154: 从千问变动到「AI 英雄传」|与 DINQ 高岱恒聊传奇 AI 研究员们
AI 研究 开源生态 人才市场
这期对话从一次团队变动展开，却很快把镜头拉远：开放模型怎样进入研究社区，研究者怎样被看见，组织又该怎样与这群人合作。高岱恒曾在阿里达摩院和通义做算法工程师，现在创业做 DINQ。他一面观察 AI 人才搜索的变化，一面长期收集技术作者的人生故事；两条线在这期节目里交错在一起。
对 Sam 来说，AI 行业里最值得看的不只是模型发布或公司估值，而是具体的人怎样找到问题、做完实验、把成果放到公共空间，再被新的团队或用户发现。这种观察也决定了他对招聘产品的理解：简历只是入口，真正有用的信息散落在论文、代码、模型社区和个人表达里。
一场变动，先表现为搜索
节目开头谈到千问团队的人事变化。Sam 说，在 DINQ 的查询记录里，与千问相关的搜索量约为此前三倍，约有两三千条查询在找团队成员或既有论文的作者，集中在大语言模型、强化学习和 Agent 等方向。主要搜索者仍是 HR 与猎头；他还看到 Meta 的 Executive Search 人员在查找相关候选人。
这不是人员去向的统计，也不能据此推断谁会离开。它更像一次即时的市场切片：当一个有影响力的模型团队出现变动，外部组织会很快尝试理解这个团队里有哪些人、做过哪些工作、是否可能接触新的机会。
千问为何被关注
Sam 从开源影响力谈起，而不评论商业表现。他认为千问已在全球开源模型的第一梯队，并把它与 Mistral 等团队放在同一视野里比较。
影响力从哪里来
他的解释不是单一模型的名气，而是尺寸、模态和能力较完整的模型家族，以及研究者和开发者持续使用后留下的生态反馈。
开放模型如何成为研究中的默认选项
Sam 所说的开源影响力，有一个很实际的背景：很多研究者没有足够算力从头训练模型。可访问的开放模型因而能成为实验中的组件，既可以作为 Agent 的核心，也可以进入其他研究链路。他提到，从 2023 年下半年开始，已有团队在论文中使用千问模型；当这种使用不断重复，模型就不只是一个可选工具，而会逐渐接近行业里的事实标准。
他也把 Hugging Face 和魔搭社区看作 AI 时代类似 GitHub 的基础设施。模型、数据集和应用集中在这里，开发者可以下载、部署、评论和贡献。对平台而言，这些行为还会留下反馈：哪些模型被调用，哪些项目获得讨论，研究者和开发者正在解决什么问题。Sam 认为，托管推理和存储可以带来直接收入，但这样的平台对大公司更大的价值，可能在于把技术供给、使用场景和社区信号连接起来。
研究者与组织：代表作、算力和资源
面对前沿团队与大公司之间的张力，Sam 借用了文艺复兴工作坊和资源提供者的比喻。研究者进入一个强组织，并不只是积累几年工龄；他们希望在算力、数据和协作条件下做出能够证明自己的成果。组织需要研究者的判断来推进模型和产品，研究者也需要组织提供昂贵的实验环境。这段关系不必被简化成谁依附谁，而更像围绕成果持续协商的合作。
在他的叙述里，论文、训练框架、数据处理工具和开源项目都可以是代表作。它们的共同点是：别人可以阅读、复现或使用，并据此判断作者到底解决过什么问题。
就是他完整地在做一个作品。
这句话解释了 Sam 为什么反复回到作品。成果一旦公开，交流方式会改变。技术负责人不必只凭学历、学校或自述判断候选人；项目本身会成为对话的共同材料。公开作品当然不保证机会，也不能让所有背景差异消失，但它至少提供了另一种被发现的路径。
从改拼写到做项目：Sam 的开源经历
Sam 的路径并不是从传统计算机科研训练开始。2017 年，他担心继续原来的方向难以找到工作，赶上了 AI 课程和 AlphaGo 后热潮的扩散。毕业后，他做过图像检测、目标理解和行人重识别，随后把注意力放到 PyTorch。吸引他的，是动态图能够在编写网络时断点调试，更早暴露问题。
最开始他并看不懂框架底层代码，于是用笨办法逐个文件寻找英文拼写错误。几处修改被合并进主仓库，给了他继续做开源的反馈。后来，他把目标从小修正推进到图像和视频技术的贡献。这个过程没有传奇式的跳跃，却呈现了开源社区常见的积累方式：先用一项可完成的小工作进入现场，再逐渐承担更复杂的问题。
2019 年，他参与 DeepFaceLab 的算法工作。这个项目把换脸流程尽量包装成脚本操作，让不懂代码的人也能尝试高质量合成。项目带来外部联系后，他感到技术负责人更关心自己做过的工作，而不再先问学校或专业。
我觉得非常舒服的一点是，就当你有了作品，没有人会面试你写代码这种东西了，因为不重要了。
这并不意味着基础能力不再重要，而是说作品让讨论有了更具体的起点。Sam 的经验是，项目的质量和影响能够替作者完成一部分解释工作。
为什么要写 AI 人物故事
把 StyleGAN 从 TensorFlow 迁移到 PyTorch 时，Sam 对代码质量产生好奇，于是去找作者 Teemu Karras 的经历。他原本以为这会是一位湾区资深工程师，却发现对方在芬兰的 NVIDIA 研究院工作，而且没有大学文凭。类似的反差不断出现：PyTorch 的重要贡献者 Adam Paszke 当时还在华沙大学读大三；Alec Radford 在早期 OpenAI 的强化学习热潮里，坚持做 next token prediction，GPT-1 投稿 ICLR 被拒后，GPT-2 改以博客形式发布。
这些故事不是为了证明学历不重要，也不是把偶然经历包装成可复制的公式。Sam 关心的是技术成果背后的选择：有人在不热门的方向里坚持，有人从小项目积累，也有人因一次被收购进入新的环境。研究者的路径常常不整齐，这正是他愿意持续挖掘的原因。
他甚至在 2025 年 2 月去过 OpenAI 办公楼附近，想碰到 Jason Wei 等研究者。虽然没有如愿采访到人，他仍把自己的介绍贴纸放在了公告板上。这种略显鲁莽的行动，和他写人物故事的方式一致：不只读一条履历，而是试着接近产生技术的人和环境。
人才很多，信息却更难整理
AI 人才发现的问题，正在从供给不足变成信息过载。Sam 回忆，ICLR 在 2020 年的投稿量约一两千篇，到访谈所处年份他记得已经超过三万篇；这是他的回忆估计，但足以说明他感受到的增长速度。与此同时，研究者会在 GitHub、Hugging Face、Google Scholar、OpenReview 和不同社交平台持续留下痕迹。
DINQ 的想法正是把这些异构信息整理成可以搜索的画像。对招聘方，系统接住的可能是一篇论文，也可能是一组条件，例如方向、项目经验或希望接触的人群；对个人，聚合页是一种低成本分发。Sam 强调，产品当时还主要是信息聚合、展示和搜索，匹配功能还在后续规划中。
Sam 观察到的海外搜索
一些 CTO 或招聘经理从一篇具体论文开始，寻找作者、联系方式和相近方向的贡献者。
Sam 观察到的国内搜索
查询更常是一组筛选条件，从较宽的候选池里寻找满足年龄、学校、会议或项目要求的人。
这只是 DINQ 查询中呈现出的倾向，不能替代全面的招聘统计。Sam 自己也意识到，按条件筛选会把学历等易量化指标重新带回决策中；而公开作品路径的上限高，却不意味着多数人都能靠它直接被发现。
高薪、挫折与无限游戏
节目没有把明星研究员的高薪写成一个简单的胜利故事。Sam 说，大规模训练是复杂系统：数据、集群、参数、MoE 细节都可能让实验失效；当一次实验动用大量卡时，资源和时间的压力也会落在研究者身上。他不知道天价薪酬到底会怎样改变人的心态，只观察到一些人想先集中工作几年，之后获得更自由的研究空间。
因此，他给研究者的建议并不是每一次都要赢。选择新方向的人需要承受较长时间没有正反馈，也需要在日常实验里接受失败。若把每一个参数、每一次训练都当成必须立刻拿第一名的比赛，复杂系统很快会把人耗尽。
因为这我认为还是一场无限游戏嘛，无限游戏你为什么非要执着在明天就拿到第一名，那是短暂的第一名，对吧。
这句原话带着口语中的重复，但它的重点很清楚：长线判断、平常心和与同行连接，都是继续做研究的条件。高薪无法替代这种条件，算力也无法替代。
招聘的下一步，可能是人和任务的匹配
最后的话题回到 DINQ 以及更广义的劳动市场。Sam 的推演是：如果模型让需求澄清和执行速度都提高，一部分原本需要数月磨合的知识工作，可能会变成更短的项目或任务。那时，平台服务的对象不只是一家公司和一个长期雇员，也可能是一项明确工作和能够完成它的人。
这是对未来的推演，不是已经发生的事实。长期岗位仍承载培养、责任和复杂协作，不能因为工具更强就被一笔抹去。但它提示了招聘产品的一个变化方向：从匹配静态简历，转向理解公开作品、当前能力与具体任务之间的关系。
贯穿整期的，是一个朴素的顺序：先把手边真正重要的事做好，留下可以被检验的作品；再在变化很快的市场里，寻找下一次合作。对 Sam 而言，技术故事之所以值得写，正因为它们记录了这种并不整齐、也不会一次定型的过程。