中微公司
2027届-（资深）数据工程师-Data (Senior) Engineer
2027届-（资深）数据工程师-Data (Senior) Engineer
发布于 4 天前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Pytorch
多物理场仿真
大模型
机器学习
深度学习
物理信息机器学习
计算机视觉
预测性维修
故障检测Fdc
值不值得投
75综合评分
综合评分 75
半导体装备AI研究校招岗，方向前沿多元，交叉经验稀缺，成长天花板高
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，方便比较职业起点。
薪资怎么样
2.3万
比机器学习工程中位数低
发布情况
新岗位 · 3 天前发布
公司情况
这家公司招聘很活跃
约 120 个在招
市场机会
选择面较广
上海 · 机器学习工程 · 约 400 个在招
职位详情
关于这个职位
中微公司2027届校招数据工程师（资深方向），面向半导体装备开展AI与物理机理融合研究，方向涵盖大数据平台、设备故障诊断、智能量测与视觉监控、虚拟量测与工艺优化、仿真代理模型及大模型智能体等
要求硕士及以上，扎实的机器学习基础与Python工程能力
最低要求
人工智能、计算机、自动化、软件工程、电信信息、应用数学、物理、机械等相关专业，硕士及以上学历
具备扎实的数学、机器学习、深度学习、优化算法或科学计算基础，能够独立开展算法研究与模型开发
熟练掌握Python，熟悉PyTorch、TensorFlow、Scikit-learn等主流AI与数据分析工具
具备基于大模型进行代码生成、调试、重构与快速原型开发的能力
在工业AI、时序建模、智能控制、工艺优化、AI for Science、多物理场仿真、大模型或智能体等方向具有相关研究或项目经验
具备较强的问题分析、技术创新与工程实践能力，能够将复杂工程问题转化为可验证、可落地的AI解决方案
工作职责
开展半导体装备大数据平台建设，研究多源异构数据治理、分析与智能应用，构建AI-ready数据底座
开展设备故障检测与分类、根因分析、腔室匹配分析、故障机理分析、健康评估、预测性维修等研究，提升设备稳定性与智能运维能力
开展针对SEM/TEM的智能量测、三维重建、面向腔体状况的视觉监控等工程落地以及计算机视觉领域前沿技术研究
开展机理数据双驱动的实验设计、虚拟量测、虚拟工艺预测及多目标工艺优化研究，提升工艺开发效率与性能
研究AI与多物理场仿真融合技术，包括代理模型、物理约束机器学习、神经算子等，实现复杂物理过程的快速预测与优化
探索大模型、智能体、世界模型及Physical AI等前沿技术，推动半导体装备向自主感知、推理、决策与控制演进
优先资格
具有高水平论文、专利、算法竞赛成果或大型工业项目落地经验者优先
AI 洞察
优缺点分析
优点
- AI与物理机理融合是工业软件的核心前沿，技术积累稀缺且可迁移
- 半导体装备数据场景真实丰富，研究能直接落地到设备产品
- 研究方向覆盖面广，可按专长选择赛道
- 工业场景数据质量与机理约束使算法落地难度高于互联网场景
- 研究方向多线并进，需要同时理解装备工艺与AI技术，学习曲线陡峭
- 前沿探索存在不确定性，成果产出周期较长
- 适合数学与机器学习功底扎实、对工业落地有耐心与热情、愿意深耕硬科技AI交叉领域的应届硕士及以上人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 从AI算法工程师做起，深耕工业AI或Physical AI方向，向资深研究员或算法团队负责人发展
- AI与半导体装备工艺的交叉经验高度稀缺，可成长为智能制造领域的复合型专家
- 研究成果产业化路径清晰，技术影响力随设备装机量放大
- 与工艺、设备、控制、仿真及软件工程师协作，面向半导体装备的复杂工程问题开展AI与物理机理融合研究
- 根据背景承担大数据平台、设备故障诊断、智能量测视觉监控、虚拟量测与工艺优化、仿真代理模型或大模型智能体等一个或多个方向的研究与工程落地
- 扎实的数学与机器学习、深度学习、优化算法基础，能独立开展算法研究与模型开发
- 熟练使用Python及PyTorch、TensorFlow等主流工具，具备大模型辅助开发的工程能力
- 在工业AI、时序建模、多物理场仿真等方向有研究或项目积累
申请策略
- 面试前梳理六个研究方向，选择与自己背景最匹配的一到两个重点准备，表达对AI与装备制造交叉长期投入的意愿
- 突出与目标方向匹配的研究经历：时序建模、计算机视觉、仿真代理模型或大模型应用
- 列出高水平论文、专利或算法竞赛名次
- 说明项目中自己独立完成的算法设计与落地部分
- 补足半导体装备工艺的基础概念，理解FDC、虚拟量测等工业AI场景
- 练习物理约束机器学习与神经算子的代表性论文复现
面试指南
- 研究类问题按问题定义、方法选择、实验验证、结果与反思的结构展开
- 工业场景类问题强调数据约束与可验证性
- 动机类问题把个人研究方向与装备智能化趋势连接
- 介绍一段你独立完成算法研究的经历，如何验证效果？
- 工业数据噪声大、标注少，你会如何设计故障检测方案？
- 物理约束机器学习的思想是什么，适合什么场景？
- 你如何看待大模型在工业装备上的落地路径？
- 为什么选择半导体装备行业的AI岗位？
职位点评
薪资福利70
成长发展92
工作生活55
使命价值75
薪资福利
70中等
JD未披露薪资与福利信息，按AI算法研究类校招岗位市场惯例评估，补偿性动机满足程度中上。
薪资信号未披露（AI估算：1.8千–2.8万/月）
成长发展
92较高
研究方向覆盖工业AI前沿且多线可选，AI与物理机理融合的交叉积累在行业内高度稀缺，成长天花板高。
技术前沿前沿/新兴技术
技术栈大模型、智能体、Physical AI、神经算子、物理约束机器学习、计算机视觉
业务类型cost_center
工作生活
55较低
JD未提及办公模式与加班情况，研究型岗位节奏取决于项目节点，WLB情况无法判断。
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
75中等
推动半导体装备向自主感知决策演进，研究兼具产业价值与技术前瞻性，意义感较强。
行业发展高速增长赛道
社会影响中性/一般
使命信号推动半导体装备向自主感知、推理、决策与控制演进
创新程度开拓性创新（行业首创）
中微公司 的其他在招职位
相似职位推荐
Watch Jobs