مهندس یادگیری تقویت‌شده
Reinforcement Learning Engineer
مهندس یادگیری تقویت‌شده (Reinforcement Learning Engineer) سیستمی می‌سازد که با عمل کردن در یک محیط و گرفتن پاداش، خودش یاد می‌گیرد چه کند: رباتی که راه رفتن و برداشتن اجسام را یاد می‌گیرد، خودرویی که مسیرش را برنامه‌ریزی می‌کند، یا مدل زبانی‌ای که با یادگیری تقویتی (RL) در کدنویسی و استدلال بهتر می‌شود. در ۲۰۲۶ عنوان دقیق «Reinforcement Learning Engineer» بیشتر در شرکت‌های رباتیک و خودروی خودران دیده می‌شود. آزمایشگاه‌های مدل زبانی همین کار را با عنوان‌هایی مثل Research Engineer (Reinforcement Learning)، Member of Technical Staff یا Software Engineer, RL Environments آگهی می‌کنند. در بازی، سیستم‌های توصیه و معاملات مالی هم RL معمولاً یکی از مهارت‌های خواسته‌شده در عنوان‌های عمومی‌تر است.
مقدمه و تعریف شغل
یادگیری تقویتی (Reinforcement Learning یا RL) روشی است که در آن یک عامل (agent) در یک محیط عمل می‌کند، بازخورد را به شکل پاداش می‌گیرد و سیاست (policy) خود را طوری تغییر می‌دهد که پاداش بیشتری بگیرد. مهندس یادگیری تقویت‌شده این حلقه را می‌سازد و کار می‌اندازد: محیط یا شبیه‌ساز، تعریف پاداش، الگوریتم آموزش، زیرساخت اجرای تعداد بسیار زیادی تلاش (rollout)، و ارزیابی اینکه سیاست واقعاً کار را یاد گرفته یا فقط راهی برای گرفتن پاداش پیدا کرده است. برخلاف یادگیری با نظارت، دادهٔ آموزشی از پیش آماده نیست و خود عامل با رفتارش آن را تولید می‌کند. Figure کار این نقش را توسعه، آموزش، استقرار و ارزیابی الگوریتم‌های RL برای کنترل کل بدن ربات انسان‌نمای خود تعریف کرده است.
ریشهٔ این حوزه دانشگاهی است: طبق ویکی‌پدیا، Richard Sutton و Andrew Barto در ۲۰۲۴ برای کارشان در یادگیری تقویتی جایزهٔ Turing گرفتند. AlphaGo، به رهبری David Silver در DeepMind، نخستین برنامه‌ای بود که یک بازیکن حرفه‌ای تراز اول Go را در صفحهٔ کامل شکست داد. الگوریتم PPO در ۲۰۱۷ معرفی شد و در مقالهٔ InstructGPT (۲۰۲۲) مدلی که با RLHF آموزش دیده بود، با ۱٫۳ میلیارد پارامتر، در ارزیابی انسانی بر GPT-3 با ۱۷۵ میلیارد پارامتر ترجیح داده شد. در ۲۰۲۵ مقالهٔ DeepSeek-R1 نشان داد توان استدلال مدل زبانی را می‌شود با RL تقویت کرد و پژوهش ScaleRL نوشت RL «در آموزش مدل‌های زبانی بزرگ محوری شده است». بازار ۲۰۲۶ همین را نشان می‌دهد: در بُرد استخدام Anthropic، ۱۹ آگهی از ۶۸۰ آگهی باز، RL را در عنوان داشتند. در کنار آزمایشگاه‌های مدل زبانی، شرکت‌های ربات انسان‌نما مثل Figure، Agility و Humanoid و شرکت‌های خودروی خودران مثل NVIDIA و Waymo استخدام می‌کنند. بازهٔ حقوق اعلام‌شده بسیار گسترده است: از ۱۲۰ تا ۳۰۰ هزار دلار در Dexmate و ۱۵۰ تا ۳۵۰ هزار دلار در Figure تا ۵۰۰ تا ۸۵۰ هزار دلار برای Research Engineer یادگیری تقویتی در Anthropic (در لندن ۲۶۰ تا ۶۳۰ هزار پوند). ZipRecruiter برای عنوان Reinforcement Learning Engineer در آمریکا میانگین ۱۱۵٬۸۶۴ دلار گزارش می‌کند (۲۲ اکتبر ۲۰۲۶)، که از کف بازهٔ تقریباً همهٔ آگهی‌هایی که دیدیم پایین‌تر است؛ برای همین در جدول حقوق نیامده است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس یادگیری تقویت‌شده
کنترل کل بدن ربات انسان‌نما
در Figure تعیین می‌کنید سیاست چه چیزی را ببیند (observation) و چه فرمانی بدهد (action)، آن را در شبیه‌ساز آموزش می‌دهید، مهم‌ترین فاصله‌های شبیه‌سازی و واقعیت را پیدا و برطرف می‌کنید و کنترل را آن‌قدر مقاوم می‌کنید که روی ربات واقعی کار کند.
مدل زبانی بهتر در کد و استدلال
تیم RL در Anthropic با RL مدل‌هایی می‌سازد که با ابزار کار می‌کنند، مثلاً با کامپیوتر کار کنند یا نرم‌افزار بنویسند، و در ریاضی بهتر استدلال کنند. به گفتهٔ آگهی، این تیم در همهٔ مدل‌های Claude سهم داشته است.
محیط آموزشی برای ایجنت
در Scale AI یا Cohere محیطی می‌سازید که شبیه کار واقعی است: کانتینری با ابزار، داده، تسک‌های سخت و یک verifier که تعیین می‌کند ایجنت کار را درست انجام داده یا نه. بعد ایجنت را در آن آموزش و ارزیابی می‌کنید.
تصمیم‌گیری و برنامه‌ریزی خودروی خودران
در NVIDIA الگوریتم RL برای تصمیم‌گیری و برنامه‌ریزی خودرو می‌سازید، آن را با baselineهای imitation learning در محیط‌های شهری مقایسه می‌کنید و روی سخت‌افزار خودرو مستقر می‌کنید.
گیم‌پلی مبتنی بر RL
در HoYoverse زیرساخت فریم‌ورک RL را برای سیستم‌های گیم‌پلی در Unreal Engine 5 می‌سازید، عامل‌های یادگیرنده را در محیط بازی اجرا می‌کنید و زیرساخت را برای inference در زمان اجرا بهینه می‌کنید.
توصیه‌گر با contextual bandit
در تیم توصیهٔ Target سیستمی طراحی و ارزیابی می‌کنید که تصمیم می‌گیرد به هر کاربر چه محصولی نشان دهد، و با آزمایش آنلاین اثرش را می‌سنجید.
تخصص‌های مختلف مهندس یادگیری تقویت‌شده
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
یادگیری تقویتی برای مدل‌های زبانی
RL for Language Models
آموزش مدل زبانی با RL برای استدلال، کدنویسی و کار ایجنتی: RLHF، RL با پاداش قابل‌وارسی (RLVR) و الگوریتم‌هایی مثل PPO و GRPO. Anthropic، Cohere، Prime Intellect و Thinking Machines برای همین کار آگهی دارند.
محیط‌ها، verifierها و طراحی پاداش
RL Environments & Rewards
ساختن «دنیای» آموزشی ایجنت: کانتینری با وابستگی‌ها، وضعیت و ابزار واقعی، و graderی که به تعریف Scale AI باید حتی وقتی ایجنت دنبال راه شکستنش است درست نمره بدهد. Scale AI و Cohere برای این کار عنوان جداگانه دارند.
یادگیری ربات
Robot Learning
سیاست کنترل برای راه رفتن، کنترل کل بدن و دست‌کاری اجسام، با آموزش در شبیه‌سازهایی مثل Isaac و MuJoCo و انتقال به ربات واقعی. بیشتر آگهی‌های با عنوان دقیق RL Engineer از این حوزه‌اند: Figure، Humanoid، ANYbotics، Dexmate و Gravis Robotics.
خودروی خودران و برنامه‌ریزی حرکت
Autonomous Driving & Planning
تصمیم‌گیری و برنامه‌ریزی مسیر خودرو با RL، معمولاً در کنار imitation learning. NVIDIA مقایسه با baselineهای imitation learning را جزو کار آورده و Waymo روی RL و distillation برای برنامه‌ریزی مسیر و post-training مدل جهان کار می‌کند.
زیرساخت و مقیاس‌دهی RL
RL Infrastructure & Scaling
سیستم‌هایی که تولید rollout، آموزش و inference را در مقیاس بزرگ کنار هم اجرا می‌کنند. Thinking Machines می‌نویسد در RL مقیاس بزرگ، تولید rollout بیشترین هزینه را دارد. SpaceXSI (سازندهٔ Grok)، Anthropic و HoYoverse برای این لایه آگهی جدا دارند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
در صفحهٔ مهندس یادگیری ماشین همین سایت، مهندس ML مدل را روی دادهٔ شرکت آموزش می‌دهد و در پروداکشن نگه می‌دارد. مهندس RL دادهٔ آماده ندارد: سیاست با عمل در یک محیط، شبیه‌سازی‌شده یا واقعی، خودش داده تولید می‌کند و از پاداش یاد می‌گیرد. برای همین بخش بزرگی از کار ساختن محیط، تعریف پاداش و مهار ناپایداری آموزش است. مرز گاهی باز است: Skild AI همین کار را با عنوان Machine Learning Engineer, Reinforcement Learning آگهی کرده و Target در تیم توصیه، تجربه با contextual bandit و RL را از دانشمند داده می‌خواهد.
صفحهٔ محقق هوش مصنوعی این سایت توضیح می‌دهد که Research Scientist روش تازه می‌سازد و Research Engineer کد و ابزار آن را. در RL هم همین تقسیم دیده می‌شود: Waymo برای Research Scientist, RL دکترا یا کارشناسی ارشد با ۳+ سال تجربه، و مقالهٔ اثرگذار، پست فنی یا کار متن‌باز مهم می‌خواهد و Voleon برای پژوهشگر RL در معاملات، گذراندن دروس سطح دکترا را شرط کرده است. اما آگهی Research Engineer یادگیری تقویتی در Anthropic صریحاً می‌نویسد مدرک رسمی یا سابقهٔ انتشار مقاله لازم نیست و تمرکزش زیرساخت، محیط‌های آموزش و کارایی سیستم است. بیشتر نقش‌هایی که این صفحه «مهندس RL» می‌نامد، در آزمایشگاه‌ها عنوان Research Engineer دارند.
صفحهٔ مهندس تنظیم دقیق مدل همین سایت کل post-training مدل زبانی را پوشش می‌دهد: SFT، LoRA، DPO و یادگیری تقویتی، با هدف تطبیق یک مدل آماده با یک کار یا حوزه. مهندس RL دو تفاوت دارد. اول، به مدل زبانی محدود نیست و بیشتر آگهی‌های با عنوان دقیق RL Engineer مال رباتیک و خودروی خودران‌اند. دوم، در آزمایشگاه‌های مدل زبانی هم روی خود حلقهٔ RL کار می‌کند: محیط، verifier و پاداش، الگوریتم و زیرساخت rollout. نمونه: Cohere یک نقش برای «Post-Training (Reinforcement Learning & Generalization)» و نقشی جدا برای «RL Environments» آگهی کرده است.
مهندس رباتیک کل پشتهٔ ربات را می‌بیند: سخت‌افزار، حسگر، ادراک، برنامه‌ریزی و کنترل. مهندس RL در شرکت رباتیک روی یک لایهٔ آن کار می‌کند: یادگرفتن سیاست کنترل در شبیه‌ساز و انتقالش به ربات واقعی. با این حال آگهی‌ها پایهٔ رباتیک را جدی می‌خواهند: Figure «پیش‌زمینهٔ قوی در دینامیک و کنترل» و Dexmate «درک قوی از سینماتیک، دینامیک و کنترل ربات» را شرط کرده‌اند، و ANYbotics از مهندس ارشد RL می‌خواهد خطاهای میدانی مربوط به راه رفتن ربات را هم بررسی و رفع کند.
تأثیر در صنایع مختلف
مهندس یادگیری تقویت‌شده در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
آزمایشگاه‌های مدل زبانی
تیم‌های RL روی کدنویسی، کار با کامپیوتر و استدلال ریاضی مدل‌ها کار می‌کنند. آگهی Anthropic می‌نویسد این تیم‌ها در همهٔ مدل‌های Claude سهم داشته‌اند، به‌ویژه در خودمختاری و کدنویسی Claude Sonnet 4.5 و Opus 4.5.
رباتیک و ربات انسان‌نما
Figure برای کنترل کل بدن ربات انسان‌نما، Agility برای راه رفتن و دست‌کاری ربات Digit و Humanoid برای سیاست‌های دست‌کاری مبتنی بر بینایی و زبان، مهندس RL استخدام می‌کنند. ANYbotics سیاست‌های RL را روی ربات‌های بازرسی در کارخانه‌های انرژی و صنایع فرایندی مستقر می‌کند.
خودروی خودران
NVIDIA برای تصمیم‌گیری و برنامه‌ریزی خودرو، Waymo برای برنامه‌ریزی مسیر و مدل جهان و Applied Intuition برای رانندگی خودکار نقش‌های RL دارند. تیم AI Foundations در Waymo یادگیری تقویتی را یکی از حوزه‌های تمرکز خود اعلام کرده است.
بازی
HoYoverse، سازندهٔ Genshin Impact، برای بازی بعدی‌اش Varsapura مهندس زیرساخت RL می‌خواهد تا سیستم‌های گیم‌پلی مبتنی بر RL را در Unreal Engine 5 بسازد. Unity ML-Agents هم ابزاری متن‌باز است که بازی‌ها را به محیط آموزش عامل تبدیل می‌کند.
خرده‌فروشی و سیستم‌های توصیه
Target برای رهبری فنی سیستم‌های توصیه و شخصی‌سازی دیجیتالش تجربه در طراحی و ارزیابی contextual bandit و RL را شرط کرده است. در جست‌وجوی ما، در این صنعت RL یک مهارت در عنوان‌های Data Scientist و ML Engineer بود، نه عنوانی جدا.
مالی و معاملات
Voleon Securities پژوهشگر RL می‌خواهد تا مدل‌هایی را که راهبرد معاملاتی‌اش را اداره می‌کنند بسازد و بهینه کند، و می‌نویسد کاربردهای مالی RL به روش‌هایی فراتر از وضعیت فعلی پژوهش دانشگاهی نیاز دارند. این آگهی گذراندن دروس سطح دکترا و سابقهٔ انتشار مقالهٔ RL را شرط کرده است.
دفاع
Helsing، شرکت اروپایی AI دفاعی، مهندس RL می‌خواهد تا عامل‌های RL را در سیستم‌های عملیاتی پهپاد رزمی بدون سرنشین خود، CA-1 Europa، به کار ببرد؛ از آموزش در شبیه‌سازی بزرگ تا اجرای بلادرنگ.
علم و کشف مواد
Periodic Labs مدل‌هایی برای استدلال علمی در مواد و انرژی آموزش می‌دهد و برای بررسی اینکه RL با محاسبات، اندازهٔ مدل و کیفیت پاداش چطور مقیاس می‌گیرد، Research Scientist استخدام می‌کند.
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
RL فقط برای بازی‌ها و AlphaGo است
AlphaGo و AlphaZero معروف‌ترین نمونه‌ها هستند، اما در آگهی‌های ۲۰۲۶ کارفرمایان اصلی آزمایشگاه‌های مدل زبانی، شرکت‌های ربات انسان‌نما و خودروی خودران‌اند. بازی، سیستم‌های توصیه، معاملات و دفاع هم نقش‌های RL دارند.
برای پیدا کردن این شغل باید عنوان «Reinforcement Learning Engineer» را جست‌وجو کرد
در جست‌وجوی ما در لینکدین برای همین عبارت در شش کشور (اکتبر ۲۰۲۶)، از ۱۸۰ آگهی فقط ۱۱ آگهی عنوانی از نوع RL Engineer داشتند و تقریباً همه رباتیک یا خودروی خودران بودند. آزمایشگاه‌های مدل زبانی عنوان‌هایی مثل Research Engineer (Reinforcement Learning)، Member of Technical Staff و RL Environments به کار می‌برند.
بدون دکترا وارد این حوزه نمی‌شوید
بستگی به کارفرما دارد. Anthropic در آگهی Research Engineer یادگیری تقویتی می‌نویسد مدرک رسمی یا سابقهٔ مقاله لازم نیست و حداقل شرط Thinking Machines برای Research, RL Scaling کارشناسی یا تجربهٔ معادل است. در مقابل Voleon دروس سطح دکترا را شرط کرده و ANYbotics دکترا یا کارشناسی ارشد با ۵+ سال تجربه می‌خواهد.
کار اصلی این شغل اختراع الگوریتم تازه است
بخش بزرگی از کار مهندسی است: Anthropic زیرساخت RL، محیط‌های آموزش، profiling و debug سیستم‌های توزیع‌شده را جزو پروژه‌های نمونه آورده و Scale AI می‌نویسد محیط RL «یک نرم‌افزار واقعی» است. SpaceXSI یک نقش کامل فقط برای فریم‌ورک آموزش RL دارد.
اگر پاداش بالا رفت، یعنی سیاست کار را یاد گرفته است
نه لزوماً. عامل ممکن است راهی برای گرفتن پاداش پیدا کند که هدف واقعی را برآورده نمی‌کند (reward hacking). Prime Intellect از مهندس می‌خواهد با ablation و ارزیابی کنترل‌شده، یادگیری واقعی را از سوءاستفاده از پاداش، خطای ارزیابی یا باگ جدا کند و Cohere ارزیابی‌های جداگانه‌ای می‌خواهد که reward hacking را بگیرند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر روی بخشی از یک پروژه کار می‌کنید: پیاده کردن یا تغییر یک الگوریتم، اجرای آزمایش‌ها و فهمیدن اینکه چرا یک run شکست خورده است. بخش زیادی از روز به خواندن منحنی‌ها و دیدن رفتار سیاست می‌گذرد.
- ◆بررسی نتیجهٔ runهای شب قبل: منحنی پاداش، loss و معیارهای ارزیابی
- ◆بازتولید یک baseline مثل PPO روی یک محیط شناخته‌شده پیش از تغییر دادنش
- ◆اجرای ablation روی یک hyperparameter یا یک جزء پاداش با چند seed
- ◆دیدن ویدیو یا trajectoryهای سیاست برای پیدا کردن جایی که رفتار خراب می‌شود
- ◆نوشتن گزارش کوتاه از اینکه چه کار کرد و چه نکرد
میانی (۲–۵ سال)
خودتان یک مسئلهٔ مشخص را از تعریف تا نتیجه پیش می‌برید: انتخاب observation و action، طراحی پاداش و محیط، و بردن سیاست به ربات یا مدل واقعی، در همکاری با تیم‌های دیگر.
- ◆طراحی محیط یا تسک تازهٔ شبیه‌سازی برای آموزش و ارزیابی یک مهارت
- ◆تنظیم پاداش و curriculum وقتی سیاست در یک بخش از کار گیر کرده است
- ◆آزمایش انتقال سیاست به ربات واقعی همراه تیم تست و عملیات
- ◆ساختن ارزیابی جداگانه‌ای که reward hacking یا overfitting روی تسک‌های آموزش را نشان دهد
- ◆هماهنگی با تیم استقرار برای رساندن سیاست به محصول
ارشد (۵+ سال)
مسئول کیفیت و سرعت کار یک تیم هستید: زیرساخت آموزش، روش کار و راهنمایی مهندسان دیگر. کمتر خودتان آزمایش اجرا می‌کنید و بیشتر تصمیم می‌گیرید کدام آزمایش ارزش اجرا دارد.
- ◆تعیین اولویت آزمایش‌ها و تقسیم ظرفیت محاسباتی میان آن‌ها
- ◆مرور طراحی و کد تغییرات مهم در زیرساخت آموزش
- ◆بررسی خطاهای میدانی از دادهٔ استقرار و تبدیلشان به بهبود سیاست
- ◆منتورینگ مهندسان کم‌تجربه‌تر و تعریف روش کار مشترک
- ◆هماهنگ کردن هدف‌های پژوهشی با نیاز محصول
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، آموزش و استقرار سیاست‌های RL برای ربات، خودرو یا مدل زبانی
- ◈ساختن محیط‌ها، تسک‌ها و شبیه‌سازی‌های آموزش و ارزیابی
- ◈طراحی تابع پاداش و verifier و مقاوم کردن آن‌ها در برابر reward hacking
- ◈ساختن و بهینه‌سازی زیرساخت آموزش و rollout توزیع‌شده روی خوشه‌های GPU
- ◈اجرای ablation و آزمایش‌های کنترل‌شده و تشخیص ناپایداری آموزش
- ◈بستن فاصلهٔ شبیه‌سازی و واقعیت و مقاوم کردن سیاست روی سخت‌افزار واقعی
- ◈همکاری با تیم‌های ادراک، برنامه‌ریزی، داده و استقرار برای رساندن مدل به محصول
- ◈منتورینگ مهندسان کم‌تجربه‌تر و مستند کردن روشن نتیجهٔ آزمایش‌ها
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس یادگیری تقویت‌شده موفق به آن‌ها نیاز دارد
الگوریتم‌ها و تکنیک‌های RL
زبان مشترک همهٔ آگهی‌ها؛ بدون آن نمی‌شود فهمید چرا یک الگوریتم شکست می‌خورد
Figure، Dexmate و Helsing این دو را برای کنترل پیوسته نام برده‌اند
Agility طراحی تابع پاداش را شرط کرده و Scale AI تجربهٔ دست‌اول با reward hacking را امتیاز می‌داند
Cohere، Scale AI و NVIDIA این روش‌ها را نام برده‌اند؛ برای مسیر آزمایشگاه‌های مدل زبانی
Figure، Agility، Humanoid و ANYbotics همه انتقال از شبیه‌سازی به ربات واقعی را می‌خواهند
آگهی Figure این دو را در کنار domain randomization از تکنیک‌های رایج می‌شمارد
Figure distillation را امتیاز می‌داند، Agility روش معلم–شاگرد و Humanoid جمع‌آوری trajectory برای behavior cloning
Helsing آشنایی با RL چندعاملی و self-play رقابتی را می‌خواهد
نسخهٔ ساده‌تر RL که در سیستم‌های توصیه به کار می‌رود؛ Target آن را شرط کرده است
مهندسی و سیستم‌ها
در بیشتر آگهی‌ها نام برده شده‌اند؛ بعضی تیم‌ها مثل Humanoid و SpaceXSI به JAX هم کار می‌کنند
Thinking Machines و Prime Intellect روی RL ناهمگام کار می‌کنند و Waymo پیاده‌سازی آموزش با FSDP و sharding را می‌خواهد
Scale AI تجربه با Docker، VM و Kubernetes را شرط کرده و Anthropic تجربه با مجازی‌سازی و اجرای ایزولهٔ کد را امتیاز می‌داند
برای مسیر رباتیک تقریباً اجباری است؛ Dexmate شبیه‌سازی GPU را شرط کرده است
NVIDIA، ANYbotics، HoYoverse و Helsing کد C++ یا Rust برای اجرای سیاست روی سخت‌افزار یا موتور بازی می‌خواهند
Anthropic و SpaceXSI بهینه‌سازی کارایی آموزش را جزو وظایف آورده‌اند
پژوهش و همکاری
Prime Intellect، Cohere، Waymo و Thinking Machines همه ablation دقیق را جزو کار آورده‌اند و Cohere نتیجه‌گیری درست از نتایج پرنویز را هم می‌خواهد
Helsing می‌خواهد از بازپیاده‌سازی و گسترش روش‌های روز Deep RL لذت ببرید
Humanoid مستند کردن روشن آزمایش‌ها و Thinking Machines نوشتن روشن نتیجه‌ها را جزو کار می‌داند
سیاست RL باید با تیم‌های ادراک، برنامه‌ریزی و استقرار یکپارچه شود (NVIDIA، Agility)
Anthropic در آگهی‌اش می‌نویسد «ما عاشق pair کردن هستیم»
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس یادگیری تقویت‌شده
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
ریاضیات، Python و مبانی یادگیری ماشین
احتمال و آمار، جبر خطی و حساب دیفرانسیل زبان مقاله‌های RLاند: امید ریاضی، واریانس و گرادیان در هر الگوریتمی از Q-learning تا PPO تکرار می‌شوند. هم‌زمان Python و NumPy و مبانی یادگیری ماشین را یاد بگیرید. نسخهٔ PDF کتاب Mathematics for Machine Learning رایگان است.
یادگیری عمیق با PyTorch
در Deep RL، سیاست و تابع ارزش شبکه‌های عصبی‌اند، پس باید بتوانید شبکه را از صفر بنویسید، آموزش دهید و debug کنید. بیشتر آگهی‌هایی که بررسی کردیم، از جمله Anthropic، Agility، Dexmate، Humanoid و Prime Intellect، PyTorch یا JAX را نام برده‌اند.
مبانی یادگیری تقویتی
فرایند تصمیم مارکوف (MDP)، معادلهٔ Bellman، روش‌های Monte Carlo و Temporal-Difference، Q-learning و policy gradient پایهٔ همهٔ کارهای بعدی‌اند. کتاب Sutton و Barto (ویراست دوم، ۲۰۱۸) را نویسندگان رایگان روی سایتشان گذاشته‌اند؛ این دو در ۲۰۲۴ برای کارشان در RL جایزهٔ Turing گرفتند. درس RL دیوید سیلور در UCL هم به‌صورت ویدیو در دسترس است.
Deep RL و الگوریتم‌های مدرن
DQN، PPO و SAC را خودتان پیاده کنید و با پیاده‌سازی‌های مرجع مقایسه کنید. PPO در مقالهٔ ۲۰۱۷ John Schulman و همکاران با این ادعا معرفی شد که پیاده‌سازی‌اش از TRPO بسیار ساده‌تر است؛ آگهی‌های Figure، Dexmate و Helsing همین PPO و SAC را نام برده‌اند. دورهٔ Deep RL هاگینگ‌فیس رایگان و بدون مهلت است و درس CS 285 برکلی ویدیوی جلسه‌ها را منتشر می‌کند.
تخصص: RL برای مدل‌های زبانی یا RL برای ربات
بازار دو مسیر اصلی دارد. مسیر مدل زبانی: RLHF، RL با پاداش قابل‌وارسی (RLVR)، GRPO و ساختن محیط و verifier برای ایجنت؛ GRPO در مقالهٔ DeepSeekMath (۲۰۲۴) به‌عنوان گونه‌ای از PPO معرفی شد. مسیر ربات: آموزش موازی در شبیه‌سازهای GPU مثل Isaac Lab و MuJoCo، domain randomization و انتقال به ربات واقعی. مقالهٔ Rudin و همکاران دربارهٔ ربات چهارپای ANYmal نشان داد با آموزش موازی روی یک GPU می‌شود سیاست راه رفتن روی زمین صاف را در کمتر از چهار دقیقه آموزش داد و آن را به ربات واقعی منتقل کرد.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
کتابخانه‌ها و محیط‌های استاندارد RL
پیاده‌سازی‌های قابل‌اعتماد الگوریتم‌های RL روی PyTorch؛ برای baseline و مقایسه با کد خودتان
RL توزیع‌شده روی Ray؛ آگهی Humanoid ساختن زیرساخت RL بزرگ «مثلاً با ray» را امتیاز می‌داند
شبیه‌سازی برای ربات و بازی
شبیه‌ساز فیزیک متن‌باز (Apache 2.0) برای دینامیک چندمفصلی با تماس؛ Humanoid آن را در کنار Isaac Sim نام برده است
نسخهٔ GPU شبیه‌ساز MuJoCo و کتابخانهٔ نمونه‌های شبیه‌سازی و ربات واقعی روی آن؛ آگهی Agility «Mujoco-Warp» را نام برده است
فریم‌ورک یادگیری ربات NVIDIA؛ Dexmate تجربه با شبیه‌سازی GPU مثل Isaac Gym و Isaac Lab را شرط کرده است
RL برای مدل‌های زبانی
کتابخانهٔ Hugging Face برای آموزش مدل زبانی با RL، از جمله GRPO؛ Scale AI آن را در کنار verl نام برده است
موتور inference سریع؛ در RL مقیاس بزرگ تولید rollout بیشترین هزینه را دارد (Thinking Machines) و Scale AI آن را جزو پشتهٔ RL آورده است
زیرساخت و ابزارهای عمومی
اجرای محیط‌های RL در کانتینر و sandbox؛ Scale AI تجربهٔ عمیق با کانتینر و اجرای ایزوله را برای نقش RL Environments شرط کرده و Anthropic تجربه با Kubernetes را امتیاز می‌داند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ورود: RL Engineer تازه‌کار یا فلوشیپ پژوهشی
۰ تا ۲ سال
اجرای آزمایش، پیاده کردن الگوریتم‌های موجود و یافتن علت شکست runها. Skild AI می‌نویسد تیمش از فارغ‌التحصیلان تازه تا متخصصان را در بر می‌گیرد. راه دیگر فلوشیپ است: Anthropic Fellows در شاخهٔ ML Systems & RL چهار ماه پژوهش تمام‌وقت با منتور، هفته‌ای ۳٬۸۵۰ دلار و حدود ۱۵ هزار دلار در ماه بودجهٔ محاسبات می‌دهد و به گفتهٔ Anthropic «بدون توجه به تجربهٔ قبلی» پذیرش می‌کند.
RL Engineer
۲ تا ۵ سال
پیش بردن یک مسئلهٔ مشخص از تعریف تا استقرار: انتخاب observation و action، طراحی پاداش، ساختن محیط و انتقال سیاست به ربات یا مدل واقعی. Humanoid برای این سطح ۳+ سال ساختن سیستم یادگیری عمیق با مدل یا خروجی منتشرشده می‌خواهد و Agility برای عنوان Senior خود ۴+ سال تجربهٔ توسعه و استقرار سیاست RL در رباتیک.
Senior RL Engineer
۵+ سال
مالکیت زیرساخت آموزش و روش کار تیم. ANYbotics برای این سطح دکترا با تمرکز بر RL، یا کارشناسی ارشد با ۵+ سال تجربه می‌خواهد؛ مهندس ارشد باید منتور باشد، best practice تعریف کند و مشکلات میدانی ربات را با دادهٔ واقعی حل کند. Figure هم توان رهبری پروژه‌های پیچیدهٔ کنترل و منتورینگ مهندسان کم‌تجربه را شرط کرده است.
Staff / Principal
۸+ سال
تعیین جهت فنی برای چند تیم. Scale AI برای Staff Software Engineer, RL Environments ۸+ سال مهندسی نرم‌افزار می‌خواهد و می‌نویسد این شخص جهت فنی چند تیم را تعیین می‌کند و همچنان «بخش سخت» کد را خودش می‌نویسد. NVIDIA برای Senior Deep RL Engineer در خودروی خودران ۱۲+ سال تجربه شرط کرده است.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
Reward hacking
عمومیعامل راهی پیدا می‌کند که پاداش بگیرد بدون اینکه کار واقعی را انجام دهد. Scale AI می‌نویسد grader یک محیط RL باید «حتی وقتی ایجنت برای شکستنش خلاقیت به خرج می‌دهد» درست کار کند. چاره، ارزیابی جداگانه، بازبینی trajectoryها و مقاوم کردن مداوم پاداش است.
ناپایداری آموزش و debug دشوار
تحقیقاتیوقتی سیاست یاد نمی‌گیرد، علت می‌تواند الگوریتم، پاداش، محیط، باگ کد یا مشکل عددی باشد. Prime Intellect از مهندس می‌خواهد ابزار تشخیصی بسازد که runهای ناپایدار را قابل‌تکرار کند و مشکل الگوریتم را از مشکل پیاده‌سازی جدا کند؛ Cohere هم تشخیص ناپایداری و بهینه‌سازی بیش از حد پاداش را جزو کار آورده است.
فاصلهٔ شبیه‌سازی و واقعیت
عمومیسیاستی که در شبیه‌ساز عالی است روی ربات واقعی ممکن است شکست بخورد. Figure «شناسایی و بستن مهم‌ترین فاصله‌های sim-to-real» را جزو وظایف آورده و Helsing کسی را می‌خواهد که یک سیاست را «فراتر از شبیه‌سازی» تکرار و بهبود داده باشد.
هزینه و مقیاس محاسبات
شرکت بزرگRL در مدل‌های بزرگ بسیار پرهزینه است. پژوهش ScaleRL برای مطالعهٔ مقیاس‌دهی RL بیش از ۴۰۰ هزار GPU-hour مصرف کرد و Thinking Machines می‌نویسد تولید rollout بیشترین هزینهٔ RL در مقیاس بزرگ است. بدون دسترسی به محاسبات کافی، باید روی مسئله‌های کوچک‌تر و روش‌های کم‌هزینه‌تر تمرکز کرد.
ایمنی روی سخت‌افزار واقعی
استارتاپاشتباه سیاست روی ربات یا خودرو هزینهٔ واقعی دارد. Baseline Robotics متوقف کردن یا نجات دادن آزمایش با قیدهای ایمنی «پیش از آسیب دیدن سخت‌افزار» را جزو کار مهندس RL آورده و ANYbotics از مهندس ارشد می‌خواهد خطاهای میدانی را سریع تشخیص دهد و رفع کند.
بازار کوچک و عنوان‌های پراکنده
عمومیتعداد کارفرمایان محدود است و عنوان‌ها یکدست نیستند. طبق ITJobsWatch، در ۶ ماه منتهی به ۲۲ اکتبر ۲۰۲۶ فقط ۳۰ آگهی دائم در بریتانیا RL را ذکر کرده‌اند و سهم این آگهی‌ها از کل بازار نسبت به همین دورهٔ ۲۰۲۵ کم شده است. باید هم‌زمان عنوان‌های RL Engineer، Research Engineer (RL)، RL Environments و Robot Learning را دنبال کنید.
حقوق و بازار کار جهانی
حقوق جهانی مهندس یادگیری تقویت‌شده
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Figure AI posting, Reinforcement Learning Engineer, Whole Body Control (San Jose), posted Apr 8, 2026, still open Oct 2026: posted US base range; median = midpoint
- Cohere posting, MTS – Post-Training (Reinforcement Learning & Generalization), posted Oct 14, 2026: posted base range for Toronto/Montreal; median = midpoint
- ITJobsWatch UK, 6 months to 22 Oct 2026, permanent jobs citing Reinforcement Learning (20 salaries quoted): 25th–75th pct; median
- Baseline Robotics posting (LinkedIn), Member of Technical Staff, Reinforcement Learning (Zürich), Sep 2026: posted total compensation incl. stock options; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مبانی RL با Sutton و Barto
فصل‌های پایهٔ کتاب (MDP، dynamic programming، Monte Carlo، TD) را بخوانید و Q-learning را از صفر روی یک gridworld پیاده کنید. هم‌زمان ویدیوهای درس دیوید سیلور را ببینید.
ماه ۲: Deep RL مقدماتی
واحدهای دورهٔ Deep RL هاگینگ‌فیس دربارهٔ Q-learning، DQN و policy gradient را با تمرین‌هایش پیش ببرید.
ماه ۳: PPO از صفر
PPO را با کمک Spinning Up و کد CleanRL خودتان پیاده کنید و روی LunarLander با پیاده‌سازی Stable-Baselines3 مقایسه کنید.
ماه ۴: انتخاب مسیر
یکی را انتخاب کنید: رباتیک (Isaac Lab یا MuJoCo Playground) یا مدل زبانی (GRPO در TRL و محیط‌های verifiers). مستندات و مثال‌های همان ابزار را کامل اجرا کنید.
ماه ۵: یک پروژهٔ نمونه‌کار جدی
یکی از پروژه‌های بخش نمونه‌کار همین صفحه را در مسیر انتخابی بسازید و گزارشی بنویسید که طراحی پاداش، ablationها و شکست‌ها را هم نشان دهد.
ماه ۶: درخواست و مصاحبه
عنوان‌های درست را جست‌وجو کنید: در رباتیک Reinforcement Learning Engineer و Robot Learning، در آزمایشگاه‌ها Research Engineer (RL) و RL Environments. فلوشیپ‌هایی مثل Anthropic Fellows هم راه ورود دیگری‌اند.
پروژه‌های پیشنهادی برای رزومه
PPO از صفر روی Gymnasium
مبتدیPPO را خودتان بنویسید و روی CartPole و بعد LunarLander آموزش دهید. نتیجه را با پیاده‌سازی CleanRL یا Stable-Baselines3 مقایسه کنید و منحنی‌ها را با چند seed گزارش کنید. نوشتن اینکه کدام جزئیات پیاده‌سازی بیشترین اثر را داشت، از خود نمره مهم‌تر است.
سیاست راه رفتن یک ربات پادار در شبیه‌ساز
متوسطدر MuJoCo Playground یا Isaac Lab یک ربات چهارپا یا انسان‌نما را برای راه رفتن آموزش دهید. domain randomization و curriculum اضافه کنید و نشان دهید سیاست در برابر تغییر جرم، اصطکاک یا ناهمواری زمین چقدر مقاوم است. این همان مهارت‌هایی است که آگهی Figure نام برده است.
یک محیط RL با verifier برای ایجنت کدنویس
متوسطمجموعهای از تسک‌های کدنویسی بسازید که هر کدام با تست خودکار در یک کانتینر Docker نمره می‌گیرد. بعد عمداً سعی کنید grader خودتان را دور بزنید (مثلاً با تغییر تست‌ها) و آن را محکم کنید. Scale AI محیط RL را «نرم‌افزار واقعی» با graderی توصیف می‌کند که باید حتی وقتی ایجنت دنبال راه شکستنش است درست کار کند.
آموزش یک مدل زبانی کوچک با GRPO و پاداش قابل‌وارسی
پیشرفتهیک مدل زبانی کوچک متن‌باز را با GRPO در TRL روی مسئله‌های ریاضی با جواب قابل‌وارسی آموزش دهید. پاداش آموزش را کنار نتیجه روی یک مجموعهٔ ارزیابی جدا گزارش کنید تا معلوم شود مدل واقعاً یاد گرفته یا فقط پاداش را بالا برده است؛ Cohere ساختن ارزیابی‌های جداگانه برای سنجش تعمیم را از نقش RL خود می‌خواهد.
Contextual bandit برای توصیهٔ محصول
متوسطروی یک دیتاست عمومی از تعامل کاربران، یک contextual bandit بسازید که بین پیشنهادهای مطمئن و امتحان کردن گزینه‌های تازه تعادل برقرار کند. آن را با ارزیابی آفلاین روی داده‌های ثبت‌شده با یک سیاست سادهٔ پایه مقایسه کنید. آگهی Target برای سیستم‌های توصیه تجربه در طراحی و ارزیابی contextual bandit و RL را می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، در ۲۰۰۵ عضو تیم المپیاد فیزیک آمریکا بود و در ۲۰۱۰ کارشناسی فیزیک را از Caltech گرفت. دکترای مهندسی برق و علوم کامپیوتر را در UC Berkeley زیر نظر Pieter Abbeel گذراند و در دسامبر ۲۰۱۵، کمی پیش از پایان دکترا، از هم‌بنیان‌گذاران OpenAI شد.
در OpenAI تیم یادگیری تقویتی‌ای را رهبری کرد که ChatGPT را ساخت و طبق ویکی‌پدیا کارهای او روی TRPO و نسخهٔ توسعه‌یافته‌اش PPO از اجزای ChatGPT بودند. در اوت ۲۰۲۴ به Anthropic رفت تا، به گفتهٔ خودش، روی alignment و کار فنی دست‌اول تمرکز کند و در فوریهٔ ۲۰۲۵ به Thinking Machines Lab پیوست که در آن chief scientist است.
مقالهٔ PPO روش تازه را با این ادعا معرفی کرد که پیاده‌سازی‌اش از TRPO بسیار ساده‌تر است. از مسیر او پیداست که در RL، روشی که مهندسان بتوانند راحت پیاده و تنظیمش کنند، می‌تواند اثری بزرگ‌تر از روش پیچیده‌تر داشته باشد.
طبق ویکی‌پدیا، در ۱۹۹۷ از کالج Christ دانشگاه Cambridge فارغ‌التحصیل شد و بعد هم‌بنیان‌گذار و CTO استودیوی بازی‌سازی Elixir Studios بود. در ۲۰۰۴ برای دکترای یادگیری تقویتی به دانشگاه Alberta رفت و در ۲۰۰۹ فارغ‌التحصیل شد. از ۲۰۱۰ مشاور DeepMind بود، از ۲۰۱۳ تمام‌وقت به آن پیوست و تا ۲۰۲۶ پژوهش RL آن را رهبری کرد. استاد UCL هم هست.
پروژهٔ AlphaGo را رهبری کرد، نخستین برنامه‌ای که یک بازیکن حرفه‌ای تراز اول Go را در صفحهٔ کامل شکست داد. بعد AlphaZero را ساخت که فقط با بازی با خودش Go، شطرنج و shogi را یاد گرفت، و تیمش AlphaStar را ساخت که StarCraft II را در سطح حرفه‌ای بازی می‌کرد. در ۲۰۱۹ جایزهٔ ACM Prize in Computing را گرفت. در نوامبر ۲۰۲۵ استارتاپ Ineffable Intelligence را بنیان گذاشت، در ژانویهٔ ۲۰۲۶ از Google DeepMind جدا شد و در آوریل ۲۰۲۶ برای آن ۱٫۱ میلیارد دلار سرمایه جذب کرد.
او پیش از پژوهش، در صنعت بازی برنامه‌نویس و مدیر فنی بود و بعد به دکترا برگشت. مسیرش نشان می‌دهد تجربهٔ مهندسی در یک حوزهٔ کاربردی می‌تواند پایهٔ خوبی برای پژوهش عمیق در RL باشد، و درس‌های ضبط‌شدهٔ او هنوز یکی از نقطه‌های شروع رایگان این حوزه است.
طبق ویکی‌پدیا، در ۱۹۷۷ در Antwerp بلژیک به دنیا آمد و کارشناسی و کارشناسی ارشد مهندسی برق را در ۲۰۰۰ از KU Leuven گرفت. دکترای علوم کامپیوتر را در Stanford گذراند و نخستین دانشجوی دکترای Andrew Ng بود. پس از دکترا در ۲۰۰۸ استادیار Berkeley شد و آزمایشگاه Berkeley Robot Learning Lab را بنیان گذاشت.
بیشتر برای پژوهش در رباتیک و یادگیری ماشین، به‌ویژه یادگیری تقویتی عمیق، شناخته می‌شود. در ۲۰۱۷ با سه نفر از دانشجویانش Covariant را بنیان گذاشت. در اوت ۲۰۲۴ Amazon مدل‌های پایهٔ رباتیک Covariant را لایسنس کرد و بنیان‌گذارانش را استخدام کرد، و در دسامبر ۲۰۲۵ Abbeel مسئول کار روی مدل‌های زبانی بزرگ در سازمان AGI آمازون شد و کار رباتیک را هم ادامه داد. پادکست هفتگی The Robot Brains را هم اجرا می‌کند.
او استاد دانشگاه بوده، شرکت ساخته و حالا در یک شرکت بزرگ کار می‌کند و پژوهش رباتیک را در هر سه ادامه داده است. به نظر می‌رسد در RL رباتیک مرز دانشگاه و صنعت باز است و مهارت‌ها از یکی به دیگری منتقل می‌شوند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Reinforcement Learning Engineer, Whole Body Control
تحلیل نیازمندی‌ها
Strong background in dynamics and control, ideally of legged robots.
اولین شرط این آگهی ML نیست، کنترل است. باید دینامیک ربات و کنترل‌کننده‌ها را بفهمید، ترجیحاً برای ربات‌های پادار که تعادل و تماس با زمین در آن‌ها مسئلهٔ اصلی است. برای کسی که فقط از ML می‌آید، این بزرگ‌ترین شکاف است.
ضروریExperience with reinforcement learning algorithms for robotics: PPO, SAC, etc.
PPO و SAC دو الگوریتم رایج برای کنترل پیوسته‌اند. «تجربه» یعنی این الگوریتم‌ها را روی یک مسئلهٔ رباتیک، دست‌کم در شبیه‌ساز، آموزش داده و نتیجه گرفته باشید، نه فقط اینکه آن‌ها را بشناسید.
ضروریExperience tuning hyperparameters and cost functions for these RL algorithms.
رفتار سیاست به شدت به پاداش (یا هزینه) و hyperparameterها وابسته است. بخش بزرگی از کار روزانه همین تنظیم‌هاست؛ نمونه‌کاری که نشان دهد یک پاداش را چند بار تغییر داده‌اید و چرا، برای این خط ارزش دارد.
ضروریFamiliarity with common RL techniques such as: domain randomization, curriculum learning, reward shaping, etc.
domain randomization یعنی تغییر تصادفی ویژگی‌های شبیه‌ساز (مثل جرم یا اصطکاک) تا سیاست روی ربات واقعی هم کار کند. curriculum یعنی شروع از کار ساده و سخت‌تر کردن تدریجی آن، و reward shaping یعنی افزودن پاداش‌های کمکی تا یادگیری سریع‌تر شود.
مهمCapable of leading complex controls projects and mentoring junior engineers.
این خط نشان می‌دهد نقش برای مهندس باتجربه است، نه تازه‌کار: باید بتوانید یک پروژهٔ کنترل را رهبری کنید و به دیگران کمک کنید. بازهٔ حقوق پایهٔ اعلام‌شده هم بسیار باز است، از ۱۵۰ تا ۳۵۰ هزار دلار.
مهمExperience with behavior cloning techniques (e.g. distillation).
امتیاز اضافه است، نه شرط. behavior cloning یعنی یاد گرفتن رفتار از نمونه‌ها، و distillation یعنی منتقل کردن رفتار یک سیاست «معلم» به سیاستی دیگر، مثلاً سیاستی که فقط با داده‌های حسگر واقعی کار می‌کند.
مفیدتحلیل مسئولیت‌ها
Develop, train, and deploy reinforcement learning algorithms for whole body control.
کنترل کل بدن یعنی هماهنگ کردن پاها، تنه و دست‌ها با هم. کار تا استقرار روی ربات ادامه دارد، نه فقط آموزش در شبیه‌ساز.
Determine the observations, actions, and model types that unlock maximum performance.
تصمیم‌های طراحی پیش از آموزش: سیاست چه اطلاعاتی ببیند، چه نوع فرمانی بدهد و چه معماری‌ای داشته باشد. این انتخاب‌ها گاهی از خود الگوریتم مهم‌ترند.
Identify and close the most important sim-to-real gaps.
پیدا کردن جاهایی که شبیه‌ساز با ربات واقعی فرق دارد و رفع مهم‌ترین آن‌ها؛ هستهٔ کار RL رباتیک.
Define, test, and evaluate performance metrics for learned policies.
بالا رفتن پاداش کافی نیست. باید معیارهایی تعریف کنید که نشان دهند سیاست واقعاً خوب کار می‌کند و آن‌ها را بسنجید.
Harden the control stack to ensure rock solid robustness.
مقاوم کردن کل سامانهٔ کنترل تا در شرایط پیش‌بینی‌نشده هم ربات زمین نخورد؛ کاری مهندسی که بعد از رسیدن به یک نتیجهٔ خوب در آزمایش شروع می‌شود.
نتیجه‌گیری کلی
این آگهی، که در آوریل ۲۰۲۶ منتشر شد و در اکتبر ۲۰۲۶ همچنان باز بود، تصویر روشنی از عنوان دقیق «Reinforcement Learning Engineer» در بازار امروز می‌دهد: نیمی مهندس کنترل، نیمی متخصص RL، با تمرکز بر انتقال سیاست از شبیه‌ساز به ربات واقعی. حقوق پایهٔ اعلام‌شده ۱۵۰ تا ۳۵۰ هزار دلار است. نقش‌های RL در آزمایشگاه‌های مدل زبانی تصویر دیگری دارند: آگهی Research Engineer یادگیری تقویتی Anthropic بیشتر زیرساخت، محیط آموزش و کارایی سیستم می‌خواهد، مدرک یا مقاله را شرط نمی‌کند و بازهٔ ۵۰۰ تا ۸۵۰ هزار دلار اعلام کرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا دسته‌ای جداگانه برای یادگیری تقویتی ندارد. طبق پیش‌بینی BLS، نزدیک‌ترین گروه رسمی، «پژوهشگران کامپیوتر و اطلاعات» (Computer and Information Research Scientists) که رباتیک را یکی از تخصص‌هایش می‌شمارد، از ۲۰۲۵ تا ۲۰۳۵، ۲۲٪ رشد می‌کند، بسیار سریع‌تر از میانگین همهٔ مشاغل، و سالانه به‌طور میانگین حدود ۲٬۹۰۰ فرصت شغلی در آن پدید می‌آید.
منبع: BLS Occupational Outlook Handbook (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده در نظرسنجی «متخصصان AI و یادگیری ماشین» را سومین و «متخصصان خودروهای خودران و برقی» را هفتمین شغل در حال رشد سریع از ۲۰۲۵ تا ۲۰۳۰ (از نظر درصد) دانسته‌اند. ۵۸٪ کارفرمایان در همین گزارش انتظار دارند ربات‌ها و سیستم‌های خودمختار تا ۲۰۳۰ کسب‌وکارشان را دگرگون کنند.
BLS آمریکا رشد ۲۲٪ اشتغال پژوهشگران کامپیوتر و اطلاعات را از ۲۰۲۵ تا ۲۰۳۵ پیش‌بینی می‌کند و در توضیح آن می‌نویسد تخصص این پژوهشگران برای ساختن فناوری‌های تازهٔ مرتبط با هوش مصنوعی لازم خواهد بود.
بازار این شغل کوچک و متمرکز است. بخش بزرگی از نقش‌ها در چند آزمایشگاه مدل زبانی و چند شرکت رباتیک و خودروی خودران است و عنوان‌ها یکدست نیستند. طبق ITJobsWatch، در ۶ ماه منتهی به ۲۲ اکتبر ۲۰۲۶ تعداد آگهی‌های دائم بریتانیا که RL را ذکر کرده‌اند ۳۰ بود (همین دورهٔ ۲۰۲۵: ۲۴)، اما سهم آن‌ها از کل آگهی‌ها از ۰٫۰۴۹٪ به ۰٫۰۲۵٪ رسید. سطح انتظار هم بالاست: نقش‌های پژوهشی مثل Waymo و Voleon تحصیلات تکمیلی و سابقهٔ پژوهشی منتشرشده می‌خواهند و نقش‌هایی مثل Agility و ANYbotics تجربهٔ استقرار سیاست روی ربات واقعی. از سوی دیگر، آگهی‌های مهندسی RL در آزمایشگاه‌ها، مثل Anthropic، مدرک را شرط نمی‌کنند و سابقهٔ مهندسی نرم‌افزار در نقش‌های RL Environments و زیرساخت RL مستقیماً به کار می‌آید.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۴۷ منبع بررسی شده است.
- Reinforcement Learning Engineer, Whole Body Control — Figure AI (job posting)
- Research Engineer, Machine Learning (Reinforcement Learning), San Francisco / New York — Anthropic (job posting)
- Research Engineer, Machine Learning (Reinforcement Learning), London — Anthropic (job posting)
- Anthropic Fellows Program, ML Systems & Reinforcement Learning — Anthropic
- Senior AI Software Engineer, Reinforcement Learning — Agility Robotics (job posting)
- Reinforcement Learning Engineer — Dexmate (job posting)
- Reinforcement Learning Engineer - Manipulation — Humanoid (job posting)
- Senior Reinforcement Learning Engineer — ANYbotics (job posting)
- Staff Software Engineer, RL Environments — Scale AI (job posting)
- Research Engineer / Scientist - Reinforcement Learning — Prime Intellect (job posting)
- Senior Deep Reinforcement Learning Engineer - Autonomous Driving — NVIDIA (job posting, LinkedIn)
- Research Scientist, RL for Autonomous Planning & World Modeling — Waymo (job posting)
- RL Infra Engineer - Varsapura — HoYoverse (job posting)
- Lead Applied Data Scientist - Recommendations (Contextual Bandits, Reinforcement Learning) — Target (job posting, LinkedIn)
- Member of Research Staff, Reinforcement Learning, Voleon Securities — The Voleon Group (job posting)
- Member of Technical Staff - Post-Training (Reinforcement Learning & Generalization) — Cohere (job posting)
- Member of Technical Staff - RL Environments — Cohere (job posting)
- Research, RL Scaling — Thinking Machines Lab (job posting)
- RL Training Framework — SpaceXSI / xAI (job posting)
- AI Research Engineer - Reinforcement Learning — Helsing (job posting, LinkedIn)
- Member of Technical Staff, Reinforcement Learning — Baseline Robotics (job posting, LinkedIn)
- Machine Learning Engineer, Reinforcement Learning — Skild AI (job posting, LinkedIn)
- Research Scientist, Scaling RL — Periodic Labs (job posting)
- Senior Reinforcement Learning Engineer - Robotics — XPENG (job posting, LinkedIn)
- Research Engineer - Reinforcement Learning, Self-Driving — Applied Intuition (job posting, LinkedIn)
- LinkedIn — job search for "Reinforcement Learning Engineer" (United States)
- IT Jobs Watch — Reinforcement Learning, UK permanent jobs (6 months to 22 Oct 2026)
- ZipRecruiter — Reinforcement Learning Engineer Salary (US, Oct 22, 2026)
- BLS Occupational Outlook Handbook — Computer and Information Research Scientists
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- John Schulman — Wikipedia
- David Silver (computer scientist) — Wikipedia
- Pieter Abbeel — Wikipedia
- Richard S. Sutton — Wikipedia
- Proximal Policy Optimization Algorithms (Schulman et al., 2017) — arXiv
- Training language models to follow instructions with human feedback (Ouyang et al., 2022) — arXiv
- DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models (2024) — arXiv
- DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (2025) — arXiv
- Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning (Rudin et al., 2021) — arXiv
- The Art of Scaling Reinforcement Learning Compute for LLMs (2025) — arXiv
- Sutton & Barto — Reinforcement Learning: An Introduction (2nd ed.)
- Hugging Face Deep Reinforcement Learning Course
- Reinforcement Learning Specialization — University of Alberta (Coursera)
- CS 185/285 Deep Reinforcement Learning — UC Berkeley
- RLHF Book — Nathan Lambert
- google-deepmind/mujoco — GitHub
- Unity-Technologies/ml-agents — GitHub