深度丨尋找水下的萬億價值：這家公司想用 AI 重構(gòu)一個關(guān)于「人」的世界模型

2002年的電影《少數(shù)派報告》里，華盛頓警方通過先知系統(tǒng)在兇案發(fā)生前鎖定罪犯。二十三年后，一家中國創(chuàng)業(yè)公司把同樣的預判邏輯用在了人才市場。

今年7月，DINQ Talent Intelligence 對37位全球頂尖AI研究員做了創(chuàng)業(yè)傾向研判。排在"高概率層"首位的是 Fei Xia，前DeepMind Robotics核心負責人，也是SayCan、RT-2、Gemini Robotics的關(guān)鍵作者。

機器捕捉到的信號包括：他的X簡介從"DeepMind"悄然改為"Ex-DeepMind"，標簽新增"AGI through Embodiment"；前同事網(wǎng)絡(luò)中，多人已流向World Labs、Physical Intelligence等具身創(chuàng)業(yè)公司。DINQ系統(tǒng)給出的創(chuàng)業(yè)概率：75%。

這發(fā)生在官方離職消息公布之前。

"Minority Report predicted crimes. We predict the human world." DINQ創(chuàng)始人Sam說。

這不是招聘工具的詞法搜索。DINQ的Agent實時調(diào)取全網(wǎng)信息做推理，論文合著、GitHub協(xié)作、Kaggle競賽記錄。即便候選人簡歷里沒有"強化學習"，系統(tǒng)也能推理出他與貴司CTO前論文合作者的開源協(xié)作關(guān)系，給出能力互補度87%的判定。

新版本上線不到一個月，DINQ付費客戶已有全球頭部短視頻巨頭、國內(nèi)頂級電商平臺、"大模型六小龍"之一、全球領(lǐng)先的世界模型公司，以及一家德國百年工業(yè)巨頭。年化經(jīng)常性收入突破百萬美元。

底層邏輯：一個關(guān)于“人”的世界模型

從早期的趣味嘗試到如今的 DINQ，產(chǎn)品形態(tài)雖歷經(jīng)迭代，但底層的硬核邏輯從未改變，那就是用機器“讀”人。創(chuàng)始人 Sam（高岱恒）將這套底層技術(shù)稱為 Human World Model（人類世界模型）。簡單來說，這是世界模型在人才網(wǎng)絡(luò)上的落地應用，其本質(zhì)是構(gòu)建人類價值連接的知識圖譜，訓練一個“人類表征大模型”（Foundation Model of Human Representations）。

這個模型的底層直覺十分樸素：人和人的連接在互聯(lián)網(wǎng)上無處不在。在專業(yè)層面，學術(shù)論文的合著、GitHub 上的開源協(xié)作、Kaggle 競賽的并肩作戰(zhàn)、Hugging Face 上的聯(lián)合開發(fā)，都構(gòu)成了深度的價值共創(chuàng)；在社交層面，社交媒體上的每一次互動與探討，則編織起廣泛的弱連接。這些真實發(fā)生、高頻更新的行為，蘊含著人與人之間關(guān)系最有效的信號——而這些信號，在任何通用大模型的訓練語料里都是不存在的。

目前，DINQ 已完成了全網(wǎng)人才原始數(shù)據(jù)的爬取、清洗與標準化。依托每個人的專業(yè)成就與協(xié)作記錄，它將碎片化的個人信息交織成一張龐大的圖譜網(wǎng)絡(luò)。AI 得以沿著這條價值鏈條，精準推理出人與人之間的隱性連接、能力淵源與合作鏈路。正如團隊所言，簡歷是寫給人看的，而 DINQ 構(gòu)建的是給機器讀的人。

在 DINQ 的模型視角下，每個人都被編碼為一條結(jié)構(gòu)化、可查詢的“人類表征”（People Attributes）。它涵蓋了身份驗證、能力與 Proof-of-work（工作量證明）、共創(chuàng)圖譜、職業(yè)軌跡與成長動量、關(guān)系與信任路徑，以及可觸達性與授權(quán)。這些維度均由真實的動態(tài)行為持續(xù)更新，而非靠個人的自我陳述。

這完美詮釋了公司名字的由來。DINQ 代表 Deep INtelligence Query，其中 Deep 指發(fā)掘隱藏在“隱空間”的人類表征，而非流于表面的簡歷；INtelligence 指核心的 Human World Model；而 Query 則是一個供 Agent 與人類共用的智能查詢界面。

解析行業(yè)格局：DINQ 的降維優(yōu)勢

要理解 DINQ 的天花板，首先需要厘清它與市場上兩家明星企業(yè)——Juicebox 和 Mercor 的本質(zhì)區(qū)別。這兩家公司常被投資人拿來與 DINQ 做對比，但它們的底層邏輯截然不同。

Juicebox 是目前 AI 招聘工具中跑得最快的明星產(chǎn)品，由 YC 孵化，紅杉領(lǐng)投，主要解決的是初級招聘中繁瑣的篩選和觸達工作。Juicebox 的邏輯是告訴你這個人的簡歷里有某個關(guān)鍵詞，而 DINQ 則是用 Agent 替代資深獵頭的判斷力。即便候選人沒寫某項標簽，DINQ 也能推理出他與貴司 CTO 的前論文合作者有著緊密的開源協(xié)作關(guān)系，能力互補度高達 87%。

另一家常被對標的 Mercor 憑借 30% 撮合抽成的模式在數(shù)據(jù)標注與專家匹配領(lǐng)域瘋狂吸金，估值已觸及 200 億美元。但 Mercor 的核心資產(chǎn)是專家供給池的規(guī)模，不具備理解人才圖譜的能力，因此極易面臨身份造假、簡歷注水及合規(guī)泄密等結(jié)構(gòu)性風險。Sam 形象地對比道，Mercor 只能告訴你這個人自稱懂強化學習；DINQ 卻能給出鐵證，告訴你這個人過去三年和誰在 GitHub 上合著過幾篇強化學習論文、被引用了多少次，合作者中有多少人在頂級實驗室任職。前者依賴自我申報，后者依賴客觀的行為證據(jù)。

從層級關(guān)系來看，Juicebox 停留在應用工具層（做檢索，不做理解），Mercor 處于交易撮合層（做匹配，不做推理），而 DINQ 則扎根于底層模型層。通過訓練一個關(guān)于人的世界模型，招聘和專家匹配只是其第一批落地場景。這決定了 DINQ 的天花板不是由招聘市場的規(guī)模決定的，而是由“人類表征”這件事本身的內(nèi)在價值決定的。

數(shù)據(jù)來源：Juicebox YC 官網(wǎng)披露、Mercor 官方博客及 TechCrunch 報道、Sacra 及 GetLatka 數(shù)據(jù)庫。
為什么首選“招聘”落地？

既然目標是“人類世界模型”，為什么第一步要落在高端招聘和尋訪上？

首先，高端人才尋訪是表征質(zhì)量最可度量的場景。DINQ 不需要向客戶兜售抽象的技術(shù)概念，把模型拉出來的候選人名單與資深獵頭的結(jié)果進行盲測對比，誰快、誰準，當場見分曉。其次，這是一個已經(jīng)被驗證愿意支付高溢價的成熟市場，客戶愿意為了“對的人”付出昂貴的資金，這本身就是一條現(xiàn)金流極佳的剛需賽道。而團隊最看重的第三層原因，是這個場景能帶來“自帶標注的數(shù)據(jù)閉環(huán)”。每一次搜索、每一次人才 Mapping、每一次成單，都是帶著極高質(zhì)量人類行為反饋的訓練數(shù)據(jù)，直接回流給底層模型。用 Sam 的話來說，客戶是在付錢幫我們訓練模型。

從 HR 的專業(yè)視角來看，傳統(tǒng)的尋訪模式是一次冗長的內(nèi)耗。招一個高難崗位，從全網(wǎng)盲篩、面試、談 Offer 到最終入職，常常要消耗一整季度的精力。尤其是在領(lǐng)英等傳統(tǒng)平臺的 Lexical Search（詞法搜索）模式下，如果 HR 輸入“圖像大模型”，而候選人的核心標簽是“R2”或“拉網(wǎng)”，雙方可能一輩子都無法相遇。

DINQ 利用 Agent 推理，提前對學術(shù)頂會、AI 公司做大量數(shù)據(jù)預處理和 Embedding。當用戶查詢時，Agent 會實時調(diào)取全網(wǎng)信息進行 Reasoning。例如，Sora 2 的華人一作 Harold（李流年），在傳統(tǒng)的通用大模型或 Agent 平臺里基本搜不出來，因為數(shù)據(jù)沒對齊；但 DINQ 的系統(tǒng)能根據(jù)他的論文、GitHub 和社交媒體動態(tài)實時推理，精準抓取。這幫 HR 省去了至少兩周的盲找時間，實現(xiàn)了從“模糊畫像”到“具象人才”的飛躍。

商業(yè)飛輪的無限想象力

招聘場景的順利跑通，只是 DINQ 商業(yè)版圖的冰山一角。一個更具想象力的雙重飛輪正在徐徐轉(zhuǎn)動。其第一層閉環(huán)從企業(yè)端尋訪開始。DINQ 當前的核心產(chǎn)品是一款全自動人才尋訪 Agent，面向獵頭和科技大廠的高端需求，百萬美元的 ARR 已經(jīng)驗證了其市場價值。更重要的是，它建立了一條高質(zhì)量的數(shù)據(jù)管道，讓客戶每一次的真實反饋都化為模型成長的養(yǎng)料。

第一層閉環(huán)跑通后，第二層閉環(huán)——專家數(shù)據(jù)網(wǎng)絡(luò)自然延伸出來。全球前沿大模型公司對高質(zhì)量人類反饋數(shù)據(jù)（RLHF、專家標注）的需求是海量且剛性的。Mercor 的爆發(fā)證明了這一市場的瘋狂，但其結(jié)構(gòu)性漏洞也同樣明顯。相比之下，DINQ 不需要像 Mercor 那樣耗費巨資進行人工審核，因為它的模型已經(jīng)完成了對全網(wǎng)人才的表征與連接，專家匹配是其模型能力的自然延伸。配合國內(nèi)海量且優(yōu)質(zhì)的 STEM 博士群體，這種地緣優(yōu)勢讓 DINQ 能夠直接提供極高標準且合規(guī)的專家網(wǎng)絡(luò)。

通過第一層閉環(huán)產(chǎn)出企業(yè)側(cè)檢索數(shù)據(jù)，第二層閉環(huán)產(chǎn)出專家側(cè)標注數(shù)據(jù)，兩類數(shù)據(jù)回流到同一個模型里交叉增強，正是飛輪能轉(zhuǎn)起來的關(guān)鍵。隨著模型精度每一次躍升，DINQ 將自然而然地拓寬更多場景，比如預測人才流動的銷售線索與異動信號、追蹤核心團隊動向的投資 Alpha 信號、面向第三方應用開放的開發(fā)者 API，以及讓專業(yè)人士主動認領(lǐng)并管理自己在圖譜上數(shù)字資產(chǎn)的個人端服務。這種“場景驅(qū)動數(shù)據(jù)，數(shù)據(jù)訓練模型，模型開拓新場景”的閉環(huán)一旦運轉(zhuǎn)，后入者將極難逾越由數(shù)據(jù)飛輪帶來的模型精度代差。

目前，AI 數(shù)據(jù)標注與人才模型層的全球合計市場空間已超過 2000 億美元。不僅塔尖人才在非線性增長（具身智能、AI Agent、向量數(shù)據(jù)庫等新崗位層出不窮），中腰部高價值技術(shù)人才的缺口也呈現(xiàn)爆發(fā)態(tài)勢。DINQ “從高往低”的降維打擊策略，讓其具備了在 2 至 3 年內(nèi)沖擊獨角獸估值的堅實底氣。

團隊：做最純粹的產(chǎn)品

DINQ 極具硬核科技色彩的團隊配置，與其“模型公司”的定位高度契合。CEO Sam（高岱恒）是前阿里巴巴通義實驗室資深研究員，Human World Model 和整個表征技術(shù)棧的底層架構(gòu)均出自他手。聯(lián)合創(chuàng)始人 COO Kelvin Sun（孫辰昕）曾任紅杉資本 Talent Expert，擁有 16 年人才領(lǐng)域深厚積淀，負責商業(yè)化開拓。而公司的首席顧問陸堅博士，則是前領(lǐng)英（LinkedIn）中國區(qū)總裁，也是上一代職業(yè)圖譜平臺在中國的領(lǐng)路人。

這支全職僅 8 人的精英團隊，追求一種極度高效與專注的“工作室”氛圍。Kelvin 笑著分享，他們最近已經(jīng)開始用自己的產(chǎn)品來招人了。起初系統(tǒng)里搜出來的人級別太高，公司根本 Offer 不起。但令人驚喜的是，他們已經(jīng)開始用它挖掘出了一些“水下”的寶藏。他最近聊的一位增長負責人，就是直接從 DINQ 上發(fā)現(xiàn)并聯(lián)系上的。這種能從自己的平臺上找到志同道合者的體驗，完全超出了他們的預期。

據(jù)悉，DINQ 此前已累計完成數(shù)百萬美元融資，投資方均為行業(yè)內(nèi)知名投資機構(gòu)。隨著新版本上線帶來的強勁商業(yè)化表現(xiàn)，公司的新一輪融資也已在高效推進中。

在 Agent 成為下一代軟件范式的當下，DINQ 押注了一個篤定的未來：每一個需要回答“這個人是誰、值不值得信賴、應該找誰”的機器決策，最終都需要一個關(guān)于人的世界模型。高端招聘，只是這個模型學會理解人類社會的第一課。