核心职责 世界模型算法研发 设计并实现基于深度学习的环境动态建模框架（如状态空间模型、Transformer、Diffusion Model等），支持长期状态预测与反事实推理。 研发多模态（视觉/点云/语言/传感器）融合表征学习方法，构建统一的环境状态编码器。 探索世界模型在机器人规划、控制、人机交互等下游任务的闭环应用。 仿真与训练系统构建 开发大规模机器人仿真环境（Isaac Gym/Unity/Omniverse），生成可用于训练世界模型的合成数据。 构建分布式训练框架，优化万亿参数级模型的训练效率与稳定性。 算法部署与验证 将世界模型集成至真实机器人平台（人形/移动机械臂/AGV等），设计轻量化推理方案。 设计评估体系，量化模型在长时序预测、不确定性建模、泛化性等维度的性能。 技术前瞻研究 跟踪LLM、VLM、神经符号计算等技术与世界模型的结合方向（如GPT-4 + 物理引擎）。 探索世界模型的可解释性与安全约束机制。 任职要求 计算机/机器人/人工智能/应用数学相关领域博士，或硕士+3年研究经验（顶会论文/重大项目可放宽）。 深度学习：精通PyTorch/TensorFlow，掌握Transformer、RNN、GNN、概率生成模型（VAE/Normalizing Flow/Diffusion）等架构。 机器人基础：熟悉SLAM、运动规划、控制理论，有ROS/ROS2开发经验。 多模态处理：具备视觉（CNN/3D CNN）、点云（PointNet++）、语言（BERT/GPT）等至少两种模态算法经验。 编程能力：熟练使用Python/C++，掌握CUDA/OpenCL加速技术者优先。 研究能力 在以下至少一个领域有深入实践： 世界模型（DreamerV3/IQ-Learn） 强化学习（MBRL/Offline RL/Imitation Learning） 神经符号系统（Neuro-Symbolic AI） 物理仿真引擎（MuJoCo/PyBullet/Isaac Sim） 优先条件 在ICLR/NeurIPS/ICML/CORL等顶会发表世界模型/机器人学习相关论文 熟悉机器人仿真工具链（Gazebo/Webots/Isaac Gym） 具身智能或自动驾驶领域项目经验 大模型微调（LoRA/QLoRA）或AI Agent开发经验 掌握模型压缩技术（蒸馏/量化/剪枝）