英伟达
Applied Deep Learning Algorithm Intern, Autonomous Driving - 2027
Applied Deep Learning Algorithm Intern, Autonomous Driving - 2027
发布于 2 小时前实习/见习
实习生仅现场办公自动驾驶
自动驾驶
Autonomous Driving
Pytorch
Reinforcement Learning
Vla
Vlm
值不值得投
86综合评分
综合评分 86
顶尖外企自动驾驶核心算法实习岗，技术栈极具前沿性，成长空间巨大，实习津贴处于市场高位。
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 220 个在招 · 其中自动驾驶 6 个
市场机会
选择面较广
上海 · 自动驾驶 · 约 180 个在招
职位详情
关于这个职位
该职位是英伟达自动驾驶团队的深度学习算法实习生，主要负责基于深度学习的自动驾驶决策、规划算法的开发、训练与评估，并探索VLM/VLA等前沿Transformer模型在自动驾驶场景中的应用
你将参与数据工作流构建、模型微调、强化学习实验及多车型适配，是接触行业顶尖自动驾驶技术的绝佳机会
最低要求
计算机科学、人工智能、机器人学、数学或相关专业的在读硕士或博士生
具备良好的Python编程能力，并有PyTorch或其他深度学习框架的实践经验
深入理解机器学习、深度学习、Transformer架构、模型训练、优化及数据集分析
具备熟练的英语读写沟通能力，能够与全球团队高效协作
实习期间每周至少能工作3天
工作职责
开发、训练、微调和评估用于自动驾驶决策、规划和驾驶行为的基于学习的算法
探索基于Transformer的方法（包括VLMs和VLAs），用于驾驶场景理解、决策和轨迹生成
构建监督微调数据工作流和Python工具，用于场景挖掘、数据清洗、过滤、标注、实验管理、可视化和模型评估
分析模型失败案例和车辆日志，挖掘困难场景，改善数据集平衡、长尾覆盖和噪声质量
使用离线指标、开环回放、仿真和实车测试结果，进行监督微调、强化学习、消融和评估实验
支持多个自动驾驶项目的模型和车型适配，包括问题分析、验证和规模化扩展
优先资格
具备监督微调、模仿学习、强化学习、行为克隆或基于学习的规划经验
有使用或微调VLMs、VLAs或其他多模态基础模型的经验
熟悉自动驾驶数据集、轨迹数据、车辆日志、仿真或场景挖掘流程
具备较强的C++技能，或有相关研究、开源项目、论文发表或竞赛经验
AI 洞察
优缺点分析
优点
- 接触全球最顶尖的自动驾驶技术与算力平台，参与VLM/VLA等前沿大模型落地，技术视野开阔
- 与行业顶尖工程师共事，技术深度与工程能力双重提升，外企技术氛围浓厚
- 简历含金量极高，英伟达的实习经历在自动驾驶及AI领域具有极强的背书效应
- 适合对自动驾驶和AI大模型有强烈热情，具备扎实算法基础与科研能力，且期望在顶尖科技平台发展的硕博在校生
缺点 / 挑战
- 自动驾驶算法落地要求极高，需处理大量长尾困难场景与实车测试问题，工程挑战大
- 技术迭代极快，需持续跟进最新论文与前沿技术，学习压力与节奏较快
角色解读
- 实习表现优异可争取转正，未来可发展为自动驾驶算法专家、大模型应用科学家或自动驾驶系统架构师
- 积累的顶尖平台经验与前沿技术栈（VLM/VLA），在自动驾驶及AI大模型领域极具行业竞争力
- 研发自动驾驶决策与规划算法，探索VLM/VLA等前沿大模型在自动驾驶场景中的理解与生成应用
- 构建数据工作流，进行模型微调、强化学习实验及实车测试评估，处理长尾困难场景
- 支持多车型适配与问题排查，推动算法从离线仿真到实车落地的闭环验证
- 扎实的Python与PyTorch编程能力，深入理解Transformer、深度学习及模型训练优化
- 具备英语沟通能力，能阅读前沿论文并与全球团队高效协作
- 有自动驾驶数据集处理、大模型微调或强化学习相关项目/科研经验者优先
申请策略
- 准备好过往项目的详细技术细节，特别是模型失败案例分析与数据清洗策略
- 了解英伟达在自动驾驶领域的最新产品（如DRIVE Thor）及技术路线图，展现对行业的关注
- 突出在Transformer、VLM/VLA或强化学习相关的项目、论文或竞赛经历，展示科研深度
- 展示处理自动驾驶数据集、车辆日志或仿真平台的实际工程经验，强调数据驱动思维
- 强调Python/C++工程能力与模型部署优化经验，体现从算法到落地的闭环能力
- 提前熟悉英伟达相关工具链（如Omniverse, Isaac Sim等）及端到端自动驾驶模型（如UniAD, VAD）
- 深入学习多模态大模型微调技术及强化学习在规划控制中的具体应用
面试指南
- 采用STAR法则：情境（项目背景）-> 任务（面临的技术挑战）-> 行动（采用的算法、数据策略、工程优化）-> 结果（指标提升、实车表现）
- 强调数据驱动和闭环验证的思维，突出在模型失败案例中的分析逻辑与迭代过程
- 请详细介绍你使用Transformer或VLM/VLA进行场景理解或决策规划的项目经验
- 在自动驾驶算法开发中，你是如何处理长尾场景和数据不平衡问题的？
- 请解释监督微调（SFT）和强化学习（RL）在自动驾驶规划中的具体应用及区别
- 如果模型在实车测试中出现规划失败，你的排查和优化思路是什么？
- 复习自动驾驶感知、决策、规划的经典算法及最新端到端大模型论文，掌握核心原理
- 准备1-2个自己主导的深度学习项目，能够深入讲解模型结构、Loss设计及调优过程
职位点评
薪资福利85
成长发展95
工作生活70
使命价值90
薪资福利
85较高
岗位为算法实习生，虽未明确披露具体薪资，但结合一线城市硕博算法岗的市场行情与外企背景，实习津贴处于市场较高水平。
薪资信号未披露（AI估算：8千–1.5万/月）
成长发展
95较高
岗位涉及VLM/VLA、强化学习等最前沿技术，且明确提及与经验丰富的工程师共事，技术成长与视野拓展空间极大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、Transformer、VLMs、VLAs、Reinforcement Learning、Supervised Fine-tuning、C++
成长机会work with experienced engineers
业务类型ambiguous
工作生活
70中等
JD未明确说明工作模式与加班情况，且算法实习岗通常需跟进项目进度，WLB信号不足，无法做出绝对乐观判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
90较高
自动驾驶是极具社会价值与未来前景的赛道，英伟达作为底层算力与算法引领者，赋予该岗位强烈的科技使命感与行业开拓意义。
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forefront of groundbreaking technologies、leading the way in some of the world's most exciting tech areas
创新程度开拓性创新（行业首创）
英伟达 的其他在招职位
相似职位推荐
Watch Jobs