Principal Research Scientist – Vision AI, Simulation & Physical AI

О позиции

Centific — это frontier AI data foundry, создающая высококачественные данные для развития безопасного масштабного ИИ. Физическая AI-лаборатория Centific работает над следующим поколением воплощённого интеллекта на стыке многомодальных фундаментальных моделей, симуляции, агентного ИИ и реальной робототехники. Наша миссия — переход от восприятия и рассуждения к надёжным действиям в реальном мире для использования в безопасности, промышленности, здравоохранении, автономных системах и умной инфраструктуре.

Чем заниматься

• Ведущие исследования в области многомодальных фундаментальных моделей, world models, embodied AI и агентного ИИ
• Разработка подходов для восприятия, временного рассуждения, пространственного интеллекта, понимания аффордансов, автономных решений и sim2real переноса
• Развитие возможностей робототехники: ловкая манипуляция, взаимодействие с контактами, бирукая координация, выполнение задач длинной длительности, навигация в динамической среде
• Участие в построении крупномасштабных моделей: многомодальное предобучение, распределённое обучение, тонкая настройка, дистилляция и оценка
• Формирование исследований для автономного вождения и мобильной автономии: понимание сцен, многомодальный сенсорный reasoning, планирование-aware восприятие
• Интеграция исследований с платформами симуляции и цифровых двойников: Isaac Sim, Isaac Lab, MuJoCo, Omniverse
• Установление строгих бенчмарков и воспроизводимых фреймворков оценки для робастности, безопасности, обобщения
• Наставничество PhD-стажёров и инженеров, формирование культуры исследований

Что ждут

• Ph.D. в Computer Science, Robotics, Machine Learning, Computer Vision или смежной области
• Сильная публикационная запись в топовых конференциях: CVPR, ICCV, ECCV, NeurIPS, ICLR, ICML, CoRL, RSS
• 5+ лет опыта исследований в академии, индустрии или продвинутых R&D средах
• Демонстрированный опыт создания или продвижения крупномасштабных фундаментальных моделей
• Глубокая экспертиза в PyTorch и/или JAX, GPU training, distributed experimentation
• Доказанная способность вести амбициозные технические программы и наставлять младших исследователей

Будет плюсом

• Публикации или патенты в multimodal foundation models, Dexterous robotics, autonomous driving
• Опыт в Vision AI: perception, tracking, grounding, 3D scene understanding, video understanding, sensor fusion
• Ознакомление с агентными системами ИИ, tool-using agents, planning frameworks, memory-based architectures
• Опыт работы с Isaac Sim, MuJoCo, OpenUSD/Omniverse, Open3D, PyTorch3D, NeRF/3DGS
• Знакомство с imitation learning, reinforcement learning, planning, MPC, control, teleoperation data pipelines
• Опыт с Ray, Kubernetes, Triton, TensorRT, Docker, W&B
• Бэкграунд в trustworthy AI, robotics safety, evaluation, explainability

Условия

• Определение направления исследований в Physical AI с публикацией передовой науки
• Менторство следующего поколения исследователей
• Видимое влияние науки на реальные системы и продукты
• Работа с технологическим стеком последнего поколения
• Команда из 150+ PhD и 4,000+ AI practitioners
• Возможность перехода от теорий к deployable systems
• Конкурентный пакет компенсаций ($200,000–300,000/год + бонусы)

Навыки

• PyTorch
• JAX
• Computer Vision
• Multimodal AI
• Robotics
• Reinforcement Learning
• Simulation
• Imitation Learning
• World Models
• Large Language Models
• Hugging Face
• Distributed Training
• GPU Computing
• Isaac Sim
• MuJoCo
• Omniverse
• Open3D
• Ray
• Kubernetes
• Docker
• TensorRT

Могут спросить на собеседовании

1. Расскажите о вашем самом значимом вкладе в архитектуру или метод обучения модели в области компьютерного зрения или робототехники.
2. Как вы подходите к оценке robustness и generalization в ваших исследованиях? Какие метрики используете?
3. Опишите ваш опыт интеграции симуляции с реальным миром (sim2real transfer). С какими проблемами сталкивались?
4. Как вы организовывали менторство и развитие младших исследователей в вашей команде? Пример успешной стратегии.
5. Приведите пример проекта, где вы работали с multimodal models. Какие архитектурные решения выбрали и почему?