小马智行
研发实习生 - 工程/算法/模型
研发实习生 - 工程/算法/模型
发布于 3 小时前实习/见习
实习生仅现场办公自动驾驶
自动驾驶
Pytorch
Tensorflow
分布式系统
强化学习
模型部署
深度学习
自动驾驶
计算机视觉
值不值得投
77综合评分
综合评分 77
自动驾驶头部企业核心研发实习岗，技术栈前沿且极具挑战，适合技术极客与算法高手。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
8千
比自动驾驶中位数低
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 · 其中自动驾驶 13 个
市场机会
选择面较广
北京 · 自动驾驶 · 约 100 个在招
职位详情
关于这个职位
该岗位为小马智行研发实习生，涵盖AI模型、数据生成、博弈算法、环境建模、系统架构等自动驾驶核心方向
你将参与L4级自动驾驶系统的研发，将前沿AI算法与高性能工程结合，在真实物理环境中实现安全高效的无人驾驶
最低要求
计算机、自动化、数学或相关专业本科及以上学历
扎实的计算机基础，优秀的算法与数据结构能力
熟练掌握至少一门主流开发语言，能编写高效且易读的代码
在以下任一方向有扎实积累和潜能：
a. 机器学习与深度学习理论基础，熟悉CNN、Transformer、检测、分割等常用感知算法，或者熟悉Imitation Learning、Reinforcement Learning等常用规划算法
熟练掌握至少一门深度学习框架（PyTorch / TensorFlow等），具备实际模型训练与调优经验
b. 熟悉自动驾驶行为预测与运动规划，掌握学习与优化驱动的预测/规划方法，具备路测数据到实车部署的闭环经验
能将复杂多智能体交互场景抽象为可解释的数学模型，并完成仿真与实车环境下的算法迭代与调优
c. 数学建模能力，擅长将复杂的实际问题抽象为可解释的数学模型
d. 系统软件基础，熟悉操作系统、编译原理、计算机网络、分布式系统、计算机图形学等方向中的至少一个，熟练掌握C/C++，具备高性能系统设计、开发与调优经验
e. 其他与上述工作方向相关的技术专长
强烈的技术好奇心与自驱力，良好的沟通协作能力
工作职责
AI模型：研发驱动无人车理解物理世界、预判变化、做出决策的核心模型
探索多传感器融合感知、端到端架构、多模态大模型、强化学习、世界模型等热门方向，构建真正具备物理常识与驾驶智能的AI系统
数据生成与世界模型：通过世界模型生成高保真仿真数据，构建可控、可扩展的数据引擎，突破真实数据的规模与分布瓶颈，让模型在无限丰富的物理场景中持续进化
博弈交互算法：真实道路上的驾驶本质上是博弈问题
研发基于博弈论、交互式预测与决策的算法，让无人车在变道汇入、路口博弈、礼让协商等复杂交互场景中做出既安全又高效的驾驶行为
环境建模与定位：构建高精度的环境地图与实时定位系统，让无人车精确感知自身在物理世界中的位置与周围的道路结构，为感知、决策与规划提供可靠的空间基底
系统与基础架构：设计与研发车载自动驾驶系统、高性能分布式基础架构，或深入编译优化、操作系统级调优，将系统性能压榨到极致
模型部署与优化：研究模型量化、蒸馏与推理加速，让复杂的AI模型在车载计算平台上实时高效运行——这是连接模型与物理世界的关键战场
可视化与人机交互：研发3D可视化、仿真前端或乘客端人机界面，让复杂的系统变得可理解、可操作
优先资格
NOI/ACMICPC/CCPC等程序设计竞赛获奖
在AI模型相关竞赛中取得优异成绩
在相关领域如计算机视觉、机器学习、操作系统、机器人等领域发表高质量论文
有自动驾驶、机器人或相关领域的实际项目或实习经验
有参与相关方向的知名开源项目的经验
AI 洞察
优缺点分析
优点
- 处于自动驾驶与物理AI的最前沿，能接触到端到端架构、世界模型、强化学习等顶尖技术
- 公司平台实力雄厚，拥有真实的物理测试环境与海量数据，算法能直接落地于实车
- 团队技术氛围浓厚，强调模型与系统的深度融合，有助于培养复合型工程能力
- 技术门槛极高，要求深厚的数学基础、算法能力与系统级工程能力，学习曲线陡峭
- 适合对自动驾驶和AI前沿技术有强烈热情，具备扎实算法与工程基础，希望在顶尖技术团队中快速成长的计算机/自动化相关专业在校生
缺点 / 挑战
- 自动驾驶长尾场景复杂，算法在实车部署中面临诸多工程与物理环境的挑战，调试难度大
角色解读
- 从实习生成长为自动驾驶核心算法或系统工程师，深入参与L4级自动驾驶量产落地
- 向自动驾驶技术专家或系统架构师方向发展，成为既懂AI模型又懂系统工程的复合型顶尖人才
- 参与L4级自动驾驶核心模块研发，涵盖AI模型、数据生成、博弈算法、环境建模等方向
- 将前沿AI算法与高性能工程结合，在真实物理环境中实现安全高效的无人驾驶
- 进行模型训练、调优、部署与推理加速，或进行系统级架构设计与性能优化
- 扎实的计算机基础与优秀的算法、数据结构能力，熟练掌握C/C++或Python等主流开发语言
- 在机器学习/深度学习、自动驾驶预测规划、数学建模或系统软件等至少一个方向有深厚积累
- 具备将复杂实际问题抽象为数学模型并完成仿真与实车环境算法迭代的能力
申请策略
- 投递时可根据自身专长明确选择7个方向中的1-2个，并在简历中针对性地展示相关项目经历
- 提前了解小马智行的技术博客或最新论文，面试时展现对公司技术路线的理解与热情
- 突出在机器学习、深度学习或系统软件方向的项目经验，强调模型训练、调优或系统优化的实际成果
- 展示数学建模能力或算法竞赛（如ACM/NOI）获奖经历，证明扎实的算法与数据结构功底
- 若有自动驾驶、机器人相关实习或知名开源项目贡献，务必在简历中重点呈现
- 深入学习PyTorch/TensorFlow框架，掌握Transformer、CNN等主流模型架构及强化学习算法
- 提升C/C++高性能编程能力，了解操作系统、编译原理或分布式系统的基础知识
面试指南
- STAR法则：针对项目问题，清晰阐述情境、任务、行动和结果，重点突出你的技术决策与优化思路
- 第一性原理：面对复杂场景建模或实车部署问题，从物理规律和数学本质出发，逐步拆解问题并给出解决方案
- 请详细介绍你在简历中提到的某个深度学习/自动驾驶项目，遇到了什么技术难点，是如何解决的？
- 在自动驾驶的博弈交互场景中，如何将多智能体交互抽象为数学模型？
- 如果模型在仿真环境中表现良好，但在实车部署时效果不佳，你会从哪些角度排查和优化？
- 请手写或口述一个你熟悉的算法（如目标检测、路径规划或强化学习算法）的核心逻辑
- 复习计算机基础（数据结构、算法、操作系统），并准备1-2个自己最深入参与的AI或系统项目进行深度复盘
- 了解自动驾驶感知、预测、规划、控制的基本Pipeline，以及端到端模型、世界模型等前沿技术概念
职位点评
薪资福利70
成长发展95
工作生活50
使命价值85
薪资福利
70中等
作为头部自动驾驶企业的实习岗位，实习津贴在同类算法岗中处于中上水平，但实习性质决定了其绝对薪资和福利无法与正式员工相比。
薪资信号未披露（AI估算：6.5千–1万/月）
成长发展
95较高
岗位涉及L4自动驾驶、世界模型、强化学习等最前沿技术，且强调模型与系统的结合，能为实习生提供极高的技术视野和成长空间。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、Transformer、CNN、强化学习、C/C++、分布式系统、端到端架构
业务类型ambiguous
工作生活
50较低
JD未明确提及工作模式与WLB相关信息，自动驾驶研发通常节奏较快，实习生的工作生活平衡程度取决于具体团队和任务压力。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
L4级自动驾驶旨在实现安全高效的无人驾驶，具有显著的正向社会价值，且处于物理AI与自动驾驶的高速发展赛道。
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L4级自动驾驶是物理AI的终极应用之一、让无人车在变道汇入、路口博弈、礼让协商等复杂交互场景中做出既安全又高效的驾驶行为
创新程度开拓性创新（行业首创）
Watch Jobs