吉利汽车
人工智能算法研究岗
人工智能算法研究岗
发布于 大约 9 小时前普通员工/个人贡献者
杭州市 / 宁波市
专家级经验
全职员工
仅现场办公
硕士
人工智能
Lora
Pytorch
Tensorflow
大模型微调
强化学习
智能座舱
生理信号处理
车规级芯片
健康干预
AI 估算 · 35k–60k
职位详情
关于这个职位
这是一个在吉利汽车集团从事人工智能算法研究的岗位，核心方向是健康感知算法、医疗垂类大模型应用和AI健康干预算法
你将负责从生理信号提取、大模型推理到个性化干预策略引擎的完整算法链路，并推动算法在车规级芯片上的工程落地
该岗位需要扎实的算法功底和跨领域协作能力，适合希望在智能座舱健康领域深耕的算法工程师
最低要求
一、硬性条件
硕士及以上，计算机、人工智能、生物医学工程、自动化等相关专业，3年以上AI算法落地经验
精通Python及至少一种深度学习框架（PyTorch/TF）
具备以下至少两项实战经验：
（1）生理信号处理（PPG/ECG/BCG）或基于非接触传感器的生理测量
（2）大模型微调（LoRA/QLoRA/P-tuning）与部署
（3）健康/推荐系统中的决策算法（规则引擎、强化学习、贝叶斯优化等）
（4）了解医疗数据隐私合规（脱敏、差分隐私、联邦学习基础）
工作职责
健康感知算法研究：基于摄像头/毫米波雷达/座椅传感器/ECG的心率、呼吸频率、心率变异性（HRV）、疲劳指数、压力水平等生理参数提取算法
医疗垂类大模型应用：将多模态生理数据转化为自然语言健康摘要、风险解读与可解释性建议，构建端云混合推理架构
AI健康干预算法：
（1）设计基于多源健康数据的风险分级模型（低/中/高危），定义不同等级对应的干预触发条件与动作库
（2）开发个性化干预策略引擎，结合用户画像及实时状态，动态推荐干预措施
（3）探索强化学习/上下文多臂老虎机等算法，持续优化干预策略的有效性与用户接受度
（4）设计并实现干预效果评估闭环，用于算法迭代
工程落地：
（1）将感知算法、大模型推理、干预策略引擎封装为可部署的SDK，适配车规级芯片
（2）与座舱功能开发、产品经理协作，定义算法输入输出接口及干预动作的具体执行方式
优先资格
二、加分项
有主动健康干预产品（如智能座舱减压系统、数字疗法APP、康复机器人）开发经验
熟悉汽车座舱环境控制接口（空调、座椅、音响、香氛）或CAN信号控制
曾发表过生理信号处理、医疗AI、强化学习相关论文
了解ISO 26262功能安全对算法决策的冗余要求
AI 洞察
优缺点分析
优点
- 深度参与智能座舱健康管理这一前沿领域，技术含量高，有较大创新空间
- 算法方向与医疗大模型、强化学习等热门技术结合，职业发展前景广阔
- 岗位对跨领域知识要求高，需要同时掌握生理信号处理、大模型和决策算法，学习曲线陡峭
- 适合对AI与医疗健康交叉领域有浓厚兴趣，具备扎实算法功底和跨领域学习能力，并希望在智能汽车领域深耕的算法工程师
缺点 / 挑战
- 依托吉利汽车大平台，资源丰富，项目落地性强，能接触到车规级芯片等工程化挑战
- 算法在车规级芯片上部署和落地，需考虑功能安全、算力限制等工程问题，挑战较大
- 汽车行业算法岗位竞争激烈，且医疗健康数据合规要求严格，工作压力较大
角色解读
- 在技术深度上，可从算法工程师成长为健康感知与干预算法领域的专家，主导核心技术方向
- 在业务广度上，可向技术管理方向发展，带领团队负责智能座舱健康产品线的算法研发
- 在行业跨界上，可向数字疗法、主动健康管理等新兴医疗健康领域拓展，成为跨领域人才
- 研发基于多种传感器（摄像头、毫米波雷达、座椅传感器、ECG）的生理信号提取算法，用于监测心率、呼吸、疲劳等指标
- 将多模态生理数据与大模型结合，生成自然语言健康摘要和风险解读，并构建端云混合推理架构
- 设计并优化AI健康干预算法，包括风险分级模型、个性化干预策略引擎，并探索强化学习等算法以提升干预效果
- 负责将算法封装为SDK，适配车规级芯片，并与座舱功能开发、产品经理协作完成工程落地
- 精通Python，熟练使用PyTorch或TensorFlow等深度学习框架
- 具备生理信号处理（PPG/ECG/BCG）或非接触传感器生理测量经验
- 有大模型微调（LoRA/QLoRA/P-tuning）与部署经验，了解端云混合架构
- 了解强化学习、贝叶斯优化等决策算法，并具备医疗数据隐私合规知识
申请策略
- 在申请时，可以主动表达对智能座舱健康管理方向的热情和对吉利汽车业务的理解
- 准备一个与健康干预或生理信号处理相关的项目案例，展示从算法设计到工程落地的完整能力
- 重点突出在生理信号处理、大模型微调或强化学习等领域的项目经验，尤其是与健康干预相关的项目
- 详细描述在算法落地方面的工程能力，如模型压缩、SDK封装、车规级芯片适配等
- 强调对医疗数据隐私合规的理解，以及跨部门协作经验
- 补充学习强化学习、上下文多臂老虎机等决策算法，并了解其在健康干预中的应用
- 熟悉汽车座舱环境控制接口（如CAN信号）和车规级芯片部署流程
- 了解ISO 26262功能安全标准，为算法决策的冗余设计做准备
面试指南
- 回答技术问题时，可采用STAR法则（情境-任务-行动-结果）来结构化描述项目经验，突出个人贡献和量化成果
- 对于算法设计类问题，可以先阐述整体思路，再细化技术选型和关键难点，最后总结潜在风险和优化方向
- 对于工程落地类问题，强调对硬件约束、数据合规和跨团队协作的考虑，展现工程化思维
- 请详细介绍一下你在生理信号处理（如PPG/ECG）方面的项目经验，如何保证算法的准确性和鲁棒性？
- 你如何设计一个基于大模型的健康摘要系统？如何保证其可解释性和端云混合部署的可行性？
- 请谈谈你对风险分级模型的理解，如何定义低/中/高危的阈值？
- 你如何设计一个强化学习算法来优化健康干预策略？如何评估其效果？
- 在车规级芯片上部署算法时，你会如何平衡模型性能和算力限制？
Watch Jobs