DINQ · 用 AI 重构一个关于「人」的世界模型
DINQ Talent Intelligence 构建”人类世界模型”（Human World Model），通过全网开源协作数据（论文、GitHub、Kaggle）推理人与人之间的隐性连接与能力互补，从高端人才寻访切入，百万美元 ARR 验证市场价值，并展开双重数据飞轮的商业蓝图。
基本信息
- 来源类型：网页文章（人人都是产品经理 / Z Finance）
- 原文位置：
raw/articles/2026-07-16-woshipm-dinq-human-world-model.md - 原文 URL：https://www.woshipm.com/ai/6430955.html
- 消化日期：2026-07-16
- 字数：约 3533 字
核心观点
-
DINQ 构建了”人类世界模型”（Human World Model），本质是用全网开源协作行为数据推理人才之间的隐性连接与能力互补。数据来源不是简历而是学术论文合著、GitHub 开源协作、Kaggle 竞赛记录、Hugging Face 联合开发等客观行为证据。DINQ 系统已实际预判 Fei Xia（前 DeepMind Robotics 负责人、SayCan/RT-2/Gemini Robotics 作者）创业概率 75%，比官方消息提前。
-
DINQ 在行业格局中位于底层模型层，天花板由”人类表征”本身的内在价值决定而非招聘市场规模。对比 Juicebox（应用工具层，做检索不做理解）和 Mercor（交易撮合层、估值 200 亿美元但依赖自我申报、面临身份造假结构风险），DINQ 用 Agent 替代资深猎头判断力——即便候选人简历无”强化学习”，系统仍能推理出与目标公司 CTO 前论文合作者的开源协作关系，给出能力互补度 87%。
-
选择高端招聘为首个落地场景有三个战略原因：(1) 表征质量可度量——与资深猎头盲测对比直接见分晓；(2) 成熟高溢价市场——客户愿为”对的人”付昂贵费用，现金流速好；(3) “自带标注的数据闭环”——每次搜索/成单产生高质量人类行为反馈回流训练底层模型，“客户付钱帮我们训练模型”。
-
DINQ 设计了双重数据飞轮：第一层闭环（企业端寻访 Agent，已百万美元 ARR）→ 建立高质量数据管道；第二层闭环（专家数据网络，RLHF/标注需求）→ 模型能力自然延伸，无需像 Mercor 耗费巨资人工审核。两类数据回流同一模型交叉增强，未来将拓展人才流动预测、投资 Alpha 信号、开发者 API、个人端数字资产认领等场景。
-
精英团队与商业化验证：CEO Sam（高岱恒）前阿里通义实验室资深研究员、COO Kelvin Sun 前红杉 Talent Expert/16 年人才领域经验、顾问陆坚前 LinkedIn 中国区总裁。全职仅 8 人，付费客户已有全球头部短视频巨头、国内顶级电商平台、“大模型六小龙”之一、世界模型公司、德国百年工业巨头，年化 ARR 突破百万美元，全球 AI 数据标注与人才模型层市场空间超 2000 亿美元。
实操内容保留
（本文无实操代码/模板/步骤。文章为商业分析，聚焦公司战略、技术架构、商业模型和竞争格局的深度解读。）
关键概念
- DINQ Talent Intelligence — 本文核心对象，构建 Human World Model 的 AI 创业公司
- Human World Model — DINQ 的底层技术概念，世界模型在人才网络上的落地应用
- 人类表征 — DINQ 模型中每个人的结构化数据编码（身份验证、能力/PoW、共创图谱、职业轨迹、关系信任路径、可触达性六维度）
- 数据飞轮 — DINQ 的双重飞轮商业模型（企业侧检索 + 专家侧标注数据交叉增强）
- Juicebox — 对标的 AI 招聘工具，YC 孵化/红杉领投，停留在词法检索层
- Mercor — 对标的专家匹配平台，30% 撮合抽成/估值 200 亿美元，依赖自我申报存在结构风险
- Lexical Search — 传统招聘平台的关键词匹配模式，导致 HR 输入”图像大模型”而候选人标签是”R2”时永远无法相遇
与其他素材的关联
- 与 2026-07-07-woshipm-agent-new-saas（Agent 就是新一代 SaaS）呼应：DINQ 的全自动人才寻访 Agent 正是”Agent 卖工作本身而非软件账号”的实例——替代猎头判断力而非卖 SaaS 席位
- 与 2026-07-15-woshipm-ai-competition-6-trends（AI 竞争 6 个新趋势）呼应：DINQ 的数据飞轮即文中”模型-产品-数据”闭环护城河的具体案例；“真实交互数据是最稀缺燃料”在人才网络场景中的体现
- 与 2026-07-08-woshipm-ai-coding-harness（AI 做大项目先搭 Harness）中 Agent 可被信任的执行系统理念呼应：DINQ 卖的不是搜索结果而是推理判断力
- 与 2026-07-16-woshipm-ai-career-transformation（AI 与职业这三年）中关于 AI 对人才市场的冲击与重构视角互补——DINQ 代表了用 AI 重新理解和匹配人才的供给侧创新
原文精彩摘录
“Minority Report predicted crimes. We predict the human world.” DINQ创始人Sam说。
简历是写给人看的，而 DINQ 构建的是给机器读的人。在 DINQ 的模型视角下，每个人都被编码为一条结构化、可查询的”人类表征”（People Attributes）。它涵盖了身份验证、能力与 Proof-of-work（工作量证明）、共创图谱、职业轨迹与成长动量、关系与信任路径，以及可触达性与授权。这些维度均由真实的动态行为持续更新，而非靠个人的自我陈述。
Mercor 只能告诉你这个人自称懂强化学习；DINQ 却能给出铁证，告诉你这个人过去三年和谁在 GitHub 上合著过几篇强化学习论文、被引用了多少次，合作者中有多少人在顶级实验室任职。前者依赖自我申报，后者依赖客观的行为证据。
Sam 形象地对比道，客户是在付钱帮我们训练模型。每一次搜索、每一次人才 Mapping、每一次成单，都是带着极高质量人类行为反馈的训练数据，直接回流给底层模型。
在领英等传统平台的 Lexical Search（词法搜索）模式下，如果 HR 输入”图像大模型”，而候选人的核心标签是”R2”或”拉网”，双方可能一辈子都无法相遇。DINQ 利用 Agent 推理，提前对学术顶会、AI 公司做大量数据预处理和 Embedding。例如，Sora 2 的华人一作 Harold（李流年），在传统的通用大模型或 Agent 平台里基本搜不出来，因为数据没对齐；但 DINQ 的系统能根据他的论文、GitHub 和社交媒体动态实时推理，精准抓取。