Research Scientist

Glauben Sie, dass der Weg zu einer allgemeinen physischen KI durch laute, reale Fabrikbereitstellungen führt? Sind Sie begeistert von der Herausforderung, die klassischen Roboterstacks in die grundlegenden Trainingsdaten für physische KI umzuwandeln? Möchten Sie die Lücke zwischen erstklassiger ML-Forschung und industrieller Roboterausführung überbrücken?

Wenn Ihre Antworten ja sind, sollten wir sprechen.

Bei Nomagic führen wir einen bescheidenen Pivot für allgemeine physische KI durch. Wir glauben, dass physische KI grundsätzlich ein Wissensübertragungsproblem ist - wir nutzen die "Internetdaten" der Robotik - massive Bereitstellungsprotokolle von realen Systemen, die in Produktionsumgebungen arbeiten - um unsere Bemühungen zu unterstützen. Wir suchen Forschungswissenschaftler, die uns helfen, grundlegende Modelle zu entwickeln, zu trainieren und bereitzustellen, die unsere Flotte von einem klassischen Steuerungsstack zur allgemeinen KI-Meisterschaft bringen.

Angebotsdetails

• Arbeiten Sie jeden Tag mit echten Robotern und lösen Sie echte Probleme.
• Umzugspaket.
• Flexible Arbeitszeiten.
• Englischsprachige Umgebung.

Warum wir diesen Job lieben

• Wir kombinieren erstklassige Forschung mit erstklassiger Technik und wenden sie an, um echte Probleme zu lösen.
• Ein Großteil dieser Daten existiert bereits. Wir haben Roboter in Produktion im großen Maßstab. Wir warten nicht darauf, dass Datensätze gesammelt werden; das Nebenprodukt unserer Maschinen, die nützliche Arbeit leisten, wird gerade jetzt erstellt.
• Wir messen, was zählt. Wir testen unseren Code in Unit-Tests, Simulationen und direkt an echten Robotern. Die Verankerung unserer Modelle in der Bereitstellung ermöglicht es uns, die Leistung wirklich zu messen, nicht nur Offline-Metriken.
• Hohe Hebelwirkung, hohe Auswirkungen. Wir sind immer noch ein hoch fokiziertes Team. Wenn Ihre Architekturen und Trainingscurricula unsere Agenten verbessern, verändern Sie direkt die Wirtschaftlichkeit des Unternehmens.
• Weltklasse-Kollegen. Unser Team hat Google Warschau aufgebaut, Einhorn-Startups geleitet, Forschung bei DeepMind betrieben, Raketentriebwerke getestet und bei Top-Unternehmen wie Nvidia und ByteDance gearbeitet. Jetzt gestalten wir gemeinsam die Realität der physischen KI.
• Wir bauen die Brücke. Wir sind kein neues Startup, das nach einer Anwendung sucht; wir sind ein etabliertes Unternehmen, das physische KI bootstrapped. Wir glauben, dass dies der erste echte Proof-of-Concept für skalierte physische KI sein wird.

Was Sie tun werden

• Ihr Fokus wird durch die Schnittstelle von ML-Forschung, Robotik und großflächigem multimodalem Modelltraining definiert. Erwarten Sie Herausforderungen in zwei Hauptsäulen, mit der Möglichkeit, sich auf Pretraining oder Post-Training zu spezialisieren:
• Grundlagenmodelle - Pretraining
• Gestalten Sie die Basisintelligenz: Definieren Sie Modellarchitekturen (Transformer- und Diffusionsbasiert), Ziele und Trainingscurricula über multimodale Roboterdaten, indem Sie rohe Bereitstellungsprotokolle in verallgemeinerbare Fähigkeiten umwandeln.
• Meistern Sie die Daten: Entwickeln Sie skalierbare Datenmischungen und Sampling-Strategien unter Verwendung unserer massiven Offline-Repositories von Vision-, Aktions- und Zustandsdaten.
• Drücken Sie die Grenze: Führen Sie rigorose Ablationen durch, um Skalierungsgesetze, Datenqualitätswirkungen, Optimierungsdynamiken und Fehlerarten großer Modelle zu verstehen.
• Skalieren Sie mit Engineering: Arbeiten Sie eng mit ML Infra zusammen, um die Cluster-Nutzung und den Durchsatz zu maximieren und sicherzustellen, dass unsere algorithmischen Ideen in effizientes verteiltes Training umgesetzt werden.
• Adaptation, Post-Training - Real-World Evaluation
• Fahren Sie die downstream Anpassung: Erkunden Sie Feinabstimmungsrezepte, um allgemeine Modelle - sowohl unsere als auch die Modelle unserer Partner - nützlich, kontrollierbar und sicher in der realen Welt zu machen, indem Sie Imitation und Verstärkungslernen, Destillation und Curriculum-Lernen verwenden.
• Verbessern Sie die physische Robustheit: Entwickeln Sie modernste Methoden zur Verbesserung der Zuverlässigkeit in der realen Welt, zum Umgang mit Ausreißern und zur Steuerung des Verhaltens von Robotern in reifen Fabrikumgebungen.
• Erstellen Sie Benchmarks: Entwerfen Sie Bewertungsrahmen und leichte physische Setups, die die tatsächliche Roboterausführung und Fehlerarten weit über die Grenzen der Simulation hinaus messen.
• Schließen Sie die physische Schleife: Analysieren Sie die Ergebnisse der realen Bewertung, um die übergeordnete Forschungsrichtung zu leiten und nahtlos die Lücke zwischen den Ausgaben des Grundlagenmodells und den Ergebnissen in der physischen Welt zu überbrücken.

Welche Fähigkeiten wir uns wünschen

• Erfahrung: Tiefe Forschung und praktische Erfahrung an der Schnittstelle von maschinellem Lernen, Systemtechnik und physischer Robotik.
• Nachweisliche Erfolge: Erfahrung in der Gestaltung, dem Training und der Feinabstimmung großangelegter Deep-Learning-Architekturen (VLMs, VLAs, RL, RLHF, Imitation Learning), idealerweise mit Richtlinien, die auf echter Hardware bereitgestellt und validiert wurden.
• Engineering-Exzellenz: Starke Grundlagen in Deep-Learning-Frameworks (PyTorch/JAX). Sie sind damit vertraut, auf jeder Ebene des Stacks zu debuggen und legen ebenso viel Wert auf empirische Strenge wie auf die Geschwindigkeit der Iteration.
• Robotik-Intuition: Komfort im Umgang mit Hardware. Sie verstehen den gesamten Robotik-Stack (Wahrnehmung, Steuerung, Zustandsabschätzung) und legen großen Wert auf Bewertung und Fehleranalyse, wenn Software auf die physische Welt trifft.
• Pragmatischer Forschungsansatz: Sie besitzen die Fähigkeit, nahtlos zwischen theoretischem Design und physischer Implementierung zu wechseln. Sie bevorzugen Ausführung, schnelle Iterationsschleifen und Robustheit in der realen Welt gegenüber akademischer Reinheit.

Bewerbungsprozess

• Ein Telefongespräch mit dem Einstellungsleiter, um Ihren Hintergrund und unsere technische Richtung zu besprechen.
• Ein halber Tag vor Ort (kulturelle Passung - tiefgehende technische Interviews).
• Eine endgültige Entscheidung innerhalb von 2-3 Tagen nach dem Vor-Ort-Interview.
• Wichtig: Erwarten Sie detailliertes, ehrliches Feedback nach Abschluss des Prozesses, unabhängig von unserer Entscheidung.