生成式动作算法工程实习生（T2M / A2G 方向）
发布于 3 小时前实习/见习
值不值得投
综合评分 74
前沿具身智能算法岗、技术成长空间极大、工作强度偏高、适合深耕AI与机器人交叉领域的硕士研究者
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，方便比较实习机会。
薪资怎么样
1.2万
比人工智能中位数低
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 1550 个在招 · 其中人工智能 16 个
市场机会
选择面较广
深圳 · 人工智能 · 约 150 个在招
职位详情
关于这个职位
负责基于生成式AI架构研发Text-to-Motion与Audio-to-Gesture算法，构建多模态动作生成模型与数据处理管线
最低要求
学历与专业： 计算机、人工智能、自动化、软件工程、图形学或机器人相关专业硕士及以上学历（或具备同等资深研发经验）
工作职责
算法研发与优化： 负责 Text-to-Motion (T2M) 和 Audio-to-Gesture/Motion (A2G) 算法的前沿探索与研发，提升生成动作的自然度、语义一致性、音步对齐度及物理合理性
优先资格
学术成果： 在 CVPR、ICCV、ECCV、SIGGRAPH / SIGGRAPH Asia、NeurIPS、AAAI 等顶级学术会议/期刊发表过 3D 动作生成或多模态理解方向论文者优先
AI 洞察
优缺点分析
优点
- 聚焦具身智能与生成式AI交叉前沿，技术壁垒高且行业前景广阔
- 接触Top级动捕设备与仿真环境，工程落地价值大
- 团队背景强，利于积累顶会论文与硬核项目经验
- 算法创新难度大，需持续跟进国际最新基线与开源代码
- 数据清洗与物理对齐环节繁琐耗时
- 对数学基础、3D几何与深度学习综合能力要求极高
- 适合计算机科学/人工智能/机器人方向硕士及以上在校生，热爱前沿算法研究，具备较强自驱力与工程落地能力的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 向具身智能/人形机器人底层算法专家发展
- 可拓展至虚拟数字人驱动、XR交互或游戏AI动作生成领域
- 具备顶会论文发表潜力，适合走学术研究或工业界前沿技术路线
- 负责T2M/A2G生成式动作算法的底层研发与性能优化
- 构建基于Diffusion/Transformer的多模态动作生成模型
- 搭建3D动作数据清洗与处理流水线
- 解决长序列连贯性、脚滑修正等核心技术难题
- 扎实的生成式AI理论（Diffusion/VQ-VAE/GAN）
- 精通Python与PyTorch深度学习框架
- 掌握3D动作表示格式（SMPL/BVH）与运动学基础
- 具备高质量数据集构建与Pipeline开发能力
申请策略
- 提前研读目标公司近期发表的T2M/A2G相关论文或技术博客
- 面试时准备至少一个完整的数据处理到模型训练调优的项目案例
- 展现对具身智能产业落地的思考
- 突出T2M/A2G相关项目经历，详细列出使用的模型架构、数据集规模及性能指标
- 强调Python/PyTorch熟练度及3D动作处理经验
- 附上GitHub代码库或顶会/预印本论文链接
- 强化Diffusion Model与Flow Matching的数学推导与代码实现
- 熟悉Isaac Gym/MuJoCo等物理仿真工具链
面试指南
- 采用STAR法则结构化回答项目经验
- 针对算法题，先阐述核心原理与公式推导，再说明工程实现细节与消融实验设计
- 结合业务场景讨论技术选型的权衡
- 请详细描述你过去项目中Diffusion模型在时序/动作数据上的具体应用与调参经验
- 如何设计数据Pipeline以处理不同采样率与格式的动捕数据？
- 面对长序列生成的“脚滑”问题，你有哪些具体的修正思路或实验方案？
- 复习生成式模型核心论文（如DDPM, VQ-VAE, Transformer变体）
- 动手复现一个轻量级T2M/A2G开源项目
职位点评
薪资福利
深圳具身智能赛道实习津贴处于市场中上水平，但JD未明确福利细节，整体补偿性满足度中等偏上。
成长发展
岗位聚焦生成式AI与具身智能交叉前沿，提供接触顶级动捕设备、仿真环境与顶会发表机会，技能成长与学术/工业双重发展空间极大。
工作生活
算法攻坚与数据管线搭建通常伴随高强度脑力劳动与迭代压力，JD未提及弹性工时或WLB保障，工作节奏可能较快。
使命价值
致力于突破具身智能与人形机器人动作控制的底层技术，推动虚拟数字人与XR交互体验升级，具有显著的技术突破意义与产业变革潜力。
智元机器人 的其他在招职位