类脑通用智能研究员

Job description

岗位目标

我们聚焦的核心，是补齐通用人工智能走向“科学智能”

的关键能力缺口

让大模型从擅长语言与模式拟合，走向对科学概念、因果结构与推导规则的更深层理解。 类脑人工智能 是一条实现通用人工智能的重要方法路径——我们将以大脑的关键功能机理为启发（记忆、注意、学习、推理、规划与自我校正等），抽象为可训练、可扩展、可验证的新算法与新架构，推动模型具备更持续的内在表征、更稳健的推理能力与更强的自我驱动探索特性。同时，这些新算法可以迁移到具身机器人，工业机器人和self-driving lab中与复杂物理系统的感知—决策—控制中，形成可验证、可部署的“通用大脑”。

你将负责（Responsibilities）

A.

类脑通用智能算法（以下为可选研究方向） 类脑机理启发的新算法研究

借鉴大脑关键机制（记忆、注意、学习、推理、规划、自我校正），并探索新的 类皮层计算/表征机制 与 类脑奖惩（价值/强化）机制 ，抽象为可训练、可扩展、可验证的新算法与新架构，提升模型的长期表征稳定性、推理可靠性与自驱探索能力。

先进记忆系统设计

从短期工作记忆到长期语义/情景记忆；记忆写入/检索/巩固机制；可控遗忘与抗干扰；面向长程推理的记忆-注意力协同。

全新 self-attention 训练架构

探索超越标准 Transformer 的 attention 机制（可学习稀疏、递归/循环、层级路由、状态空间/混合结构等），并解决大规模训练稳定性、可扩展性与推理效率。 world model & next-thought predictor ：构建可用于科学推理与决策的世界模型与“下一步思维预测器”，支持反事实、因果约束、可验证推演链。

新的 value function 与 objective function

为“推理正确性 + 物理一致性 + 可验证性 + 任务成功率”设计可学习的 value function；构造能驱动模型自检、自我修正、自主提出实验/验证步骤的训练目标。 或者B.

具身智能落地（将类脑算法用在机器人上）

将类脑新算法迁移到具身系统：融合大模型与感知、控制、强化学习（VLA/IL/Offline RL/MPC 等），实现任务理解→规划→执行闭环。

面向Self-Driving Lab（自动化实验室）机器人

支持实验任务编排、仪器操作、自动化测量与数据闭环，推动“提出假设—设计实验—执行验证—迭代优化”的高频科研循环。

面向工业机器人与智能制造系统

在复杂工况下实现稳健的感知、决策与控制，覆盖柔性装配、检测、搬运、分拣、产线协同等场景，并满足安全、实时性与可靠性要求。

建立仿真+真机数据闭环与评测体系

轨迹采集、失败挖掘、Sim2Real、鲁棒性/安全约束、实时性与成本评估，形成可复用框架与持续迭代能力。

对外学术与开源影响力（明确交付）

围绕核心算法与系统成果，形成高质量研究产出与论文写作，在顶级会议/期刊发表，并推动必要的开源/技术报告输出（在合规前提下） 必备要求（Must-have）： 扎实的 ML 基础与研究能力：能独立提出假设、设计实验、做严谨消融与对比。

在以下至少一个方向做深

类脑人工智能算法/world model / planning / memory / attention 机制 / RL（含 offline RL）/ 控制。

明确具备“原创算法/架构开发能力”

能从问题抽象出新的结构、value/objective、训练范式，并证明可扩展性。 良好工程复现与系统落地能力（研究不是停在 paper 结论，要能跑在真实系统上）。

加分项（Nice-to-have）

有顶会顶刊 publication record：NeurIPS / ICLR / ICML / ACL / EMNLP / Nature Machine Intelligence / Nature / Science（或同等级）。 神经科学或认知科学（Cognitive Science）相关学历背景，或具备大脑机制/认知建模/类脑计算方向的研究经验。 机器学习/人工智能方向博士学位（PhD）（或同等深度的研究训练与成果） 熟悉机器人/仿真/控制栈（ROS、Isaac、Mujoco 等任一），或有真实机器人项目经验。 做过可验证学习、程序/符号验证、定理证明、单位一致性/物理约束检查等与“可靠推理”相关工作。 对“把抽象物理设想快速压到现实世界检验”的文化高度认同。