勃勃OC
2个月前
高考600分以下的最好出路、唯一铁饭碗,就是学EE。 中国未来一个最大产业趋势,就是用整整一代人的财政和市场作为代价,彻底解决半导体国产自主可控的问题,解决芯片上下游卡脖的问题。 这不是一个产业盈利和外贸的问题,这首先是国家战略安全、产业安全、信息安全问题,是国家安全问题, 所以必须用国家战略级别的手段和魄力,用市场准入、补贴、地方财政和国家产业大基金一起滋滋孵化、国产红线、各大互联网厂商认购订单、国企央企强制采购等等方式, 扶持半导体制造和高端半导体设计整条产业链,彻彻底底、完完全全扶持一整套国产半导体产业。 除了半导体以外,还有一大批外围其他小众领域核心硬科技产业,比如医疗器械、船舶、航空航天(国产山寨SpaceX、starlink)等等,都是未来中国各级地方基金、国务院各产业部门扶持的热点项目。 对于高考600分以下的小朋友,如果不爱编程、不想学编程、甚至不爱学习的人而言, 选个EE(电子、信息、通信、集成电路、自动化、电气、光电)专业,毕业进入这些行业,混吃等死一辈子, 愿意学习的,考个211,读个本硕博,踏踏实实死磕VLSI,毕业进华为海思、寒武纪、摩尔线程、瑞芯微、紫光展锐等等半导体设计公司,或者大疆、比亚迪、小米这些消费电子和新能源汽车, 不愿意学习的,普通垃圾一本毕业,考个垃圾一本硕士,找个中芯国际、新凯来、鹏芯微、长江长鑫等等半导体制造,年薪30万也能混吃等死一辈子, 再不愿意学习的,读个三本电子专业,进个单片机、智能手环、山寨无人机公司,当个销售工程师、售后工程师、测试工程师, 哪怕大学一门课都没听,但必须至少懂一丁丁技术,只要能正确区分示波器和微波炉,能看得懂PLC的梯形图,能分得清仪器上的红灯绿灯,知道电线电容电阻焊锡不能咽下去,智商高于75, 你就可以有一个月薪1.5万、混吃等死大半辈子的工作。 虽然学了EE,基本上跟科技互联网和AI的机会彻底告别绝缘(哪怕进了华为海思做ascend 910 series,但是你依然觉得自己跟LLM六小虎不在一个层面), 但是至少比学个垃圾材料环境、数学物理化学、学个人文社科经管垃圾三本毕业(就业率<20%),出路要强太多了。 EE这个行业,不需要你喜欢,不需要你爹妈懂,因为高考不到600分的人,也他妈别谈什么“我喜欢什么行业”、“我从小梦想学什么专业”了, 这个分数段的人,能保证一辈子有碗饭吃、一辈子在一个被江浙沪广东地方财政扶持、擦边进入国产强制半导体和仪器设备采购名录、一辈子能让你混吃等死的半导体企业, 已经是这一代人当今时代最大的福报了。
Y11
2个月前
高端招聘:阿里达摩院招行为策略算法工程师(P7-P9) ----- 达摩院-行为策略算法工程师-具身智能 阿里集团 · 杭州 职位描述 参与具身智能机器人行为动作能力研发,包括但不限于:; 1. BFM 核心算法研发:参与构建和优化基于 forward-backward representation / successor feature 的无监督强化学习框架; 研究多任务行为潜空间学习(Behavioral Latent Space Learning),支持 reward / goal / motion 条件的统一控制策略; 探索 zero-shot / few-shot 任务泛化、latent-space tuning、自适应控制、硬件本体泛化等前沿方向; 2. 模仿学习与对比学习方法研究:基于 MoCap / tele-operation / 视频数据进行动作模仿、风格迁移与示范融合; 研究示范正则化(demonstration regularization)、分布匹配与判别器奖励(discriminator-based reward)机制; 3. 强化学习策略训练与评测:在 Mujoco / Isaac Gym / OmniIsaacLab 等环境中实现大规模并行训练; 优化 off-policy / unsupervised RL 算法的稳定性与样本效率; 构建 sim-to-real pipeline(包括 domain randomization、latent adaptation); 4. 策略-模型集成与系统验证:将训练好的策略集成到实际机器人平台(humanoid / mobile manipulator)中进行评测; 分析策略潜空间的语义结构及可解释性; 职位要求 必备背景:计算机、自动化、人工智能、机器学习、机器人学等相关专业,硕士及以上学历; 在强化学习、模仿学习、多任务策略学习或世界模型等方向有项目或论文经验; 技术能力要求:熟悉强化学习算法实现(SAC、TD; 3、PPO、DDPG、DIAYN、Dreamer、Diffusion Policy 等任意一类); 熟悉模仿学习 / 行为克隆 / 逆强化学习 等行为建模方法; 有独立实现或改进 RL / IL 训练框架的经验(PyTorch / JAX); 熟悉仿真平台(Mujoco / Isaac Gym / Bullet / Brax 等); 能阅读英文论文并复现研究结果; 加分项:参与过具身智能 / humanoid / manipulation 相关研究或比赛; 具备 forward-backward representation / successor feature / latent RL / world model 相关经验; 熟悉 transformer / diffusion / representation learning 在控制领域的应用; 有强化学习在真实机器人上部署的经验; ------ 报名地址详见: 搜索。