06
AI 研究工程師是演算法邊界的「開拓者」：將研究問題轉成實驗，並在模型與系統之間尋找突破。
你每天真正會在解決什麼問題？
工作的核心不是只看職稱，而是理解這個角色如何把模糊問題轉成可以被處理的工作。
READ
追蹤前沿研究
研讀 NeurIPS、ICML、CVPR 與 arXiv 的最新論文。
REPRODUCE
重現研究結果
實作與微調開源的前沿模型，確認方法是否成立。
INVENT
探索演算法突破
針對公司業務在模型演算法層面尋找新的解法。
SCALE
執行大規模實驗
在 GPU 叢集上進行預訓練與對齊優化。
先把這幾件事練到能用。
PyTorch
能從模型、Loss 到訓練流程進行實驗與調整。
必備深度學習演算法
理解模型架構、優化方法與實驗設計。
核心數學與機率
用數學語言理解方法假設與模型限制。
核心Linux / GPU
在實驗環境中管理資源並讀懂訓練紀錄。
加分一天的節奏，比職稱更誠實。
一個普通的工作日DAILY RHYTHM
閱讀論文
閱讀關於大型語言模型量化的新研究。
執行實驗
寫自定義 Loss，並在 GPU 叢集提交訓練任務。
分析結果
比較超參數對困惑度與模型品質的影響。
這條路不只通往一個終點。
先建立這個角色的基本功，再依照你更喜歡的問題，往管理、產品或更深的數據技術前進。
AI 研究工程師建立研究與實驗基本功
資深研究員主導模型與論文方向
Principal Scientist定義 AI 實驗室的研究路線
看懂角色之後，面試會考什麼？
不同角色的面試形式差異很大，提早知道每一關在測試什麼，準備才有方向。
SCREEN
履歷 / 研究方向電話篩選
確認你重現或延伸過的論文深度，以及對研究方向的興趣是否契合。
TEST
深度學習程式測驗
現場實作或除錯一段模型程式碼，測試對訓練細節的掌握度。
ONSITE
論文報告與研究方法白板
講解你重現過的論文、遇到的坑，以及如何設計實驗排除干擾變因。
FINAL
研究方向面談
與研究主管討論長期研究方向是否契合，以及對算力資源的期待。
作品集怎麼準備
準備至少一篇你重現或延伸過的論文成果（附程式碼與簡短報告），比起模型指標，更該說明你怎麼設計實驗排除干擾變因。
常見的落選原因
- 只列出讀過的論文清單，卻沒有實際重現或延伸過任何一篇
- 對於為什麼選擇某個超參數或架構說不出實驗依據
- 忽略計算資源限制，設計出不可行的實驗方案
AI 研究工程師把「還不知道能不能做到」的問題，變成可以被實驗驗證的答案。
