# 從履歷篩選到能力證據：AI 原生人才發現的新範式 **From Résumé Screening to Capability Evidence: A New Paradigm for AI-Native Talent Discovery** **版本：公開版 v1.0** **文件類型：概念論文／人才科學與 AI 治理研究** **日期：2026-07-29** --- ## 摘要 傳統人才選拔長期依賴履歷、學歷、職稱、推薦關係、面試表現與既有機構認證。這些機制在大規模人力市場中具有行政效率，卻也持續產生結構性遺漏：大量具有高階問題解決能力、跨領域建構能力、原創性或長期作品完成能力的人，可能因語言、地理位置、社交表現、非典型經歷、缺乏名校背景或未進入主流組織，而無法被既有制度辨識。 隨著大型語言模型、多模態模型、程式分析、文件理解、網站與作品集讀取、適應性對話及長上下文推理能力逐步成熟，人才發現開始具有新的技術可能性。AI 不再只能根據履歷關鍵詞匹配職缺，而可以在候選人授權與隱私保護的前提下，分析其論文、程式碼、產品、設計、長期創作軌跡與互動式能力證據，建立更接近真實能力結構的多維圖譜。 本文提出「AI 原生人才發現」的新範式。此範式不以單次面試或單一天才分數為中心，而以作品證據、能力聲明驗證、動態互動、開放時序評估與不確定性揭露為核心。其基本目的不是宣稱 AI 能夠終局判定誰是天才，而是建立一套能夠發現被傳統制度忽略之罕見人才、驗證其能力主張、分離作品品質與作者歸屬，並允許人才在不同時間重新進入評估的制度性基礎。 本文進一步主張，真正值得建立的不是另一個自動化招聘工具，而是一種全球人才發現基礎設施：它將履歷視為弱證據，將作品、互動、歷史軌跡與可重建能力視為強證據；將一次性淘汰改寫為持續性更新；將語言流利度與思想能力分離；並將能力、誠信、歸屬、風險與職務適配拆分呈現。這種制度若能被妥善治理，可能重新定義前沿產業、科學研究與創新組織如何發現人才。 --- ## 關鍵詞 AI 人才發現、能力證據、適應性訪談、作品分析、開放時序評估、全球人才、非典型人才、人才潛能、能力驗證、AI 治理 --- ## 1. 引言 現代人才市場普遍假設，一個人的價值可以透過一組相對標準化的代理變數被辨認。這些代理變數通常包括： - 學歷與畢業院校； - 過去任職公司； - 工作年資與職稱； - 推薦人與人脈網絡； - 履歷文字表現； - 面試中的語言與臨場反應； - 既有證照、獎項與社會認證。 此類制度並非完全無效。對於大量標準化職位而言，它們能夠降低篩選成本，並讓企業快速排除明顯不符合條件的申請者。然而，當選拔目標從一般適任者轉向罕見人才、跨領域建構者、前沿研究者、獨立創作者或高潛能問題解決者時，這些代理變數便容易失真。 一個人可能不擅長製作履歷，卻能設計複雜系統；可能不擅長即時口頭表達，卻能完成高度嚴謹的數學推導；可能沒有名校背景，卻在開源社群中獨立完成高難度工程；也可能長期處於資源不足、語言不利或地理隔離的環境，以致其能力始終沒有進入主流認證系統。 因此，人才發現的核心問題不只是： > 誰最符合目前職缺？ 更深層的問題是： > 誰已經留下足夠證據，顯示其擁有尚未被傳統制度承認的稀少能力？ AI 的發展使這個問題第一次具備大規模處理的可能性。模型可以同時閱讀大量文件、程式碼、網站、設計作品、版本紀錄與對話內容，並根據候選人的回答持續調整問題。這使人才評估有機會從「履歷代理變數」轉向「能力證據結構」。 本文將此轉向稱為： $$ \text{Résumé-Centered Selection} \longrightarrow \text{Evidence-Centered Talent Discovery} $$ 亦即，從履歷中心的選拔，轉向證據中心的人才發現。 --- ## 2. 傳統人才選拔的結構性盲點 ### 2.1 履歷是一種壓縮表示，而不是能力本身 履歷的本質是高度壓縮的自我描述。它通常只保留少數可被招聘流程快速讀取的欄位，並將一個人的長期學習、失敗、轉折、作品、方法與能力濃縮為數頁文字。 可將其表示為： $$ R(p)=\mathcal{C}\left(H_p,W_p,E_p,S_p\right) $$ 其中： - $p$ 表示候選人； - $H_p$ 表示其歷史經驗； - $W_p$ 表示其作品； - $E_p$ 表示其教育與職業經歷； - $S_p$ 表示其能力與策略； - $\mathcal{C}$ 表示高度有損的壓縮過程。 履歷並非虛假，但它所保存的是可被制度辨認的部分，而非完整能力。壓縮越強，越可能丟失非典型訊號。 ### 2.2 社會認證具有路徑依賴 名校、知名企業與高階職稱往往提供可信度，但這些認證本身也依賴先前機會。某人若未能在早期進入主流組織，後續便可能因缺少可見履歷而持續失去機會。 這形成循環： $$ \text{缺少認證} \rightarrow \text{缺少機會} \rightarrow \text{缺少可見成果} \rightarrow \text{更難獲得認證} $$ AI 原生人才發現系統的價值之一，是嘗試在此循環之外建立另一條入口：讓作品、理解、重建能力與長期進步本身成為證據。 ### 2.3 面試容易混合不相關變數 傳統面試經常同時測量： - 專業能力； - 語言流利度； - 社交熟練度； - 即時反應； - 自信表現； - 對企業文化的模仿程度； - 壓力下的情緒控制。 然而，這些變數未必屬於同一能力結構。一個人在視訊面試中停頓較久，不代表其數學能力較低；一個人英語表達流暢，也不代表其技術理解較深。 當多個變數被混合成單一印象時，人才選拔容易把「表演能力」誤認為「核心能力」。 --- ## 3. AI 原生人才發現的基本命題 AI 原生人才發現並非單純以 AI 取代招聘人員，而是重新定義人才證據的形成方式。 本文提出其基本結構： $$ \mathcal{T} = \mathcal{A} + \mathcal{I} + \mathcal{L} + \mathcal{U} $$ 其中： - $\mathcal{A}$ ：作品證據層； - $\mathcal{I}$ ：互動驗證層； - $\mathcal{L}$ ：長期演化層； - $\mathcal{U}$ ：不確定性與治理層。 這四層分別回答不同問題。 ### 3.1 作品證據層 作品證據層分析候選人所提交或授權讀取的成果，包括： - 論文與研究筆記； - 程式碼與版本歷史； - 產品與系統原型； - 設計、模型與技術文件； - 長期文章與公開知識輸出； - 實驗結果與失敗紀錄； - 團隊貢獻說明； - AI 使用與工具協作紀錄。 作品首先被視為作品，而不是作者身分的自動證明。系統先判斷成果本身是否具有完整性、深度、優雅度、原創性或實際價值，再進一步分析其歸屬。 ### 3.2 互動驗證層 互動驗證層不只是詢問候選人「知道什麼」，而是動態測試其能力是否能在條件改變後持續成立。 基本流程為： $$ \text{Claim} \rightarrow \text{Evidence} \rightarrow \text{Challenge} \rightarrow \text{Response} \rightarrow \text{Verification} $$ 候選人提出能力聲明，例如： - 我能設計分散式系統； - 我獨立完成此模型； - 我能建立新的數學框架； - 我能把研究轉換成產品。 AI 接著根據其作品與聲明生成追問、條件擾動、反例、重建任務或跨域遷移問題。驗證重點不在於候選人是否記住標準答案，而在於其是否真的擁有相應的內部結構。 ### 3.3 長期演化層 人的能力不是固定常數。某人在某次評估中的表現，只能代表特定時間與條件下的狀態。 因此，評估應表示為： $$ E(p,d,t,m,c) $$ 其中： - $p$ ：候選人； - $d$ ：領域； - $t$ ：時間； - $m$ ：評估模式； - $c$ ：環境與條件。 此表示避免將一次失敗轉換成永久標籤。候選人可以在未來提交新作品、補充證據、重新接受評估或證明能力已發生變化。 ### 3.4 不確定性與治理層 AI 對人才的判斷不應被呈現為絕對真理。系統必須同步揭露： - 證據來源； - 模型信心； - 尚未驗證的能力； - 可能偏差； - 貢獻歸屬的不確定性； - 候選人的異議與修正； - 人類複核狀態。 人才發現系統的正當性，不來自宣稱模型永不犯錯，而來自讓錯誤可以被看見、質疑與修正。 --- ## 4. 從單次面試到適應性證據訪談 傳統面試通常具有固定時間、固定媒介與固定題目。AI 原生評估則可以採取多種模式。 ### 4.1 即時文字模式 候選人以文字同步回答，AI 根據前一輪內容動態生成下一個問題。此模式保留即時性，同時降低口音、外貌、鏡頭表現與社交壓力造成的干擾。 ### 4.2 半同步深思模式 每輪回答時間可以是數分鐘、數小時或數日。系統評估的不是純粹反應速度，而是： - 問題分解； - 資料搜尋； - 假設修正； - 深度整合； - 長鏈推理； - 完成品質。 ### 4.3 程式與實驗沙盒模式 候選人可以直接修改程式、執行實驗、設計測試、修復錯誤或建立原型。系統同時觀察結果與過程： $$ \text{Capability} = f(\text{Outcome},\text{Process},\text{Revision},\text{Verification}) $$ ### 4.4 不限時作品模式 候選人可以在不受固定截止時間限制的情況下準備作品。此模式不測量臨場速度，而要求成果達到更高的完成度、優雅度與整體一致性。 其核心不是「你多快完成」，而是： > 在充分時間與工具可用的情況下，你最終能建造出什麼？ ### 4.5 純作品觀察模式 候選人甚至可以暫時不進入互動環節。AI 僅根據經授權的公開作品或私人提交資料產生初步人才發現訊號。 但此模式只能回答： > 這份作品是否值得進一步驗證？ 它不能單獨回答： > 提交者是否為真正作者？ --- ## 5. 作品品質、作者歸屬與誠信必須分離 高品質作品不必然等於提交者具有完整創作能力。相反地，一個人可能不是主要作者，卻具有極強的選擇、組織、整合、審美或資源調度能力。 因此，人才分析不應只輸出單一結論，而應拆分為： $$ \mathcal{P} = (Q,A,K,O,I,U) $$ 其中： - $Q$ ：作品品質； - $A$ ：創作歸屬可信度； - $K$ ：本人理解程度； - $O$ ：組織、選擇與整合能力； - $I$ ：誠信與行為風險； - $U$ ：尚未確定的部分。 例如，一份作品可能極其完整，但提交者無法解釋基本設計決策。此時平台應得出： - 作品品質高； - 作者歸屬存疑； - 本人理解不足； - 需要進一步調查。 另一種情況是，提交者並非主要技術作者，卻能精確找出人才、整合系統並完成部署。此時其技術創作能力可能有限，但組織與整合能力可能非常稀缺。 能力事實與道德評價不應互相遮蔽： $$ \text{High Capability} \not\Rightarrow \text{High Integrity} $$ $$ \text{Integrity Risk} \not\Rightarrow \text{No Capability} $$ 平台的責任不是替所有組織做同一種道德選擇，而是將能力、風險與證據分別呈現，使不同組織可以按照自身原則決策。 --- ## 6. 開放時序：人才不應被一次評估永久定義 傳統招聘流程通常是事件式的： $$ \text{Apply} \rightarrow \text{Interview} \rightarrow \text{Accept or Reject} $$ 一旦被拒絕，候選人往往不再被系統追蹤。這種制度預設人的能力相對穩定，且一次評估足以代表未來。 AI 原生人才發現應改採開放時序： $$ \mathbf{V}_{t+1} = \mathbf{V}_t + \Delta W_t + \Delta L_t + \Delta C_t + \Delta E_t $$ 其中： - $\Delta W_t$ ：新作品； - $\Delta L_t$ ：新學習； - $\Delta C_t$ ：能力變化； - $\Delta E_t$ ：新增驗證證據。 這種制度承認： - 人可以晚熟； - 人可以跨領域轉化； - 人可以在獲得新工具後迅速成長； - 人可以在不同環境中表現出不同能力； - 過去失敗不代表未來沒有突破； - 機會不應只有一次。 平台不應保存「永久失敗分數」，而應保存「特定時間與條件下的表現紀錄」。 這可概括為： $$ \text{Assessment} \neq \text{Final Identity} $$ 評估是一個時間切片，不是對人的終局定義。 --- ## 7. 語言、地理與社交能力的解耦 若人才發現的目標是全球性的，語言能力就不能被默認為思想能力的替代物。 候選人應可使用母語進行作品提交與互動驗證，系統同時保留： $$ R_o=\text{原始回答} $$ $$ R_t=\text{翻譯回答} $$ $$ R_s=\text{語義結構表示} $$ 模型可以主要根據 $R_s$ 分析能力結構，同時保留 $R_o$ 供原語言複核，並將翻譯不確定性標示出來。 同樣地，社交焦慮、視訊不適、口音、外貌、所在地與網路條件不應被無意中轉換為能力判斷。不同媒介可以對應相同的驗證目標，而非要求所有人以同一種表演形式證明自己。 因此，系統需要區分： $$ L_{\text{thought}} = \text{思想與問題解決能力} $$ $$ L_{\text{communication}} = \text{工作情境所需溝通能力} $$ 兩者可以相關，但不應被混同。 --- ## 8. AI 時代的人才能力不應以「是否使用 AI」簡化判斷 在 AI 工具普及後，禁止候選人使用 AI，未必能準確反映其真實工作能力。相反地，如何使用、驗證、修正與協調 AI，可能本身就是重要能力。 因此，可將評估分為三種條件： ### 8.1 無外部工具條件 用於驗證基本理解、核心知識與內部模型。 ### 8.2 開放工具條件 允許使用搜尋、LLM、IDE、資料庫、代理系統與計算工具，觀察候選人如何： - 選擇工具； - 分配任務； - 驗證輸出； - 發現錯誤； - 整合多個系統； - 保持最終責任。 ### 8.3 可追溯協作條件 允許使用 AI，但要求保留提示詞、模型輸出、修改歷史、引用來源與驗證過程。 最終應區分： $$ C_{\text{solo}} = \text{個體獨立能力} $$ $$ C_{\text{augmented}} = \text{AI 增強能力} $$ $$ C_{\text{system}} = \text{人類—AI 系統組織能力} $$ 人才不必只存在於第一類。有些人擅長獨立推導，有些人則能組織多模型、多工具與多人完成極高難度任務。兩者皆可能具有重大價值。 真正需要防範的不是使用 AI，而是： - 虛假宣稱； - 隱藏貢獻來源； - 無法理解自己提交的內容； - 無法驗證 AI 產生的結果； - 將他人作品冒充為個人成果。 --- ## 9. 多維人才圖譜，而非單一天才分數 單一分數具有強烈吸引力，因為它容易排序。然而，將複雜人才壓縮為一個數字，會製造嚴重誤導。 更合理的表示是多維人才向量： $$ \mathbf{V}_{p,d,t} = (A,D,O,T,L,X,R,U) $$ 其中： - $A$ ：作品與貢獻歸屬可信度； - $D$ ：理解深度； - $O$ ：原創性； - $T$ ：跨問題遷移能力； - $L$ ：學習速度； - $X$ ：執行與完成能力； - $R$ ：可靠性與風險紀錄； - $U$ ：不確定性。 此向量必須依領域 $d$ 與時間 $t$ 存在。某人在數學推理中表現極強，不代表其適合產品管理；某人在某一年缺乏執行力，也不代表其未來狀態不會改變。 平台因此不應宣稱： > 此人的天才指數為 93。 而應表達： > 此人在特定領域展示出高深度理解與高跨域遷移能力；作品完成能力已有強證據；原創性證據仍不足；團隊協作能力尚未驗證；評估信心為中高。 這種表達較不方便，但更接近真實。 --- ## 10. 人才發現系統的優化目標 一般招聘系統主要降低錯誤錄取。前沿人才發現系統則必須同時降低兩種錯誤： - 將能力不足者誤認為高潛能人才； - 將真正罕見人才錯誤淘汰。 可將目標表示為： $$ \min \left( \alpha FN_{\mathrm{rare}} + \beta FP_{\mathrm{fraud}} + \gamma B_{\mathrm{language}} + \delta B_{\mathrm{credential}} + \eta R_{\mathrm{privacy}} \right) $$ 其中： - $FN_{\mathrm{rare}}$ ：罕見人才假陰性； - $FP_{\mathrm{fraud}}$ ：冒充或能力不足者假陽性； - $B_{\mathrm{language}}$ ：語言偏差； - $B_{\mathrm{credential}}$ ：學歷與履歷偏差； - $R_{\mathrm{privacy}}$ ：隱私與資料濫用風險。 在前沿領域中，錯過一個真正具有重大創造能力的人，可能造成極高機會成本。因此，系統不應只追求平均準確率，而應特別關注低基率、高影響的人才訊號。 --- ## 11. 全球人才發現基礎設施 AI 原生人才發現最終不只是招聘工具，而可能形成全球性的能力發現與流動基礎設施。 其基本路徑可以表示為： $$ \text{Global Discovery} \rightarrow \text{Capability Verification} \rightarrow \text{Remote Collaboration} \rightarrow \text{Institutional Matching} \rightarrow \text{Talent Mobility} $$ 此系統可以先發現人才，再透過遠端合作、短期試驗專案、研究合作或企業媒合逐步建立信任，而不必立刻要求人才遷移。 其價值在於降低下列障礙： - 地理距離； - 非主流教育背景； - 語言差異； - 缺少人脈； - 無法進入傳統招聘管道； - 作品分散且不易被理解； - 能力尚未被既有機構命名。 此類系統尤其適用於： - AI 與計算機科學； - 數學與理論科學； - 機器人與具身智能； - 編譯器與分散式系統； - 前沿工程； - 跨領域技術創業； - 獨立研究與非典型創作。 --- ## 12. 治理原則 人才發現系統若缺乏治理，可能迅速轉變成黑箱式人才信用評分。因此，至少需要以下原則。 ### 12.1 授權原則 私人文件、未公開作品與個人互動資料，必須由候選人主動授權。公開資料的使用也應受到透明規則與合理限制。 ### 12.2 最小必要原則 系統只應收集完成評估所需資料，不應無限制蒐集政治立場、私人生活、健康狀況或與職務無關的敏感資訊。 ### 12.3 可解釋原則 每一項重要判斷都應盡可能對應到具體證據，而非只提供模型生成的抽象評語。 ### 12.4 可修正原則 候選人必須能補充資料、指出錯誤、重新解釋作品與申請複核。 ### 12.5 替代模式原則 候選人不應因無法參與視訊或即時口頭互動而被排除。系統應提供文字、半同步、沙盒、作品與其他等價模式。 ### 12.6 非終局判決原則 AI 的輸出應被視為證據分析與驗證建議，而不是對人格、價值或未來成就的終局裁定。 ### 12.7 能力與德性分離原則 平台可以揭露能力與誠信風險，但不應以單一總分掩蓋兩者差異。 --- ## 13. 核心命題 本文可歸納為六項核心命題。 ### 命題一：履歷只是弱證據 $$ \text{Résumé} \subsetneq \text{Capability Evidence} $$ 履歷可以作為索引，但不足以代表完整能力。 ### 命題二：作品品質與作者能力不可直接等同 $$ \text{Artifact Quality} \not\Rightarrow \text{Authorship} $$ 高品質作品值得調查，但仍需要歸屬與理解驗證。 ### 命題三：即時性不等於影音同步 $$ \text{Real-Time Adaptation} \neq \text{Video Performance} $$ 即時能力可以透過文字、程式、圖像與互動式任務驗證。 ### 命題四：不限時作品是一種獨立能力模式 $$ \text{Deep Construction Intelligence} \neq \text{Fast Response Intelligence} $$ 長期建造能力不能被即時反應完全取代。 ### 命題五：評估是時間切片，不是永久身分 $$ E(p,d,t,m,c) \neq \text{Final Identity}(p) $$ 任何評估都只對應特定時間、領域、模式與條件。 ### 命題六：AI 人才發現的目標是建立可驗證假說 $$ \text{AI Output} = \text{Verifiable Talent Hypothesis} $$ 而不是不可質疑的天才判決。 --- ## 14. 結論 AI 正在使人才選拔從履歷匹配走向能力證據分析。這並不表示模型已經能夠客觀、完整地辨認所有人才，更不表示人類可以將招聘與人才判斷完全交給黑箱系統。真正的變化在於：過去因成本過高而無法被系統性處理的作品、對話、版本歷史、跨領域能力與長期成長軌跡，如今開始能夠被大規模分析。 因此，下一代人才系統不應只是更快地淘汰履歷，而應重新思考什麼才算人才證據。 它應從： - 學歷代理轉向作品證據； - 固定題庫轉向適應性驗證； - 單次面試轉向開放時序； - 影音表演轉向多模式能力證明； - 單一分數轉向多維人才圖譜； - 終局判決轉向可驗證假說； - 地方招聘轉向全球人才發現。 這套制度最重要的價值，不是證明 AI 比人類更會判斷人，而是讓那些原本無法被看見的人，獲得更多被理解與重新證明自己的入口。 人才可能出現在任何地方，也可能在任何時刻完成蛻變。真正成熟的人才發現系統，不應要求所有人都在同一時間、同一媒介、同一語言與同一社會路徑中證明自己。它所要建立的，是一個更長期、更具證據性，也更願意承認不確定性的發現機制。 其核心精神可以概括為： > **我們不以一個人多像既有成功者來判斷其價值，而以其是否留下了可驗證的能力證據，來決定是否值得被進一步看見。** --- ## 公開版聲明 本文為概念性與制度性研究，旨在討論 AI 原生人才發現的理論框架、評估原則與治理要求。本文不提供特定組織之內部評分算法、對抗性驗證細節、商業部署策略、移民法律建議或自動化錄取決策規則。