博世
计算机视觉科学家 (边缘计算与智能家居)_CR
计算机视觉科学家 (边缘计算与智能家居)_CR
发布于 大约 8 小时前普通员工/个人贡献者
上海市
专家级经验
全职员工
仅现场办公
学历未注明
计算机视觉工程
Arm
Edge Ai
Model Pruning
Model Quantization
Multi-Sensor Fusion
Npu
Pytorch
Tensorflow
Tensorrt
AI 估算 · 30k–50k
跨国企业研究院，计算机视觉+边缘AI方向人才稀缺，上海薪资水平高，预计月薪3-5万，14薪。
职位详情
关于这个职位
作为博世中央研究院的计算机视觉科学家，你将专注于智能家居领域的边缘AI算法研发与部署
工作涵盖细粒度视觉识别、轻量化模型优化、多传感器融合，以及将算法产品化
你将与硬件和产品团队紧密合作，定义摄像头规格和系统架构，推动创新技术从研究走向量产
最低要求
计算机视觉与深度学习：至少在检测/分割/细粒度分类/纹理与材质识别之一有落地经验
精通PyTorch或TensorFlow
具备数据清洗、标注策略、数据增强、偏差与鲁棒性分析能力
端侧部署与模型优化：至少具备ARM/DSP/NPU之一的部署经验
熟悉量化（PTQ/QAT）、剪枝、蒸馏、混合精度、结构重参数化
熟悉至少一种推理/编译工具链（TFLite/TFLite Micro、TensorRT、TVM、ONNX Runtime、厂商NPU SDK）
具备性能工程能力（profiling延迟/吞吐/内存/功耗，算子级分析优先）
多传感器融合与信号处理：有卡尔曼/粒子滤波或多模态神经网络融合经验
具备时序/传感信号处理能力（FFT/STFT、时频分析、统计特征提取）
工程实现能力：扎实的Python与C/C++编程能力，可维护工程习惯（模块化、测试、优化）
熟悉端侧开发与调试流程（交叉编译、日志/追踪、硬件在环测试）
通用能力：出色的分析与问题拆解能力，能推动端到端交付
良好的中英文沟通能力
工作职责
) 计算机视觉算法研发：在复杂真实环境下，研发并验证用于细粒度识别的计算机视觉算法
构建训练与评估流程，包括数据准备、增强策略、鲁棒性测试与误差分析
) 端侧AI优化与部署：面向嵌入式/端侧平台设计轻量高效的深度学习模型
通过量化/剪枝/蒸馏等方法优化并部署模型，满足时延、内存、功耗等约束
基于主流推理工具链完成端侧profiling与性能调优
) 多传感器融合：融合视觉与其他传感模态（如惯导/振动、载荷、光谱等），提升性能与可靠性
设计融合策略并开展消融分析，量化传感器贡献与失效模式
) 系统共设、创新与转化：与硬件及产品团队协作，定义摄像头/光学规格与系统架构
跟踪前沿技术，产出专利/论文，并推动成果走向可量产方案
优先资格
在纹理分析/材质识别/细粒度识别方面有深入积累（工业场景优先）
多模态感知经验：融合视觉+声学/振动/光谱/惯导等信号
光学与照明设计：光路/照明设计，镜头选型，成像系统搭建与标定
光谱分析：光谱传感器应用、预处理与校准、特征提取、定量/半定量建模
摄像头成像链路：ISP调试/画质优化（AE/AWB/降噪/HDR等）
顶会/顶刊论文或高质量专利产出（CVPR/ICCV/ECCV/NeurIPS等）
具备家电/智能家居产品研发经验（如洗衣机、冰箱、洗碗机等），有从算法研发到工程落地/产品化的经验
AI 洞察
优缺点分析
优点
- 博世作为全球科技巨头，提供前沿的研究环境和完善的实验资源
- 职位结合计算机视觉与边缘计算，技术壁垒高，市场价值大
- 产品落地场景明确（智能家居），成果可直接应用于实际产品，成就感强
- 团队国际化，有机会与全球顶级科学家合作，产出顶会论文和专利
- 对技术深度要求极高，需同时掌握算法优化、嵌入式部署和多传感器融合
- 边缘设备资源受限，算法需在性能与效率间精细平衡，调试难度大
- 跨团队协作频繁，需要沟通硬件、产品等多方，对综合能力要求高
- 适合具备扎实计算机视觉和深度学习背景，热爱算法工程化，希望在智能家居领域深耕的AI科学家或高级工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕计算机视觉与边缘AI，成为算法或系统架构领域的权威
- 项目负责人路线：逐步带领技术团队，主导从研究到产品的全流程项目
- 跨界发展：结合博世业务，向产品经理或技术高管方向演进，影响智能家居战略
- 研究和开发用于智能家居的计算机视觉算法，如细粒度物体识别和纹理分析
- 优化深度学习模型以适应边缘设备，包括量化、剪枝和蒸馏，确保在低功耗下高效运行
- 整合视觉与其他传感器（如振动、光谱）数据，提升系统在复杂环境下的鲁棒性
- 与硬件团队协作，定义摄像头规格和系统架构，推动研究成果产品化
- 扎实的计算机视觉和深度学习基础，至少精通PyTorch或TensorFlow
- 丰富的边缘模型部署经验，熟悉ARM/DSP/NPU平台及TFLite/TensorRT等工具链
- 多传感器融合和信号处理能力，熟悉卡尔曼滤波或神经网络融合方法
- 优秀的C++/Python编程能力，以及端侧开发和调试经验
申请策略
- 在简历或cover letter中明确表达对智能家居和边缘AI的兴趣，体现与博世业务方向的契合
- 提前准备一个端到端案例：从算法设计到边缘部署的完整流程，以应对技术面试
- 突出计算机视觉项目经验，尤其是细粒度识别或纹理分析方向，并附上量化指标（精度、速度）
- 详细描述模型部署经历，包括使用的硬件平台、优化方法和性能提升数据
- 展示多传感器融合或信号处理相关项目，强调融合策略和效果分析
- 如有顶会论文或专利，务必列出，尤其是与工业场景相关的成果
- 加强嵌入式C++编程和模型量化工具（如TensorRT、TFLite Micro）的实操
- 补充多传感器融合理论，特别是卡尔曼滤波和神经网络融合的编程实现
面试指南
- STAR法则：情境-任务-行动-结果，重点突出技术选型、实现细节和量化成果
- 结构化分析：先定义问题边界，提出多种方案并对比优劣，最后给出推荐方案
- 强调权衡思维：在精度、速度、功耗等约束下如何做出决策，体现工程视角
- 请描述一个你参与的计算机视觉项目，你是如何优化模型以适应边缘设备的？
- 如何设计一个融合视觉和振动传感器的方案来提高洗衣机内衣物识别的准确性？
- 解释量化感知训练（QAT）与传统量化（PTQ）的区别，你会在什么场景下选择哪种？
- 在处理多传感器数据时，如何解决传感器时间戳不同步的问题？
- 请举例说明你如何将一个研究想法转化为实际产品，过程中遇到了哪些挑战？
职位点评
71
综合评分
前沿技术驱动、高成长空间，但办公灵活性低，适合技术狂热者。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
最適合重視技術成長和創新、願意投入時間在研發上的求職者，對工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活40
使命价值70
薪资福利
75中等
博世作为跨国巨头，薪资具有竞争力，福利体系完善，但JD未明确薪资和具体福利，因此补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
90较高
职位聚焦前沿计算机视觉和边缘AI技术，有大量研发和创新空间，鼓励发表论文和专利，成长性极佳。
技术前沿前沿/新兴技术
技术栈Computer Vision、Edge AI、PyTorch、TensorFlow、Quantization、Pruning、Multi-sensor Fusion
业务类型ambiguous
工作生活
40较低
仅现场办公，未提及弹性工作或远程选项，办公地点未明确，生活便利性和灵活性较低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
智能家居和可持续性主题具有社会价值，但职位描述中使命信号较弱，整体意义感动机满足中等。
行业发展高速增长赛道
社会影响中性/一般
使命信号可持续性
创新程度积极采用新技术
博世 的其他在招职位
相似职位推荐
Watch Jobs