商业 人人都是产品经理 · Z Finance · 4小时前 · AI 生成
寻找水下的万亿价值：这家公司想用 AI 重构一个关于「人」的世界模型 本文介绍了一家中国创业公司 DINQ，其核心产品是构建了一个名为“人类世界模型”（Human World Model）的底层技术，旨在通过 AI 深度挖掘全网人才数据（论文、GitHub、社交等），推理出个人能力、隐性连接和可信度，为高端招聘和人才寻访提供远超传统简历筛选和词法搜索的精度。文章详细阐述了其技术原理、与传统猎头及竞品（Juicebox、Mercor）的本质区别，以及其通过“招聘场景”获取高质量数据、驱动模型迭代的商业飞轮构想。对于关注 AI 应用落地、人才科技赛道、以及前沿技术商业化的读者，这是一篇结合了具体技术逻辑与商业模式的深度分析。原文 ↗ 原文 ↗
核心观点
▍ DINQ 的核心不是一款招聘工具，而是一个基于“人类世界模型”（Human World Model）的底层推理引擎，其长期价值远大于招聘市场本身，旨在构建关于人类能力的标准表征层。 01 DINQ 成功预测了前 DeepMind 核心研究员 Fei Xia 的创业倾向，概率为 75%，早于其官方离职消息公布，依据是其 X 简介、标签变化及前同事网络流向。 02 DINQ 的 Agent 能处理非结构化数据，例如即便候选人简历中未提及“强化学习”，系统也能通过分析其与前同事的 GitHub 合著论文、被引次数和合作者背景，推理出能力互补度高达 87%。 03 DINQ 新版本上线不到一个月，已获得全球头部短视频巨头、国内顶级电商平台、大模型六小龙之一及德国百年工业巨头等客户，年化经常性收入突破百万美元。 04 团队将竞品分层：Juicebox 停留在应用工具层（做检索），Mercor 处于交易撮合层（做匹配，依赖自我申报），而 DINQ 扎根于底层模型层（做推理，依赖客观行为证据）。 05 DINQ 选择高端招聘作为首个落地场景，原因有三：可度量（与猎头盲测）、高溢价、自带高质量反馈的数据闭环，客户付费即是在训练模型。 06 创始人 Sam 为前阿里巴巴通义实验室资深研究员，COO Kelvin Sun 曾任红杉资本 Talent Expert，首席顾问陆坚博士为前领英中国区总裁。 反方 / 局限
— 文章虽提及 Mercor 已估值 200 亿美元，但未展开 DINQ 在专家网络（第二层飞轮）领域与 Mercor 的正面竞争及差异化优势的具体量化对比。 — 作为初创公司，DINQ 的“人类世界模型”在数据隐私、合规性（如 GDPR）、以及防止模型偏见方面可能面临的挑战，文中未作深入讨论。 10 分钟 · 6 卡片 · 13 资料
读原文 →
概念锚点 DINQ的「人类世界模型」是什么
DINQ并非又一个AI招聘工具，而是用机器「读」人的底层模型，称为Human World Model（人类世界模型）。它将世界模型的概念从物理世界迁移到人才网络：爬取论文合著、GitHub协作、社交媒体等全网公开数据，把每个人编码为包含能力、共创图谱、信任路径的结构化表征。与传统简历搜索不同，即便候选人简历里没写「强化学习」，DINQ也能从他的论文合作者网络推理出他与贵司CTO前合作者的协作关系，给出能力互补度87%的判定。
▸ 2 条关联资料
▼
前置背景 Mercor的200亿估值藏着什么风险
作为DINQ对标公司之一，Mercor以30%的撮合抽成模式做到了200亿美元估值、20亿美元年化营收，但它的核心资产是专家供给池规模，而非技术理解力。Mercor依赖自我申报，存在身份造假、简历注水等结构性风险——2026年3月遭遇LiteLLM供应链攻击导致数据泄露，主要客户Meta暂停合作。相比之下，DINQ的模型基于客观行为证据，这决定了Mercor在数据质量和合规性上的天花板远低于DINQ的技术路线。
▸ 3 条关联资料
▼
商业模式 DINQ的双重数据飞轮如何运转
DINQ的商业飞轮分两层：第一层，通过高端人才寻访场景获取企业侧反馈数据，客户付钱帮DINQ训练模型；第二层，模型能力自然延伸到专家标注网络，为AI公司提供RLHF等高质量数据，绕过Mercor式的重人工审核。两类数据（企业检索+专家标注）回流到同一模型交叉增强，形成「场景驱动数据→数据训练模型→模型开拓新场景」的闭环。当模型精度每提升一次，DINQ就能切入预测人才流动、投资Alpha信号等新场景。
▸ 0 条关联资料
▼
平行视角 Juicebox为何被投资人视为「过渡层」
Juicebox是AI招聘工具中跑得最快的明星，4人团队做到3000万美元ARR，但投资人对其终局确定性存疑：它只掌握招聘漏斗顶部的Sourcing环节，且核心底层数据不完全自有。随着通用AI Agent能力提升、LinkedIn随时可能推出低价自然语言搜索，Juicebox的时间窗口有限。DINQ与Juicebox的层级差异在于：Juicebox做检索不做理解，DINQ做推理不做关键词匹配，前者是应用工具层，后者是底层模型层。
▸ 3 条关联资料
▼
未来推演 人才数据图谱的下一步：预测与API
DINQ的Human World Model一旦跑通高端招聘场景，自然延伸的方向包括：预测人才流动的销售线索与异动信号（如文章开头预测Fei Xia创业的案例）、追踪核心团队动向的投资Alpha信号、面向第三方应用开放的开发者API。当下能看到的关键变量是：年化ARR能否在2-3年内从百万美元级突破到亿级，以及全球AI人才缺口（2030年预计达280万）带来的结构性需求。但真正的拐点不在招聘收入，而在模型能否成为「人类表征」的基础设施层，让每个需要判断「这个人是谁」的机器决策都依赖它。
▸ 2 条关联资料
▼
延伸追问 用AI推理人才，「黑箱」如何避免偏见
DINQ的模型基于行为证据（论文、GitHub）而非自我陈述，理论上比传统简历筛选更客观，但它的训练数据来自公开网络，而历史数据本身就存在结构性偏见——例如男性在论文合著、开源贡献中的占比远高于女性。如果DINQ的模型仅从公开数据中学习，它会不会自动放大既有的人才歧视？亚马逊2018年因AI招聘工具自动降低女性简历权重被叫停，DINQ的差分隐私和公平性验证机制是什么？
▸ 3 条关联资料
▼