مهندس هوش مصنوعی تجسم‌یافته
Embodied AI Engineer
مهندس هوش مصنوعی تجسم‌یافته (Embodied AI Engineer) روی «مغز» عمومی ربات کار می‌کند: مدل‌های پایهٔ رباتیک (robot foundation models)، مثل مدل‌های vision-language-action (VLA) و world model، که روی دادهٔ چند نوع ربات، ویدیو و دادهٔ مصنوعی پیش‌آموزش می‌بینند و بعد برای کار مشخص روی ربات fine-tune می‌شوند. فرقش با مهندس رباتیک هوش مصنوعی این است که مرکز کار خود مدل بزرگ، داده و زیرساخت آموزش آن است، نه کل نرم‌افزار یک ربات. خود عبارت «Embodied AI Engineer» در آگهی‌هایی که برای این صفحه در ۲۰۲۶ بررسی شد کم است و با معنای یکسانی به کار نمی‌رود: AIM آن را برای یک نقش کنترل («Senior Embodied AI Engineer - Controls») و Qualcomm در پکن («Robotic Embodied AI Engineer») به کار برده‌اند، و Meta، A*STAR و Niantic Spatial «Embodied AI» را در عنوان نقش یا نام تیم آورده‌اند. کار مدل‌های پایه در شرکت‌های دیگر با عنوان‌هایی مثل VLA Pre-training Engineer (Humanoid)، Research Scientist, Robot Foundation Models (Wayve)، Helix AI Engineer (Figure)، Foundation Models (Genesis AI) و Machine Learning: Multimodal Foundation Models (The Bot Company) آگهی می‌شود. در جستجوی کار همهٔ این عنوان‌ها را امتحان کنید.
مقدمه و تعریف شغل
مهندس هوش مصنوعی تجسم‌یافته مدل‌هایی می‌سازد که قرار است «مغز» عمومی ربات باشند: به‌جای اینکه برای هر ربات و هر کار یک مدل جدا آموزش داده شود، یک مدل بزرگ روی دادهٔ چند ربات، ویدیو و دادهٔ مصنوعی پیش‌آموزش می‌بیند و بعد با دادهٔ کمتر برای کارهای تازه fine-tune می‌شود. کار روزانه بیشتر یادگیری عمیق در مقیاس بزرگ است: آماده کردن داده، آموزش توزیع‌شده، ارزیابی و تحلیل شکست. آگهی Humanoid برای VLA Pre-training این را صریح نوشته است: «این اساساً یک نقش یادگیری عمیق است» و تجربهٔ رباتیک «شرط قطعی نیست». با این حال نتیجهٔ کار در نهایت روی ربات سنجیده می‌شود و بسیاری از نقش‌ها بخشی از وقت را کنار ربات واقعی یا در شبیه‌ساز می‌گذرانند.
این حوزه در چند سال اخیر شکل گرفته است. مقالهٔ Open X-Embodiment در ۲۰۲۳ نوشت که روش‌های یادگیری ربات معمولاً «برای هر کاربرد، هر ربات و حتی هر محیط یک مدل جدا» آموزش می‌دهند و برای آزمودن جایگزین آن، دیتاستی از ۲۲ ربات مختلف با همکاری ۲۱ مؤسسه و ۵۲۷ مهارت جمع کرد. در همان سال RT-2 نام «vision-language-action» یا VLA را برای مدلی به کار برد که action ربات را مثل token متنی کنار زبان یاد می‌گیرد. در ۲۰۲۴ OpenVLA، یک مدل متن‌باز ۷ میلیارد پارامتری آموزش‌دیده روی ۹۷۰ هزار نمایش ربات واقعی، و π0 از Physical Intelligence، با معماری flow matching روی یک VLM از پیش آموزش‌دیده، منتشر شدند و در ۲۰۲۵ NVIDIA مدل باز GR00T N1 را برای ربات‌های انسان‌نما معرفی کرد که روی ترکیبی از مسیرهای ربات واقعی، ویدیوی انسان و دادهٔ مصنوعی آموزش دیده است. آگهی‌های ۲۰۲۶ نشان می‌دهند این کار به یک شغل جدا تبدیل شده است: Humanoid مدل پایه را روی «مجموعه‌ای متنوع از مسیرهای چند-بدنه‌ای» پیش‌آموزش می‌دهد، Wayve تیم MEGA را برای مدل‌های پایهٔ ربات‌های همه‌منظوره «فراتر از خودروی خودران» ساخته، و Figure در آگهی یک نقش زیرساختی از بهینه‌سازی آموزش «مدل‌های ۱۰۰+ میلیارد پارامتری روی ۱۰۰ هزار+ GPU» نوشته است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس هوش مصنوعی تجسم‌یافته
پیش‌آموزش VLA روی دادهٔ چند ربات
Humanoid ربات انسان‌نمای HMND-01 را در محیط‌های صنعتی واقعی مستقر می‌کند. مهندس VLA Pre-training مدل پایه را روی مسیرهای حرکتی چند نوع ربات پیش‌آموزش می‌دهد، آن را برای کار مشخص fine-tune می‌کند و با دادهٔ مصنوعی و لاگ‌های teleoperation بهتر می‌کند.
مدل پایهٔ ویدیو برای ربات انسان‌نما
تیم Helix در Figure مدل‌های پایهٔ ویدیو را روی ویدیوی اینترنتی و دادهٔ ربات پیش‌آموزش می‌دهد تا حرکت، تعامل با اشیا و ساختار زمانی را یاد بگیرند و در ادراک، پیش‌بینی و کنترل ربات به کار بروند.
مدل پایه برای ربات‌های همه‌منظوره
تیم MEGA در Wayve، شرکتی که از رانندگی خودکار شروع کرده، مدل‌هایی می‌سازد که روی بدنه‌های مختلف کار کنند: بازوی متحرک، ربات دو بازو و انسان‌نما. کار شامل VLA، world-action model، مدل ویدیو، RL و behavior cloning است.
زیرساخت آموزش مدل‌های ربات
Physical Intelligence مدل‌های پایه و الگوریتم‌های یادگیری برای ربات‌ها و «دستگاه‌های فیزیکی آینده» می‌سازد. ML Infra Engineer در این شرکت آموزش مبتنی بر JAX را روی کلاسترهای TPU و GPU مقیاس می‌دهد و ابزار اجرا، پایش و تکرار آزمایش‌ها را می‌سازد.
بردن مدل پایه روی ربات و تراشه
در Reality Labs Research متا، Research Engineer مدل‌های پایهٔ VLA و world-action model را روی ربات واقعی آزمایشگاه می‌برد: راه‌اندازی ربات، teleoperation، جمع‌آوری داده و اجرای سیاست. در Qualcomm پکن، Robotic Embodied AI Engineer مدل‌های embodied AI را روی پلتفرم Qualcomm آموزش می‌دهد، بهینه و کوانتیزه می‌کند و مستقر می‌کند.
تخصص‌های مختلف مهندس هوش مصنوعی تجسم‌یافته
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پیش‌آموزش و post-training مدل VLA
VLA Pre-training & Post-training
آموزش مدل پایه روی دادهٔ چند ربات و fine-tune و post-train آن با behavior cloning و RL. نمونهٔ آگهی‌ها: Autonomy Engineer - VLA Pre-training و VLA Pre-training Engineer در Humanoid، و Robotics Engineer: Foundation Model Training در General Robotics.
مدل‌های ویدیو و world model
Video & World Models
مدل‌هایی که از ویدیو یاد می‌گیرند دنیا چطور تغییر می‌کند و آینده را پیش‌بینی می‌کنند. نمونه‌ها: Helix AI Engineer, Video Pretraining در Figure، Deep Learning Engineer - World Models در Humanoid و Machine Learning: World Models در The Bot Company.
زیرساخت و کارایی آموزش
Training Infrastructure & Performance
مقیاس دادن آموزش، بهینه‌سازی GPU و TPU و ابزار اجرای آزمایش. نمونه‌ها: Helix AI Engineer, Training Performance در Figure و ML Infra Engineer, Modeling در Physical Intelligence.
موتور داده و دادهٔ مصنوعی
Robot Data Engine & Synthetic Data
جمع‌آوری، پالایش و تولید داده برای پیش‌آموزش. Genesis AI از «پالایش دیتاست‌های اینترنتی» و «شبیه‌سازی مولد» برای بزرگ کردن دادهٔ شبیه‌سازی حرف می‌زند، Wayve از ترکیب و فیلتر دیتاست‌های بزرگ ویدیو و Niantic Spatial از پشتهٔ real-to-sim که محیط واقعی را برای آموزش ربات به شبیه‌ساز می‌برد.
استقرار روی ربات و دستگاه
On-Robot & On-Device Deployment
بردن مدل بزرگ به سخت‌افزار واقعی با محدودیت زمان و توان. نمونه‌ها: Research Engineer, Robotics & Embodied AI در Meta، Robotic Embodied AI Engineer در Qualcomm و Applied Researcher در تیم Deployments شرکت Physical Intelligence.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
صفحهٔ مهندس رباتیک هوش مصنوعی این سایت کسی را توصیف می‌کند که کل نرم‌افزار یک ربات مشخص را می‌سازد: ادراک، تعیین موقعیت، برنامه‌ریزی، کنترل و skill، با ROS 2، C++ و کار روزانه روی سخت‌افزار. مهندس هوش مصنوعی تجسم‌یافته روی مدل عمومی‌ای کار می‌کند که قرار است روی چند ربات و چند کار جواب دهد. آگهی Humanoid برای VLA Pre-training تجربهٔ رباتیک را شرط نمی‌کند، Figure آشنایی با رباتیک را فقط امتیاز می‌داند و برای Physical Intelligence در نقش ML Infra پیشینهٔ رباتیک فقط «امتیاز» است. مرز این دو باز است: Research Engineer در Meta یا Applied Researcher در Physical Intelligence دقیقاً همین مدل‌ها را روی ربات واقعی می‌برند و کارشان به صفحهٔ رباتیک نزدیک‌تر است.
صفحهٔ مهندس یادگیری تقویت‌شدهٔ این سایت می‌گوید مهندس RL در شرکت رباتیک معمولاً روی یک لایه کار می‌کند: یادگرفتن سیاست کنترل در شبیه‌ساز و انتقال آن به ربات واقعی. در این شغل RL یکی از مراحل آموزش یک مدل بزرگ است، نه کل کار: Humanoid سیاست را «با behavior cloning و RL» post-train می‌کند، The Bot Company «شهود عمیق برای پیش‌آموزش به سبک LLM، post-training و RL در مقیاس» می‌خواهد و Wayve RL را کنار VLA و مدل ویدیو آورده است.
بیشترین هم‌پوشانی مهارتی با همین نقش است. Humanoid تجربهٔ عمیق با «LLM، VLM یا مدل‌های مولد تصویر و ویدیو» می‌خواهد و The Bot Company «سابقهٔ آموزش و استقرار مدل‌های چندوجهی بزرگ». تفاوت در خروجی است: اینجا مدل علاوه بر فهم متن و تصویر، action تولید می‌کند و موفقیتش با رفتار ربات سنجیده می‌شود. برای کسی که امروز روی VLM کار می‌کند، این نزدیک‌ترین راه ورود به رباتیک است.
بخشی از نقش‌های این حوزه در عمل زیرساخت آموزش‌اند. Figure برای Helix AI Engineer, Training Performance کار با NCCL، kernel های Triton/CUDA و روش‌های موازی‌سازی مثل FSDP را می‌خواهد، و Physical Intelligence برای ML Infra Engineer مقیاس دادن آموزش JAX روی کلاسترهای TPU و GPU را. تفاوت با زیرساخت آموزش عمومی نوع داده و مدل است: ویدیو، مسیر حرکت ربات و لاگ teleoperation به‌جای متن، و مدلی که باید در نهایت روی سخت‌افزار ربات بلادرنگ اجرا شود.
تأثیر در صنایع مختلف
مهندس هوش مصنوعی تجسم‌یافته در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
تولید و محیط‌های صنعتی
ربات انسان‌نمای HMND-01 از Humanoid که در محیط‌های صنعتی واقعی مستقر می‌شود، و پلتفرم GRID از General Robotics که به نوشتهٔ آگهی‌اش Accenture در ۲۰۲۶ برای رباتیک مبتنی بر Physical AI در تولید و لجستیک در آن سرمایه‌گذاری کرد
خانه
The Bot Company «برای هر خانه یک ربات کمک‌کار» می‌سازد و Figure ربات‌های انسان‌نمایش را برای کارهای خانگی و تجاری طراحی می‌کند
خودرو و حمل‌ونقل
Wayve که پلتفرم رانندگی خودکار با یادگیری سرتاسری می‌سازد، تیم MEGA را برای مدل‌های پایهٔ ربات‌های همه‌منظوره فراتر از خودرو راه انداخته است
تراشه و دستگاه‌های هوشمند
Qualcomm مهندسانی استخدام می‌کند که مدل‌های embodied AI را روی پلتفرم Qualcomm آموزش دهند، بهینه و کوانتیزه کنند و مستقر کنند؛ NVIDIA هم با گروه GEAR مدل‌های پایه برای عامل‌های تجسم‌یافته می‌سازد
معدن، ساخت‌وساز و دفاع
AIM بولدوزر، لودر و بیل مکانیکی را به ناوگان خودران تبدیل می‌کند و به نوشتهٔ آگهی‌اش در معدن‌های در حال تولید، پروژه‌های بزرگ زیرساخت و عملیات دفاعی کار می‌کند
نقشه و شبیه‌سازی
Niantic Spatial با تجربهٔ تیمش در Google Maps، Google Earth و Niantic Labs پشته‌ای می‌سازد که مکان‌های واقعی را به محیط شبیه‌سازی برای آموزش و ارزیابی سیاست ربات تبدیل می‌کند
پژوهش و انتقال فناوری
A*STAR در سنگاپور مدل‌های پایهٔ رباتیک یا RL را از شبیه‌ساز به ربات فیزیکی می‌برد و تا تست در محل و انتقال فناوری پیش می‌رود؛ Reality Labs Research متا هم مدل‌های پایهٔ manipulation را روی ربات آزمایشگاه می‌آزماید
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
بدون سابقهٔ رباتیک نمی‌شود وارد این کار شد
در سمت مدل، می‌شود. Humanoid می‌نویسد تجربهٔ رباتیک «شرط قطعی نیست»، Figure آشنایی با رباتیک را در بخش امتیازها آورده و Genesis AI تجربه با VLA را فقط امتیاز می‌داند. اما در سمت استقرار وضع فرق دارد: Meta راه‌اندازی و debug یک ربات از صفر را شرط کرده و NVIDIA در مسیر رباتیک کار با سخت‌افزار و ROS را. اگر از LLM یا VLM می‌آیید، نقش‌های پیش‌آموزش و زیرساخت راه ورود واقع‌بینانه‌تری‌اند.
Embodied AI یعنی فقط ربات انسان‌نما
بدنه‌ها متنوع‌اند. AIM ماشین‌آلات سنگین معدن و ساخت‌وساز را خودران می‌کند، Wayve روی خودرو و حالا بازوی متحرک و ربات دو بازو کار می‌کند، Qualcomm مدل را روی تراشهٔ خودش مستقر می‌کند و Physical Intelligence از «دستگاه‌های فیزیکی آینده» حرف می‌زند. ربات انسان‌نما فقط یکی از این بدنه‌هاست.
VLA یعنی یک مدل زبانی که دستور حرکت صادر می‌کند
معماری‌ها با هم فرق دارند. RT-2 action را به شکل token متنی در خود مدل زبانی-بینایی یاد می‌گیرد، π0 یک ماژول flow matching روی VLM از پیش آموزش‌دیده می‌گذارد، و GR00T N1 دو سیستم دارد: ماژول بینایی-زبان محیط و دستور را تفسیر می‌کند و یک diffusion transformer حرکت موتورها را بلادرنگ تولید می‌کند. فهم همین تفاوت‌ها بخشی از کار روزانه است.
کار اصلی طراحی معماری مدل است
بخش بزرگی از کار داده است. Humanoid از مهندس می‌خواهد با تیم جمع‌آوری داده تعیین کند «دادهٔ خوب چیست» و با شرکای بیرونی تأمین «دادهٔ کافی برای پیش‌آموزش» را تضمین کند، Genesis AI پالایش دیتاست‌های اینترنتی و تولید دادهٔ شبیه‌سازی را جزو کار آورده و Wayve ترکیب و فیلتر دیتاست‌های بزرگ ویدیو را.
همهٔ این نقش‌ها دکترا می‌خواهند
نقش‌های پژوهشگر معمولاً دکترا یا سابقهٔ مقاله می‌خواهند: Meta دکترا (یا در حال گرفتن آن) را شرط کرده، NVIDIA و Niantic Spatial (برای Research Scientist) دکترا یا تجربهٔ پژوهشی معادل آن را می‌خواهند و Wayve مقاله در کنفرانس‌های سطح اول را. اما نقش‌های مهندسی بازترند: Humanoid ۳+ سال کار یادگیری عمیق با مدلی که به پروداکشن رفته یا خروجی منتشرشده می‌خواهد، Figure برای Training Performance کارشناسی یا ارشد با ۳+ سال تجربه، General Robotics کارشناسی یا تجربهٔ عملی معادل، و A*STAR کارشناسی یا ارشد با ۲ سال تجربه.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف اجرای آزمایش‌هایی می‌شود که یک پژوهشگر ارشدتر طراحی کرده: آماده کردن داده، آموزش در شبیه‌ساز و گزارش نتیجه. این تصویر از آگهی‌های General Robotics و A*STAR گرفته شده است که آزمایش مدل در شبیه‌ساز و انتقال آن به ربات فیزیکی را جزو کار می‌دانند.
- ◆اجرای یک آزمایش fine-tune و مقایسهٔ آن با نسخهٔ قبل
- ◆ارزیابی سیاست روی بنچمارک شبیه‌ساز و ثبت نرخ موفقیت
- ◆پاک‌سازی و تبدیل دادهٔ تازه به فرمت دیتاست تیم
- ◆مرور یک مقالهٔ تازه دربارهٔ VLA یا world model
- ◆کمک به تست مدل روی ربات واقعی در آزمایشگاه
میانی (۲–۵ سال)
مالک بخشی از پشتهٔ آموزش هستید، مثلاً post-training یا خط لولهٔ داده. روز میان آزمایش‌های بزرگ آموزشی، داده و هماهنگی با تیم‌های دیگر تقسیم می‌شود. این تصویر از آگهی Autonomy Engineer - VLA Pre-training در Humanoid گرفته شده است.
- ◆بررسی شکست‌های تازه‌ای که خط لوله خودکار پیدا کرده و افزودنشان به دادهٔ آموزش
- ◆اجرای مرحلهٔ post-training با behavior cloning یا RL
- ◆تعیین مشخصات دادهٔ تازه با تیم جمع‌آوری داده
- ◆مقیاس دادن یک آزمایش آموزشی با تیم MLOps
- ◆بهینه‌سازی مدل برای inference بلادرنگ روی edge
ارشد (۵+ سال)
تصمیم می‌گیرید روی چه معماری و چه داده‌ای کار شود و چطور معلوم شود پیشرفت واقعی است. این تصویر از آگهی‌های Research Scientist, Robot Foundation Models در Wayve، Senior Research Scientist در NVIDIA و Staff Engineer در Niantic Spatial گرفته شده است.
- ◆تعیین برنامهٔ پژوهشی و اولویت آزمایش‌های بزرگ
- ◆تصمیم دربارهٔ استراتژی داده و ترکیب داده‌های واقعی، ویدیو و مصنوعی
- ◆طراحی ارزیابی تکرارپذیر که اثر مدل را روی ربات واقعی نشان دهد
- ◆همکاری با تیم‌های سخت‌افزار و رباتیک برای استقرار
- ◆نوشتن مقاله یا گزارش فنی و راهنمایی اعضای تیم
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈پیش‌آموزش، mid-training و post-training مدل‌های VLA روی دادهٔ چند ربات، و fine-tune آن‌ها برای کارهای مشخص
- ◈post-train سیاست‌ها با behavior cloning و RL و مالکیت کل حلقه از داده تا استقرار
- ◈طراحی و آموزش مدل‌های ویدیو و world model روی ویدیوی اینترنت و دادهٔ جمع‌شده توسط ربات
- ◈ساخت خط لولهٔ پیوسته برای داده‌های مصنوعی و لاگ‌های teleoperation: نسخه‌بندی، برچسب‌زنی، متوازن کردن دیتاست و برگرداندن شکست‌های تازه به آموزش
- ◈مقیاس دادن آموزش توزیع‌شده روی کلاسترهای GPU یا TPU و بهینه‌سازی حافظه، throughput و همگام‌سازی
- ◈طراحی ارزیابی و بنچمارک تکرارپذیر در شبیه‌ساز و روی ربات واقعی و سنجیدن تعمیم مدل
- ◈بهینه‌سازی مدل برای اجرای بلادرنگ روی سخت‌افزار ربات یا تراشهٔ edge، از جمله کوانتیزه‌سازی
- ◈همکاری با تیم جمع‌آوری داده و شرکای بیرونی برای تعیین اینکه دادهٔ خوب چیست و تأمین دادهٔ کافی برای پیش‌آموزش
- ◈مستندسازی روشن آزمایش‌ها، توضیح trade-off ها و انتشار نتایج در کنفرانس‌ها یا کد متن‌باز
- ◈در سطح ارشد: تعیین برنامهٔ پژوهشی، استراتژی داده و الزامات فنی و راهنمایی اعضای تازه‌کارتر تیم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس هوش مصنوعی تجسم‌یافته موفق به آن‌ها نیاز دارد
یادگیری عمیق و مدل‌های بزرگ
زبان و فریم‌ورک اصلی؛ Humanoid «Python و PyTorch/JAX قوی» و توانایی debug عددی را می‌خواهد
VLA ها روی مدل‌های بینایی-زبان ساخته می‌شوند؛ Humanoid، Wayve و The Bot Company تجربه با این مدل‌ها را شرط کرده‌اند
مدل ویدیو، diffusion و world model؛ در آگهی‌های Figure، Wayve، Humanoid و NVIDIA
پالایش دیتاست، ترکیب داده، دینامیک آموزش و قوانین مقیاس، به تعبیر Figure
post-training سیاست با behavior cloning و RL
خانوادهٔ سیاست‌هایی که General Robotics نام برده و π0 و GR00T N1 بر پایهٔ آن‌ها ساخته شده‌اند
سنجیدن تعمیم مدل در شبیه‌ساز و روی ربات؛ Wayve، Figure و Niantic Spatial آن را جزو کار آورده‌اند
مهندسی آموزش در مقیاس
FSDP و روش‌های دیگر موازی‌سازی روی چند GPU و چند گره؛ Wayve «آموزش چندگره‌ای» را می‌خواهد
مدیریت دادهٔ عظیم و ذخیرهٔ حالت آموزش؛ از شرط‌های Humanoid
ورود، نسخه‌بندی، برچسب‌زنی و متوازن کردن داده‌های teleoperation، ویدیو و شبیه‌سازی
پیدا کردن گلوگاه حافظه و محاسبه با PyTorch Profiler یا Nsight
Slurm، Kubernetes و TPU/GPU ابری؛ در آگهی Physical Intelligence
اجرای بلادرنگ مدل روی ربات یا تراشه؛ Humanoid، The Bot Company و Qualcomm آن را خواسته‌اند
رباتیک و مهارت‌های کاری
حداقل آشنایی‌ای که General Robotics شرط کرده و NVIDIA در مسیر رباتیک عمیق‌تر می‌خواهد
Isaac Sim / Lab، MuJoCo یا ManiSkill برای آموزش، تولید داده و ارزیابی
اجرای سیاست روی ربات و پیدا کردن خطا در مرز سخت‌افزار، ادراک، داده و مدل؛ شرط اصلی Meta و Physical Intelligence
فهم اینکه کجا شبیه‌ساز عملکرد واقعی را پیش‌بینی نمی‌کند؛ Niantic Spatial تشخیص شکست‌های sim-to-real را می‌خواهد و Qualcomm آن را امتیاز می‌داند
برای کد نزدیک به ربات؛ Niantic Spatial، A*STAR و NVIDIA آن را کنار Python آورده‌اند
Humanoid می‌خواهد آزمایش‌ها روشن مستند شوند و trade-off ها دقیق توضیح داده شوند
برای نقش‌های پژوهشی شرط و برای نقش‌های مهندسی امتیاز
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس هوش مصنوعی تجسم‌یافته
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
یادگیری عمیق با PyTorch
پایهٔ این شغل یادگیری عمیق است، نه رباتیک. آگهی VLA Pre-training در Humanoid «۳+ سال ساخت سیستم‌های یادگیری عمیق» و «Python و PyTorch/JAX قوی» می‌خواهد، طوری که بتوانید «پروفایل بگیرید، خطای عددی را debug کنید و کد پژوهشی قابل نگهداری بنویسید». کتاب رایگان Dive into Deep Learning و ویدیوهای Andrej Karpathy این پایه را از صفر و با کد می‌سازند.
مدل‌های زبانی و بینایی-زبان، و آموزش در مقیاس
VLA ها روی مدل‌های بینایی-زبان (VLM) ساخته می‌شوند، پس باید بدانید این مدل‌ها چطور آموزش می‌بینند. Humanoid تجربهٔ عمیق با «LLM، VLM یا مدل‌های مولد تصویر و ویدیو» و زیرساخت آموزش (streaming dataset، checkpointing و استراتژی‌های آموزش توزیع‌شده) را شرط کرده، Figure کار با «سیستم‌های آموزش توزیع‌شده و کلاسترهای بزرگ GPU» را و The Bot Company «شهود عمیق برای پیش‌آموزش به سبک LLM». درس CS336 دانشگاه Stanford ساختن مدل زبانی از صفر را درس می‌دهد و The Ultra-Scale Playbook روش‌های موازی‌سازی آموزش را.
رباتیک برای متخصص یادگیری عمیق
حتی در نقش‌هایی که سابقهٔ رباتیک را شرط نمی‌کنند، باید زبان ربات را بفهمید. Humanoid می‌نویسد اگر از بیرون این حوزه می‌آیید «آماده باشید سریع به یک حوزهٔ تازه مسلط شوید». General Robotics «آشنایی با سینماتیک معکوس، دینامیک و manipulation» و کار با «دست‌کم یک شبیه‌ساز رباتیک» را حداقل شرط می‌داند و NVIDIA برای مسیر رباتیک «درک عمیق سینماتیک، دینامیک و حسگرهای ربات» و آشنایی با MuJoCo و Isaac Sim را.
یادگیری سیاست: imitation learning، RL و diffusion / flow
مدل پایه در نهایت یک سیاست (policy) است که از مشاهده به action می‌رسد. Humanoid سیاست‌ها را «با behavior cloning و RL» post-train می‌کند و General Robotics تجربه با «سیاست‌های diffusion یا flow-matching، transformer، RL یا imitation learning» را می‌خواهد. مقالهٔ Diffusion Policy (۲۰۲۳) و درس CS 285 برکلی دو پایهٔ اصلی این بخش‌اند و LeRobot همین روش‌ها را در PyTorch پیاده کرده است.
مدل‌های پایهٔ رباتیک: VLA، world model و دادهٔ چند-ربات
هستهٔ این شغل همین مرحله است. مقالهٔ RT-2 نام VLA را برای مدلی به کار برد که action را مثل token متنی کنار زبان یاد می‌گیرد، Open X-Embodiment دادهٔ ۲۲ ربات را یک‌جا جمع کرد، و π0 و GR00T N1 دو معماری دیگر را نشان دادند. آگهی‌ها آشنایی با همین‌ها را می‌خواهند: Humanoid با OpenVLA یا مدل‌های π، و Qualcomm با Pi_0 یا GR00T N1. کد π0 در openpi و کد GR00T در Isaac-GR00T باز است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
فریم‌ورک‌های یادگیری عمیق
فریم‌ورک اصلی آموزش مدل؛ تقریباً در همهٔ آگهی‌های این صفحه، از Humanoid و Figure تا Meta و NVIDIA، آمده
Physical Intelligence برای آموزش در مقیاس JAX را ترجیح می‌دهد و Humanoid آن را کنار PyTorch نام برده
ابزار پیدا کردن گلوگاه آموزش؛ Figure آن‌ها را برای نقش Training Performance نام برده
آموزش توزیع‌شده و کلاستر
تقسیم پارامترها و حالت بهینه‌ساز بین GPU ها برای آموزش مدل بزرگ؛ Figure آن را در کنار روش‌های دیگر موازی‌سازی نام برده
کتابخانهٔ ارتباط جمعی NVIDIA بین GPU ها؛ Figure «درک محکم» آن را برای نقش Training Performance شرط کرده
مدل‌ها و کتابخانه‌های رباتیک
کتابخانهٔ متن‌باز Hugging Face برای داده، آموزش و ارزیابی؛ VLA هایی مثل Pi0، Pi0.5، GR00T و SmolVLA را دارد و Meta مشارکت در آن را امتیاز می‌داند
کد و وزن‌های مدل‌های π از Physical Intelligence؛ Humanoid و Qualcomm آشنایی با این مدل‌ها را می‌خواهند
مدل پایهٔ باز NVIDIA برای ربات انسان‌نما؛ Qualcomm آشنایی با GR00T N1 را «امتیاز بزرگ» می‌داند
شبیه‌سازی و ارزیابی
شبیه‌ساز و فریم‌ورک آموزش ربات روی GPU؛ Niantic Spatial، General Robotics، AIM و NVIDIA آن را نام برده‌اند
موتور فیزیک متن‌باز برای ربات و کارهای پرتماس؛ در آگهی‌های Niantic Spatial، AIM، General Robotics و NVIDIA
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
کارآموز پژوهشی یا مهندس پژوهش تازه‌کار
۰ تا ۲ سال
اجرای آزمایش، آماده کردن داده و ارزیابی مدل در شبیه‌ساز زیر نظر پژوهشگران ارشدتر. ورود به این سطح بیشتر از راه کارآموزی و رزیدنسی است؛ عنوان‌هایی مثل PhD Research Intern, Embodied and Agentic AI در NVIDIA، Robotics Research, Embodied AI Intern در Field AI و AI Residency در 1X. حداقل شرط General Robotics برای Robotics Engineer: Foundation Model Training کارشناسی و تجربهٔ پژوهشی یا کاربردی در ML، رباتیک یا بینایی است.
مهندس VLA / یادگیری ربات
۲ تا ۵ سال
~$240K
میانگین سالانه (آمریکا)
اجرای پیش‌آموزش، fine-tune و post-training روی پشتهٔ VLA و ساختن خط لولهٔ داده. Humanoid برای Autonomy Engineer - VLA Pre-training ۳+ سال ساخت سیستم یادگیری عمیق می‌خواهد و A*STAR برای (Senior) Research Engineer دست‌کم ۲ سال تجربهٔ پروژه در Embodied AI، مدل پایهٔ رباتیک یا RL.
مهندس یا پژوهشگر ارشد
۵+ سال
~$274K
میانگین سالانه (آمریکا)
طراحی معماری و دستور آموزش، تصمیم دربارهٔ داده و بردن مدل از شبیه‌ساز به ربات. NVIDIA برای Senior Research Scientist در گروه GEAR دکترا و ۵ سال تجربه می‌خواهد، Genesis AI ۵+ سال کار پژوهشی با مقالهٔ نویسندهٔ اول یا پروژهٔ اثرگذار، و AIM برای نقش کنترل ۵+ سال تجربهٔ صنعتی.
Staff / Principal / رهبر پژوهش
۵+ سال با دکترا یا ۱۰+ سال با ارشد
تعیین مسیر فنی و رهبری تیم. Niantic Spatial از Staff Engineer - Robot Learning می‌خواهد مهندسی محصول real-to-sim را رهبری کند و الزامات فنی را تعیین کند، و Wayve برای تیم MEGA دنبال عضو مؤسسی است که برنامهٔ پژوهشی را تعریف کند. سابقهٔ ترجیحی Qualcomm برای نقش Robotic Embodied AI Engineer دکترا با ۵+ سال یا ارشد با ۱۰+ سال تجربه است.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
داده کم، گران و ناهمگون است
عمومیدادهٔ ربات به اندازهٔ متن اینترنت وجود ندارد و هر ربات بدنه، حسگر و فضای action خودش را دارد. Open X-Embodiment برای همین دادهٔ ۲۲ ربات را یک‌جا جمع کرد، GR00T N1 مسیرهای ربات واقعی را با ویدیوی انسان و دادهٔ مصنوعی ترکیب کرد، و Humanoid از مهندس می‌خواهد با شرکای بیرونی تأمین «دادهٔ کافی برای پیش‌آموزش» را تضمین کند.
محاسبات عظیم و دسترسی محدود
عمومیآموزش این مدل‌ها کلاستر بزرگ می‌خواهد: Wayve تجربهٔ آموزش چندگره‌ای می‌خواهد، The Bot Company کار با «کلاسترهای عظیم GPU»، و Figure در آگهی‌اش از مدل‌های ۱۰۰+ میلیارد پارامتری روی ۱۰۰ هزار+ GPU نوشته است. این تجربه بیرون از چنین شرکت‌هایی سخت ساخته می‌شود؛ مدل‌های کوچک‌تر مثل SmolVLA، و fine-tune کم‌هزینهٔ OpenVLA با LoRA روی GPU مصرفی، نقطهٔ شروع در دسترس‌تری‌اند.
ارزیابی سخت است
عمومیمعیار نهایی رفتار ربات است و سنجیدن آن کند و پرهزینه است. Niantic Spatial دنبال کسی است که دیده باشد «شبیه‌سازی کجا و چرا عملکرد واقعی را پیش‌بینی نمی‌کند»، Meta از «مشکل‌هایی که فقط وقتی مدل باید در دنیای فیزیکی عمل کند پیدا می‌شوند» حرف می‌زند و Humanoid می‌خواهد شکست‌های تازه خودکار به آموزش برگردند.
از مدل بزرگ تا اجرای بلادرنگ
عمومیمدلی که روی کلاستر آموزش دیده باید روی کامپیوتر ربات یا یک تراشه سریع اجرا شود. Humanoid و The Bot Company بهینه‌سازی برای inference بلادرنگ روی edge را جزو کار آورده‌اند و Qualcomm تجربهٔ بهینه‌سازی و کوانتیزه‌سازی مدل را «مهم» می‌داند. GR00T N1 برای همین تولید حرکت بلادرنگ را به یک ماژول جدا سپرده است.
رقابت و شرط پژوهشی
تحقیقاتیبیشتر آگهی‌ها سطح بالایی می‌خواهند. Wayve سابقهٔ مقاله در کنفرانس‌های سطح اول می‌خواهد و NVIDIA تجربه و مقاله در موضوعاتی مثل LLM، VLM یا یادگیری ربات. Meta مقالهٔ نویسندهٔ اول یا مشارکت متن‌باز پرکاربرد را شرط کرده، Huawei Canada مقالهٔ نویسندهٔ اول را، و Genesis AI ۵+ سال کار پژوهشی با مقالهٔ نویسندهٔ اول یا پروژهٔ اثرگذار. برای تازه‌واردها، کارآموزی پژوهشی و کد متن‌باز مستند راه جبران این فاصله است.
حوزهٔ تازه و وابسته به چند شرکت
استارتاپبیشتر آگهی‌های این صفحه از چند استارتاپ پرسرمایه و چند آزمایشگاه بزرگ‌اند، پس ثبات شغلی به سرنوشت تعداد کمی شرکت گره خورده است. روش‌ها هم سریع عوض می‌شوند: RT-2 در ۲۰۲۳، OpenVLA و π0 در ۲۰۲۴ و GR00T N1 در ۲۰۲۵ منتشر شدند و LeRobot امروز نسخهٔ GR00T N1.7 را پشتیبانی می‌کند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس هوش مصنوعی تجسم‌یافته
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Humanoid posting, Autonomy Engineer - VLA Pre-training (San Diego; 3+ years), posted Oct 14, 2026: California base range; median = midpoint
- NVIDIA posting, Senior Research Scientist, Multimodal Foundation Models and Robotics (Santa Clara; PhD + 5 years), posted May 2026, still listed Oct 2026: base range across Level 4–5; median = midpoint
- Figure AI posting, Helix AI Engineer, Video Pretraining (San Jose; no years stated), posted Apr 9, 2026: US base range; median = midpoint
- The Bot Company posting, Machine Learning: Multimodal Foundation Models (San Francisco; no years stated), posted Feb 25, 2026: posted range; median = midpoint
- Niantic Spatial posting, Staff Engineer - Robot Learning, Embodied AI (San Francisco; no years stated), posted Oct 2, 2026: salary range (plus bonus and equity); median = midpoint
- Wayve posting, Research Scientist, Robot Foundation Models (Sunnyvale; no years stated), posted Oct 2, 2026: posted range (plus equity); median = midpoint
- Huawei Canada posting, Senior Researcher - Physical AI (Markham, Ontario; PhD or Master's, no years stated), posted Apr 21, 2026: total target annual compensation, '$' as printed by a Canadian employer; median = midpoint
- Niantic Spatial posting, Research Scientist, Embodied AI (London; PhD, no years stated), posted Sep 23, 2026: base salary range (plus bonus and equity); median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: زبان ربات
فصل‌های پیکربندی، حرکت اجسام صلب و سینماتیک Modern Robotics را بخوانید و یک بازوی ربات را در MuJoCo حرکت دهید تا فضای action برایتان ملموس شود.
ماه ۲: imitation learning با LeRobot
آموزش یادگیری تقلیدی LeRobot را دنبال کنید و یک سیاست ACT یا Diffusion روی یک دیتاست عمومی آموزش دهید.
ماه ۳: مقاله‌های اصلی
RT-2، Open X-Embodiment، π0 و GR00T N1 را بخوانید و برای هر کدام یک صفحه خلاصه بنویسید: داده چه بود، action چطور نمایش داده شد و ارزیابی چطور انجام شد.
ماه ۴: fine-tune یک VLA
SmolVLA یا Pi0 را از طریق LeRobot، یا یکی از مدل‌های π را با openpi، روی LIBERO fine-tune کنید و نتیجه را با سیاست ماه دوم مقایسه کنید.
ماه ۵: مقیاس
همان آموزش را با FSDP روی چند GPU اجرا کنید، پروفایل بگیرید و گزارش throughput و حافظه بنویسید.
ماه ۶: پورتفولیو و درخواست کار
دو پروژه با کد، گزارش و تحلیل شکست منتشر کنید. علاوه بر Embodied AI Engineer، عنوان‌های VLA Pre-training Engineer، Robot Foundation Models، Foundation Models و Robot Learning Engineer را جستجو کنید و تجربهٔ قبلی LLM یا VLM خود را در رزومه برجسته کنید.
پروژه‌های پیشنهادی برای رزومه
آموزش ACT یا Diffusion Policy با LeRobot
مبتدیبا یکی از دیتاست‌های عمومی LeRobot یا در شبیه‌ساز، یک سیاست ACT و یک سیاست Diffusion آموزش دهید و نرخ موفقیت هر دو را روی چند ده اجرا گزارش کنید. شکست‌ها را دسته‌بندی کنید: کدام از کمبود داده بود، کدام از مدل و کدام از اجرا.
Fine-tune یک VLA کوچک روی LIBERO
متوسطSmolVLA (یک VLA متن‌باز ۴۵۰ میلیون پارامتری که به نوشتهٔ Hugging Face روی سخت‌افزار مصرفی اجرا می‌شود) یا یکی از مدل‌های π را از طریق LeRobot روی یک مجموعه کار LIBERO fine-tune کنید. نتیجه را با سیاست پروژهٔ قبل مقایسه کنید و تأخیر inference را هم بسنجید.
خط لولهٔ دادهٔ ربات با نسخه‌بندی و پیدا کردن شکست
متوسطخط لوله‌ای بسازید که لاگ‌های شبیه‌ساز یا teleoperation را به فرمت دیتاست LeRobot تبدیل کند، نسخه‌بندی کند، اپیزودهای خراب را کنار بگذارد و اپیزودهای شکست‌خورده را برای آموزش دوباره علامت بزند. این دقیقاً شبیه کاری است که آگهی Humanoid از مهندس VLA می‌خواهد.
آموزش توزیع‌شدهٔ یک سیاست transformer روی چند GPU
پیشرفتهیک سیاست transformer یا VLA کوچک را با FSDP روی ۲ تا ۸ GPU آموزش دهید، throughput و مصرف حافظه را با PyTorch Profiler اندازه بگیرید و اثر activation checkpointing و mixed precision را گزارش کنید. نتیجه را مثل یک گزارش مهندسی با جدول و نمودار منتشر کنید.
Co-training یک VLM با دادهٔ ربات به سبک RT-2
پیشرفتهیک VLM کوچک را هم‌زمان روی دادهٔ بینایی-زبان و مسیرهای ربات fine-tune کنید، طوری که action ها به شکل token کنار متن یاد گرفته شوند، همان ایده‌ای که RT-2 مطرح کرد. بسنجید آیا مدل روی اشیا یا دستورهایی که در دادهٔ ربات نبوده‌اند بهتر تعمیم می‌دهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
کارشناسی، کارشناسی ارشد و دکترای علوم کامپیوتر را در Stanford گرفت و رسالهٔ دکترایش دربارهٔ یادگیری ربات، کنترل بهینه و روش‌های داده‌محور برای به دست آوردن سیاست کنترل در سیستم‌های پیچیدهٔ رباتیک بود. پسادکترا را در Robot Learning Lab دانشگاه UC Berkeley با Pieter Abbeel گذراند، در ۲۰۱۵ پژوهشگر پاره‌وقت Google شد و پس از مدتی در University of Washington، از ۲۰۱۶ عضو هیئت علمی UC Berkeley است.
پژوهشش روی یادگیری تقویتی، یادگیری تقلیدی و سیستم‌های یادگیری ربات در مقیاس بزرگ متمرکز است؛ از جمله guided policy search و یادگیری تقویتی آفلاین از دیتاست‌های بزرگ ربات. هم‌بنیان‌گذار Physical Intelligence است. طبق ویکی‌پدیا، در ۲۰۲۵ جایزهٔ PECASE را گرفت و در ۲۰۱۶ در فهرست Innovators Under 35 نشریهٔ MIT Technology Review بود.
ایدهٔ یادگرفتن مهارت ربات از دادهٔ بزرگ، که امروز پایهٔ مدل‌های پایهٔ رباتیک است، سال‌ها پیش از رواج نام VLA در کار او دنبال می‌شد. به نظر می‌رسد فهم عمیق RL و imitation learning پایه‌ای ماندگارتر از آشنایی با آخرین مدل است.
در شهری کوچک در لهستان به دنیا آمد. کارشناسی و کارشناسی ارشد مکاترونیک را در Warsaw University of Technology، کارشناسی ارشد رباتیک را در Technical University of Munich و دکترای علوم کامپیوتر را در University of Southern California گرفت.
در Google Brain و Google DeepMind پژوهشگر ارشد سیستم‌های یادگیری ربات در مقیاس بزرگ بود؛ سیستم‌هایی که سیاست‌های قابل تعمیم گرفتن و جابه‌جا کردن اشیا را از حجم زیادی دادهٔ تعامل ربات یاد می‌گرفتند. از ۲۰۲۱ استاد مدعو (adjunct) در Stanford است و Physical Intelligence را هم‌بنیان گذاشت؛ شرکتی که طبق ویکی‌پدیا هدفش ساخت مدل‌های پایه و الگوریتم‌های یادگیری برای سیستم‌های هوش مصنوعی تجسم‌یافته است.
مسیر او از مکاترونیک و رباتیک کلاسیک به یادگیری در مقیاس بزرگ رسید. به نظر می‌رسد در این حوزه، پیشینهٔ سخت‌افزار و رباتیک وقتی با تجربهٔ داده و مدل بزرگ ترکیب شود ارزش بیشتری پیدا می‌کند.
دکترایش را در Stanford Vision Lab زیر نظر Fei-Fei Li گرفت. به نوشتهٔ سایت شخصی‌اش، پیش از آن در OpenAI، Baidu AI Labs و MILA کارآموز بود و در ۲۰۱۶ نخستین کارآموز OpenAI بود.
پژوهشگر ارشد NVIDIA و به گفتهٔ خودش رهبر طرح AI Agents در این شرکت است و هدفش را ساختن عامل‌هایی می‌داند که هم در دنیای فیزیکی (رباتیک) و هم در دنیای مجازی (بازی و شبیه‌سازی) توانمند باشند. پروژه‌های Voyager، MineDojo، Eureka (دست پنج‌انگشتی ربات که کارهای بسیار ظریفی مثل چرخاندن خودکار میان انگشتان انجام می‌دهد) و VIMA را رهبری کرده است؛ VIMA به نوشتهٔ او از نخستین مدل‌های پایهٔ چندوجهی برای manipulation ربات بود و MineDojo جایزهٔ Outstanding Paper کنفرانس NeurIPS ۲۰۲۲ را گرفت.
پیشینهٔ او بیشتر بینایی ماشین و عامل‌های هوشمند بود تا مهندسی ربات. به نظر می‌رسد این حوزه برای کسانی که از مدل‌های چندوجهی و عامل‌ها می‌آیند هم راه دارد، به شرط اینکه کارشان به عمل در یک محیط برسد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Autonomy Engineer - VLA Pre-training
تحلیل نیازمندی‌ها
3+ years building deep‑learning systems (industry or research) with shipped models or published artifacts to show for it.
سه سال تجربه کافی نیست؛ باید چیزی قابل نشان دادن داشته باشید: مدلی که به پروداکشن رفته یا مقاله، کد یا مدل منتشرشده. یعنی «پژوهش یا صنعت» هر دو پذیرفته است و پورتفولیوی عمومی وزن واقعی دارد.
ضروریDeep hands‑on experience with at least one of: LLMs, VLMs, or image/video generative models — architecture, training, and inference.
این شرط راه ورود را برای کسانی باز می‌کند که از مدل‌های زبانی، بینایی-زبان یا مولد ویدیو می‌آیند. «عمیق» یعنی خودتان معماری را فهمیده، آموزش داده و inference گرفته باشید، نه فقط از API استفاده کرده باشید.
ضروریExperience with deep learning infrastructure: streaming datasets, checkpointing & state management, distributed training strategies.
دادهٔ پیش‌آموزش در حافظه جا نمی‌شود و آموزش روزها طول می‌کشد. باید بلد باشید داده را جریانی بخوانید، آموزش را ذخیره و از سر بگیرید و آن را روی چند GPU پخش کنید.
ضروریStrong Python + PyTorch/JAX; you can profile, debug numerics, and write maintainable research code.
سه مهارت مشخص: پیدا کردن گلوگاه با پروفایل، پیدا کردن خطای عددی (مثل NaN یا ناپایداری آموزش) و نوشتن کد پژوهشی‌ای که دیگران هم بتوانند نگهش دارند.
ضروریYou document experiments clearly and communicate trade‑offs crisply.
در کاری که هر آزمایش هزینهٔ محاسباتی زیادی دارد، ثبت دقیق اینکه چه چیزی امتحان شد و چرا، خودش بخشی از خروجی است.
مهمRobotics or autonomous driving experience.
این خط در بخش «امتیاز» است، نه شرط. آگهی صریحاً می‌نویسد تجربهٔ رباتیک شرط قطعی نیست، اما اگر از بیرون این حوزه می‌آیید باید سریع به آن مسلط شوید.
مفیدExperience applying RL to LLMs or robotics.
RL برای LLM، مثل روش‌های post-training، اینجا هم‌ارز RL در رباتیک حساب شده است. این نشان می‌دهد تجربهٔ post-training مدل‌های زبانی مستقیم به این کار منتقل می‌شود.
مفیدFamiliarity with OpenVLA, Physical Intelligence (π) models, or similar open source VLA frameworks.
خواندن کد OpenVLA یا openpi و fine-tune کردن یکی از این مدل‌ها روی یک بنچمارک، ساده‌ترین راه برای نشان دادن این آشنایی است.
مفیدتحلیل مسئولیت‌ها
Run pre-/mid-/post-training on VLA stack; explore new modalities and architecture changes.
کار اصلی همین است: اجرای مراحل مختلف آموزش یک VLA و آزمودن تغییر در معماری یا افزودن نوع تازه‌ای از ورودی، مثل یک حسگر جدید.
Post-train policies via behavior cloning and RL; own the full loop from data to deployment.
بعد از پیش‌آموزش، مدل با یادگیری تقلیدی و RL برای کار مشخص بهتر می‌شود. «کل حلقه» یعنی مسئولیت شما تا جایی ادامه دارد که مدل روی ربات کار کند.
Partner with the Data Collection team to drive collecting new data: specify what good data looks like, identify failure modes, ensure diversity and coverage.
شما تعیین می‌کنید چه داده‌ای لازم است. این یعنی شناختن شکست‌های مدل و ترجمهٔ آن‌ها به دستورالعمل جمع‌آوری برای تیم داده.
Work closely with external partners to ensure steady supply of high-quality pretraining-scale data.
داده فقط در خود شرکت تولید نمی‌شود. بخشی از کار هماهنگی با تأمین‌کنندگان بیرونی و کنترل کیفیت داده‌ای است که می‌فرستند.
Build and maintain continuous pipelines: ingest synthetic data and teleop logs, version them, apply weak‑supervision labelling, curate balanced datasets, and auto‑surface fresh failure cases into retraining.
این یک کار مهندسی داده است: خط لوله‌ای که داده‌های مصنوعی و لاگ‌های teleoperation را می‌گیرد، نسخه‌بندی و برچسب‌زنی ضعیف می‌کند، دیتاست متوازن می‌سازد و شکست‌های تازه را خودکار به آموزش برمی‌گرداند.
Work with MLOps & Data Platform teams to scale distributed training and optimize models for real‑time edge inference.
دو سر کار به هم وصل‌اند: از یک طرف آموزش روی کلاستر بزرگ و از طرف دیگر اجرای سریع همان مدل روی سخت‌افزار خود ربات.
نتیجه‌گیری کلی
این آگهی نشان می‌دهد هستهٔ این شغل یادگیری عمیق در مقیاس است: پیش‌آموزش و post-training یک VLA روی دادهٔ چند ربات، ساختن خط لولهٔ داده و همکاری با تیم داده. Humanoid صریحاً می‌نویسد این «اساساً یک نقش یادگیری عمیق» است و تجربهٔ رباتیک را شرط نمی‌کند، اما ۳+ سال کار یادگیری عمیق با خروجی قابل نشان دادن می‌خواهد. حقوق پایهٔ اعلام‌شده برای کالیفرنیا ۱۸۰ تا ۳۰۰ هزار دلار در سال است. برای کسی که امروز روی LLM یا VLM کار می‌کند، این یکی از روشن‌ترین درهای ورود به رباتیک است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
به پیش‌بینی ادارهٔ آمار کار آمریکا (BLS)، اشتغال «پژوهشگران علوم کامپیوتر و اطلاعات» از ۲۰۲۵ تا ۲۰۳۵، ۲۲٪ رشد می‌کند، بسیار سریع‌تر از میانگین همهٔ مشاغل، و سالانه به‌طور میانگین حدود ۲٬۹۰۰ فرصت شغلی در این گروه پیش‌بینی شده است. BLS رباتیک را یکی از تخصص‌های این گروه می‌شمارد؛ این رقم برای کل گروه است، نه فقط برای کسانی که روی مدل‌های پایهٔ رباتیک کار می‌کنند.
منبع: BLS Occupational Outlook Handbook — Computer and Information Research Scientists (2025–2035)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
به گزارش Future of Jobs ۲۰۲۵ مجمع جهانی اقتصاد (WEF)، کارفرمایان انتظار دارند ربات‌ها و سیستم‌های خودمختار تا ۲۰۳۰ کسب‌وکار ۵۸٪ آن‌ها را دگرگون کنند، و «متخصصان AI و یادگیری ماشین» در رتبهٔ سوم فهرست سریع‌ترین رشد مشاغل ۲۰۲۵ تا ۲۰۳۰ هستند.
BLS پیش‌بینی می‌کند اشتغال پژوهشگران علوم کامپیوتر و اطلاعات، گروهی که رباتیک یکی از تخصص‌های آن است، تا ۲۰۳۵، ۲۲٪ بیشتر از ۲۰۲۵ شود و سالانه حدود ۲٬۹۰۰ فرصت شغلی در آن باز شود.
بیشتر فرصت‌ها در تعداد کمی استارتاپ پرسرمایه و آزمایشگاه شرکت‌های بزرگ متمرکز است؛ یعنی بازار کوچک است و به سرنوشت چند شرکت گره خورده. حقوق‌ها هم این را نشان می‌دهند: همهٔ بازه‌های آگهی‌های این صفحه بالاتر از میانهٔ حقوق کل گروه «پژوهشگران علوم کامپیوتر و اطلاعات» در BLS (۱۴۰٬۳۰۰ دلار در مه ۲۰۲۵) است، یعنی این آگهی‌ها لایهٔ بالای بازارند و رقابت برای آن‌ها شدید است. روش‌ها هم سریع عوض می‌شوند و مدل‌هایی که آگهی‌های امروز می‌خواهند بین ۲۰۲۳ و ۲۰۲۵ منتشر شده‌اند. پایه‌هایی که کندتر کهنه می‌شوند، یعنی یادگیری عمیق، آموزش در مقیاس، کار با داده و ارزیابی دقیق، سرمایهٔ امن‌تری‌اند. ریسک دیگر دسترسی است: تجربهٔ آموزش روی کلاستر بزرگ و کار با ربات واقعی بیرون از این شرکت‌ها سخت به دست می‌آید.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۲ منبع بررسی شده است.
- Autonomy Engineer - VLA Pre-training — Humanoid (job posting)
- VLA Pre-training Engineer - Deep Learning — Humanoid (job posting)
- Senior Embodied AI Engineer - Controls — AIM Intelligent Machines (job posting)
- Robotic Embodied AI Engineer — Qualcomm (job posting)
- Research Engineer, Robotics & Embodied AI — Meta (job posting)
- (Senior) Research Engineer, Embodied AI & Robotics, IAIC — A*STAR (job posting)
- Staff Engineer - Robot Learning, Embodied AI — Niantic Spatial (job posting)
- Research Scientist, Embodied AI — Niantic Spatial (job posting)
- Research Scientist, Robot Foundation Models — Wayve (job posting)
- Helix AI Engineer, Video Pretraining — Figure AI (job posting)
- Helix AI Engineer, Training Performance — Figure AI (job posting)
- Foundation Models — Genesis AI (job posting)
- Machine Learning: Multimodal Foundation Models — The Bot Company (job posting)
- Senior Research Scientist, Multimodal Foundation Models and Robotics — NVIDIA (job posting)
- ML Infra Engineer, Modeling — Physical Intelligence (job posting)
- Applied Researcher — Physical Intelligence (job posting)
- Robotics Engineer: Foundation Model Training — General Robotics (job posting)
- Senior Researcher - Physical AI — Huawei Canada (job posting)
- BLS Occupational Outlook Handbook — Computer and Information Research Scientists
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control (arXiv)
- Open X-Embodiment: Robotic Learning Datasets and RT-X Models (arXiv)
- OpenVLA: An Open-Source Vision-Language-Action Model (arXiv)
- π0: A Vision-Language-Action Flow Model for General Robot Control (arXiv)
- GR00T N1: An Open Foundation Model for Generalist Humanoid Robots (arXiv)
- Diffusion Policy: Visuomotor Policy Learning via Action Diffusion (arXiv)
- Hugging Face LeRobot (GitHub)
- SmolVLA: Efficient Vision-Language-Action Model — Hugging Face blog
- GEAR — Generalist Embodied Agent Research, NVIDIA
- Sergey Levine — Wikipedia
- Karol Hausman — Wikipedia
- Linxi "Jim" Fan — personal website