포지션 상세
◆ Be a Plaifer, Grow with us!
플라잎(PLAIF)은 단순한 로봇 제조를 넘어, 로봇에 감각(Sensing)과 지능(Intelligence)을 부여하여 완전 자율형 로봇의 미래를 실현하고자 하는 AI 기반 로봇 기술 기업입니다.
우리는 "기술은 결국 사람을 위한 것이다"라는 신념 아래, 현실적인 문제를 하나씩 해결해 나가고 있습니다. 현재는 제조 현장의 자동화를 중점적으로 추진하고 있지만, 우리의 목표는 훨씬 더 넓은 영역에 있습니다.
제조를 넘어, 물류로, 서비스로, 그리고 결국 우리의 가정 속으로. 플라잎은 생산직 근로자의 안전한 미래, 기업과 소상공인의 풍요로운 미래, 그리고 가정의 여유로운 미래를 만들어가기 위해 노력합니다.
◆ Planning AI for the Better Future.
플라잎은 ‘완전한 자율형 로봇’을 위한 AI를 계획하고, 더 나은 삶과 미래를 만들어 나가는 것을 목표로 하고 있습니다.
혁신적인 비전과 가치를 공유하며, 변화를 주도할 수 있는 열정과 전문성을 가진 인재를 기다리고 있습니다.
[ Plaif, 더 알아보기 ]
• [유튜브] 세계 로봇 대회 우승자가 만든 AI 스타트업 : https://youtu.be/T8BtBuZzueI
• [유튜브] 플라잎 회사소개 : https://youtu.be/R_4SxMgKQ3c
• [유튜브] 플라잎 일상소개 : https://www.youtube.com/watch?v=MAVU-zsab1w&t=210s
• [기사] 플라잎, 산업부 'K-휴머노이드 연합'의 신규 참여기업으로 선정 : https://www.news1.kr/industry/general-industry/5879568
• [기사] 플라잎, 'AI 팩토리 전문기업' 선정… 조립·체결 특화 솔루션 경쟁력 강화 : https://www.etnews.com/20250822000056
• [기사] 레인보우로보틱스, 로봇 AI 스타트업 플라잎과 상생협력 MOU : https://bit.ly/edaily-news
[ Investment ]
• Futureplay / Mando / INTEK PLUS / KB Investment / 신용보증기금 / 산은캐피탈
[ 합류하게 될 팀에 대해 알려드려요 ]
• Physical AI 팀은 단순한 로봇 제어가 아니라, “로봇이 스스로 다양한 작업을 수행할 수 있는 지능”을 만드는 팀입니다. 현재는 조립/체결과 같은 정밀 작업을 중심으로 시작했지만, 물류 및 서비스 영역까지 확장 가능한 범용 로봇 지능을 구축하고 있습니다.
• Vision / Motion / SW 팀과 함께 perception planning control까지 이어지는 end-to-end 학습 기반 로봇 시스템을 직접 설계하고 구현합니다.
• 시뮬레이션에서 끝나는 것이 아니라, 실제 생산라인과 현장에서 모델이 실제로 동작하고 성과로 이어지는 경험을 하게 됩니다.
• 이 팀은 연구만 하는 조직이 아닙니다. 선행 연구부터 실제 양산 적용까지 모두 연결되는 구조 안에서, 본인이 만든 기술이 바로 고객 환경에 적용되는 것을 경험할 수 있습니다.
• 단일 task를 반복하는 것이 아니라, 조립 물류 서비스로 확장되는 과정에서 로봇 지능을 일반화하는 문제를 직접 풀어볼 수 있는 환경입니다.
• Physical AI Lead Engineer는 이러한 선행 연구(Research)와 제품화(Product)를 동시에 리딩하며, Physical AI 팀의 기술 방향을 정의하고 시스템 아키텍처 및 주요 기술 의사결정을 주도하는 역할을 수행하게 됩니다.
범용 로봇 지능을 위한 Physical AI 아키텍처 및 학습 구조를 설계합니다.
• Physical AI 아키텍처 설계
- 조립/체결뿐만 아니라 물류 및 서비스 작업까지 확장 가능한 범용 Physical AI 아키텍처 설계
- Vision-Language-Action (VLA) 기반 로봇 제어 구조 연구
- VLM, MLLM, Policy Transformer 등 대규모 사전학습 모델 활용
• 학습 기반 정책 및 일반화 구조 연구
- 강화학습(RL), 모방학습(IL), Foundation Model 기반 정책 학습 구조 연구
- 다양한 작업 환경(제조/물류/서비스)에서 일반화 가능한 Representation / Policy 구조 설계
- Sim2Real 전이 및 데이터 효율성 개선 연구
• 통합 로봇 지능 연구
- Manipulation뿐 아니라 grasping, picking, navigation, task sequencing 등 복합 작업을 포함한 통합 로봇 지능 연구
- 장기적으로 Task generalization 및 zero-shot 수행 가능성 확보
2. 제품화 ( Product / Deployment )
연구 결과를 실제 환경에 적용 가능한 시스템으로 구현하고 확장합니다.
• 시스템 설계 및 확장
- 조립/체결 작업을 중심으로 시작하여, 물류(피킹/이송) 및 서비스 작업까지 확장 가능한 시스템 설계
- 다양한 작업 유형에 빠르게 적용 가능한 공통 ML pipeline 구축
• 실환경 적용 및 성능 개선
- 실제 생산 및 물류 환경에서 정확도, 속도, 안정성 등 성능 개선
- Vision / Motion / SW 팀과 협업하여 end-to-end pipeline 구축
• 운영 효율화
- 작업별 fine-tuning 비용 최소화 및 적용 속도 개선
• Physical AI / Robotics Intelligence
- 로봇 manipulation 또는 control 관련 프로젝트 경험 (실환경 또는 시뮬레이션)
- MuJoCo, Isaac Gym 등 시뮬레이션 환경을 활용한 학습 및 검증 경험
- Sim2Real 문제를 경험해 본 분 (실제 로봇 적용 경험 또는 이에 준하는 경험)
- 강화학습(RL), 모방학습(IL), Policy Learning 중 하나 이상을 활용한 시스템 구현 경험
• Learning & System
- 머신러닝, 딥러닝, 강화학습 중 하나 이상의 분야에서 실무 경험 5년 이상
- PyTorch 또는 TensorFlow 기반 모델 설계 및 학습 경험
- 모델 단위가 아닌, 데이터 수집 학습 배포까지 이어지는 end-to-end ML pipeline 경험
• Leadership
- 팀 또는 프로젝트를 리딩하며 주도해 본 경험 (소규모라도 무관)
플라잎(PLAIF)은 단순한 로봇 제조를 넘어, 로봇에 감각(Sensing)과 지능(Intelligence)을 부여하여 완전 자율형 로봇의 미래를 실현하고자 하는 AI 기반 로봇 기술 기업입니다.
우리는 "기술은 결국 사람을 위한 것이다"라는 신념 아래, 현실적인 문제를 하나씩 해결해 나가고 있습니다. 현재는 제조 현장의 자동화를 중점적으로 추진하고 있지만, 우리의 목표는 훨씬 더 넓은 영역에 있습니다.
제조를 넘어, 물류로, 서비스로, 그리고 결국 우리의 가정 속으로. 플라잎은 생산직 근로자의 안전한 미래, 기업과 소상공인의 풍요로운 미래, 그리고 가정의 여유로운 미래를 만들어가기 위해 노력합니다.
◆ Planning AI for the Better Future.
플라잎은 ‘완전한 자율형 로봇’을 위한 AI를 계획하고, 더 나은 삶과 미래를 만들어 나가는 것을 목표로 하고 있습니다.
혁신적인 비전과 가치를 공유하며, 변화를 주도할 수 있는 열정과 전문성을 가진 인재를 기다리고 있습니다.
[ Plaif, 더 알아보기 ]
• [유튜브] 세계 로봇 대회 우승자가 만든 AI 스타트업 : https://youtu.be/T8BtBuZzueI
• [유튜브] 플라잎 회사소개 : https://youtu.be/R_4SxMgKQ3c
• [유튜브] 플라잎 일상소개 : https://www.youtube.com/watch?v=MAVU-zsab1w&t=210s
• [기사] 플라잎, 산업부 'K-휴머노이드 연합'의 신규 참여기업으로 선정 : https://www.news1.kr/industry/general-industry/5879568
• [기사] 플라잎, 'AI 팩토리 전문기업' 선정… 조립·체결 특화 솔루션 경쟁력 강화 : https://www.etnews.com/20250822000056
• [기사] 레인보우로보틱스, 로봇 AI 스타트업 플라잎과 상생협력 MOU : https://bit.ly/edaily-news
[ Investment ]
• Futureplay / Mando / INTEK PLUS / KB Investment / 신용보증기금 / 산은캐피탈
[ 합류하게 될 팀에 대해 알려드려요 ]
• Physical AI 팀은 단순한 로봇 제어가 아니라, “로봇이 스스로 다양한 작업을 수행할 수 있는 지능”을 만드는 팀입니다. 현재는 조립/체결과 같은 정밀 작업을 중심으로 시작했지만, 물류 및 서비스 영역까지 확장 가능한 범용 로봇 지능을 구축하고 있습니다.
• Vision / Motion / SW 팀과 함께 perception planning control까지 이어지는 end-to-end 학습 기반 로봇 시스템을 직접 설계하고 구현합니다.
• 시뮬레이션에서 끝나는 것이 아니라, 실제 생산라인과 현장에서 모델이 실제로 동작하고 성과로 이어지는 경험을 하게 됩니다.
• 이 팀은 연구만 하는 조직이 아닙니다. 선행 연구부터 실제 양산 적용까지 모두 연결되는 구조 안에서, 본인이 만든 기술이 바로 고객 환경에 적용되는 것을 경험할 수 있습니다.
• 단일 task를 반복하는 것이 아니라, 조립 물류 서비스로 확장되는 과정에서 로봇 지능을 일반화하는 문제를 직접 풀어볼 수 있는 환경입니다.
• Physical AI Lead Engineer는 이러한 선행 연구(Research)와 제품화(Product)를 동시에 리딩하며, Physical AI 팀의 기술 방향을 정의하고 시스템 아키텍처 및 주요 기술 의사결정을 주도하는 역할을 수행하게 됩니다.
주요업무
1. 선행연구 ( Research )범용 로봇 지능을 위한 Physical AI 아키텍처 및 학습 구조를 설계합니다.
• Physical AI 아키텍처 설계
- 조립/체결뿐만 아니라 물류 및 서비스 작업까지 확장 가능한 범용 Physical AI 아키텍처 설계
- Vision-Language-Action (VLA) 기반 로봇 제어 구조 연구
- VLM, MLLM, Policy Transformer 등 대규모 사전학습 모델 활용
• 학습 기반 정책 및 일반화 구조 연구
- 강화학습(RL), 모방학습(IL), Foundation Model 기반 정책 학습 구조 연구
- 다양한 작업 환경(제조/물류/서비스)에서 일반화 가능한 Representation / Policy 구조 설계
- Sim2Real 전이 및 데이터 효율성 개선 연구
• 통합 로봇 지능 연구
- Manipulation뿐 아니라 grasping, picking, navigation, task sequencing 등 복합 작업을 포함한 통합 로봇 지능 연구
- 장기적으로 Task generalization 및 zero-shot 수행 가능성 확보
2. 제품화 ( Product / Deployment )
연구 결과를 실제 환경에 적용 가능한 시스템으로 구현하고 확장합니다.
• 시스템 설계 및 확장
- 조립/체결 작업을 중심으로 시작하여, 물류(피킹/이송) 및 서비스 작업까지 확장 가능한 시스템 설계
- 다양한 작업 유형에 빠르게 적용 가능한 공통 ML pipeline 구축
• 실환경 적용 및 성능 개선
- 실제 생산 및 물류 환경에서 정확도, 속도, 안정성 등 성능 개선
- Vision / Motion / SW 팀과 협업하여 end-to-end pipeline 구축
• 운영 효율화
- 작업별 fine-tuning 비용 최소화 및 적용 속도 개선
자격요건
특정 task가 아닌, “로봇이 다양한 일을 하게 만드는 구조”를 설계하는 분을 찾습니다.• Physical AI / Robotics Intelligence
- 로봇 manipulation 또는 control 관련 프로젝트 경험 (실환경 또는 시뮬레이션)
- MuJoCo, Isaac Gym 등 시뮬레이션 환경을 활용한 학습 및 검증 경험
- Sim2Real 문제를 경험해 본 분 (실제 로봇 적용 경험 또는 이에 준하는 경험)
- 강화학습(RL), 모방학습(IL), Policy Learning 중 하나 이상을 활용한 시스템 구현 경험
• Learning & System
- 머신러닝, 딥러닝, 강화학습 중 하나 이상의 분야에서 실무 경험 5년 이상
- PyTorch 또는 TensorFlow 기반 모델 설계 및 학습 경험
- 모델 단위가 아닌, 데이터 수집 학습 배포까지 이어지는 end-to-end ML pipeline 경험
• Leadership
- 팀 또는 프로젝트를 리딩하며 주도해 본 경험 (소규모라도 무관)
