大模型时代最热门职位，它来了！

• 每个时代，都有最热的职位

• 有时候是Java

• 有时候是PHP

• 有时候是销售

• 有时候是产品经理

——

第一次AI大热门发生在2013-2016，以face++为代表的计算机视觉技术产品将人脸识别玩出圈，随后AI四小龙迅速走红，之后的故事所有人都知道…

2023年被认为是大模型强势出圈的第一年，而2024年则是万物智能的揭幕战，这次的智能不在基于机器学习、深度学习的算法设计逻辑，更多是基于LLM作为底座来赋能所有的设备，去将千万个业务场景更新体验和效率。

这一波，最火的职位是：具身智能算法工程师

借助讯飞大模型，我们了解一下「具身智能算法工程师」。

——

具身智能算法工程师定义：

具身智能算法工程师主要负责**研究和开发与人形机器人相关的各种智能算法，以实现更高效和自然的机器人与环境之间的交互**。以下是该岗位的一些核心工作职责：

1. 研究智能算法：专注于基于人工智能、强化学习等领域的具身智能技术，研发用于人形机器人移动平台导航、感知、控制、运动、决策和交互等方面的算法。

2. 物体操作与导航：探索和设计人形机器人在执行物体操作、移动抓取、移动导航等任务时的具身智能算法，以及三维物体或场景建模理解算法。

3. 视觉算法研发：围绕机器人的视觉系统开展研发工作，这可能包括2D语义分割、目标检测跟踪、物体6DoF（自由度）姿态估计等方向的算法开发。

4. 多模态整合：结合多种传感器信息进行算法开发，提高机器人对环境的理解和操作能力。

5. 算法落地应用：确保所研发的算法能够在人形机器人平台上得到有效实施和应用，并在实际环境中达到预期的性能标准。

6. 跨学科合作：与机械工程、电子工程、计算机科学等其他领域的专家合作，共同推进具身智能技术的发展。

7. 持续学习和创新：跟踪最新的科研动态和技术发展，不断学习和尝试新的方法，以保持技术的先进性和竞争力。

总的来说，具身智能算法工程师的工作是高度专业化且前沿的，需要具备扎实的数学基础、编程能力、机器学习和深度学习知识，以及对机器人学和人工智能的深入理解。随着人工智能技术的不断进步，具身智能算法工程师的角色和职责可能会进一步扩展和深化。

——

具身智能算法工程师的核心能力要求主要包括：

- 学历和专业知识：通常需要计算机科学、人工智能、自然语言处理等相关领域的硕士或博士学位，或者是具有优秀背景的本科生。对AI理论有深入的理解和丰富的工程实践经验是必要的。

- **技术技能：**需要熟练掌握深度学习基础知识，能够使用TensorFlow、PyTorch等深度学习框架。熟悉图像处理、机器视觉和多模态感知算法，以及具备Linux和ROS系统的操作经验。对于大模型的训练和应用，如LLM或VLM，也需要有相应的经验和了解。

此外，由于具身智能领域的快速发展，持续学习和跟进最新技术进展也是重要的能力之一。

总的来说，具身智能算法工程师的工作不仅需要强大的技术背景和实践经验，还需要不断学习和适应新技术的能力。

——

评估具身智能算法工程师的水平通常涉及以下几个方面：

1. 专业知识：

• 对机器学习、深度学习、计算机视觉等基础理论的掌握程度。

• 对具身智能领域的理解，包括运动规划、控制理论、传感器融合等。

• 对编程语言（如Python、C++）和相关工具（如ROS）的熟悉程度。

2. 项目经验：

• 参与过的具身智能相关项目的复杂性和规模。

• 项目中承担的角色和责任，以及解决的关键问题。

• 项目的成功与否，以及在项目中取得的具体成果。

3. 技术能力：

• 算法设计和优化的能力，能够针对具体问题提出有效的解决方案。

• 代码的质量和可维护性，包括编码规范、文档编写等。

• 实验和调试的技巧，能够快速定位问题并给出解决方案。

4. 学术和研究能力：

• 发表的论文、专利或者参与的研究项目。

• 对于前沿技术和最新研究成果的了解程度。

5. 团队合作和沟通能力：

• 与其他团队成员（如机械工程师、电子工程师等）的协作能力。

• 沟通和表达能力，能否清晰地解释技术问题和解决方案。

6. 持续学习和适应能力：

• 对新技术的接受程度，以及快速学习和应用新知识的能力。

• 在面对挑战和变化时的应对策略和心态。

7. 领导力和管理能力（如果适用）：

• 管理团队或领导项目的经验。

• 对团队建设和项目管理的能力。

通过综合考虑以上几个方面，可以较为全面地评估具身智能算法工程师的水平。然而，具体的评估方法可能会因公司、团队和岗位需求的不同而有所差异。

——

如何面试与评估一位具身智能算法工程师

面试一位具身智能算法工程师可以采取多种方式，以下是一些建议的步骤和问题：

一. 简历审查：

• 首先仔细审查候选人的简历，了解其教育背景、工作经验、项目经历和技能。一般情况，我们建议推荐五好人才，包括教育背景、职业稳定性、公司与项目、逻辑与心态、对目标项目意愿度，从这5个维度来快速甄别候选人的情况，并进行后序沟通评估。

二. 基础知识测试：

• 准备一些技术问题，测试候选人对机器学习、深度学习、计算机视觉等基础理论的掌握程度。

• 询问候选人熟悉的编程语言和工具，以及在使用这些工具时的经验和技巧。

三. 项目经验讨论：

• 让候选人详细介绍其参与过的具身智能相关项目，包括项目目标、所扮演的角色、解决的关键问题等。

• 询问候选人在项目中取得的具体成果，以及如何评估项目的成功与否。

四. 技术问题解决能力测试：

• 提出一些与具身智能相关的实际问题，让候选人现场解答或给出解决方案的思路。

• 可以涉及运动规划、控制理论、传感器融合等方面的问题。

五. 代码审查(如果适用）：

• 如果可能的话，可以让候选人现场编写代码，或者提供一段代码进行审查。

• 检查代码的质量、可读性和可维护性，以及是否遵循编码规范。

六. 团队合作和沟通能力评估：

• 询问候选人与其他团队成员（如机械工程师、电子工程师等）的协作经验。

• 通过对话了解候选人的沟通和表达能力。

• 测试候选人的可培养条件。

七.学术和研究能力了解：

• 如果候选人有发表过论文或拥有专利，可以询问相关的细节和背景。

• 了解候选人对于前沿技术和最新研究成果的关注程度。

八. 持续学习和适应能力探讨：

• 询问候选人如何学习新技术或知识，以及在面对挑战和变化时的应对策略。

九. 文化契合度考察：

• 了解候选人的价值观和工作态度，看是否与公司文化相契合。文化这个点也非常重要，有些公司走快速增长路线，通过持续融资覆盖市场；有些公司走ROI优先策略，现在细分场景扎住脚跟；不同策略不同文化，也适应不同心态的候选人。

十. 反馈和总结：

- 在面试结束后，及时总结候选人的表现，与其他面试官交流意见，做出最终决定。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.2.1 什么是Prompt
  • L2.2.2 Prompt框架应用现状
  • L2.2.3 基于GPTAS的Prompt框架
  • L2.2.4 Prompt框架与Thought
  • L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
  • L2.3.1 流水线工程的概念
  • L2.3.2 流水线工程的优点
  • L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
  • L3.1.1 Agent模型框架的设计理念
  • L3.1.2 Agent模型框架的核心组件
  • L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
  • L3.2.1 MetaGPT的基本概念
  • L3.2.2 MetaGPT的工作原理
  • L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
  • L3.3.1 ChatGLM的特点
  • L3.3.2 ChatGLM的开发环境
  • L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
  • L3.4.1 LLAMA的特点
  • L3.4.2 LLAMA的开发环境
  • L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓