Siemens logo
西门子
西门子数字化工业集团 物理AI平台 AI算法开发

西门子数字化工业集团 物理AI平台 AI算法开发

发布于 39 分钟前

普通员工/个人贡献者

AI 估算 · 4.0–7.0万 · AI 参考估算
高级经验
硕士
全职员工混合式弹性办公AI算法
AI算法
Mlops
Sim-To-Real
强化学习
机器人技术
机器学习
物理Ai
计算机视觉
运动规划

值不值得投

86综合评分

综合评分 86

外企平台稳定、技术栈前沿(Physical AI/RL)、发展空间大,提供灵活办公,适合高阶技术人才

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

5.5万

比AI算法中位数高

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 230 个在招

市场机会

选择适中

苏州 · AI算法 · 14 个在招

职位详情

关于这个职位

该职位负责开发、验证并产品化用于物理AI栈的智能算法,重点聚焦于Level 2机器人技能(如抓取、包装、运动规划等)

你需要将机器学习与强化学习研究转化为可部署的工业级能力,解决感知、决策与控制难题

最低要求

计算机科学、人工智能、机器人学、自动化、应用数学或相关领域的学位,或同等实践经验

有海外留学经历者优先,但非必需
年以上AI算法开发、机器学习工程、强化学习、机器人研究或相关领域经验
精通Python编程
扎实的机器学习基础,包括模型训练、评估、泛化和数据驱动实验
具备强化学习实战经验,包括环境设计、策略训练、奖励设计、评估和调试
至少熟悉一种主流机器学习框架和科学计算工具链
扎实的概率论、统计学、优化、线性代数和算法问题解决能力
能够编写可维护的研究和生产代码,熟练使用版本控制、测试、文档和可复现实验
具备解决实际问题的思维,能将研究概念转化为经过验证的工程解决方案
流利掌握英语和中文

工作职责

为机器人和物理AI用例设计、实现、训练和评估机器学习和强化学习算法

为工业机器人应用开发感知、决策、规划、策略学习和自适应行为能力
构建可复现的数据、训练、仿真、评估和实验管理流水线
定义基线、指标、基准、消融研究和验收标准,以衡量算法性能和鲁棒性
与仿真和真实机器人系统合作,解决Sim-to-Real迁移、域变化、安全约束和操作可靠性问题
针对边缘或工业环境中的延迟、计算、内存和部署限制,优化模型和推理流水线
将算法打包为具有清晰接口、文档、测试和版本控制的可持续软件组件或服务
分析故障、数据质量、模型行为和边缘情况,并将发现转化为系统性改进
与机器人工程师、全栈开发人员、架构师、DevOps工程师和领域专家合作
支持实验室、试点和客户导向环境中的集成、验证和故障排除
遵循负责任的人工智能、安全开发、数据治理和软件质量实践

优先资格

在机器人、操作、运动规划、控制或序列决策中应用强化学习的经验

计算机视觉、多模态学习、基础模型、视觉语言模型或视觉-语言-动作模型的经验
熟悉机器人仿真、合成数据、模仿学习、离线强化学习或Sim-to-Real方法
在GPU边缘或工业计算平台上部署和优化模型的经验
熟悉MLOps、实验跟踪、数据集版本控制、模型监控、容器化和CI/CD
了解工业自动化、机器人安全约束、软硬件集成或实时系统
在跨国公司工作的经验者优先

AI 洞察

优缺点分析

优点

  • 依托西门子全球领先的工业自动化平台,接触真实的工业场景与海量数据
  • 技术栈前沿(Physical AI、RL),个人成长空间大
  • 外企工作氛围相对宽松,注重WLB
  • 要求5年以上高阶经验,对理论深度和工程落地能力双重考验
  • 跨部门协作频繁,沟通成本高
  • 适合在AI算法领域有深厚积累,且对机器人技术和工业自动化感兴趣的高级工程师或研究人员

缺点 / 挑战

  • 需解决Sim-to-Real等复杂技术难题,研发压力大

角色解读

  • 可向首席AI科学家、机器人算法专家或技术总监方向发展,深耕工业AI与机器人交叉领域的前沿技术
  • 负责物理AI栈中智能算法的开发、验证和产品化,特别是针对Level 2机器人技能(如抓取、包装、运动规划)
  • 精通Python及主流ML框架
  • 深厚的强化学习理论基础与实战经验
  • 具备机器人感知、决策与控制算法落地能力

申请策略

  • 准备英文简历,因为工作需要流利英语
  • 面试中可能涉及大量算法推导和系统设计问题,需提前复习基础知识
  • 突出5年以上AI/RL相关项目经验,强调从研究到工程落地的完整闭环案例
  • 展示在机器人、计算机视觉或多模态学习方面的具体成果
  • 加强强化学习在动态环境中的应用理解
  • 提升模型在边缘设备上的部署与优化能力
  • 熟悉MLOps流程

面试指南

  • 使用STAR法则(情境、任务、行动、结果)描述项目
  • 重点阐述技术选型的理由、遇到的挑战及解决方案、最终的业务/技术指标提升
  • 请介绍一个你主导的强化学习项目,你是如何处理Reward Design和Sim-to-Real迁移的?
  • 在资源受限的边缘设备上,如何优化深度学习模型的推理速度和内存占用?
  • 面对工业现场的非结构化数据,你会如何设计数据管道和评估体系?
  • 复习强化学习核心算法(如PPO, DQN等)及其变体
  • 准备1-2个详细的算法落地案例,涵盖数据处理、模型训练、评估与部署全流程

职位点评

薪资福利85
成长发展92
工作生活80
使命价值88

薪资福利

85较高

作为已上市的跨国巨头,提供符合当地市场条件的有吸引力薪酬包,福利体系完善,稳定性高。

薪资信号未披露(AI估算:4.0千–7.0万/月)
福利待遇Attractive remuneration package aligned with local market conditions、Flexible working models where applicable、Continuous learning and technical growth

成长发展

92较高

职位处于Physical AI和机器人技术的前沿,提供持续的技术成长和与全球专家合作的机会,发展性动机极强。

技术前沿前沿/新兴技术
技术栈Physical AI、Reinforcement Learning、Robotics、Computer Vision、MLOps、Sim-to-Real
成长机会Continuous learning and technical growth in industrial AI, robotics software, and modern engineering practices、Opportunity to shape products and engineering capabilities for a strategically important robotics team
业务类型profit_center

工作生活

80较高

提供灵活的办公模式(Flexible working models),外企文化通常注重工作与生活的平衡,但算法研发本身具有一定挑战性。

工作模式混合式弹性办公
办公地点科技园/产业园
加班情况未提及(无法判断)
工作生活平衡Flexible working models where applicable

使命价值

88较高

致力于构建下一代智能制造和智能机器人,推动工业自动化进步,具有显著的社会影响力和行业使命感。

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enable the next generation of intelligent manufacturing、real customer impact
创新程度积极采用新技术
Watch Jobs