人类表征
DINQ Talent Intelligence 的 Human World Model 中，每个个体的结构化数据编码模型。它从六维度持续描述一个人——不依赖自我陈述，而是基于全网公开行为的客观证据动态更新。
简介
人类表征（People Attributes）是 DINQ Human World Model 中用于描述每个个体的数据编码框架。与传统的简历或 LinkedIn 档案不同，人类表征不依赖个人的自我陈述，而是基于全网公开行为的客观证据——学术论文、GitHub 提交、Kaggle 成绩、Hugging Face 模型、社交媒体互动等——持续动态更新。
其核心理念是”简历是写给人看的，DINQ 构建的是给机器读的人”。传统招聘工具只能匹配候选人自称拥有的标签，而人类表征框架下，机器通过客观行为证据推理出一个人的真实能力、协作网络和成长轨迹——就像区块链的 Proof-of-Work 概念应用于人类专业成就的验证。
人类表征是 Human World Model 的数据模型层，也是 DINQ 区别于 Juicebox（词法检索）和 Mercor（自报+撮合）的核心壁垒——它把”人”从一段文本变成了一个可查询、可推理、可比较的结构化实体。
关键信息
- 类型：AI 概念 / 数据模型
- 领域：表征学习、人才智能、知识图谱
- 所属系统：Human World Model（DINQ Talent Intelligence）
- 相关概念：Human World Model、DINQ Talent Intelligence、Juicebox、Mercor；知识图谱、表征学习、Proof-of-Work（纯文本标注，实体页待积累）
核心特性
六维度表征结构
在 DINQ 的模型视角下，每个人被编码为六个维度的结构化数据：
- 身份验证：基础身份确认，区别同名/相似名个体
- 能力与 Proof-of-Work（工作量证明）：基于论文发表、GitHub 贡献、竞赛成绩、项目参与等客观行为证据验证的专业能力，而非自报标签
- 共创图谱：与哪些人、在哪些项目中产生过价值共创的协作网络——合著论文、联合开发、共同参赛等
- 职业轨迹与成长动量：从职业路径的时间序列中提取成长速度、方向变化、领域跃迁等动态信号
- 关系与信任路径：通过共同协作者、同门/同事网络、引用关系等构建的间接信任链路——即使两人从未直接合作，系统也能找到可信的中继连接
- 可触达性与授权：该个体的可联系程度与信息可见范围管理
与传统简历的根本区别
| 维度 | 传统简历/LinkedIn | 人类表征 |
|---|---|---|
| 数据来源 | 个人填写、自我申报 | 全网公开行为证据 |
| 更新机制 | 手动更新 | 动态行为持续刷新 |
| 可验证性 | 依赖背景调查 | 客观行为可自行验证 |
| 发现的连接 | 显性关系（前同事、校友） | 隐性关系（合著者、协作者、竞赛队友的关联网络） |
| 机器可读性 | 非结构化文本 | 结构化、可查询、可推理的编码 |
典型应用
- 能力互补度计算：通过两人共创图谱的交叉分析，推理出即使简历关键词不匹配的隐性互补关系（如 DINQ 案例：候选人无”强化学习”标签，但与目标公司 CTO 的前论文合作者有紧密开源协作，能力互补度判定 87%）
- 创业/离职倾向预判：通过监测职业轨迹中的简介标签变更、前同事网络流向、协作活跃度变化等信号（如 Fei Xia 将简介从”DeepMind”改为”Ex-DeepMind”，标签新增”AGI through Embodiment”，前同事网络多人流向具身创业公司，DINQ 给出创业概率 75%）
- 专家资质验证：为 AI 数据标注和专家匹配场景提供基于行为证据的资质审核，替代 Mercor 式的人工审核成本和自我申报风险
不同素材中的观点
- 2026-07-16-woshipm-dinq-human-world-model（Z Finance）：首次系统论述人类表征的六维度框架，强调其区别于”个人自我陈述”的本质——“前者依赖自我申报，后者依赖客观的行为证据”。同时以 Fei Xia 创业概率预判和 Sora 2 一作 Harold 的人才发现两个案例展示了表征数据在推理场景中的实际价值。