千问变动引发的人才搜索热潮

阿里千问团队近期的人事震荡——负责人林正阳突然离职——在 AI 人才市场迅速激起涟漪。作为嘉宾的高岱恒（Sam）指出，其创业产品 DINQ 平台上的相关搜索量短期内翻了三倍，约有两三千条 query聚焦于千问团队成员或其论文作者信息，主要集中在大语言模型、强化学习与 agent（智能体）方向，图像与语音方向相对较少。搜索主体以 HR 和猎头为主，甚至包括 Meta 负责高管招聘的 Executive Search 专家 George Lindner 本人也在积极追踪千问候选人。

值得注意的是，尽管千问团队在通义实验室内部仅有一百余人，规模远小于某些头部企业，但其技术影响力与开源生态的广度已形成显著虹吸效应。Sam 提到，此前海外公司如 Meta 在寻找中国 AI 人才时，千问团队已是最常被匹配的来源之一。此次变动进一步放大了这种外部关注，使千问成员成为全球头部科技公司竞相争夺的焦点。

‘人类历史上很难有一个时期，就是搞智力的这个人能拿这么多的钱。’

‘当你有了作品，没有人会面试你这个写代码这种东西了，因为不重要了。’

开源霸主：千问的学术与生态价值

Sam 强调，千问不仅是商业产品，更是开源生态的基础设施级贡献者。在 Hugging Face 与阿里自建的 ModelScope（摩搭）两大平台中，千问系列模型的总下载量远超 Mistral 等国际团队，甚至超过中国其他主流开源模型（如 DeepSeek、Kimi、Moonshot 等）下载量之和。其成功关键在于模型家族的完整性：从 0.6B 到超大规模版本，覆盖文本、图像、视频、推理、Embedding 等多模态与专用场景，极大降低了研究门槛。

尤其对学术界而言，千问已成为事实上的标准实践（de facto standard）。大量 NeurIPS、CVPR 等顶会论文直接引用千问技术报告，将其作为 agent 的核心大脑或系统链路中的关键组件。由于多数高校实验室缺乏算力资源，这种开放、易用、高性能的模型生态，实质上推动了全球 AI 研究的民主化进程。

ModelScope 社区的成长也印证了这一点：从早期需内部推动建设，到如今访问量与模型下载量快速攀升，反映出中国及全球华人 AI 开发者群体的壮大与技术自主性增强。Sam 认为，这类平台的价值远超短期收入——它本质上是 AI 时代的 GitHub，承载模型、数据集与应用（Spaces），为技术演进提供实时反馈信号：哪些方向被高频调用与点赞，哪些被冷落，直接指导研发资源的分配。

‘摩搭社区的成长，可能也是一种证明，就是说中国或者华人领域用 AI 上面的这个从业者、开发者也是越来越多。’

未来趋势：人才争夺、RL 环境与研发对齐挑战

展望后续影响，Sam 预判千问核心成员将被 Meta、X（现 XAI）、OpenAI 等机构疯抢，尤其在马斯克大幅精简 X 团队后，对顶尖人才的需求更为迫切；而 SpaceX 与 X 合并、Anthropic 拟推进更大规模 IPO 所带来的财富效应，将进一步强化这一趋势。

从行业层面看，大模型研发将进入更明确的收敛路径：只要 scaling 仍能释放智能潜力，资本与算力将持续向该方向倾斜。企业重心将从开源广度转向模型性能提升与 agent 的 to-use（即用型）能力——这意味着对post-training、RL（强化学习）经验人才的需求激增，也催生新的合作模式（如顾问、兼职专家）。

一个被忽视但正在爆发的细分赛道是强化学习环境服务。Sam 指出，2025 年下半年起，最赚钱的 AI 公司可能是卖 RL 环境的公司；当前多数团队习惯在内部构建 RL 数据与环境，未来将转向依赖第三方专业数据与 RL 服务提供商，以支撑前沿实验室的快速迭代。

最后，Sam 点出深层矛盾：前沿核心研发团队的目标（如技术突破、学术影响力）与公司整体战略目标（商业化、市场份额）之间存在天然张力。如何在组织内实现动态对齐，将成为未来 AI 公司治理的关键挑战。

‘从二五年其实下半年开始，我们看到 AI 领域最挣钱的公司其实就是卖强化学习环境的公司，对，是这样。’

AI 研究员生态：从学徒工到文艺复兴艺术家

当前 AI 行业正经历一个结构性转变：早期以模型性能为唯一目标的集体冲刺阶段已过去，如今进入商业化竞争、超级 App 构建与多目标协同并重的新周期。在此背景下，核心研发团队——尤其是顶尖研究员——其个人目标与公司整体战略之间逐渐出现张力。他们普遍特立独行、高度自驱、追求作品而非职位，这使得传统雇佣关系面临重构。

高岱恒提出一个关键类比：AI 研究员的生态正在演变为类似文艺复兴时期艺术家与金主（如美第奇家族）的关系。在那个时代，学徒进入作坊不是为了“当员工”，而是为了创作属于自己的作品，并借此在世界立足；艺术家的社会地位因市场需求激增而跃升——达·芬奇、米开朗基罗得以与贵族同席而坐。映射当下，扎克伯格开出的明星研究员年薪已超越 NBA 与英超球星，这并非偶然，而是算力价值最大化带来的必然溢价。

“我不是靠我的这个在你这儿工作了几年然后出去混，因为这东西越来越没有意义了。”

“谁能把这个算力发挥出最好的性能，它的溢价当然就是非常非常的高。”

组织形态演进：体内→体外→独立模型公司

AI 产业链的组织方式也将随生态成熟而分层演化。当前多数大厂仍倾向体内自建团队（如阿里、字节、Meta、Google），但趋势正快速向体外专业化服务商迁移。未来一两年内，将涌现大量专注特定环节的第三方组织——例如专为大模型提供 Agent + RL 训练服务的外包团队，其角色类似“智能时代的毛细血管”，能显著加速技术在各行业的落地。

这类服务商已初现雏形：国外如 Cohere（专注企业级 AI 服务）、Mira Labs 推出的 Tinker（专为外部客户提供强化学习训练支持），均印证了该路径的可行性。值得注意的是，这类公司无需庞大的工程团队——随着工具链成熟与 agent 调度能力增强，轻量化运作成为可能。

“就像文艺复兴之前，艺术的工匠本质上跟木工、瓦工其实是一样的，没有什么区别。”

人才逻辑重构：无限游戏、作品驱动与自我实现

AI 研究员群体的底层驱动力，已从“稳定职位”转向“作品认证”与“社区影响力”。与传统工程领域依赖师徒传承不同，这一圈层更像演艺圈或艺术圈：个人以顶会论文、开源项目、技术报告署名作为“履历货币”，通过社区反馈（如 GitHub Star、Issue 讨论）获得正向激励。

高岱恒指出，当前实习生已能主导关键模块（如千问、DeepSeek 的核心模块），说明行业规则本质是结果导向——谁产出强，谁就被信任。因此，过度追求“进入千问/DeepSeek”作为终极目标反而是短视的；真正的长期目标是持续构建作品、拓展能力边界。

在金钱满足基础需求后，更高阶的动机浮现：科学史留名、推动通用智能实现、或纯粹享受开源共创的自我实现感。这种多元动机结构，使得该群体更易适应快速迭代的技术浪潮——正如从 VAE 到扩散模型的跃迁中，不拥抱变化者迅速出局，而资历毫无意义。

“你越这么想的人，你的人生会越悲剧的，因为我是完整经历过这个传统计算机视觉 Deep Learning 那一套进入到大模型……谁会觉得我靠，你好在大厂有几年经验有优势了没有啊？”

AI 研究者：新时代的‘创作者’与‘闭环型工匠’

DINQ 创始人高岱恒在访谈中指出，当前活跃在 AI 前沿的一批研究者——包括斯坦福、MIT 教授（如杨迪希）、谢赛宁，以及《月之暗面》联创周新宇等——普遍使用其平台工具。这一现象让他意识到：这群人本质上是‘有创造力的个体’，且其核心特质在于能独立完成从问题发现、实验设计到结果交付的完整闭环流程。这种能力结构，使他们更像文艺复兴时期的艺术家：不是流水线上的执行者，而是从构思到成形全程主导的创作者。在深度学习浪潮十余年的演进中，这类‘作品’早已超越传统论文范畴——从 PyTorch、TensorFlow 等底层框架，到数据处理 pipeline、训练基础设施，甚至一个精巧的算法模块，都构成其个人学术资产的一部分。

今天我们看，比如 Sora Two 的一些关键研究员，其实很多甚至都没上过大学。

他们可能高中或大学没毕业就被 OpenAI 招走了，关键是因为他们在 arXiv 上持续产出高质量非正式科研，被主动发现并吸纳。

‘英雄不问出处’：年轻化、去机构化的人才崛起趋势

一个显著趋势正在全球范围内显现：AI 领域的突破性成果越来越由‘年轻人’主导完成，且其影响力远超学历或机构背景。例如：CLIP 模型由不到 30 岁的 Alex Russin（OpenAI）提出；旋转位置编码由苏建林（2020 年，未满 30）发明；混合专家模型（MoE）由 Mistral 的 Albert（2023 年，30 岁以下）主导；Stable Diffusion 团队来自慕尼黑大学，核心成员时年亦未及三十。这种‘三十岁以下产出奠基性技术’的现象，在 2022 年高岱恒本人三十岁节点时尤为刺目——他由此反思：若继续在公司体制内工作，可能难以再产出具有同等影响力的作品。

与此同时，人才筛选机制也发生结构性迁移：公司不再仅依赖简历或名校光环，而是主动在 GitHub、Hugging Face、arXiv、ICLR 等平台‘寻宝’。以 Eric & Troy Luman 兄弟为例，他们未发表于传统顶会，仅在 arXiv 持续输出扩散模型实验，最终被 OpenAI 直接招募。这种‘作品即简历’的逻辑，正在重塑整个行业的价值评估体系。

今天我们看一个数字：2020 年 ICLR 投稿量约两千篇，而今年已超三万篇。

同时，Hugging Face 上中国开源模型数量已反超美国，标志着华人 AI 力量的实质性崛起。

从‘造车者’到‘驾驶者’：影响力重心向应用端迁移

随着基础模型趋于成熟，AI 的社会可见度正从‘研究员’向‘应用者’转移。高岱恒观察到：在 X（原 Twitter）上，应用型创作者（如小龙虾机器人作者 Peter、Boris Cherny）的推文互动比（评论/点赞）高达 1:4~1:5，远超研究员的 1:1~1:2。这揭示了一个深层变化：大众对 AI 的感知，更依赖于‘它能为我做什么’，而非‘它如何被构建’。研究员的成果虽具奠基性，但对普通用户而言是‘黑箱’；而当一个代理能帮你整理邮件、订外卖、写周报时，其价值立刻可感可知。

这种趋势也催生了新的角色定位：‘F1 赛车手’（应用层创造者）比‘工程师’（模型层研究者）更具传播力与公众影响力。这也反向推动人才需求的分化——机构不仅要找能‘造车’的人，更要找能‘驾驶’这台高性能赛车、解决真实问题的人。尤其在 AGI 这场‘无限游戏’中，如何识别那些尚未被体制化、却具备‘闭环创造力’的年轻个体，已成为所有前沿团队的核心命题。

从开源贡献到职业跃迁：一条非典型成长路径

高岱恒坦言，自己进入 AI 领域的起点并不“标准”——2017 年，他尚在迷茫是否能靠所学找到工作，却恰逢 AlphaGo 引爆的上一波 AI 热潮。吴恩达的公开课中一句“学完即可超越硅谷 95% 工程师”的豪言，竟让他深信不疑，并由此点燃了学习热情。毕业后进入企业做计算机视觉项目（如目标检测、行人重识别），他很快发现这些任务的技术门槛远低于预期，于是开始思考：如何让自己的经历产生真实增值？

2018 年，他敏锐注意到 PyTorch 相较 TensorFlow 的技术优势：动态图机制支持实时断点调试，极大提升了开发效率与容错性；而当时 TensorFlow 仍依赖静态图，调试成本高昂。出于“能吹牛”的朴素想法——“只要有人训练模型，背后代码里就有我写的”——他开始向 PyTorch 社区提交贡献。最初连底层代码都看不懂的他，竟从拼写错误（typos）入手，成功提交并合并了首个 PR。这一微小正反馈，成为他持续参与开源的起点。

“在当时给我了一个非常强的正反馈，所以我后面就一直在做开源，就是从这个开始就一直在做开。”

“当你有了作品，就没有人会面试你这个写代码这种东西了，因为不重要了。”

作品即名片：打破学历滤镜的技术准入

2019 年，高岱恒参与开发换脸项目 DeepFaceLab，目标是让非技术人员也能通过图形化脚本生成影视级换脸效果。该项目在当时 AI 生成内容尚未出圈的背景下迅速走红，并意外为他打开了职业新通道：在 2019 年 ICCV 会议期间，Meta（Facebook）正举办深度伪造人脸挑战赛，团队注意到他在项目中的贡献，主动邀约交流。

关键转折在于——作品使技术能力可被直接验证，从而绕过学历与科班背景的隐性筛选。他回忆道，后续面试中，技术负责人从不追问学校或专业，HR 的学历核查也仅是流程性环节；“真正决定权在技术负责人手中，而他们只看你能做出什么”。这让他深切感受到技术工作的正外部性：“你不需要解释，我真的能干。”

“我靠，这个东西不应该都是什么清北的人去的，对吧？就很神秘。”

挖掘英雄：在非典型成长路径中寻找技术张力

对 AI 研究员群体的兴趣，始于高岱恒迁移英伟达 StyleGAN 代码至 PyTorch 的实践。当他被其代码质量震撼，反向溯源作者信息时，发现核心开发者并非预想中的湾区资深白人工程师，而是来自芬兰赫尔辛基、甚至没有大学文凭的泰罗·卡拉斯（Tero Karras）——这一反差令他深受触动。

此后，他持续挖掘开源社区中的“隐形英雄”：PyTorch 最多产贡献者 Adam Paszke 当时仍在华沙大学读大三；OpenAI 前联合创始人 Diederik Kingma 以变分自编码器与 Adam 优化器奠定行业基石，却非出身顶尖名校。这些故事让他意识到：真正推动技术演进的，常是那些打破“标准路径”的个体。

“如果一个人你看到他的成长路径是一帆风顺……他很难有那个人物的张力出来……你你会被这种反差和戏剧性所吸引？”

“GPT 之父，只是一个发布 GPT 的时候，只是一个二十多岁的一个来自波士顿近郊富兰克林工程学院毕业的一个本科生。”

反差与张力：英雄叙事的底层吸引力

在讲述 AI 英雄时，人物的戏剧性与成长路径中的反差，往往比一帆风顺的“天才模板”更具感染力。当一个人物的成长并非坦途——比如曾被期刊拒稿、实验屡屡失败、身处主流研究方向之外——听众反而更容易产生共情与记忆。这种叙事张力，正是传奇人物故事之所以成立的核心逻辑。

一个典型例子是 GPT-1 的第一作者 Alex Radford。他在发布 GPT 时，仅是二十多岁的本科生，毕业于波士顿近郊的富兰克林·欧林工程学院（Franklin W. Olin College of Engineering），当时在 OpenAI 属于“边缘人物”：当整个实验室聚焦于强化学习（如机器人拧魔方、Dota 游戏对战）并收获大量正反馈时，他坚持做当时不被看好的 next token prediction（下一个词预测），并经历了多次投稿被拒、实验效果不佳的阶段。直到 GPT-2 以 OpenAI 博客形式发布（规避了投稿压力），GPT-3 才最终在 NeurIPS 顶会发表，学术认可姗姗来迟。

“你你会被这种反差和戏剧性所吸引？我当然，我觉得我觉得每个人应该都某种程度上会被这种东西吸引。”

“他当年其实进入 OpenAI 的时候就是非常早期……当时只有他一个人在做这个叫下一个词预测。”

“社会工程学”与偶然性：接触传奇的鲁莽尝试

为了采访关键人物，高岱恒曾采取近乎“田野调查”的方式——直接前往 OpenAI 门口蹲点。2025 年 2 月，他借住在旧金山，趁空闲时间乘公交抵达 OpenAI 办公楼（原 Uber 总部），凭借一张自制宣传传单与两层安保“博弈”，最终通过“社会工程学”话术进入内部：他将自己类比为文艺复兴时期的瓦萨里（Vasari），强调自己正在记录当代“AI 米开朗基罗们”的历史，同时坦陈远道而来、投入不菲，以唤起对方对“历史见证者”身份的认同。

尽管此行未能如愿采访 Jason Wei 等人（仅留下传单、获准进入内部），但这种“靠运气+主动靠近+叙事赋能”的策略，反而凸显了研究者与传奇人物之间的真实距离——接触本身即是一种仪式感，而成功与否反成次要。

“我今天是一个呃，类比于文艺复兴时期记录这些名人事件的这个叫类似于一个 Vasari 那样的角色。”

“他一看我拿着传单，以为我要什么卖货还是干嘛呢？……然后我就给他讲了一下我的这个逻辑……他就放你进去了。”

非线性路径：创新常诞生于“边缘”与“松散”

技术史中的许多突破，并非来自精密规划，而是偶然、随性与边缘位置的产物。以 RAG（Retrieval-Augmented Generation）技术的提出者 Patrick Lewis 为例：他在伦敦大学学院（UCL）博士毕业后，曾辗转于多家小公司，甚至一度旅居越南与欧洲半年以上——这种“看似松散”的生活状态，反而可能为创新提供心理缓冲与认知余裕。

他最终在 Meta（通过收购 Blue Spruce 公司间接加入）于 2020 年提出 RAG，但如今该技术热度已明显下降。他的经历印证了一个观点：重大创新常诞生于“正在思考，但未被任务压垮”的状态中——正如牛顿在瘟疫期间返乡避居、写出《自然哲学的数学原理》核心章节；又如 Alex Radford 在被拒稿的低谷中坚持 token 预测；再如 Jason Wei 的“思维链（Chain of Thought）”灵感来自冥想。

“他可能就是稀里糊涂啊，通过这个一个被收购的过程……可能就让他能够在复兴一些发现这样的比较好的技术的创新。”

“你可能是比如说散步啊，或者在……像你说，他在越南，可能什么冥想……一个相对精神的状态放松，但是他可能又在思考着他长期思考的一些事情的这个状态里面。”

研究者的底层特质：抗挫力与战略定力

在与传奇 AI 研究员们的长期接触中，高岱恒观察到一个核心特质：极强的抗挫折能力。这并非泛泛而谈的“坚持”，而是指在长期投入一个高风险、低反馈、难出成果的方向时，依然能保持战略定力，甘于“坐冷板凳”。尤其在早期，当同龄人已在热门方向快速产出正反馈时，这类研究者仍愿意深耕冷门领域——他们更关注的不是短期成果，而是工作是否具备真正的引领性与影响力。这种探索往往伴随大量苦闷与不确定性，因此抗挫力本质上是一种长期主义的实践能力。

“我觉得第一个点是说，叫抗挫折的能力……其实这是个特别大的这个战略定力的，你能不能抵抗这种挫折和所谓的我们叫坐冷板凳的问题？”

“你指的就是有引领性，就不仅是跟随的工作，是在开一些新的方向的意思。这个过程中探索的过程中会有非常多的这个苦闷和痛苦。”

沟通偏好：具体性 > 恭维，低调 > 高调

顶尖研究者对“被看见”的方式有独特标准：他们不热衷于被泛泛恭维（如“您影响了我们这一代人”），反而更愿意深入探讨具体的研究问题、技术路径或未来方向。这意味着，若想有效建立连接（如招聘、合作），关键在于展现对其工作细节的理解与兴趣，而非浮于表面的赞美。

此外，这一群体普遍表现出低调务实的风格：虽在社交媒体上活跃（点赞、评论、参与讨论），但主动输出观点者较少。高岱恒指出，2020–2023 年前的一批先驱（如开源大模型作者 Hugo）近乎“隐士”，而当前一线研究员则因竞争加剧更倾向公开活跃——声量变大，或为被大厂直接挖角（如“吼一声，扎克伯格就看见了”）。这折射出领域生态的剧变：从学术自主探索转向高强度商业化竞争。

“你现在找他最好就说一个很具体的事情啊……他们很多是，就是据我的观察，好像不是很感冒。”

“现在的这些研究员在这些公司工作，他们是非常活跃在 X 上的……吼的声大点儿，有可能能让扎克伯格扎哥看到我，就是嗯。”

高薪背后的复杂心态与工作逻辑

Meta 等公司祭出的“天价挖人”策略，在研究员群体中引发的并非狂喜，而是普遍的发懵与务实应对：多数人将高薪视为“干几年、悄悄多挣几年，然后退休做自由研究”的缓冲资本。这种心态源于现实压力——当前大模型研究已高度工程化：一次实验动辄数千张 GPU 卡，容错率极低；KPI 导向的绩效考核、对基准测试的极致追求，带来巨大身心消耗。

从企业视角看，高薪实为算力效率优化的理性投资：顶尖研究员能显著提升实验设计与技术判断质量，从而摊薄高昂的算力成本。但高薪也隐含更深层张力：它是否部分替代了未来被 AI 取代的白领岗位收入？这一问题尚无答案，却指向一个关键趋势——AI 研究正从“智力劳动”加速演变为“高风险高回报的资本化实验”。

“大部分人比较发懵……我拿这么多钱，我赶紧悄悄干活，尽可能多的多挣几年钱，然后退休了……”

“在全方位的压力之下，我认为某种程度上这种高薪可能也是对这方面的一个补偿。”

AI人才搜索：从模糊画像到精准匹配

在当前的 AI 人才搜索实践中，用户的需求往往呈现两种极端：一种是高度结构化、指标明确的查询，例如“斯坦福毕业、发表过三篇顶会、零零后、社交媒体活跃”；另一种则是泛泛而谈的岗位描述，例如“懂大模型方向、有研究机构经验”。针对后者，平台需要通过多轮对话与用户共同迭代需求——第一次检索结果若不够精准，用户可补充特征（如新增‘偏好强化学习背景’、移除‘偏工程导向’等），引导 agent 重新筛选。这种交互式匹配机制的核心价值在于：无论用户初始输入多么模糊，agent 都应通过持续对话，逐步还原其心中理想候选人的画像，并最终完成人岗匹配与联络触达。

“代理的作用其实就是帮助你，无论你输入的是什么样的问题，我都应该通过跟你的对话把这个可能你希望的人帮你找到，然后帮你建立联系啊，这个其实就是，啊，我们的这个平台的价值。”

从实际检索数据看，国内 AI 团队中，千问（Qwen）与 Kimi 的研究人员被海外公司搜索频率最高，而 DeepSeek 相对较少。这可能与其成员在 X（原 Twitter）等平台的公开活跃度相关：千问团队的俊阳（Junnan Li）本人社交媒体参与度高，而 Kimi（月之暗面）成员也更倾向分享研究成果；反观 DeepSeek，虽官方账号有关注，但内部研究员普遍低调隐身——这种差异某种程度上反映了团队 leader 的风格，也间接影响了人才被外部发现的概率。

“中国人可能会这么搜，我想要找一个斯坦福毕业，发过三篇顶会，零零后出生，又有干劲的，社交媒体比较活跃。”

学历锚定与安全感焦虑：中国式人才筛选逻辑

中国用户在搜索人才时，常依赖强结构性指标（如毕业院校、顶会论文数量、年龄、社交媒体活跃度），体现出一种对“可量化锚点”的偏好。这种倾向背后，是对学历作为能力筛选代理变量的持续信任——即便时代强调“不唯学历”，但“斯坦福/CMU毕业”仍被广泛用作团队履历的“硬通货”，甚至出现在初创公司 BP 的团队介绍页中。这并非完全出于团队自身认知，更多是受外部环境驱动：创始人往往预设投资人更看重名校背景，因此主动强化这一叙事。

从更深层看，这种筛选逻辑映射出普遍存在的职业安全感焦虑：在技术快速迭代的当下，许多人倾向于选择“路径明确、回报可期”的传统路线（如升学、进大厂），而非高风险高回报的“building public”路径（即通过公开作品建立影响力）。正如一位用户所言：“我做了这件事，明天能不能看到回报？”——当不确定性加剧，学历与稳定路径便成为对抗风险的心理缓冲。

“你自己不太知道哎，就是我只是从用户的这个查询能感觉出一点，就是。可能中国人某种程度上他还是更看重这个，就虽然说今天本质上啊，我们说学历这个东西越来越弱化，他可能还是希望有一些锚定的……”

AI冲击下的职业范式重构：从雇佣关系到任务化协作

AI 技术的迅猛发展正深刻重塑智力劳动的组织逻辑。过去，企业需长期雇佣一名微调工程师（RL fine-tuning）完成复杂任务；如今，借助 AI 协作工具（如 Cody、Cursor），一名工程师可能在一周内高效交付同等成果。这一趋势预示着：智力劳动将加速向“任务化”“外包化”演进——人与岗位的匹配，或将让位于人与具体任务的动态组合。

在此背景下，招聘平台的形态也需进化：未来匹配服务将更依赖可量化的行为指标，而非仅依赖简历。例如，DINQ 已开始追踪用户在 Cody 中的 token 消耗量——高频使用者往往更可能具备真实动手能力与问题意识；类似地，Cursor 曾通过识别早期重度用户反向挖掘潜力人才。这种“行为即简历”的逻辑，正逐步替代传统履历审查。

“你研究了很多这种 AI 研究员、AI 创造者……你觉得他们对他们现在在做的事情之后带来的更广泛的社会，或者说对很多人的生活的影响，他们是怎么想？”

值得注意的是，多数研究者自身并未深思技术的社会影响，其关注点更聚焦于“更高、更快、更强”的技术指标：视频生成模型追求分钟级长时生成与高一致性；大模型则竞逐推理成本与智力水平。技术乐观主义者描绘的“AI解放创造力”图景，在现实中常被个体的生存焦虑所遮蔽——正如王兴所引：“人为了逃避思考，可以做任何事情。”在应试教育长期压抑创造力的土壤中，真正主动构建公共作品（building public）的人仍是少数。然而，当技术基点真正来临，或许将迫使社会进入新平衡：要么全民基本收入托底，要么个体在碎片化任务中重建价值感。

“那我们就所有人都领低保，快乐的这个去公园溜达了也行。或者说可能有一些更极端的事情发生，那我觉得这个事情我们没有办法去预估。”

用行为数据评估 AI 原生人才

当前许多 AI 初创公司正在尝试量化候选人的“AI 原生指数”，其中token 消耗量成为一个关键指标。例如，通过分析用户在 Cody（Cursor 的 AI 助手）上的使用频次与交互深度，可以间接判断其是否具备较强的动手意愿与问题解决意识。这种做法并非空穴来风——Cursor 早期曾基于类似逻辑招募过一批重度用户作为核心产品反馈者，这些人往往对产品演进方向有敏锐直觉。在非头部岗位的招聘中，企业更看重的不是履历光环，而是能否快速解决具体问题的能力。因此，面试中常见的问题已从“你做过什么项目”转向“你用过哪些 AI 工具”“你的个人任务自动化率是多少”“你最近一次用 AI 完成什么独立创作”等更具行为导向的提问。这种趋势本质上反映了职场对“可迁移的 AI 协作能力”的渴求：比起静态的技能清单，动态的行为数据更能反映一个人是否真正融入了 AI 增强的工作范式。

其实之前 Cursor 就用这种类似的指标招过人，他们招的有一些人就是他早期产品的非常重度的用户。

就相当于一叶知秋，我就相当于如果一个人经常在这消耗头粉，他一定这个有点有点事儿干，他肯定是相对有点想法的人。

C 端匹配引擎：从需求到机会的可逆架构

DINQ 的核心架构看似横跨搜索、匹配与 C 端工具三块，但其底层逻辑高度统一——以个体创作者为第一服务对象的 C 端匹配引擎。创始人高岱恒强调，匹配系统的技术内核具有可逆性：今天能高效连接“需求方”与“AI agent”，明天即可拓展至“人”与“零工机会”的对接。这意味着平台的演进路径并非线性功能叠加，而是基于同一套用户画像与意图推理能力，在不同场景间复用匹配逻辑。目前虽尚未上线零工化项目匹配功能，但预计将在 2026 年 4–5 月正式推出。这一设计预示着未来白领工作的形态将加速向“任务原子化”演进：个体不再依附于组织，而是通过平台直接承接碎片化需求，就像在抖音、小红书、TikTok 上接单的自由职业者一样。平台的价值，正是将这种自发行为系统化、可规模化。

内核比较相信就是摩科这个平台……它就是一个可逆的这么一个东西。

你未来是要把它匹配给各种东西，可能现在是匹配给一个公司，一个团队，以后可能就是我刚刚说的，可能是一份工作。

在 AGI 前夜，人的价值回归为‘不可自动化’的软能力

面对 AI 技术的指数级进步，高岱恒提出了一个关键判断：传统职业晋升路径正在失效。头部科技公司已普遍取消层级分明的职级体系（如统一称“MTS”——Member of Technical Staff），个体价值不再由职级决定，而取决于其不可被模型替代的特质。他指出，过去在细分领域锤炼的专业能力（如特定编程范式、算法调优）正被大模型快速覆盖；而真正稀缺的，是跨领域沟通、组织协调、模糊情境下的判断力等“人本能力”。这些能力无法通过“每天加班 16 小时”线性提升，反而需要健康的身心状态与持续的好奇心作为支撑。他引用德米斯·哈萨比斯爵士的警示——“再过几年大家可能都领低保”，并呼应马斯克关于“保持健康以等待长寿技术突破”的观点，强调在技术剧变中，身体与情绪健康是持续参与创造的前提。对 AI 研究者与开发者而言，未来竞争力不在于比模型更快写代码，而在于在与 AI 的日常碰撞中，保有提出好问题、识别真价值、并把创意转化为现实的能力。

我想说一点，就是在这个时代，其实更关心的是你个人的发展，就是你个人的这个通用性。

那这个东西其实不是说我一天玩命干这个十六七个小时就可能能有一个线性提升的这么一个东西。