Research Engineer (Physical AI - Models and/or Robotics)

À propos de Hub

Basée à San Francisco, Hub (Y Combinator 2026) est une jeune entreprise spécialisée dans la collecte de données humaines et robotiques destinées à l’entraînement des robots. Sa croissance est parmi les plus rapides du secteur. Hub prévoit une levée de fonds en série A avant la fin de l’année et collabore déjà avec certains des laboratoires de robotique et d’intelligence artificielle les plus reconnus aux États-Unis.

Aujourd’hui, Hub se spécialise dans la collecte de données égocentriques issues du monde réel, à une échelle et à une vitesse qu’aucun laboratoire ne pourrait atteindre seul. L’identité de chaque contributeur est vérifiée (KYC), et chaque contribution est soumise à plusieurs niveaux de contrôle qualité avant d’être transmise à un client.

À terme, Hub ambitionne de devenir un acteur incontournable du déploiement robotique à grande échelle et de contribuer à rendre les données dédiées à la physical AI accessibles. Notre projet d’API généralisée vise à démocratiser l’accès à ces données, afin que tous les laboratoires puissent entraîner leurs modèles à la fois sur des données humaines et, surtout, sur des données robotiques.

C’est dans cette perspective que Hub ouvre Hub Labs, son laboratoire de recherche basé à Toulouse, en France. Grâce à un volume important de données variées, collectées directement à la source par ses contributeurs, un accès dont aucun autre laboratoire académique ne dispose, le Lab entend soutenir, par la recherche, le déploiement futur de la flotte de robots Hub.

Ses ingénieurs construisent l’infrastructure nécessaire pour transformer rapidement et à grande échelle des idées en résultats, puis convertir ces résultats en données exploitables par les équipes qui entraînent les modèles de demain.

Le poste

Les chercheurs décident quoi tester. Vous faites en sorte que ça tourne : à grande échelle, de façon fiable et vite. Vous construisez l'ossature technique du lab et vous faites le lien entre la recherche, notre pipeline de données et le matériel de notre lab à Toulouse.

Vos missions

• Construire et faire tourner la stack d'entraînement du lab : entraînement multi-GPU et multi-nœuds, suivi des expériences, harnais d'évaluation, et budget de calcul.
• Préparer les jeux de données de recherche, de nos enregistrements multi-caméras bruts à des datasets propres et versionnés, et produire des données de simulation quand il le faut.
• Reproduire des papiers rapidement, pour que l'équipe sache en quelques jours si une idée tient sur nos données.
• Mener les expériences de bout en bout avec les chercheurs : concevoir les runs, repérer les bugs qui faussent un résultat sans que personne ne le voie, et dire ce que les chiffres montrent et ne montrent pas.
• Amener les modèles dans le monde réel : notre lab de téléopération, nos cellules robotiques et notre matériel de capture.
• Publier du code, des jeux de données et des modèles reproductibles, et co-signer les papiers que vous rendez possibles.
• Transformer les résultats du lab en outils pour le reste de Hub, comme un modèle de pose des mains ou de profondeur dans notre pipeline de données.

Profil recherché

• Un diplôme d'ingénieur ou un master d'un programme de premier plan. Pour les candidats français, une grande école ; le master MVA est un signal fort. Un doctorat est un plus, pas une obligation.
• 2 ans ou plus comme ingénieur de recherche ou ingénieur ML dans une équipe où implémenter des papiers fait partie du métier. Les profils juniors exceptionnels sont les bienvenus.
• Très bon niveau en Python et PyTorch, à l'aise sur des clusters GPU (Linux, Slurm ou Kubernetes, Docker). JAX est un plus.
• Vous avez entraîné de grands modèles et vous savez ce qui casse : chargement des données, entraînement distribué, précision mixte, checkpoints, évaluation.
• Vous savez transformer un papier en code qui marche, et vous repérez un résultat trop beau pour être vrai.
• Une expertise dans au moins un de ces sujets : entraînement distribué et optimisation de l'inférence ; simulation (MuJoCo, Isaac ou d'autres moteurs physiques) ; logiciel robotique (ROS, capteurs, calibration) ; vidéo et données 3D à grande échelle.
• Vous aimez rendre le travail des autres plus rapide, et les chercheurs aiment travailler avec vous.
• Anglais courant, à l'écrit comme à l'oral. Les entretiens se déroulent en anglais.

Atouts

• Co-auteur de papiers dans de grandes conférences ML ou robotique.
• Des contributions open source, ou un profil Hugging Face avec des modèles ou des datasets.
• Du matériel robotique ou du déploiement embarqué : quantification, ONNX, TensorRT.
• Vidéo égocentrique, profondeur, pose des mains, IMU.

Stack

• PyTorch, JAX, CUDA, entraînement multi-GPU sur H100, Hugging Face.
• Vidéo multi-flux avec profondeur et IMU, synchronisée et calibrée au niveau matériel, livrée aux formats MCAP et LeRobot.
• Postgres, S3 et Kubernetes côté données.
• Simulateurs et logiciels robotiques selon les besoins de la recherche.

Pourquoi Hub Labs

• Des données qu'aucun labo académique ne possède, et une équipe qui en collecte davantage quand la recherche le demande.
• Une place de fondateur : vous choisissez les outils et vous posez les standards d'ingénierie du lab.
• Publication et open source par défaut, avec des règles claires sur ce qui reste privé, posées avant votre arrivée.
• Votre travail arrive directement chez les plus grands labs d'IA et de robotique, sous forme de données, de modèles et de benchmarks qu'ils utilisent.
• Une entreprise de San Francisco avec un lab de recherche à Toulouse, et une équipe entre San Francisco, São Paulo et Toulouse.

Ce que nous offrons

• Un package compétitif.
• Des stock-options.
• Votre propre budget de calcul, et des déplacements en conférence.

Processus de recrutement

1. Une courte candidature lue par l'équipe. Nous ouvrons d'abord votre GitHub et votre Hugging Face.
2. Un premier échange sur vous, Hub Labs et le poste.
3. Un entretien technique avec l'un de nos ingénieurs ML.
4. Un exercice de reproduction : reproduire un résultat récent sur de vraies données de notre pipeline, sur quelques jours. Nous regardons comment vous découpez le problème et comment vous vérifiez votre propre travail.
5. Un dernier échange avec la direction du lab et un fondateur.
6. Une réponse sous 48 heures après le dernier échange.

Comment postuler

Envoyez une courte candidature, avec vos propres mots :

• Votre CV
• Le système que vous avez construit ou le résultat que vous avez reproduit dont vous êtes le plus fier
• Vos liens GitHub et Hugging Face
• L'histoire derrière