蔚来
校招提前批-车载 AI 智能体安全评估工程师
上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- AI 模型深度理解 ：精通 PyTorch / TensorFlow，深入理解目标检测、语义分割、BEV 感知、轨迹预测、端到端规划、LLM/VLM 等主流车载 AI 架构的原理与失效模式。
- 安全评估方法论 ：熟悉对抗攻击（FGSM/PGD/C&W/物理对抗）、OOD 检测、不确定性量化（MC Dropout/Deep Ensembles/Conformal Prediction）、模型可解释性（Grad-CAM/Attention Map）等 AI 安全评估技术。
- 场景生成与测试能力 ：了解基于生成式 AI 的场景生成方法（扩散模型生成图像/点云、LLM 生成逻辑场景、NeRF 重建 corner case），有仿真测试（CARLA/CarSim/VTD）经验者优先。
- 数据驱动的分析能力 ：熟练使用 Python 进行大规模数据分析与可视化，具备统计建模与实验设计能力。
岗位描述
- 1. 车载 AI 智能体安全评估体系构建
- - 针对已上车/即将上车的 智能辅助驾驶 Agent（感知-预测-规划）、智能座舱 Agent（语音-视觉-多模态交互）、智能控制 Agent（底盘-动力-热管理） ，建立分层分级的安全评估框架。
- - 定义各 Agent 的安全评估维度：功能正确性、OOD 鲁棒性、对抗鲁棒性、不确定性量化、安全边界退化趋势等。
- 2. 利用生成式 AI（扩散模型、LLM、NeRF 等） 自动生成安全关键测试场景 ，覆盖长尾 corner case、对抗样本、传感器失效、环境极端变化等高风险工况。
- 3. 设计 安全代理指标（Safety Proxy Metrics） ，在无法穷举测试的情况下，用统计方法推断模型的安全上界。
- 4. 设计 车载 AI 运行时安全监测方案 ：基于模型输出的置信度分布漂移检测、OOD 检测、对抗攻击检测等。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。