مهندس رباتیک هوش مصنوعی
AI Robotics Engineer
مهندس رباتیک هوش مصنوعی (AI Robotics Engineer) متخصصی است در تقاطع robotics، computer vision، reinforcement learning و embedded systems که رباتهای فیزیکی هوشمند را از طراحی perception stack تا motion planning و کنترل real-time میسازد. این نقش با ML Engineer معمولی فرق دارد: شما با sensor noise، latency میلیثانیهای و قوانین فیزیکی واقعی سر و کار دارید، نه فقط داده تمیز در notebook. با ظهور Humanoid robots مثل Figure 02، Tesla Optimus و Boston Dynamics Atlas الکتریکی، و foundation models برای رباتیک مثل RT-2 و OpenVLA، تقاضا برای این نقش در ۲۰۲۶ منفجر شده — حقوق ارشد در Silicon Valley به ۳۵۰هزار+ دلار رسیده و سرمایهگذاری VC در humanoid robotics از مرز ۷ میلیارد دلار عبور کرده است.
مقدمه و تعریف شغل
مهندس رباتیک هوش مصنوعی (AI Robotics Engineer) متخصصی است که رباتهای فیزیکی هوشمند را با ترکیب AI مدرن، perception، control و mechanical engineering میسازد. این نقش از یک سو با ML Engineer که فقط با داده در cloud کار میکند فرق دارد چون با قوانین فیزیک، sensor noise و latency سختافزاری سر و کار دارد و از سوی دیگر با Robotics Engineer سنتی متفاوت است چون به جای کنترلر دستنوشته، از deep learning، RL و foundation models برای رفتارهای پیچیده استفاده میکند.
تا اوایل ۲۰۲۰، رباتیک عمدتاً مبتنی بر کنترلرهای کلاسیک و planning الگوریتمهای دستنوشته بود — ربات فقط همان کاری را که برایش کد نوشته بودید انجام میداد. انقلاب deep RL در ۲۰۱۸ (OpenAI Dactyl)، Diffusion Policy در ۲۰۲۳ (Columbia/TRI) و سپس Vision-Language-Action models مثل RT-2 از DeepMind در ۲۰۲۳ و OpenVLA در ۲۰۲۴ نشان داد ربات میتواند از داده generalize کند. در ۲۰۲۵ humanoid robotics از تحقیقات آکادمیک به محصول واقعی تبدیل شد: Figure 02 در BMW، Tesla Optimus در کارخانهها، Agility Digit در GXO و Apptronik Apollo در Mercedes. ۲۰۲۶ سال تثبیت foundation models رباتیک و رشد انفجاری تقاضا برای این نقش است.
چه چیزی میسازید؟
مثالهای واقعی از خروجی کار یک مهندس رباتیک هوش مصنوعی
رباتهای صنعتی هوشمند
یک خودروساز میخواهد رباتهای خط تولیدش بدون reprogramming هر قطعه جدید را شناسایی و مونتاژ کنند. شما perception + manipulation stack میسازید که با چند demonstration کار جدید را یاد میگیرد (مثل cobot های Universal Robots و KUKA iiwa).
Humanoid Robots
Figure AI میخواهد ربات انساننمایش در انبار BMW جعبهها را جابجا کند. شما whole-body controller، manipulation policy و VLA model برای درک دستورات زبانی میسازید.
Autonomous Mobile Robots
یک شرکت لجستیک میخواهد ۵۰۰ ربات در انبارش بدون برخورد به انسانها کار کنند. شما SLAM، multi-robot coordination و safety logic میسازید (مثل Amazon Robotics و GreyOrange).
رباتهای جراحی و پزشکی
Intuitive Surgical نسل بعدی da Vinci را با AI میسازد. شما visual perception، tissue tracking و haptic feedback را با دقت سابمیلیمتر پیاده میکنید.
Drones و سیستمهای هوایی خودمختار
Skydio یا Anduril میخواهد drone شان در محیط GPS-denied با دوربین navigate کند و target tracking کند. شما VIO، obstacle avoidance و mission planning میسازید.
رباتهای کشاورزی و میدانی
John Deere و Carbon Robotics رباتهایی میسازند که علف هرز را با laser میسوزانند. شما plant detection با CV، outdoor SLAM و actuator control را در محیط ناهموار طراحی میکنید.
تخصصهای مختلف مهندس رباتیک هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندس Locomotion هیومانوید
Humanoid Locomotion Engineer
تخصص در whole-body control و آموزش راه رفتن دوپا — پرتقاضاترین حوزه ۲۰۲۶ در Figure AI، Tesla Optimus، 1X و Apptronik.
مهندس Manipulation
Manipulation & Grasping Engineer
تخصص در dexterous manipulation با Diffusion Policy و VLA — در شرکتهایی مثل Physical Intelligence، Skild AI و Covariant.
مهندس Navigation خودمختار
Autonomous Navigation Engineer
تخصص در SLAM، path planning و multi-robot coordination — رایج در Amazon Robotics، Boston Dynamics Spot و Locus Robotics.
محقق Sim2Real
Sim2Real & RL Researcher
تخصص در آموزش policy در simulation و انتقال به ربات واقعی با domain randomization — هسته اصلی NVIDIA GEAR Lab و DeepMind Robotics.
مهندس رباتیک پزشکی
Surgical & Medical Robotics
تخصص در precision control، haptics و regulatory compliance — در Intuitive Surgical، Medtronic Hugo و Vicarious Surgical.
تفاوت با شغلهای مشابه
کجا این شغل تمام میشود و شغل دیگری شروع میشود؟
ML Engineer در cloud با داده تمیز و latency نرم کار میکند — اگر prediction دیر بیاید، صفحه refresh میشود. AI Robotics Engineer با sensor noisy، latency میلیثانیهای و دنیای فیزیکی سر و کار دارد — اگر کنترلر دیر تصمیم بگیرد، ربات میافتد یا کسی آسیب میبیند. مهارت overlap وجود دارد، اما constraints کاملاً متفاوت است.
CV Engineer روی image processing و 2D detection تمرکز دارد. AI Robotics Engineer از CV فقط به عنوان یک input برای closed-loop control استفاده میکند — یعنی perception باید با planning و actuation ادغام شود، با هندسه 3D، با تخمین pose و با مدیریت uncertainty سنسور.
Control Engineer سنتی روی PID، state-space و مدلسازی ریاضی سیستم کار میکند. AI Robotics Engineer علاوه بر classical control، از RL، MPC و learned policies استفاده میکند تا رفتارهایی بسازد که مدلسازی ریاضیشان غیرممکن یا ناکارآمد است (مثل locomotion humanoid).
AV Engineer زیرمجموعهای از robotics است که فقط روی خودرو در جاده تمرکز دارد — با تأکید زیاد بر edge cases ایمنی و مقیاس داده عظیم. AI Robotics Engineer general-purpose است و روی پلتفرمهای متنوع (humanoid، manipulator، drone، AMR) کار میکند.
تأثیر در صنایع مختلف
مهندس رباتیک هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکتهای فناوری
خودروسازی و تولید
Cobot ها در BMW و Mercedes، humanoid Figure 02 در خط تولید، رباتهای مونتاژ adaptive که با changeover سریع کار میکنند
لجستیک و انبارداری
Amazon Robotics با ۷۵۰هزار ربات، Symbotic، GXO با Agility Digit — کاهش ۳۰-۵۰٪ هزینه عملیات
پزشکی و جراحی
da Vinci 5 از Intuitive، Hugo از Medtronic، Mako از Stryker — کاهش invasiveness و افزایش دقت جراحی
کشاورزی هوشمند
John Deere autonomous tractor، Carbon Robotics LaserWeeder، Naïo Technologies — کاهش ۹۰٪ مصرف herbicide
دفاع و امنیت
Anduril Ghost drones، Skydio X10D برای reconnaissance، Boston Dynamics Spot برای EOD — تغییر دکترین نظامی
ساخت و ساز
Built Robotics autonomous excavator، Dusty Robotics FieldPrinter، Boston Dynamics Spot برای site monitoring
خانگی و مصرفی
iRobot Roomba، Dyson 360، نسل بعدی humanoid برای کارهای خانه از 1X NEO و Figure
فضا و اکتشاف
NASA Perseverance، SpaceX Optimus در آینده برای Mars، Boston Dynamics Atlas برای محیطهای خطرناک
تصورات غلط رایج
قبل از تصمیمگیری، این باورهای اشتباه را بشناسید
باید PhD داشته باشی تا در رباتیک کار کنی
PhD برای positions تحقیقاتی مزیت بزرگی است، اما اکثر شرکتهای صنعتی (Boston Dynamics، Figure، Agility) Bachelor یا Master با portfolio قوی را استخدام میکنند. آنچه مهمتر است: پروژه واقعی روی hardware یا simulator نشان دهید.
رباتیک فقط مهندسی مکانیک است
در دوره deep learning، software بخش غالب رباتیک مدرن است. ۷۰-۸۰٪ مهندسان در یک شرکت humanoid، software engineer هستند که روی perception، RL، planning و control کار میکنند، نه CAD designer.
ROS قدیمی است و باید custom framework نوشت
ROS 2 با DDS و real-time capabilities بهروز شده و در Boston Dynamics، Apex.AI، Figure و دیگران استفاده میشود. نوشتن framework اختصاصی فقط برای موارد خیلی خاص (مثل کنترل foot motor در ۱۰kHz) منطقی است.
Simulation به اندازه hardware واقعی کافی است
Sim2Real gap یکی از سختترین مشکلات حوزه است. policy ای که در simulation کامل کار میکند ممکن است روی ربات واقعی بشکند به دلیل sensor noise، contact dynamics و delay. تجربه hardware ضروری است.
LLM ها هم میتوانند ربات کنترل کنند
LLM ها برای high-level planning و درک دستور خوبند، اما کنترل real-time روی سختافزار نیاز به deterministic، low-latency control loop دارد. ساختار صحیح: LLM/VLA برای task planning + classical/RL controller برای execution.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت در یادگیری codebase موجود، debug سنسور و پیادهسازی فیچرهای مشخص. تحت guidance یک ارشد کار میکنید. همزمان در حال ساخت intuition برای interaction نرمافزار با سختافزار هستید.
- ◆صبح: standup ۱۵ دقیقهای + بررسی log های ربات از تست شب قبل
- ◆بلاک اول: پیادهسازی یک ROS 2 node جدید (مثلاً wrapper برای driver یک depth camera)
- ◆بعد از ناهار: کالیبراسیون سنسور یا debug یک TF tree که اشتباه publish میشود
- ◆عصر: تست در simulation، نوشتن unit test و code review همتایان
- ◆پایان روز: مستندسازی launch file جدید و update task board
میانی (۲–۵ سال)
تعادل بین کدنویسی و طراحی subsystem. خودتان feature را از طراحی تا deploy میبرید. بخشی از وقت صرف هدایت جونیور و collaboration با تیم mechanical/electrical میشود.
- ◆صبح: بررسی metrics flight test یا robot trial شب قبل + triage issue ها
- ◆جلسه ۳۰ دقیقه با تیم perception: بررسی نتایج SLAM روی dataset جدید و تصمیم درباره tuning
- ◆بلاک کدنویسی: پیادهسازی MPC controller جدید یا fine-tune یک RL policy
- ◆بعد از ناهار: ride-along با تیم hardware برای تست HIL یک قطعه جدید
- ◆عصر: نوشتن design doc برای architecture یک feature بزرگ و arrange review meeting
ارشد (۵+ سال)
تمرکز روی architecture کلی stack، تصمیمهای فنی استراتژیک و mentoring. کمتر کد مینویسید اما تصمیمهایتان روی performance کل ربات اثر دارد. ارتباط با leadership و تیمهای موازی پررنگ است.
- ◆صبح: review نتایج یک نقطه عطف (milestone) و تصمیم درباره go/no-go برای ship
- ◆جلسه architecture: بررسی pull request های مهم و تصمیم درباره trade-off های latency/safety
- ◆کدنویسی هدفمند: refactor بخشهای حساس یا prototype یک رویکرد جدید
- ◆بعد از ناهار: جلسه با VP Engineering درباره roadmap quarter بعد + هزینهبندی hardware
- ◆عصر: mentoring ۱:۱ با مهندس میانی + خواندن paper تازه از CoRL یا ICRA
مسئولیتها و وظایف
مسئولیتهای اصلی
وظایف روزانه و مهارتهای مورد نیاز در این شغل
- ◈طراحی و پیادهسازی perception stack شامل SLAM، object detection و sensor fusion
- ◈نوشتن کنترلر real-time در C++ برای حرکت ربات با latency کمتر از ۱۰ میلیثانیه
- ◈آموزش policy های RL در simulation و انتقال آنها به hardware واقعی (Sim2Real)
- ◈ساخت motion planning pipeline برای navigation و manipulation در محیط dynamic
- ◈ادغام sensor های مختلف (camera، LiDAR، IMU، encoder) و کالیبراسیون دقیق آنها
- ◈debug مشکلات hardware-software و انجام تست HIL (Hardware-in-the-Loop)
- ◈همکاری با تیم مکانیک و سختافزار برای co-design ربات و firmware
- ◈ارائه نتایج تحقیق به stakeholder های غیرفنی و دفاع از تصمیمهای معماری
مهارتهای مورد نیاز
مهارتهای فنی، نرم و حوزهای که یک مهندس رباتیک هوش مصنوعی موفق به آنها نیاز دارد
مهارتهای فنی هسته
نوشتن کنترلر deterministic با latency پایین، مدیریت memory و درک concurrency در رباتیک
زبان غالب برای آموزش policy، prototyping و ابزارهای data analysis
تسلط بر node design، DDS، QoS و launch system در محیط production
درک عمیق rigid body transforms، Jacobian، forward/inverse kinematics
از calibration تا SLAM، object detection و point cloud processing
PPO، SAC، imitation learning و Sim2Real transfer روی tasks واقعی
RRT*, A*, MPC، trajectory optimization و فهم trade-off های الگوریتمها
مهارتهای نرم
توانایی پیگیری مشکل از sensor تا actuator در stack چندلایه — مهارتی که با تجربه میآید
کار مستقیم با تیم mechanical، electrical و firmware — هر کسی فرضهای متفاوتی دارد
ثبت تصمیمهای معماری، توضیح trade-off ها و گرفتن alignment تیم
تست ربات یعنی شکستهای متعدد — صبر، روشمندی و یاد گرفتن از هر failure حیاتی است
توضیح ساده مفاهیم پیچیده به stakeholder غیرفنی و رشد دادن مهندسان جوانتر
دانش حوزهای
آشنایی با ISO 10218 (ربات صنعتی)، ISO/TS 15066 (cobot) و IEC 61508 (functional safety)
درک بایاس سنسور، نویز، sampling rate و تعامل firmware با ROS
همکاری اولیه با تیم مکانیک برای بهینهسازی mass distribution، actuator selection و sensor placement
convex optimization، QP و SQP — پایه ریاضی MPC و trajectory optimization
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس رباتیک هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفهای هدایت میکند.
ریاضیات و فیزیک پایه رباتیک
ساخت پایه ریاضی قوی شامل linear algebra، calculus چندمتغیره، مکانیک Newtonian و کنترل کلاسیک — bedrock هر مهندس رباتیک
برنامهنویسی سیستمی و ROS
تسلط بر C++ مدرن و Python برای رباتیک، یادگیری ROS 2 به عنوان استاندارد صنعتی و کار با simulation environments
Perception و Computer Vision سهبعدی
یادگیری perception stack مدرن: SLAM، point cloud processing، sensor fusion و deep learning برای رباتها
Motion Planning، Control و Reinforcement Learning
یادگیری planning الگوریتمها، optimal control و RL مدرن برای آموزش رفتارهای پیچیده در simulation
Foundation Models، Humanoid Robotics و Sim2Real
ورود به frontier حوزه: vision-language-action models، humanoid locomotion و استقرار روی hardware واقعی
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دستهبندیشده بر اساس اولویت
Robotics Frameworks
Perception و Vision
RL و Learning
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارتهایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس رباتیک جونیور
۰ تا ۲ سال
~$105K
میانگین سالانه (آمریکا)
پیادهسازی node های ROS، نوشتن کنترلر ساده، debug سنسور و کمک به تیم perception
مهندس رباتیک میانی
۲ تا ۵ سال
~$165K
میانگین سالانه (آمریکا)
طراحی perception یا motion planning subsystem، آموزش policy در simulation و دیپلوی روی hardware
مهندس ارشد رباتیک
۵ تا ۸ سال
~$235K
میانگین سالانه (آمریکا)
معماری کل stack رباتیک، رهبری فنی پروژه humanoid یا autonomy، منتورینگ تیم
Staff / Principal Robotics Engineer
۸+ سال
~$350K
میانگین سالانه (آمریکا)
تعریف roadmap فنی شرکت، تصمیمگیری استراتژیک درباره hardware/software stack، ارتباط با C-level
چالشها و جنبههای منفی
واقعیتهایی که کمتر در آگهیهای شغلی میبینید — قبل از ورود بدانید
Sim2Real gap
تحقیقاتیPolicy که در Isaac Sim کامل کار میکند ممکن است روی ربات واقعی به دلیل اختلاف dynamics، sensor noise و delay شکست بخورد. domain randomization و system identification ضروریاند اما هیچگاه perfect نیستند.
Hardware bottleneck
استارتاپدر استارتاپ، اغلب فقط ۲-۳ نسخه از ربات وجود دارد و چندین تیم برای استفاده از آن رقابت میکنند. این یعنی debugging و iteration بسیار کندتر از software خالص است.
Safety و liability
شرکت بزرگرباتهای فیزیکی میتوانند به انسان یا دارایی آسیب بزنند. هر تصمیم معماری باید safety case داشته باشد و تستهای formal verification رد کند. این بار سنگین مهندسی محسوب میشود.
Latency و real-time constraints
عمومیControl loop باید در chunk های ۱ تا ۱۰ میلیثانیه اجرا شود. این یعنی نمیتوان از هر library Python در hot path استفاده کرد و باید درک عمیقی از scheduling و jitter داشت.
هزینه آموزش و compute
تحقیقاتیآموزش یک locomotion policy روی NVIDIA Isaac Lab میتواند هفتهها روی یک کلاستر A100/H100 طول بکشد. مدیریت هزینه و انتخاب experiment های مهم یکی از مهارتهای ارشد است.
Long-tail edge cases
عمومیربات در محیط واقعی با موقعیتهای ندیده روبهرو میشود — نور غیرعادی، شیء بازتابی، انسان غیرمنتظره. پوشش این long tail نیاز به سالها داده میدانی و iteration دارد.
حقوق و بازار کار جهانی
حقوق جهانی مهندس رباتیک هوش مصنوعی
میانگین حقوق سالانه بر اساس تجربه در کشورهای مختلف
| کشور | میانه | ارز |
|---|---|---|
🇰🇷کره جنوبی | ₩110,000,000 | KRW |
🇯🇵ژاپن | ¥14,000,000 | JPY |
🇦🇪امارات | AED 300,000 | AED |
🇺🇸آمریکا | $250,000 | USD |
🇨🇦کانادا | CA$170,000 | CAD |
🇸🇬سنگاپور | SGD 170,000 | SGD |
🇨🇭سوئیس | CHF 165,000 | CHF |
🇬🇧انگلستان | £125,000 | GBP |
🇩🇪آلمان | €110,000 | EUR |
🇳🇱هلند | €105,000 | EUR |
* ارقام سالانه و تقریبی هستند و بر اساس میانگین بازار در سال ۲۰۲۵ محاسبه شدهاند.
چگونه از صفر شروع کنیم
برنامه گامبهگام برای ورود به مهندسی هوش مصنوعی
ماه ۱: ROS 2 و Linux
ROS 2 Humble را نصب کنید، tutorials رسمی را تمام کنید، یک node ساده publish/subscribe بنویسید. تسلط بر Bash و CMake.
ماه ۲: Computer Vision پایه
OpenCV را با Python یاد بگیرید، یک object detection ساده بسازید و آن را به یک ROS node وصل کنید.
ماه ۳: Simulation در Gazebo
یک ربات mobile در Gazebo بسازید و با teleop کنترل کنید. سپس Nav2 stack را روی آن راهاندازی کنید.
ماه ۴: Reinforcement Learning پایه
Spinning Up از OpenAI را تمام کنید، PPO را روی CartPole و سپس Ant در MuJoCo اجرا کنید.
ماه ۵: پروژه capstone simulation
یک ربات quadruped در Isaac Lab با PPO آموزش دهید تا روی terrain ساده راه برود. ویدیو ضبط کنید.
ماه ۶: portfolio و apply
GitHub را تمیز کنید، README حرفهای بنویسید، LinkedIn را بهروز کنید و برای positions جونیور رباتیک apply کنید.
پروژههای پیشنهادی برای رزومه
Mobile Robot با SLAM ساده
مبتدییک ربات شبیهسازیشده در Gazebo بسازید که با LiDAR محیط را map کند و به نقطه هدف navigate کند. از Nav2 stack استفاده کنید.
Object Detection و Pick-and-Place
متوسطبازوی ربات (مثلاً Franka Panda در simulation) را برنامهریزی کنید تا اشیاء را با camera تشخیص دهد و در جای مشخص قرار دهد.
Quadruped Locomotion با RL
پیشرفتهیک ربات چهارپا (Anymal یا Unitree A1) را در Isaac Lab با PPO آموزش دهید تا روی terrain ناهموار راه برود. خروجی: ویدیو + checkpoint.
Visual-Inertial SLAM روی Edge
پیشرفتهORB-SLAM3 را روی NVIDIA Jetson Orin مستقر کنید، با دوربین stereo کالیبره کنید و دقت localization را اندازهگیری کنید.
Imitation Learning با Diffusion Policy
پیشرفتهیک manipulation task ساده (push, stack) را با Diffusion Policy و demonstrations جمعآوریشده آموزش دهید. روی hardware یا simulation.
مثالهای واقعی و Case Studies
داستانهای واقعی از مهندسانی که در این حوزه تأثیرگذار بودهاند
PhD از MIT در رباتیک، استاد Carnegie Mellon و MIT Leg Lab، سپس بنیانگذار Boston Dynamics در ۱۹۹۲. سالها روی locomotion دوپا و چهارپا کار کرد قبل از اینکه رباتهایش viral شوند.
Boston Dynamics را تبدیل کرد به نماد جهانی رباتیک پیشرفته با رباتهایی مثل Atlas، Spot و Stretch. شرکت توسط Google خریداری شد، سپس به SoftBank فروخته شد و در نهایت توسط Hyundai به ارزش ۱.۱ میلیارد دلار خریداری شد. در ۲۰۲۲ مؤسسه AI Institute را برای تحقیقات بنیادی رباتیک تأسیس کرد.
تخصص عمیق و طولانیمدت در یک حوزه دشوار (locomotion) ارزش پایدار میسازد. Raibert ۳۰ سال روی مسئله راه رفتن ربات کار کرد قبل از اینکه دنیا متوجه ارزش آن شود. در رباتیک، پایداری و depth کلید پیشرفت است.
PhD از Stanford زیر نظر Andrew Ng، استاد UC Berkeley و co-founder Covariant. در ۲۰۱۰ یکی از پیشگامان apprenticeship learning و سپس deep RL برای رباتیک شد.
بنیانگذار آزمایشگاه BAIR Berkeley Robot Learning Lab. در ۲۰۱۷ Covariant را تأسیس کرد که universal AI brain برای رباتهای انبار میسازد و توسط Amazon در ۲۰۲۴ با خرید بخشی از تیم تأیید شد. کورس CS285 او در Berkeley مرجع جهانی Deep RL است.
ترکیب آکادمیک قوی با کارآفرینی میتواند impact واقعی بسازد. Abbeel نشان داد که میتوان هم professor تأثیرگذار بود، هم شرکت میلیارد دلاری ساخت و هم محقق فعال باقی ماند. تخصص در RL کاربردی همچنان طلایی است.
بنیانگذار Vettery (فروخته به Adecco به ۱۰۰ میلیون دلار) و Archer Aviation (IPO با ارزشگذاری چند میلیارد دلاری). در ۲۰۲۲ Figure را با هدف ساخت humanoid robot عمومی تأسیس کرد.
Figure در سال ۲۰۲۴ سرمایهگذاری Microsoft، OpenAI، NVIDIA و Jeff Bezos را با ارزشگذاری ۲.۶ میلیارد دلار جذب کرد. در ۲۰۲۵ Figure 02 را معرفی کرد که در کارخانه BMW در South Carolina به کار گرفته شد. در ۲۰۲۶ ارزش شرکت به ۳۹.۵ میلیارد دلار رسید.
پیشزمینه رباتیک رسمی برای رهبری شرکت رباتیک ضروری نیست — اما توانایی execute سریع، استخدام تیم سطح بالا و narrative قوی ضروری است. Adcock مهندسان top از Boston Dynamics، Tesla و Apple را جذب کرد و در کمتر از دو سال محصول قابل عرضه ساخت.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Software Engineer, Reinforcement Learning
تحلیل نیازمندیها
MS or PhD in Computer Science, Robotics, or related field, or equivalent industry experience
MS یا PhD ترجیح داده میشود اما equivalent experience پذیرفته است. به طور مشخص یعنی ۵-۷ سال تجربه عملی در ML/Robotics با portfolio قوی هم قابل قبول است. اگر paper یا open-source project برجسته دارید، نبود مدرک مانع نیست.
ضروریStrong background in deep reinforcement learning (PPO, SAC, model-based RL)
این نیاز هستهای است. باید بتوانید پیادهسازی PPO را از حافظه توضیح دهید، tuning hyperparameter را تجربه کرده باشید و درک عملی از reward shaping داشته باشید. تجربه با Isaac Lab یا Brax مزیت بزرگی است.
ضروریProficiency in Python and PyTorch, plus C++ for robot integration
Python برای training، C++ برای deploy روی Atlas/Spot. این dual proficiency در Boston Dynamics واقعاً جدی است — کسی که فقط Python بلد است سخت روی hardware deploy میکند.
ضروریExperience with Sim2Real transfer and domain randomization
این مهارت کلیدی است که جدا کننده engineer جونیور از ارشد است. اگر تجربه عملی ندارید، یک پروژه شخصی locomotion در Isaac Lab با domain randomization و انتقال به robot واقعی (یا حتی smaller robot مثل Unitree Go2) میتواند جای آن را پر کند.
ضروریFamiliarity with whole-body control or legged locomotion
تخصص خاص Boston Dynamics. اگر background در manipulation دارید، خواندن paper های ANYmal و Mini Cheetah و پیادهسازی یک پروژه quadruped میتواند gap را پر کند.
مهمPublications at top venues (ICRA, RSS, CoRL, NeurIPS)
برای positions تحقیقاتی Boston Dynamics مزیت بزرگ است اما الزامی نیست. به جای آن میتوان open-source contribution به IsaacLab، LeRobot یا یک blog فنی deep درباره RL on hardware ارائه داد.
مفیدتحلیل مسئولیتها
Design and train RL policies for Atlas and Spot for new tasks
از تعریف reward function و observation space تا آموزش طولانیمدت روی cluster. شما owner یک skill جدید (مثلاً ladder climbing) هستید از prototype تا shipping.
Develop scalable simulation infrastructure and domain randomization
ساخت training pipeline که با هزاران environment موازی روی GPU اجرا شود. این یعنی نیاز به مهارتهای systems engineering در کنار ML.
Collaborate with controls and hardware teams for robot deployment
RL policy باید با existing model-predictive controller و safety layer ترکیب شود. این یک کار تیمی پیچیده است که communication skills قوی نیاز دارد.
Conduct experiments on physical robots and analyze failure modes
بخش بزرگی از کار، debugging روی hardware واقعی است. یعنی ساعتها در lab با robot، log analysis و iteration. عاشق رباتیک بودن واقعاً مهم است.
نتیجهگیری کلی
این آگهی نشان میدهد Boston Dynamics به دنبال ترکیب نادری است: محقق RL با ذهنیت engineer که حاضر باشد روی hardware واقعی debug کند. اگر فقط در simulation تجربه دارید، خرید یک ربات کوچک (Unitree Go1، Stretch 3) و deploy کردن policy روی آن میتواند تفاوت بزرگی در apply شما ایجاد کند. تمرکز روی portfolio با ویدیو از robot واقعی، نه فقط simulation.
آینده و روندها
پیشبینی ۵–۱۰ ساله و مهارتهایی که باید یاد بگیرید
بازار جهانی humanoid robots از ۲.۳ میلیارد دلار در ۲۰۲۵ به ۳۸ میلیارد دلار تا ۲۰۳۵ — رشد ۳۲٪ سالانه (CAGR)
منبع: Goldman Sachs Research Humanoid Robot Market Report 2024 / Morgan Stanley Humanoid 100
مهارتهای نوظهور که باید یاد بگیرید
پیشبینیهای آینده
حداقل ۱۰هزار humanoid robot در محیطهای کاری واقعی (warehouse، logistics) deploy میشود — Figure، Agility و Apptronik رهبران بازار خواهند بود
VLA models به استاندارد صنعتی برای task generalization تبدیل میشوند — Pi0 و OpenVLA رقیب RT-3 از DeepMind میشوند
اولین humanoid برای استفاده خانگی با قیمت زیر ۲۰هزار دلار عرضه میشود — احتمالاً از 1X Technologies یا Unitree
بازار humanoid robotics از ۱۰ میلیارد دلار عبور میکند و رباتیک به یکی از سه حوزه پراستخدام مهندسی AI تبدیل میشود
ریسک اصلی این حوزه نه automation شدن خود نقش، بلکه consolidation شدید بازار است. تا ۲۰۲۸، احتمالاً ۸۰٪ از ۵۰+ شرکت humanoid فعلی شکست میخورند یا ادغام میشوند. مهندسانی که فقط در یک نوع ربات تخصص دارند آسیبپذیرترند؛ آنهایی که در fundamentals (perception، RL، control) قوی هستند میتوانند بین شرکتها جابهجا شوند. ریسک دوم: foundation models رباتیک ممکن است بخشی از custom engineering فعلی را خودکار کنند — مهندسان موفق آنهایی هستند که میفهمند چگونه از این models به جای رقابت با آنها استفاده کنند.
ویدیوهای آموزشی
یک روز در زندگی یک AI Robotics Engineer
ویدیوهای واقعی از متخصصان این حوزه که روزانه چه کارهایی انجام میدهند
How Humanoids And Robots are Changing Daily Life | Tech It Out
WION
I Tried the First Humanoid Home Robot. It Got Weird. | WSJ
The Wall Street Journal
Progress made on AI-powered humanoid robots | 60 Minutes
60 Minutes
Careers for Kids: Robotics | Learn about the careers of robotics technicians and engineers
Learn Bright
Top 5 Most INSANE Humanoid Robots 2025!
Tech Rank
Top 10 NEW Humanoid Robots of 2025 (Updated)
Techful Gadgets