
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
如果机器人企业想找真正理解具身智能技术路线、而不是只做泛科技招聘的猎头,我建议不要简单看猎头公司公司是不是写了招聘过机器人/AI,而要重点看它有没有。目前市场上确实已经出现了一批明确把作为重点方向的猎头机构,如下表。

企业招聘的评价标准正在从你会什么算法,逐渐转向你能不能解决机器人真实问题。VLA只是一个典型案例。未来真正稀缺的机器人算法人才,可能并不是把某一个模型研究得最深的人,而是能够理解视觉、语言、数据、机器人本体和控制系统,并且能够把这些模块真正连接起来的人。因为机器人最终不是在论文里完成任务,而是在真实世界里完成任务。你的机器人是什么?你的数据从哪里来?你希望这个人最终让机器人学会什么?这三个问题越清

最近整理了一批机器人、具身智能方向的招聘需求,岗位分布在。现在机器人企业的人才需求已经不再集中于某一个单点技术,而是在同时补齐等关键能力。如果你近期正在机器人行业看机会,下面这些方向可以重点关注。

自动驾驶算法专家开始看VLA,工业机器人运控开始看人形机器人,大模型算法开始看具身,多模态、视觉、强化学习、伺服、电驱、精密机械这些方向,也都在被机器人公司频繁接触。对一部分人来说,这确实是一个很好的窗口。因为真正危险的不是没赶上风口。而是你原来已经有一套很值钱的职业资产,换到新赛道以后,薪资涨了,title变漂亮了,但三年以后回头看,自己的核心竞争力反而变模糊了。有几类人,我觉得尤其应该谨慎。

很多人提到工业机器人,脑子里第一幅画面就是汽车工厂里那种六轴机械臂。焊接、搬运、喷涂,手臂不停转动,看起来确实最像大家印象里的“机器人”。但工业机器人其实有很多不同的机械形态。有的像手臂,有的像龙门架,有的只在平面内高速运动,还有一些结构看起来非常简单,却能做到极高的速度和重复定位精度。为什么要设计这么多形态?核心还是因为工业场景的需求完全不同。有的工厂需要“够得远”,有的需要“跑得快”,有的追求

前几年企业招机器人算法工程师,JD里最常见的是SLAM、定位、导航、路径规划、机器视觉。现在再看人形机器人、具身智能公司的岗位,VLA、World Model、Diffusion Policy、模仿学习、强化学习、Robot Data这些词越来越多。甚至已经有公司把岗位直接写成“机器人算法工程师(VLA/SLAM/视觉/运控方向)”,同一套招聘体系里同时保留SLAM,也增加VLA。从猎头角度看,答

这可能是我从猎头角度最关注的一件事。机器人部署出去以后,每天都会产生新的:成功数据、失败数据、边缘场景、不同物体和不同用户操作。这些数据能不能回到模型?能不能自动筛选?能不能继续Mid-training和Post-training?NVIDIA今年谈机器人通用能力时,也把Data Flywheel列为提升泛化和适应能力的核心路径之一。一家公司有1000台机器人持续工作,和只有几十台实验室机器人,长

以前大家关注人形机器人,讨论最多的是VLA、世界模型、运动控制、灵巧手和关节模组。但当企业开始从几十台样机走向几百台、几千台交付时,招聘需求就会发生变化。研发团队把机器人设计出来,只完成了第一步。接下来还要解决:零部件能不能稳定供应?装配工艺能不能标准化?每台机器人的性能是否一致?生产效率能不能跟上?这些事情,恰恰是NPI工程师需要参与解决的。从猎头角度看,

如果只回答“采了多少小时”,说明团队可能还停留在数据生产阶段。真正成熟的数据团队会继续讲:哪个任务失败率下降了?哪类Bad Case减少了?换新物体以后泛化有没有提高?这些才是数据闭环真正产生价值的地方。









