研究科学家／AI 工程实习生 — 时序智能

我们的使命

世界始终在变化。关键在于理解观测背后的动态，预测其演变，并决定下一步行动。

我们希望构建时序超级智能：从海量观测中学习，理解时序动态，预测未来结果，并在不确定性下推理决策的 AI 系统。

我们的目标是推动 AI 超越静态模式识别，使系统能够回答：正在发生什么？为什么发生？接下来会发生什么？我们应如何行动？

你将参与的工作

作为实习生，你将负责一个聚焦的研究或工程项目，并与研究和工程团队紧密合作。根据你的背景，你可能参与：

• 扩展时序基础模型。 协助在向 10T+ 观测规模扩展的数据集上训练和评估基础模型，研究模型、数据与算力规模如何影响预测表现。
• 多模态时序建模。 开发结合文本、时间序列、表格、事件及其他结构化信号的模型，用于预测与解释。
• 智能体预测。 构建能够分解预测问题、检索相关信息、调用预测模型与工具、推理不确定性并综合答案的智能体。
• 基础模型训练与适配。 探索时序与多模态基础模型的预训练、后训练、微调与适配方法。
• 因果与反事实推理。 研究如何通过因果发现、因果推断与反事实推理改善预测和决策。
• 高效推理。 改进模型服务与推理流水线，为大规模数据集和大量预测任务提供可扩展、低延迟的预测。
• 研究与评估。 设计实验与基准，理解时序模型的优势、失败场景，以及如何提升其泛化能力与可靠性。

我们期待的能力

• 正在攻读计算机科学、应用数学、统计学、电子工程、机器学习或相关领域的学士、硕士或博士学位。
• 扎实理解机器学习与深度学习基础。
• 具有 PyTorch 实践经验和较强的 Python 编程能力。
• 至少具备以下一个方向的经验：
  • 时间序列预测或表征学习
  • LLM 与基础模型
  • 预训练或后训练
  • 多模态学习
  • 因果发现或因果推断
  • AI 智能体系统
  • 大规模 ML 系统
• 能够独立实现研究想法、设计实验、分析结果并快速迭代。
• 对时间、动态、预测、因果与决策充满好奇。

加分项

• 具有训练或微调 LLM、时序基础模型或其他大规模模型的经验。
• 具有处理大规模时间序列或表格数据集的经验。
• 具有分布式训练、GPU 集群、高效推理或 ML 系统优化经验。
• 具有构建涉及工具调用、检索、规划、代码执行或模型编排的 AI 智能体的实践经验。
• 具有预测、时序建模、因果学习、多模态学习或生成式建模的研究经验。
• 在 NeurIPS、ICML、ICLR、KDD、AAAI、AISTATS 等相关会议发表过论文，或有实质性的开源贡献。

论文是加分项，并非必要条件。我们更看重你理解难题、构建系统、开展严谨实验和快速学习的能力。

你将获得什么

你将研究基础模型、时间序列、多模态 AI、因果学习与智能体系统交叉领域的问题。

这段实习将围绕与核心研究相关的实际问题展开。 你将聚焦与核心模型和基础设施相关的问题，有机会参与研究、开源系统和生产模型的建设。

今天的基础模型十分擅长理解已有的文字。我们希望构建能够理解接下来会发生什么的模型。