Robotics Applied Research Lead

Robotics Applied Research Lead создаёт и возглавляет направление ИИ-исследований и разработки в Humanoid.

Вы решаете, какими задачами в области данных для Physical AI мы занимаемся, определяете, как мы их проверяем, и остаётесь непосредственно вовлечены в самую важную техническую работу. Вы объединяете четыре направления, которые часто существуют отдельно:

• Мультимодальные и воплощённые (embodied) данные
• Модели на основе Transformer и влияние данных на политики роботов
• Строгая оценка политик как офлайн, так и в реальных условиях
• Развёртывание моделей в экосистеме данных

Это роль «играющего тренера». В первый год не менее половины вашего времени занимает непосредственная техническая работа: проектирование моделей и экспериментов, проверка или написание кода, изучение данных, отладка обучения, разбор сбоев и анализ запусков роботов (rollouts).

Вы также построите небольшую команду исследователей и инженеров. Добавляйте людей только тогда, когда этого требует работа.

• Задавать техническое направление: определить сфокусированную дорожную карту исследований и разработки. Выбрать небольшое число наиболее ценных ставок с чёткими гипотезами, базовыми уровнями (baselines), этапами и критериями остановки. Решать, что мы создаём сами, что адаптируем, лицензируем или получаем через партнёров. Отказываться от работы, для которой больше нет веских оснований. Вероятный круг задач включает vision-language-action модели, мультимодальные Transformers, фундаментальные модели для роботов, представление действий, имитационное обучение и обучение с подкреплением, world models, перенос между разными воплощениями (cross-embodiment transfer), data-efficient адаптацию и оценку политик роботов.
• Отвечать за исследования и разработку на основе Transformer: проектировать, адаптировать, обучать и оценивать системы на основе Transformer для задач воплощённого ИИ. Самостоятельно принимать решения по архитектуре и обучению. Начинать с сильных существующих моделей и baselines. Обучать с нуля только тогда, когда данные подтверждают оправданность затрат. Создавать или проверять критически важный код.
• Связывать модели со стратегией данных: определить, какие данные нужны для обучения и оценки выбранных моделей. Задать сенсоры, модальности, разметку, составы смесей данных и контроль качества. Измерять влияние качества, разнообразия и состава данных на поведение модели. Различать объём данных и ценность данных. Вы задаёте технические требования к данным; вы не управляете штатом разметчиков и не руководите полевым сбором данных.
• Отвечать за оценку: создать системы офлайн-оценки и оценки в реальных условиях, baselines, отложенные условия (held-out conditions) и критерии выпуска (release gates). Защищаться от утечек данных, переобучения и слабых определений успеха. Сопоставлять офлайн-метрики с результатами на реальных роботах. Один лишь результат на бенчмарке не является успешным итогом. Оценка должна помогать принимать решение.
• Переносить работу на физические системы: вести проекты от постановки задачи через обучение и интеграцию с оборудованием до тестирования в реальных условиях. Разрабатывать безопасные планы испытаний и поэтапное развёртывание. Анализировать сбои на уровне данных, восприятия, модели, управления, оборудования и окружающей среды. Проверять существенные утверждения на физических системах.
• Построить небольшую техническую команду: нанять нескольких взаимодополняющих исследователей и инженеров. Проводить обзоры архитектуры, экспериментов, кода и сбоев. Сохранять фокус команды на проверенных результатах, а не на количестве статей, «театре бенчмарков» или численности сотрудников.
• Представлять направление и отвечать за ответственную разработку: объяснять стратегию клиентам, партнёрам и инвесторам. Превращать потребности клиентов в проверяемые технические требования. Чётко обозначать неопределённость и ограничения. Определять ограничения безопасности, надзор и пути отката для физических испытаний. Требовать воспроизводимых доказательств, прежде чем делать заявления о возможностях или безопасности.

• Глубокая непосредственная экспертиза в Transformer: это обязательное требование. Вы должны лично принимать существенные решения по архитектуре или обучению в одной или нескольких крупных системах на основе Transformer, например vision Transformers, VLMs, VLAs, мультимодальных фундаментальных моделях, Decision Transformers, diffusion Transformers, video Transformers, world models или основанных на Transformer системах восприятия, планирования или управления. Вы должны уметь подробно объяснить, как вы представляли входные и выходные данные, токенизировали данные, объединяли модальности, структурировали внимание и временной контекст, выбирали функции потерь, формировали смесь данных, распределяли и отслеживали обучение, диагностировали сбои, а также что именно вы лично изменили и почему это повлияло на качество выполнения задачи. Использование API размещённых моделей, промптинг языковых моделей или запуск неизменённого публичного рецепта обучения этому требованию не соответствует.
• Опыт в Physical AI или воплощённых системах: вы работали с машинным обучением для системы, которая воспринимает физический мир или действует в нём: робототехника, беспилотные автомобили, дроны, промышленная автоматизация, манипуляция, мобильные роботы, человекоподобные роботы, носимые или эгоцентрические системы и подобное. Как минимум один крупный проект вышел за рамки офлайн-набора данных и дошёл до реальной или действующей физической системы. Опыта только в симуляции недостаточно, если вы также не отвечали за убедительный перенос из симуляции в реальность (sim-to-real) и физическую валидацию.
• Практические технические навыки: вы пишете и проверяете качественный код на Python. Вы напрямую работаете с PyTorch или эквивалентным фреймворком. Вы можете разбираться в незнакомом коде моделей и обучения, проектировать и отлаживать эксперименты, изучать сбои и трассы запусков (rollout traces), работать с большими мультимодальными наборами данных и принимать обоснованные решения по вычислительным ресурсам, памяти, задержке и стоимости.
• Техническое лидерство: вы задавали направление важной технической работы: исследовательской или инженерной группы, крупной программы по моделям или робототехнике либо кросс-функционального проекта, за который вы отвечали. Вы нанимали или наставляли исследователей или инженеров, принимали решения по архитектуре и ресурсам, останавливали слабую работу и доводили результат до развёртывания. Управленческая должность не требуется. Требуется непосредственная ответственность.
• Оценка, коммуникация и суждение: вы проектируете отложенные тесты (held-out tests), проводите контролируемые сравнения, находите утечки и искажающие факторы (confounds) и сообщаете результаты с учётом соответствующей неопределённости. Вы отделяете доказательства от убеждений, указываете, что остаётся неизвестным, и сводите широкие исследовательские вопросы к проверяемой работе.
• Сильное предпочтение — Computer Vision: нам особенно интересны кандидаты, которые сочетают глубокую экспертизу в архитектурах Transformer с сильным опытом в компьютерном зрении. Релевантный опыт может включать обучение визуальных представлений, vision-language models (VLMs), моделирование видео и временных зависимостей, обнаружение объектов, сегментацию, трекинг, многоракурсное и эгоцентрическое зрение, 3D и пространственные рассуждения, оценку позы, калибровку, локализацию, сенсорное слияние (sensor fusion) или системы технического зрения реального времени.
• Образование: степень PhD в области машинного обучения, компьютерного зрения, робототехники, computer science или смежной области ценится, но не обязательна. Достаточно равноценного опыта оригинальной работы с моделями, технического лидерства и внедрения в реальных системах. Для нас важнее, что именно вы лично спроектировали, обучили, протестировали и развернули, чем конкретная степень или количество лет опыта.

• Техническая экспертиза: опыт работы с VLA или фундаментальными моделями для роботов, генерацией действий, diffusion- или flow-matching-политиками, имитационным обучением, обучением с подкреплением, world models, роботизированной манипуляцией, обучением с переносом между воплощениями (cross-embodiment), переносом sim-to-real, распределённым обучением, ROS 2 или системами, критичными для безопасности.
• Дополнительный опыт: научные публикации, вклад в open-source, опыт работы в компаниях ранней стадии или непосредственное сотрудничество с техническими клиентами и исследовательскими партнёрами.

• Конкурентный equity: опционы на акции со значительным потенциалом роста по мере масштабирования компании.
• Более 30 оплачиваемых выходных дней, включая 23 дня ежегодного отпуска, все государственные праздники Великобритании (UK bank holidays) и дополнительные дни закрытия компании (включая закрытие между Рождеством и Новым годом).
• Частная медицинская страховка, включая виртуальную и очную помощь.
• Пенсионная программа с общим взносом 8% (5% сотрудник, 3% работодатель) от полного заработка.
• Бесплатный ежедневный завтрак, обеды от кейтеринга и закуски в офисе.
• Работа на переднем крае — ежедневное сотрудничество с инженерами, исследователями и продуктовыми экспертами мирового уровня, создающими следующее поколение ИИ и человекоподобной робототехники.
• Реальная ответственность — прямой доступ к основателям и руководству, значимое влияние на развитие продукта и возможность вести ключевые инициативы с первого дня.