● Develop efficient and reliable game AI solutions based on actual business requirements, explore the application and implementation of deep learning/reinforcement learning technology in game AI, including:

○ Multi-Agent Reinforcement learning: train reinforcement AI agents in competitive or cooperative games, design new algorithms to improve the efficiency and effectiveness of multi-agent learning;

○ Imitation Learning: train imitation learning AI agents with different styles using human gameplay data;

○ GAIL: train reinforcement learning AI agents in games with limited human gameplay data as support, design algorithms to improve strength and humanization of the agent.

● Follow the latest research publication in academia or industry and have an efficient implementation.

● Communicate with other groups within our organization, explore pioneer game AI design techniques and generation approaches to improve end players' game experience.

Qualifications:

● PhD degree in computer science, operations research, mathematics, or related fields.

● Distinguished work (including but not limited to published papers, industrial projects, etc.) in related fields, and experience in both game AI and reinforcement learning.

● Experience in the following deep reinforcement learning fields: Model-Free RL, Imitation Learning and Inverse Reinforcement Learning, Multi-Agent Learning, Exploration, Transfer and Multitask RL, Hierarchy RL.

● Proficient in at least one programming language, familiar with deep learning platforms such as TensorFlow, Caffe, PyTorch, etc.

● Excellent analytical and problem-solving skills, passionate about solving challenging problems.

● Positive stress tolerance ability; good understanding of business intentions.

Preferred:

● Experience with LLM based agents.

● Applicants with strong research ability and publications in top AI conferences (NIPS, IJCAI, AAAI, ICML, ICLR, etc.).

● Passionate about the gaming industry, experience in game AI.

● Excellent communication and collaboration skills.

#LI-RL1