{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI安全与隐私研究员",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "ICT BG,终端BG,2012实验室,数字能源BU,质量与流程IT部,半导体业务部,智能汽车解决方案BU",
        "location": "苏州/济南/东莞/南京/西安/杭州/成都/武汉/北京/长沙/上海/深圳",
        "work_mode": "未披露",AI生成
        "job_category": "研发类"AI生成
    },
    "company": {
        "company_name": "华为",
        "company_industry": "信息通信技术 / 智能终端 / 云计算",
        "company_size": "10000人以上",
        "company_website": "huawei.com",
        "company_description": "华为提供通信网络、企业网络、智能终端、云服务、数字能源和智能汽车解决方案。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "AI模型与Infra安全\n1、可证鲁棒性（Certifiable Robustness）： 研究针对大模型及多模态模型的对抗攻击防御理论，开发具备数学证明保证的防御算法，提升模型对抗扰动和恶意投毒的免疫力；\n2、模型资产与隐私保全： 研究模型反向工程、成员推理攻击的防御机制；探索轻量化同态加密、安全多方计算（MPC）在超大规模模型推理中的应用；\n3、计算平台受信任执行： 研究基于 TEE（如 Intel TDX, ARM TrustZone）的机密计算架构，确保模型权重在异构算力集群中处理时不被窃取或篡改；\n4、自动化漏洞发现理论： 开发针对深度学习框架（如 PyTorch/TensorFlow 核心库）和推理引擎的自动化安全审计工具及模糊测试（Fuzzing）理论。\n\nAI应用安全\n1、Agent 决策一致性与对齐研究： 研究如何通过强化学习（RLHF/DPO）或构造新型损失函数，确保 Agent 在执行复杂长链路任务时，其行为逻辑始终符合人类伦理与预设安全基线；\n2、多智能体对抗博弈： 探索多 Agent 协作环境下的安全风险，研究智能体之间是否存在潜在的“共谋”绕过安全机制，并设计去中心化的安全审计机制；\n3、形式化验证与逻辑安全： 尝试利用形式化方法（Formal Methods）验证 Agent 动作空间的安全性，将模糊的语言指令转化为可数学证明的逻辑约束；\n4、动态隐私追踪技术： 研究在 Agent 频繁调用外部工具、跨应用传输数据时，如何实现细粒度的隐私数据动态追踪与策略强制执行。",
        "requirements_text": "AI模型与Infra安全\n教育背景：信息安全、数学、密码学或系统架构方向，在 USENIX Security, IEEE S&P (Oakland), ACM CCS, NDSS 等安全顶会有突破性成果。\n底层攻防造诣：深入理解模型参数存储机制、序列化协议安全及计算图编译优化过程中的安全风险。\n数学能力：具备极强的数学建模能力，精通概率论、线性代数及复杂性理论。\n跨界思维：能够将传统的系统安全思想（如隔离、最小权限原则）与现代深度学习架构深度融合。\n\nAI应用安全\n教育背景：计算机科学、人工智能或相关方向，在 ACL, EMNLP, NeurIPS, ICLR 等顶会有高质量论文发表。\n深厚理论背景：深入理解强化学习、博弈论或控制论在 AI 安全中的应用。\n创新能力：能够从 0 到 1 提出解决“黑盒攻击”或“间接注入”的防御架构，而非仅仅依赖现有的过滤规则。\n视野：对 AGI 时代的对齐问题（Superalignment）有深刻见解。",
        "skills": [AI生成
            "深度学习",
            "强化学习",
            "系统架构",
            "建模"
        ],
        "preferred_qualifications": "未披露",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://career.huawei.com/cn/job-details?advertisementId=36572"
            }
        ]
    },
    "posting": {
        "posting_id": "36572",
        "post_date": "",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://career.huawei.com/cn/job-details?advertisementId=36572"
    },
    "fulltext": "AI安全与隐私研究员\n岗位方向：AI模型与Infra安全\n部门：智能汽车解决方案BU质量运营与流程IT部,质量与流程IT部,无线终端芯片业务部,图灵业务部,研发工程、IT装备与安全技术院,基础软件院,数据存储产品线,数据通信产品线,服务与软件研发管理部,云核心网产品线,无线网络研发部,云软件研发部,公共开发部,终端BG软件部,终端BG硬件工程与产品开发管理部,终端云服务部,终端云服务小艺业务部,数字能源研发管理部,智能汽车解决方案BU研发管理部\n地点：深圳/上海/东莞/北京/武汉/西安/苏州/杭州/南京/成都/长沙/济南\n岗位职责\n1、可证鲁棒性（Certifiable Robustness）： 研究针对大模型及多模态模型的对抗攻击防御理论，开发具备数学证明保证的防御算法，提升模型对抗扰动和恶意投毒的免疫力；\n2、模型资产与隐私保全： 研究模型反向工程、成员推理攻击的防御机制；探索轻量化同态加密、安全多方计算（MPC）在超大规模模型推理中的应用；\n3、计算平台受信任执行： 研究基于 TEE（如 Intel TDX, ARM TrustZone）的机密计算架构，确保模型权重在异构算力集群中处理时不被窃取或篡改；\n4、自动化漏洞发现理论： 开发针对深度学习框架（如 PyTorch/TensorFlow 核心库）和推理引擎的自动化安全审计工具及模糊测试（Fuzzing）理论。\n岗位要求\n教育背景：信息安全、数学、密码学或系统架构方向，在 USENIX Security, IEEE S&P (Oakland), ACM CCS, NDSS 等安全顶会有突破性成果。\n底层攻防造诣：深入理解模型参数存储机制、序列化协议安全及计算图编译优化过程中的安全风险。\n数学能力：具备极强的数学建模能力，精通概率论、线性代数及复杂性理论。\n跨界思维：能够将传统的系统安全思想（如隔离、最小权限原则）与现代深度学习架构深度融合。\n\n岗位方向：AI应用安全\n部门：质量与流程IT部,上海海思研发部,无线终端芯片业务部,研发工程、IT装备与安全技术院,基础软件院,数据存储产品线,数据通信产品线,服务与软件研发管理部,云核心网产品线,无线网络研发部,云软件研发部,光产品线,公共开发部,终端BG软件部,终端云服务部,终端云服务小艺业务部,数字能源研发管理部,智能汽车解决方案BU研发管理部\n地点：深圳/东莞/北京/武汉/西安/苏州/杭州/上海/南京/成都/长沙/济南\n岗位职责\n1、Agent 决策一致性与对齐研究： 研究如何通过强化学习（RLHF/DPO）或构造新型损失函数，确保 Agent 在执行复杂长链路任务时，其行为逻辑始终符合人类伦理与预设安全基线；\n2、多智能体对抗博弈： 探索多 Agent 协作环境下的安全风险，研究智能体之间是否存在潜在的“共谋”绕过安全机制，并设计去中心化的安全审计机制；\n3、形式化验证与逻辑安全： 尝试利用形式化方法（Formal Methods）验证 Agent 动作空间的安全性，将模糊的语言指令转化为可数学证明的逻辑约束；\n4、动态隐私追踪技术： 研究在 Agent 频繁调用外部工具、跨应用传输数据时，如何实现细粒度的隐私数据动态追踪与策略强制执行。\n岗位要求\n教育背景：计算机科学、人工智能或相关方向，在 ACL, EMNLP, NeurIPS, ICLR 等顶会有高质量论文发表。\n深厚理论背景：深入理解强化学习、博弈论或控制论在 AI 安全中的应用。\n创新能力：能够从 0 到 1 提出解决“黑盒攻击”或“间接注入”的防御架构，而非仅仅依赖现有的过滤规则。\n视野：对 AGI 时代的对齐问题（Superalignment）有深刻见解。\nAI模型与Infra安全\n1、可证鲁棒性（Certifiable Robustness）： 研究针对大模型及多模态模型的对抗攻击防御理论，开发具备数学证明保证的防御算法，提升模型对抗扰动和恶意投毒的免疫力；\n2、模型资产与隐私保全： 研究模型反向工程、成员推理攻击的防御机制；探索轻量化同态加密、安全多方计算（MPC）在超大规模模型推理中的应用；\n3、计算平台受信任执行： 研究基于 TEE（如 Intel TDX, ARM TrustZone）的机密计算架构，确保模型权重在异构算力集群中处理时不被窃取或篡改；\n4、自动化漏洞发现理论： 开发针对深度学习框架（如 PyTorch/TensorFlow 核心库）和推理引擎的自动化安全审计工具及模糊测试（Fuzzing）理论。\n\nAI应用安全\n1、Agent 决策一致性与对齐研究： 研究如何通过强化学习（RLHF/DPO）或构造新型损失函数，确保 Agent 在执行复杂长链路任务时，其行为逻辑始终符合人类伦理与预设安全基线；\n2、多智能体对抗博弈： 探索多 Agent 协作环境下的安全风险，研究智能体之间是否存在潜在的“共谋”绕过安全机制，并设计去中心化的安全审计机制；\n3、形式化验证与逻辑安全： 尝试利用形式化方法（Formal Methods）验证 Agent 动作空间的安全性，将模糊的语言指令转化为可数学证明的逻辑约束；\n4、动态隐私追踪技术： 研究在 Agent 频繁调用外部工具、跨应用传输数据时，如何实现细粒度的隐私数据动态追踪与策略强制执行。\nAI模型与Infra安全\n教育背景：信息安全、数学、密码学或系统架构方向，在 USENIX Security, IEEE S&P (Oakland), ACM CCS, NDSS 等安全顶会有突破性成果。\n底层攻防造诣：深入理解模型参数存储机制、序列化协议安全及计算图编译优化过程中的安全风险。\n数学能力：具备极强的数学建模能力，精通概率论、线性代数及复杂性理论。\n跨界思维：能够将传统的系统安全思想（如隔离、最小权限原则）与现代深度学习架构深度融合。\n\nAI应用安全\n教育背景：计算机科学、人工智能或相关方向，在 ACL, EMNLP, NeurIPS, ICLR 等顶会有高质量论文发表。\n深厚理论背景：深入理解强化学习、博弈论或控制论在 AI 安全中的应用。\n创新能力：能够从 0 到 1 提出解决“黑盒攻击”或“间接注入”的防御架构，而非仅仅依赖现有的过滤规则。\n视野：对 AGI 时代的对齐问题（Superalignment）有深刻见解。",
    "standard_classification": {
        "std_category_code": null,
        "std_aux_codes": [],
        "std_category_status": "多岗位拼接",
        "std_taxonomy_version": "20261104"
    }
}