智力的价格：AI研究员凭什么比 NBA 球星贵？

智力的价格：AI研究员凭什么比NBA球星贵

公开作品 · 两亿美金 · 十八个月 · 找到那一百个人

「今天已经进入一个智力超级垄断的时代——最智能的 token，价值比钱还要高。」 —— 高岱恒，谈 AI 研究员凭什么比球星还贵

嘉宾： 高岱恒（Sam）｜DINQ 创始人，前阿里达摩院算法研究员

按节目里讨论的公开报道，庞若鸣曾拿到一份总包接近两亿美元的 offer。若按四年摊，年化五千万美元，已经高过库里的顶薪；七个月后，他又离开了 Meta。体育有工资帽，有转会费，球队挖走明星，旧东家至少还能收到一笔钱。AI 没有。一个研究员换公司，带走的是自己脑子里那些没写在论文里的东西，原公司一分也拿不到。

高岱恒研究的正是这群人。他自己也不是那条标准履历上的人：双非土木工程研究生，最早给 PyTorch 提的 PR 只是改错别字，后来进了达摩院；2019 年开始，他给关键技术背后的研究者写人物故事；2025 年，他印了海报，跑到 OpenAI 楼下想堵人。现在他创业做 DINQ，想把找人这件事做成一个能被 Agent 直接调用的基础能力。

Raymond 承认，自己是带着很功利的问题来的：普通研究员的故事，未必有耐心看；要是这群人一个值两亿美金，马上想知道他们到底做了什么。这期对话从一条更具体的线索展开：作品怎样让一个没有背景的人被看见；什么经验今天忽然值钱、明天又突然归零；钱能不能买来下一项重大突破；以及当所有公司都想找到那一百个人时，人才地图究竟该怎么画。

以下为对话全文（经编辑整理，有删节）。

一、从改错别字到离开达摩院，作品为什么比履历更早起作用？

Raymond： 你是双非院校土木工程专业的研究生，后来怎么进了达摩院？你当时已经知道，公开做作品会变成一条职业路径吗？

高岱恒： 2015 年底、2016 年初，我读研第一年，已经觉得房地产价格和整个市场很浮躁，也听到一些信息，感觉这个行业未来几年会出问题。但我已经上船了，只能想下一步怎么走。我自己觉得比较擅长做创造性的工作；当时上一代 AI 四小龙已经冒出来，信号很多，于是先在网上学吴恩达的课。

难点是没有资源，也没有 AI 背景。那时显卡贵，但游戏显卡还买得到，1080、2080 这一类；拿它做研究和应用的人没有今天这么多。我走了一条比较 tricky 的路：build in public。我在 CSDN 写博客，也给开源项目提 PR。最早给 PyTorch 提的几个 PR，其实都是改 typo，因为根本还不理解它在干什么。

但负责人把代码 merge 进去以后，一个土木学生写的东西会在很多人的电脑里跑。这个反馈会推着人继续往下钻：先改错字，后来就不满足于改错字。之后拿到 Meta、英伟达、达摩院的 offer，靠的都是作品，不是有人替我背书。公开作品很难造假，能直接证明你会什么，也能让判断你的人少花很多力气；它还会暴露出一件事：你是不是会主动做事。

Raymond： 这条路在当时听起来很逆。今天做内容、learning in public 的人，至少会被同学朋友质疑。十年前在 CSDN 写博客、给开源框架改错字，没有人泼冷水？

高岱恒： 反而没有。那时大多数人不知道这是什么。大家默认的路径是拿好学位、跟好老师，再去商汤、旷视，或者去 OpenAI、DeepMind。我的路跟主流不一样，但也没有多少人觉得值得反对。很多所谓的路径，都是后来回头看才像路径；人在里面的时候，只是在不停把下一件能做的小事做出来。

Raymond： 你 2024 年 4 月离开达摩院。GPT 已经出来了，真正促使你离开的是什么？

高岱恒： 2023 年做过一个图像项目。Stable Diffusion 给人的感觉很像 AI 时代的微积分：传统模型更像一个确定函数，输入 A 得到 B；扩散模型有时间步，一步一步把结果推到位。我当时很着迷，觉得图像、视频是二维三维的，语言是一维的，高维大概会打低维。

我们做人物跳舞、虚拟试衣。商家有一张平铺图，拍一下，模特就能把衣服穿起来。一开始把很多精力花在算法上，常微分方程、随机偏微分方程都去试，后来发现结果没有想象中那么大。真正拉开效果的，是一批背景干净、分辨率足够高的模特图。数据质量上去，项目在 GitHub 很快拿到五六千个 star，在 Hugging Face Spaces 也排到前面。

第二个变化是 Copilot。很多日常脚本以前要写一两个小时，Copilot 已经能完成得比人好。一个项目如果只需要提供好数据，算法层面的很多工作又能被 Agent 接走，我会觉得自己继续待在那里是在贬值。不是说算法没价值，而是原来被当作壁垒的那部分，正在被更快地商品化。待了快四年，差不多该离开了。

二、为什么有人跑去 OpenAI 楼下堵门？

Raymond： 我第一次看到你，是你去 OpenAI 楼下堵人的故事。我都怀疑里面有多少是真的。你为什么会对这些研究员有兴趣，到要印海报去找他们？

高岱恒： 这件事发生在 2025 年初，但我从 2019、2020 年就开始写关键技术背后的作者。比如 StyleGAN，它第一次让很多生成图像到人眼很难分辨真假的程度；再后来是 Jason Wei 做思维链，把模型内生的推理能力挖出来。成果离每个人越来越近，作者却离大众很远。

我受到 Durk Kingma 的启发。他是 OpenAI 的技术联合创始人之一，也是 Adam 优化器的第一作者。2015 到 2020 年间，那篇论文在科研圈的引用极高，但大多数普通人不知道他是谁。2022 年 ChatGPT 出来，聚光灯打在 Sam Altman、Ilya 身上；我更想知道，具体的活儿是谁做的，哪些人经历过完全不被看好的阶段，最后又写进了技术史。

所以我做了一张海报，写着：这群人有点像文艺复兴时的米开朗基罗、拉斐尔，只是大家还没有那么了解他们。它不是说今天的 AI 研究员等同于文艺复兴大师，而是提醒大家，作品刚发生时，做作品的人常常只是 workshop 里接活的画匠。

Raymond： 当时大家可能觉得美第奇家族最厉害，有钱、盖教堂；画匠就是装修师傅。五百年以后，美第奇未必人人记得，达芬奇、米开朗基罗和他们的作品还在。今天谁是 CEO，没那么重要。

高岱恒： 对。我觉得今天已经进入一个智力超级垄断的时代，最智能的 token，价值比钱还要高。 模型公司真正稀缺的，不是一个漂亮的头衔，而是能把一项东西第一次做出来的人。今天大家每天都在用的很多能力，最初可能来自一位非传统名校毕业者的工作。高岱恒提到 Anthropic 的 Skills，也提到过来自俄亥俄州立大学的作者 Case：作品先被用起来，履历才被重新解读。

这当然不等于说个人英雄能永远压过组织。早些年的关键突破，可能是一两个人在很窄的局域里突然想到一条路；今天的大模型已经是大规模军团作战，个体的闪光和集群、数据、工程、产品都绑得更紧。但这两件事并不矛盾：团队越大，真正做过关键环节的人反而越值得被分辨。人们把注意力只放在 CEO 或融资额上，往往就会错过下一张技术地图从哪里开始画。

你看欧林工程学院就很有意思：2003 年才成立，离波士顿不远，每届本科生只有几百人。GPT-1、GPT-2 的第一作者 Alec Radford 从那里毕业；他的同学卢克·梅兹后来也去了 OpenAI，再去了 Meta。

我追 Alec 的经历，会看到很多被轻视、被拒绝、想离开学校的时刻。RAG（Retrieval-Augmented Generation，检索增强生成）的第一作者帕特里克·刘易斯，本科后先在越南待了一年，后来进了一家创业公司，公司被 Meta 收购，再跟导师去伦敦大学学院读博，才做出 RAG。这样的轨迹很不规整。早年我把这些故事讲给国内头部实验室的人听，很多人也没兴趣；直到钱给这些人标出了所有人都能看懂的价格，大家才突然想知道，原来是谁发明了 Adam、谁做了 RAG。

Raymond： 我就是这种很功利的读者。一百个普通研究员的故事，我大概不看；你说一百个人平均值两亿美金，我马上就想看。发明 RAG 我未必 care，告诉我它能值五亿、十亿，对话立刻变了。你厉害的地方，是在钱还没有替他们说话的时候，就已经在记这些人。

三、没有转会费的偷猎市场，到底在给什么定价？

Raymond： 现在硅谷抢人已经像转会市场。它是怎么突然烧起来的？在天价挖人之前，这些研究员和普通工程师有什么区别？

高岱恒： 我看到的脉络是从 2025 年初开始的。Meta 在模型竞争里落后，Llama 4 的榜单成绩和实际体验之间有很大落差，公司当然着急。体育里，一个球员从 A 队去 B 队，通常要给原俱乐部转会费；AI 的关键词是 poach，偷猎。你把一个人挖走，原公司不但拿不到钱，最重要的智力资产还会跟着走。

普通工程师走的是爬梯子：工作三到八年，从二十万到八十万美元，谷歌的 L3 到 L7，类似国内从 P7 往上。研究员走的是另一条轨道，很多人都叫 member of technical staff，没有那么清楚的 senior、junior。经验多一些的人原来能拿到小几百万美元，但很大部分是期权和股票，未来到底能兑多少并不完全确定。

美国的差别在于，头部科技公司的期权往往按月授予，AngelList 之类的平台也让一部分员工有机会处理自己的期权；中国通常按年授予，限制更多。Meta 是上市公司，公开市场直接给出价格。当扎克伯格的团队把名单画出来、一个个去谈时，原来一年五十万、一百万美元的人，可能被翻到几十倍。被市场讨论到一亿美元总包的，满打满算也只是小几十个人；共同点不是学历，而是有明确的代表作。

Raymond： 庞若鸣是最有名的 case。按公开报道，两亿美元总包哪怕分四年，一年也五千万美元，高过很多顶级运动员。他在 Meta 只待了七个月，又回 OpenAI。钱到了这个级别还留不住，买到的究竟是什么？

高岱恒： 庞若鸣是这波里比较特殊的一个人。他在苹果已经是很高级别的机器学习负责人，年纪也比许多 94 后、95 后、甚至 00 后的主力研究员大一些。对这个层级的人，五千万和一亿的差别不一定是最重要的；研究的黄金窗口也就两三年，能不能在一个组织里安静做出下一项重要作品，scope、同事、组织稳定性，都可能比再多一点钱重要。

Meta 的超级智能实验室在快速调整，有些人会不适应。去 OpenAI，收入可能低一点，但仍然足够高，换来的是更明确的工作环境。研究员不是只在卖工时，他们在卖下一次发现可能发生在哪里。公司花大钱买的是选择权，不是一个永远会服从组织结构的零件。

四、管过一万张卡的人，为什么并没有完全藏起来？

Raymond： 你们会维护名单：谁真正管过五千张、一万张、十万张卡？公司现在越来越不让发 paper，这些人还能从公开信息里找出来吗？

高岱恒： 先得把“管卡”拆开。一类是机房和数据中心侧，怎么把卡连起来、并行调度、哪张坏了怎么替换；像参与大规模数据中心、Crusoe 一类项目的人，靠的是很重的经验。另一类是算法、训练和推理基础设施。FSDP、Megatron 这类项目的 contributors，本身就是一张很有价值的活名单：你要是在千卡、万卡的真实场景里做过精度对齐、并行训练、故障修复，提交过的代码会留下痕迹。

十年前我给 PyTorch、TensorFlow 提 PR，小规模测试过就能 merge；今天如果没在大集群里碰过问题，很多 bug 你甚至想象不出来。vLLM、SGLang、TileLang 这一类技术栈背后的人也是同理。公司不愿意让员工把最核心的大模型路线都写成论文，公开发表确实比以前收紧了；但人不会突然从什么都没做过，变成 Sora 或 Seedance 的核心贡献者。

论文、Hugging Face、GitHub 提交、X、演讲、采访、旧同事的记录，拼起来会有一条轨迹。它不是一张领英简历，而是一个人做过什么、愿意公开什么、跟什么社区发生过关系。我们做的不是给每个人打一个绝对分数，而是把线索结构化，让人能继续判断。这里面也有很强的时间顺序：一个人在小模型、玩具项目上的公开探索，可能只是后来进入前沿实验室前留下的早期信号；等到核心路线全部不再公开，外部就只能顺着这些前史、合作关系和社区活动，去理解他现在大概站在什么位置。公开轨迹不足以证明一个人“负责了某个模型”，但足够让研究、招聘和投资的人提出更具体的问题。

Raymond： 所以你看到的不只是技术标签，还有一个活人。你提过世界实验室的联创 Ben Mildenhall，是 NeRF 的第一作者；你甚至知道他会弹拉赫玛尼诺夫，因为主页上放过他弹钢琴的视频。

高岱恒： 对。人毕竟跟物理世界有交互。技术履历会告诉你他做过 NeRF；他公开留下的东西还会告诉你，他怎么分配注意力、怎么跟外部世界连接。找人不是把关键词塞进筛子里，尤其是找非常少的人。你要能把散落的信号慢慢对上，才知道这个人到底是不是你要找的那个人。

五、三年前的天才为什么可能今天找不到工作？

Raymond： 过去十二到十八个月，什么方向在涨价，什么方向在掉价？大家都觉得视觉、视频、具身很热，可你说多模态的人才反而在往下走，这怎么理解？

高岱恒： 这里说的不是产品需求会不会增长，而是再多一个算法研究员的边际价值。多模态里，无论是 VLA、VLM、World Action Model，还是视觉和视频，很多方向的路线在收敛，真正卡人的部分更像数据。我们当时在通义万相做项目，就已经有这个感觉：如果你有高质量的数据，很多原来要靠复杂算法技巧解决的问题会变得不一样。

Raymond： 这听起来很反直觉。视频明明是中国少数出现强烈产品体感和巨大 PMF 的方向；你说的不是视频没价值，而是产品需求变大，不代表再加一个算法研究员也同样值钱。

高岱恒： 对。图像和视频要继续往前推，还是要有足够的算力和数据，要把数据管线做得足够好。算法侧当然还能做出差别，但边际收益没有那么大。行业愿意继续投钱，是因为数据、算力和产品分发还在拉开差距；人才的边际定价，则要看这个人是不是站在真正稀缺的那一层。

这会把过去的评价标准一起改掉。2020、2021 年招应届博士，三四篇顶会一作，阿里可以给到阿里星，类似高一点的 P7；今天大模型让论文生产速度快得多，有人甚至不跑完整实验，也能很快拼出一篇看起来像样的东西。论文不是没有意义，而是“顶会一作数量”越来越难单独代表一个人的稀缺性。按三四年前标准很优秀的人，今天也可能找不到合适的工作。

真正往上走的，一块是和数据、后训练有关的能力，例如 OPD（on-policy distillation，同策略蒸馏）；另一块是 AI infra。前者不是简单模仿一个更强的模型，训练路径、奖励、采样和数据质量都会影响结果；后者解决的是同一批机器能不能每秒多吐出一些 token。吞吐从 1 倍提到 1.2 倍、1.5 倍，在高质量 token 仍然稀缺的时候，价值很直接。

OPD 背后还有一个更现实的约束。除了 OpenAI、Anthropic 之外，很多团队都想用强化学习把模型再往前推，但卡是有限的。节目里高岱恒举的量级是：顶级实验室能有十万张卡，大多数公司可能只有几千张到一两万张，而且还经常是 A100 80G、A100 40G、H100、L20 混在一起，像把五百个长得不一样的算盘硬拼起来。一次训练不是“跑一下试试”：按他给的价格，一张 H200 每小时几美元到十美元，几百张卡一跑就是几天甚至一两周。

强化学习还需要奖励。很多真实任务没有天然的 reward signal，得人工写很细的 rubrics（评分准则），再反复收集、筛选、标注。钱花下去，模型改进不一定立刻显出来。于是很多公司宁愿承认自己会比最强模型差一点，也想直接学最强模型的输出：先把“好答案”当作学习对象，少承担一整套奖励设计的成本。这也是为什么一项刚出现的工作，会迅速集中到少数真正上过手的人身上。

Raymond： 这就会出现一个很奇怪的画面：一个二十三岁的实习生，刚好被分到 OPD 或大规模推理这件事上，做了一年，可能已经成了全行业少数做过的人；可他做的方向再过十八个月，也未必还值钱。

高岱恒： 对，AI 人才的半衰期，和模型一样短。 今天训练 GAN 很厉害的人，这个技能放到今天可能就是零元对价。很多人以为从搜索、广告、推荐转到大模型只是换一套工具，其实还要换一套思维：过去点击率涨几个点，收入会很快给你反馈；模型 benchmark 提高，不等于用户体验就变好。你习惯了确定反馈，进入一个高噪声、强探索的环境，会很不舒服。

所以别把“会 OPD”当作一个固定职业名。真正值钱的是进入新问题的速度、做过真实系统的经验、以及在下一次范式切换前继续重新学习的能力。方向本身会过期，能不断拿到新问题的人不会。

Raymond： 这也是为什么你会说，最理想的 OPD 候选人不一定是名校毕业很多年的资深人，而可能是头部基模团队里刚做过这件事的实习生。工作是过去一年才出现的，他被分到这个任务、练了一年，就成了二十三岁的行业老师傅。

高岱恒： 对。这个判断听起来很冒犯，但它说的是经验的稀缺，不是人的全部能力。一个人早十年拿到的头衔，可能不如另一个人过去一年在特定系统里踩过的坑。也正因为这样，人才地图不能只按毕业院校、论文数、公司级别去排；得把“在哪个时间窗口、对什么问题、用过什么资源”一起看。

六、钱、卡和强势老板，为什么还买不来一次突破？

Raymond： 如果人才这么贵，钱、卡、强势老板都到位，是不是就能把研究管出来？很多投资人和管理者会用过去互联网的经验看这件事：定 KPI、冲榜、加班，总会有结果。

高岱恒： 研究不是一条已经知道终点的生产线。你能把一个 benchmark 做高，不代表模型在真实任务里更有用；你也可以给团队极强的资源，但发现的方向不一定会按管理层预设的路径出现。很多重要成果最早并不是从最标准的履历、最完整的组织流程里出来的。

如果它只是一个管理学问题，逼大家不睡觉就能解决，那你觉得你比马斯克还强吗？把“大力出奇迹”用在一群研究员身上，容易把人挤崩。人会离开，或者开始做最容易被考核的事，出现 reward hacking：看上去分数很高，实际没有把问题往前推。研究环境需要资源，也需要允许人把时间放在一件眼下无法证明的事上。

Raymond： 我看混元、搜索、广告、推荐这些旧团队转大模型时，会看到同一个问题：过去优化 CTR，涨几个点就知道收入多了多少；现在很多团队还在追 benchmark。Llama 4 的榜单看上去很好，实际体验却不一定好。传统组织很容易把“可量化”误当成“真的往前走”。

高岱恒： 这就是思维方式的转换。过去做搜广推，反馈很确定；大模型里的 benchmark 只是一个测试集，不等于最终能力。习惯确定性的人，会本能地寻找一个可被稳定优化的指标；新问题的反馈更混沌，标准也更多。你不能因为一个人过去在传统系统里很强，就默认他能在这里继续强。环境也会不断滚出更有想法的人，单个明星不是拿到一次成绩就能一直复制下一次成绩。

回到 Alec Radford：欧林工程学院的本科生，身边有加州理工、斯坦福、伯克利的博士，为什么重要突破会由他做出来？不是因为管理层提前在表格里选中了他，而是环境允许人去做当时还没有确定回报的事。节目里 Raymond 提到 xAI 的教训：如果把研究变成纯粹的 benchmark maxing，把人逼着加班，最后很可能只得到能过指标的东西，或者把人直接挤走。

Raymond： 这也解释了，为什么公司会同时焦虑薪酬倒挂和内部公平。节目里提到，OpenAI 2025 年的 SBC（stock-based compensation，股权激励）相对收入看起来很高；后面从市场抢来的人会不会比老人贵，组织到底怎么解释？

高岱恒： 当时平均到个人，大约一百五十万美元，从今天看已经不算特别高。SBC 显得高，一部分是因为估值涨得快、收入还在追，股票被拿来补偿；另一部分是人才市场真的在重新定价。内部也不完全是“谁先来谁吃亏”，很多人会看得很清楚：你能不能独立把一段模型 coding 和发版扛下来，能扛就是更稀缺；只是其中一个环节，定价自然不同。

训练的最大成本仍然是算力和数据，人的成本不是简单占掉一半。但大家都能买卡、买数据，最后模型为什么有的训得更好，人与组织的作用会被放大。大模型更像无限游戏：没有一个公司能宣布终局，别人就会停止投入。

Raymond： 那这轮人才价格是泡沫吗？

高岱恒： 我觉得暂时还不能这么看。按节目中引用的麦肯锡估算，AI 能影响的白领劳动市场规模很大，和现在模型公司的人才开支之间还有很长的距离。真正的问题不是能不能付出更高工资，而是模型能不能实际接过更多工作，以及社会会不会接受这个过程。要是这两件事走通，今天的价格未必高；走不通，当然所有账都要重算。

这也是这场人才战最容易被误读的地方。公司不是在为“会写代码的人”统一涨价，而是在为一个非常短的时间窗口竞价：有人此刻既懂新训练方法，又在真实集群里跑过，还能和一个合适的团队一起把工作推进。窗口一旦过去，价格会迅速回落；窗口没有过去之前，外部看起来再夸张的 package，也可能只是公司试图买到一次上车机会。

七、一把吉他和十年期权：抢到人以后，怎么不把人逼走？

Raymond： Cursor 为什么会给土耳其候选人送一把吉他？这听起来不像招聘技巧，像谈恋爱。

高岱恒： 传统招聘要么让猎头、招聘专员去领英、Indeed 找人，等谁回复；要么把岗位发出去，等候选人投递。现在 Agent 越来越强，投进来的简历里有大量 spam，还会被 Greenhouse、Workday 这种 ATS（申请人跟踪系统）过滤。Cursor 的方法不是把漏斗开得更大，而是先判断全世界最值得长期追踪的五十到一百个人是谁，再持续建立联系。

他们不只找单一专才。技术半衰期很快，今天需要一个人做的事情，明天可能就不存在了，所以更想找能改变自己形状的通才。给候选人送一把他真的会喜欢的吉他，成本比几百万、上千万美元的 package 差距低得多；它传达的是，你不是一份从漏斗里掉下来的简历，我们真的理解你。甚至候选人会因为这段关系，不再去面别的公司，也就不会被另一份 offer 重新定价。

Raymond： 你们把传统招聘叫“绝望漏斗”。我后来觉得人生很多决定都像这个漏斗：投资投一百个项目，A 轮没投到张一鸣，B 轮没投到，C 轮也没投到；最后看着漏到自己手上的机会，还以为是在选择。反过来，先把那个时代前一百个人定出来，再追着他做关系，才是 high touch。

高岱恒： 这件事反人性。你会怀疑自己的判断：真的是那一百个人吗？我现在花这么多时间，回报在哪里？很多人算不过来，就继续等候选人投递。但 work trial 也是这个逻辑：AI 时代不需要再找一个只会拧螺丝的人，一轮面试、几篇论文很难看出一个人能不能不断改变形状，得一起工作一段时间。

Raymond 把这个差别借用了投行的 high touch / low touch sales 来解释。high touch 的销售不只是群发邮件；他盯着 Fidelity、Capital 这样的账户，连对方家孩子过生日都知道。低触达的销售把名单交给初级员工，靠大量覆盖等一个回复。对前一百个人做持续关系，短期看不经济，长期却可能决定你能不能接触到真正稀缺的机会。这个道理不只适用于招聘，也适用于投资、找合伙人和判断下一轮人才流动。

高岱恒： 当然不是每家公司都能照抄。持续追踪、长期建联本身要花人和钱，Cursor 有很好的融资和资源，才有余裕把它做得这么重。但它至少把问题问对了：不是等市场把人送到你面前，再从剩下的人里挑；而是先形成判断，再为判断付出成本。对极稀缺的人才，后者才像一门真正的竞争。

Raymond： 找到以后还有留人。DeepSeek 从无人问津到突然被全世界盯上，外面都在挖人；十年 vesting 能锁住人吗？

高岱恒： 有些人离开，跟股权周期有关。十年 vesting（分期归属）太长，很多人会说这比长征还久。更矛盾的是，前面刚说过技能可能十八个月就过期；你让一个人在十年里等股权，等于让他拿整个职业生涯对赌一个未必还存在的方向。

保密也有成本。Keller Jordan 做 Muon 优化器，最早甚至不是论文，只是一篇博客；对很多技术人来说，GitHub 的 star 是最大的鼓励。公司要是告诉他以后不能写技术博客、不能公开表达，可能就把一部分最愿意创造的人挡在门外。人不是只看薪水，也会看能不能把自己的作品留在世界上。

八、DINQ 不想做“AI 时代领英”，它到底想把什么变成基础设施？

Raymond： 我最初以为你做的是一个猎头公司，帮人找下一个庞若鸣；后来听下来又不像。DINQ 到底是什么？

高岱恒： 我的一句话是 OpenRouter for people search。过去在中国招人，要在脉脉、BOSS 直聘、猎聘之间切换；国外有领英、Indeed，东南亚有 JobStreet，德国有 Xing。每个平台的数据、付费和搜索逻辑都不一样。我们把这些来源通过 API 集成起来，用户可以在产品里用，也可以把“找人”直接接进 Codex、Claude Code、WorkBuddy 这类 Agent。用户不必先决定自己该去领英还是 Indeed；他可以直接问“找在新加坡的 Anthropic FDE”，由工具处理来源、匹配和筛选。过去这些动作通常由 HR、猎头或实习生在多个平台之间来回切换；如果 API 和 Agent 把过程吃掉，用户需要关心的就只剩“有没有找到合适的人”。

高岱恒把它放在搜索这个更大的变化里理解。按旧互联网的直觉，搜索应该被 Google、Bing 这种大平台吃完；现在 Exa、Tavily、Parallel 这些新公司说明，中间的聚合层仍然有机会。找人尤其难被一个大平台统一掉：百度、抖音、微信都曾尝试做招聘，但人才不是标准商品，BOSS 直聘、51job、智联这些不同年代的产品一直共存。DINQ 不想复制一个新的领英页面，而是希望把跨平台、跨格式的人才信息变成一项可调用的原子能力。

领英很擅长关键词搜索，可关键词经常找不到真正的人。你想找世界模型的人，对方可能只写过“我是 Sora 的作者”；想找 Anthropic 的 FDE，也不一定在主页上留下最新职务。Agent 能把技术作品、公开轨迹和搜索意图放在一起理解，先给出更像样的候选人，再让人做判断。目标不是替谁宣布某个人一定最好，而是把原来散在不同数据库、论文和社交网络里的线索组织成可用的搜索能力。

Raymond： 但真正需要招顶级研究员的大客户就那么几家。你为什么还做 PLG（product-led growth，产品驱动增长）和按 token 计费？

高岱恒： 第一是习惯。很多出海团队不愿意、也不一定有能力买一万美元一年的领英账号；如果他先用一次就找到结果，按月买、下个月不用就取消，门槛会低得多。第二是 Agent 会不会变成日常入口。用户接入 MCP（让 Agent 直接调用工具的接口）之后，可能根本不在意中间打开了多少数据库，只会发现额度怎么用完了。

找人的本质是结果，不是过程。你打开 BOSS、领英还是 Indeed，都是过程；就像从 A 点到 B 点，坐飞机、坐 robotaxi 都可以，只要别中间撞一下。它也不只服务“招庞若鸣”这种极端需求。做人才 mapping 的 HR 要给老板建立参照系；出海团队要去南美找销售；设计师、研究员、运营负责人，只要有能被作品和轨迹证明的东西，都可能是搜索对象。

Raymond： 我原来的心智模型太窄了。我以为这是“我要招一个庞若鸣”，所以不停问你 VLM、VLA、后训练；其实“去南美找一个出海销售”也能用，而且后者可能更泛化。招聘一直是很特别的市场：它以人为中心，非标性很强，大流量平台也没能把它直接吞掉。你不是把人做成一份标准化商品，而是让原来不相通的信息源能被一次自然语言提问调动起来。

高岱恒： 对，人的共同点是他要被找到，但证明自己价值的材料可以完全不同。研究员有论文和代码，设计师可能有作品集，销售会有地区和客户经历。过去每一种材料散在不同地方，招聘方先得知道去哪找，再知道怎么比较。Agent 真正有用的地方，是先替人跨过这几道门槛；最后是否联系、是否录用，仍然需要人做判断。

Raymond： 这也会变成投资信号。有人每个季度去硅谷，本质上沿着 arXiv 找人；如果一个研究员在转会或创业之前变得活跃，能早点看到轨迹，投资人会很有兴趣。

高岱恒： 确实有人来要过这种定制服务，但他们往往也说不清自己到底要找什么，最后需要的是一套更宽的推荐系统。很多关键人的领英资料根本不更新：例如 Sora 2 的第一作者 Harold Li，领英上可能还只停在 UCLA 博士阶段。我们还在继续爬数据、补公开轨迹，想把真正有用的人才流动信息做得更完整。

Raymond： 这也是为什么我会对“AI 研究员转会月报”有兴趣。美国有 TBPN 这样的节目，把研究员流动讲得像职业体育；他们做排行榜，按国别和方向排。信息一旦能被持续记录，投资人就能看到谁转去哪里、哪些公司在收人、什么方向突然变热，而不必等到一家公司融资或一项产品发布后才知道。

高岱恒： 但这不能被简化成一张神秘名单。转会前的人会变得更活跃，只是一个线索；有人要过定制服务，最后发现自己并不清楚真正需要什么。要把它做成可用的推荐系统，仍然要判断角色、技术、时间、地点和团队关系。数据多不等于答案已经在那里，人的判断仍然在最后一层。

这件事最后又回到最开始：一个人的下一次作品还没有发生前，市场只能先从他过去留下的痕迹里下注。两亿美元不是结论，只是全世界第一次用一个很粗暴的价格，承认有些人的下一次选择，可能会改变一家公司，也可能会改变一条技术路线。

如果你也在看这个方向，或者不同意上面的判断，欢迎写信到 [email protected]——不想写信也没关系，把邮箱留在下面就行。