TSMC logo
台积电
Intelligent Manufacturing System Engineer (IMC)

Intelligent Manufacturing System Engineer (IMC)

发布于 2 小时前

普通员工/个人贡献者

AI 估算 · 3.5–6.5万 · AI 参考估算
Taiwan
中级经验
学历未注明
全职员工仅现场办公智能制造工程
智能制造工程
Agentic Ai
Ai集成
云原生
智能制造
机器人开发
机器学习
物理仿真

值不值得投

72综合评分

综合评分 72

半导体智能制造技术岗,AI与自动化技术前沿,发展性强,WLB信息不明确

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

5.0万

比智能制造工程中位数高

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 110 个在招

市场机会

选择适中

智能制造工程 · 20 个在招

职位详情

关于这个职位

该职位面向智能制造系统开发,负责构建自动化与先进控制、实时数据系统,并将 AI、视觉检测、Agentic AI、仿真和机器人等技术融入半导体制造场景

你将参与跨部门项目,把业务需求转化为技术方案,提升生产效率、质量与良率

工作职责

共同职责

系统开发与 AI 集成:
(1) 开发具备自动化与先进控制能力的智能制造系统
(2) 集成 AI 以提升生产力与质量
(3) 构建实时数据系统,以支持更好的决策
问题解决:
(1) 将业务需求转化为技术解决方案
(2) 运用大数据识别并解决制造挑战
项目管理:
(1) 确保团队与用户之间的清晰沟通
(2) 主导跨部门解决方案,聚焦集成与性能
专业领域
生产排程与制造系统:优化工作流程,以提升效率、缩短周期时间并确保准时交付
先进制程与设备控制系统:实现纳米级精度,并通过实时异常检测与诊断确保芯片质量
质量控制与防御系统:运用数据分析与机器学习提升产品质量,并交付高质量晶圆
视觉 AI 应用:运用视觉 AI 进行缺陷检测、模式识别与自动检验,以提高良率并实现预测性维护
工作流自动化:通过自动化简化流程,减少人工工作并提升效率
技术研发:开发前沿技术以应对制造挑战,推动生产力与质量的创新
计算基础设施:通过云原生解决方案与 DevOps 实践构建可扩展系统,实现无缝的全球集成
设施应用:优化晶圆厂能源消耗、物料管理与资源利用
工厂现场服务:管理关键项目并提供有针对性的服务,以契合组织目标并成功实施解决方案
Agentic:设计并实现可扩展的 Agentic AI 架构与智能体,运用 AI 编码技能
仿真:设计并实现物理仿真模型(例如流体动力学仿真与应力仿真)
机器人开发:在仿真与真实环境中开发并部署先进的机器人解决方案,确保稳健性能
持续创新,打造前沿的自主与智能机器人应用
巡检 AI:开发并部署用于智能巡检与检查的 AI 解决方案
运用 Vision AI 进行实时视觉分析以实现异常检测,提升工厂环境中的安全性与运营效率

AI 洞察

优缺点分析

优点

  • 技术覆盖面广,能同时接触 AI、数据系统、自动化、机器人、仿真和半导体制造场景,能力积累非常丰富
  • 半导体制造对精度、质量和效率要求高,岗位问题复杂度高,适合希望解决真实工业难题的工程师
  • 涉及生产排程、设备控制、质量控制、厂务优化等核心制造环节,技术成果与业务价值关联直接
  • 跨部门与全球集成场景较多,有助于提升系统架构、项目推进和 stakeholder 沟通能力
  • 专业领域非常多,候选人需要在制造系统、AI、数据平台和自动化之间建立较宽的知识面
  • 半导体制造场景对系统稳定性、实时性、精度和质量控制要求极高,排错和验证周期可能较长
  • 适合具备工业软件、智能制造、AI 应用或数据系统背景,并愿意深入半导体制造场景的工程师
  • 尤其适合既能写代码、又能理解业务和现场问题的人

缺点 / 挑战

  • 需要频繁与不同团队和用户沟通,跨部门协调成本较高,项目落地能力与技术能力同样重要

角色解读

  • 可向智能制造架构师、AI 应用架构师或工业 AI 专家方向发展,负责更复杂的系统设计与技术路线规划
  • 可深入半导体制造场景,成长为设备控制、良率提升、视觉检测、机器人或仿真方向的领域专家
  • 也可转向技术管理或项目负责人角色,统筹跨部门智能制造系统建设与全球工厂落地
  • 开发智能制造系统,围绕自动化、先进控制、实时数据和生产排程构建软件与数据能力,支撑晶圆制造效率提升
  • 将 AI、机器学习、Vision AI、Agentic AI 和机器人技术应用到缺陷检测、异常诊断、预测维护、智能巡检等制造场景
  • 与业务团队、设备团队、厂务团队和用户沟通,把制造业务需求转化为可落地的技术方案
  • 参与跨部门项目管理和系统性能优化,推动解决方案在厂区或全球制造体系中集成与部署
  • 需要具备制造系统开发、自动化控制、实时数据系统或工业软件相关经验,理解生产排程、设备控制、质量管理等制造业务
  • 需要掌握 AI/机器学习、视觉 AI、异常检测、数据分析等能力,并能将模型或算法应用到实际制造问题
  • 需要熟悉云原生、DevOps、可扩展系统架构,具备跨系统集成和全球系统部署能力
  • 对仿真、机器人、Agentic AI 或智能巡检有经验者更匹配,同时需要较强的跨部门沟通和项目推进能力

申请策略

  • 申请前建议了解半导体制造基本流程,尤其是 fab、晶圆质量、设备控制、良率和厂务资源管理等概念
  • 面试中尽量用具体项目说明“问题—方案—技术—结果”,并准备解释 AI 或自动化方案如何在真实制造环境中验证与上线
  • 突出与智能制造系统、生产排程、设备控制、质量管理或自动化相关的项目经历,说明系统规模、技术栈和实际效果
  • 重点展示 AI/机器学习落地经验,尤其是视觉检测、异常检测、预测维护、智能巡检或数据驱动质量提升案例
  • 强调实时数据系统、云原生架构、DevOps、跨系统集成经验,最好用指标说明效率、良率、周期时间或稳定性改善
  • 补充跨部门协作经历,说明你如何把业务需求转化为技术方案,并推动项目在复杂组织中落地
  • 可补强工业 AI 与制造数据分析能力,熟悉异常检测、视觉检测、预测维护和良率分析常见方法
  • 可学习云原生、DevOps、实时数据管道和系统可观测性,提升 scalable system 设计与部署能力

面试指南

  • 使用“背景—痛点—方案—技术细节—量化结果”的结构回答项目类问题,重点说明你本人承担的角色
  • 对技术方案类问题,先澄清业务目标和约束条件,再从数据、模型、系统架构、部署和监控几个层面展开
  • 对跨部门协作问题,强调需求对齐、里程碑管理、风险沟通、用户反馈和上线后的效果追踪
  • 请介绍一个你开发或参与过的智能制造系统,它的架构、数据流和业务价值是什么?
  • 如何用 AI 或大数据解决制造过程中的异常检测、质量波动或良率问题?
  • 你如何把业务需求转化为技术方案,并在跨部门团队中推动落地?
  • 对 Vision AI、Agentic AI、机器人或仿真中的哪个方向最有经验?请举例说明
  • 如果实时数据系统出现延迟或异常,你会如何定位问题并保障制造现场稳定性?

职位点评

薪资福利72
成长发展88
工作生活45
使命价值78

薪资福利

72中等

JD 未披露薪资与福利信息,无法判断薪酬竞争力;岗位技术门槛较高,通常对具备相关能力的工程师有一定吸引力。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

88较高

岗位覆盖 AI、Vision AI、Agentic AI、机器人、仿真、云原生和智能制造系统等多个技术方向,技能成长空间大。JD 提到技术研发和 cutting-edge technologies,但未明确培训或晋升路径。

技术前沿前沿/新兴技术
技术栈AI、Vision AI、Agentic AI、machine learning、big data、cloud-native、DevOps、robotics、simulation、real-time data systems
成长机会Technology R &D、cutting-edge technologies、driving innovation
业务类型ambiguous

工作生活

45较低

JD 未明确办公模式、弹性工时、远程天数或加班政策,无法判断工作生活平衡。地点仅写 Taiwan,具体办公地点和通勤便利性需向招聘方确认。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

78中等

岗位围绕半导体制造效率、质量、良率、安全和资源利用优化,技术成果与制造业升级和工厂运营效率提升相关。JD 明确提到提升 productivity、quality、yield 和 safety,但未直接描述社会使命。

行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号improve productivity and quality、increase yield、enhance safety and operational efficiency
创新程度积极采用新技术
Watch Jobs