20:25;01:22:05;01:24:56

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:千问、Kimi成员被搜较多,DeepSeek成员相对较少,可能与公开信息少有关。本文分析:这说明DINQ提高公开信息可见性,也提醒我们不能把被搜次数当作人才能力或真实市场定价。

任务化匹配的必要条件:从缩短执行到建立信任与验收

【本文整理】AI先压缩任务执行和需求描述时间,再把部分工作拆成可交付模块,专家可按项目参与。要从展示搜索进入任务匹配,还需补充身份与贡献核验、需求澄清、数据权限、过程协作、结果验收、费用与责任,以及后续维护。隐性知识和长期组织上下文决定核心研发不会简单全部零工化。

对应节目:01:35:36;01:36:47;01:38:37;01:40:40

本文自拟示意,不是嘉宾实验

本文自拟:一家企业找外部专家做短期模型微调,AI可先整理需求和候选,但专家进入后仍需确认数据、评价集、部署约束和维护责任。若只比较Token消耗或一周输出,可能忽略真实任务成功与长期成本。该例是说明,不是DINQ已上线流程。

独立判断:这些对话改变了什么理解

【本文推断】本期最有解释力的不是‘作品替代学历’,而是人才评价从单一标签转为多条证据链。

推理:学历提供概率与资源背景,作品提供实际能力证据,公开平台提供可见性,组织提供真实任务反馈。高岱恒本人既受益于开源,也受益于达摩院和后续网络;只讲任何一项都会漏掉路径中的条件。

竞争解释与边界:公开作品同样可能被夸大、包装或由团队共同完成,需核实个人贡献。非公开优秀人才也不能因数据稀疏被判低。

【本文推断】‘赞助人—创作者’关系同时包含赋能和约束,人才流动不能只归因于组织不懂研究。

推理:大公司提供昂贵算力、协作和声誉,但要求路线与商业结果;研究者需要自主和作品归属,但也依赖这些资源。千问变动、Alec的拒稿和DC-GAN credit争议都说明,方向与认可是双方持续协商的内容。

竞争解释与边界:如果外部平台和小团队能提供同等资源,研究者可减少对单一赞助人的依赖;若核心资源仍集中,完全独立创作的空间会受到现实限制。

【本文推断】DINQ的价值当前更接近‘发现与展示基础设施’,离可靠人才匹配还差结果和信任层。

推理:异构数据聚合减少搜索成本,搜索量上升证明需求存在,但嘉宾明确说尚未到匹配合作验证。下一步需跟踪联系、面试、录用、任务交付与留存,并处理数据覆盖和误匹配。

竞争解释与边界:如果平台只优化点击和查询,可能强化学历、社交活跃和热门方向偏差;若能把真实项目结果回流,才可能改善人才评价而非只做信息目录。

【本文推断】智力工作任务化更可能先形成核心团队与外部专家网络,而不是所有研发全面零工化。

推理:AI压缩执行使模块化任务更易外包,但长期架构、隐性知识、数据安全和责任仍需要稳定团队。核心团队掌握长期目标,外部专家处理边界清晰的任务,比简单‘人与任务取代人与公司’更符合高价值研究约束。

竞争解释与边界:若任务验收、知识文档和AI协作进一步成熟,更多工作可能外部化;但当前这只是趋势推演,DINQ计划上线不能视为结果。

尚未解决的问题与可检验的下一步

待解问题:千问开源影响如何转化为阿里的持续商业与组织价值?

下一步信息或小实验:比较开源用户的云选择、API调用、留存和贡献,跟踪人事变化前后核心项目、ModelScope活跃和商业化。

怎样的结果会改变判断:若生态使用持续转化为云客户与研发反馈,战略价值增强;若只增加下载而客户和团队流失,需重新评估开源投入和组织安排。

待解问题:公开作品与学历、师承、真实任务表现各自对人才结果有多大解释力?

下一步信息或小实验:在同一岗位候选人中比较背景、作品、面试与实际入职后表现,区分公开可见性与真实贡献。

怎样的结果会改变判断:若作品比学历更能预测入职成果,支持增加作品权重;若公开活跃只提高被搜率而不提高成果,需限制平台指标。

待解问题:DINQ能否从展示搜索走到可信的招聘与任务匹配?

下一步信息或小实验:跟踪候选人联系、面试、录用、短期交付和留存,记录误匹配、数据稀疏人群与不同需求类型的成功差异。

怎样的结果会改变判断:若在真实合作中持续提高效率和结果,产品机制得到支持;若只增加查询而不改善交付,应把其定位为信息展示工具。

待解问题:短期专家网络与长期核心团队怎样分工,才能兼顾速度和知识积累?

下一步信息或小实验:选择边界不同的研发任务,比较内部团队、短期专家和混合模式在成本、质量、保密、维护和组织学习上的表现。

怎样的结果会改变判断:若外部专家适合模块任务而核心团队保留架构与判断,混合模式更合理;若短期任务频繁返工或知识流失,需缩小任务化范围。

影响理解的转录疑点

按录制顺序完整阅读。先读00:02:28—00:22:38,理解千问变动、开源生态与研究者—赞助人关系;再读00:42:27—01:19:38,保留个人经历、失败与人物关系;最后读01:19:39—01:40:44,区分DINQ现有搜索能力和未来任务匹配推演。这样能同时保留千问组织、研究者经历、人才评价和商业化边界。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:154: 从千问变动到「AI 英雄传」|与 DINQ 高岱恒聊传奇 AI 研究员们

本页使用的公开文字或字幕来源

返回顶部