[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-2027-ai-ml-internship-jobs-daily-zh":3,"article-related-2027-ai-ml-internship-jobs-daily-zh":32,"series-tools-194cb6f2-9263-4fe4-93f5-20f44ca1bdeb":77},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":24,"views":28,"created_at":29,"published_at":30,"topic_cluster_id":31},"194cb6f2-9263-4fe4-93f5-20f44ca1bdeb","2027-ai-ml-internship-jobs-daily-zh","2027 AI\u002FML 實習職缺每天更新","\u003Cp data-speakable=\"summary\">這個 \u003Ca href=\"\u002Ftag\u002Fgithub\">GitHub\u003C\u002Fa> repo 每天整理 2027 年 AI\u002FML 實習與新鮮人職缺，讓學生用一份清單\u003Ca href=\"\u002Fnews\u002Fkimi-api-quickstart-k27-code-highspeed-zh\">快速\u003C\u002Fa>找工作。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fspeedyapply\u002F2027-AI-College-Jobs\" target=\"_blank\" rel=\"noopener\">speedyapply\u002F2027-AI-College-Jobs\u003C\u002Fa> 不是普通收藏夾。它把 AI、\u003Ca href=\"\u002Ftag\u002Fmachine-learning\">machine learning\u003C\u002Fa>、data science 職缺做成活頁式清單。README 寫得很直接，每天更新，還優先收錄 120 天內的新職缺。\u003C\u002Fp>\u003Cp>這份清單的數字很扎實。美國實習 194 筆，美國新鮮人 215 筆，國際實習 323 筆，國際新鮮人 257 筆。合計 989 筆，對學生來說，這比一個個翻公司職缺頁面省事太多。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>分類\u003C\u002Fth>\u003Cth>職缺數\u003C\u002Fth>\u003Cth>說明\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>美國實習\u003C\u002Ftd>\u003Ctd>194\u003C\u002Ftd>\u003Ctd>分成 FAANG+、Quant、Other\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>美國新鮮人\u003C\u002Ftd>\u003Ctd>215\u003C\u002Ftd>\u003Ctd>同樣分三類\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>國際實習\u003C\u002Ftd>\u003Ctd>323\u003C\u002Ftd>\u003Ctd>全球職缺同樣整理\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>國際新鮮人\u003C\u002Ftd>\u003Ctd>257\u003C\u002Ftd>\u003Ctd>偏向入門全職\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Repo 熱度\u003C\u002Ftd>\u003Ctd>5,816\u003C\u002Ftd>\u003Ctd>GitHub stars\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>這份 repo 到底在做什麼\u003C\u002Fh2>\u003Cp>它的功能很單純。把學生會投的 AI\u002FML 職缺集中起來，並且每天更新。這種設計很務實，因為求職網站最怕過期，過期資訊只會浪費時間。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784192579088-va17.png\" alt=\"2027 AI\u002FML 實習職缺每天更新\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>清單分成四個主軸。美國實習、美國新鮮人、國際實習、國際新鮮人。這樣看起來很像基本功，但實際上很有用，因為你一眼就知道這份職缺是給學生、剛畢業的人，還是偏正式職位。\u003C\u002Fp>\u003Cp>repo 也另外指向 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fspeedyapply\u002F2027-SWE-College-Jobs\" target=\"_blank\" rel=\"noopener\">speedyapply\u002F2027-SWE-College-Jobs\u003C\u002Fa>。這很貼近真實求職情境。很多學生同時投 AI 與軟體工程，分開整理才不會把資料攪成一鍋粥。\u003C\u002Fp>\u003Cul>\u003Cli>每天更新\u003C\u002Fli>\u003Cli>優先 120 天內職缺\u003C\u002Fli>\u003Cli>依地區與職涯階段分類\u003C\u002Fli>\u003Cli>包含 FAANG+、Quant、Other\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>學生為什麼會盯上這份清單\u003C\u002Fh2>\u003Cp>原因很簡單，就是省時間。學生不想每天重刷 \u003Ca href=\"https:\u002F\u002Fcareers.google.com\u002Fjobs\u002Fresults\u002F\" target=\"_blank\" rel=\"noopener\">Google\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.metacareers.com\u002Fjobs\" target=\"_blank\" rel=\"noopener\">Meta\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fcareers\" target=\"_blank\" rel=\"noopener\">Microsoft\u003C\u002Fa> 的職缺頁。那種做法太慢，也太容易錯過截止日期。\u003C\u002Fp>\u003Cp>這份清單還整理了部分薪資。這點很實際，因為學生在投遞前就能先看市場價格。以 README snapshot 來看，Meta research scientist internship 是每小時 50 美元，TikTok applied scientist internship 是每小時 60 美元，\u003Ca href=\"\u002Ftag\u002Fnvidia\">NVIDIA\u003C\u002Fa> research internship 是每小時 62 美元。\u003C\u002Fp>\u003Cblockquote>“The best source of information is your own experiment.” — Andrew Ng\u003C\u002Fblockquote>\u003Cp>這句話放在這裡很貼切。求職本來就是一場實驗。你投哪些公司、哪種職缺會回信、哪種履歷版本比較有效，最後都要靠自己的資料來驗證。\u003C\u002Fp>\u003Ch2>數字透露了什麼市場訊號\u003C\u002Fh2>\u003Cp>薪資區間差距很明顯。Meta 列出的 research intern 是每小時 50 美元，\u003Ca href=\"\u002Ftag\u002Fmicrosoft\">Microsoft\u003C\u002Fa> 是 52 美元，TikTok 的 applied scientist 和 AI software engineer intern 是 60 美元，Netflix 的 AI\u002FML scientist intern 則到 63 美元。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784192583766-8orq.png\" alt=\"2027 AI\u002FML 實習職缺每天更新\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這代表什麼很清楚。研究型 AI 職缺，尤其是偏 PhD 或深度研究背景的角色，常常比一般軟體實習開得更高。差異也不只在公司，還在團隊、地點、學歷要求。\u003C\u002Fp>\u003Cul>\u003Cli>Meta：50 美元\u002F小時\u003C\u002Fli>\u003Cli>Microsoft：52 美元\u002F小時\u003C\u002Fli>\u003Cli>TikTok：60 美元\u002F小時\u003C\u002Fli>\u003Cli>NVIDIA：62 美元\u002F小時\u003C\u002Fli>\u003Cli>Netflix：63 美元\u002F小時\u003C\u002Fli>\u003C\u002Ful>\u003Cp>職缺名稱也很有意思。高薪職位常跟 research、multimodal systems、\u003Ca href=\"\u002Ftag\u002Freinforcement-learning\">reinforcement learning\u003C\u002Fa>、foundation models 綁在一起。這表示如果學生手上有真的能跑的專案，像是模型訓練、評估\u003Ca href=\"\u002Fnews\u002Fautomate-web3-grant-screening-ai-scoring-zh\">流程\u003C\u002Fa>、資料管線，履歷會比只寫課堂作業漂亮很多。\u003C\u002Fp>\u003Cp>如果你想看更完整的學生求職脈絡，可以接著看 OraCore.dev 的 \u003Ca href=\"\u002Fnews\u002Fai-internship-hiring-patterns-2027\">AI 實習招募模式\u003C\u002Fa> 和 \u003Ca href=\"\u002Fnews\u002Fnew-grad-ai-jobs-what-recruiters-look-for\">新鮮人 AI 職缺觀察\u003C\u002Fa>。\u003C\u002Fp>\u003Ch2>和其他求職方式比，差在哪裡\u003C\u002Fh2>\u003Cp>一般求職方式很分散。你可能要看公司官網、LinkedIn、校園徵才頁、社群轉貼，還要自己判斷職缺是否過期。這份 repo 的價值，就是把這些碎片收斂成同一份清單。\u003C\u002Fp>\u003Cp>它和一般 job board 最大的差別，在於整理邏輯。這裡不是只列公司名稱，而是把職缺按類型、地區、學位階段拆開。對學生來說，這種分類比花俏介面更重要。\u003C\u002Fp>\u003Cp>repo 的另一個優勢是透明。你可以直接看到 stars、forks、分類方式和更新節奏。對比一些商業求職\u003Ca href=\"\u002Fnews\u002Fwarner-ai-agent-act-platform-control-zh\">平台\u003C\u002Fa>，這種透明度高很多，也比較少廢話。\u003C\u002Fp>\u003Cul>\u003Cli>比單看公司官網更快\u003C\u002Fli>\u003Cli>比社群轉貼更整齊\u003C\u002Fli>\u003Cli>比一般 job board 更貼近學生需求\u003C\u002Fli>\u003Cli>比手動蒐集更省時間\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你是台灣學生，這份清單還有一個實際好處。你可以先看國際實習，再決定要不要衝美國職缺。很多 AI\u002FML 職位對地點很挑，先看清楚再投，省得白忙一場。\u003C\u002Fp>\u003Ch2>這類 repo 背後的產業脈絡\u003C\u002Fh2>\u003Cp>AI 求職市場這幾年很吃履歷深度。公司不只看你會不會寫 Python，也看你有沒有碰過 Transformer、LLM、資料清理、模型評估和部署流程。學生如果只靠課堂成績，通常很難在同一批申請者中脫穎而出。\u003C\u002Fp>\u003Cp>所以這種 repo 會受歡迎。它把職缺和市場需求直接攤開。學生可以反推自己該補什麼。是資料工程、模型訓練、NLP，還是推薦系統，方向會更清楚。\u003C\u002Fp>\u003Cp>從 GitHub 熱度也看得出來需求。這個 repo 已經有 5,816 stars 和 227 forks。這不是小眾收藏，而是很多人真的拿來當求職工具。\u003C\u002Fp>\u003Cp>對開發者來說，這也提醒一件事。求職資訊產品不一定要做得很大。把更新頻率、分類方式、可信度做好，使用者就會自己來。\u003C\u002Fp>\u003Ch2>接下來該怎麼用這份清單\u003C\u002Fh2>\u003Cp>最實際的做法，是把它當成每週追蹤表，不要只看一次。先看最新職缺，再挑符合學歷與地點的項目。接著把薪資、截止日、職缺類型記下來，別靠記憶力硬撐。\u003C\u002Fp>\u003Cp>如果你是學生，現在就可以做一個簡單流程。每週固定花 30 分鐘看 repo，挑 10 到 15 個職缺投遞，再把回覆率記錄下來。兩週後你就會知道哪種公司、哪種職稱比較有機會。\u003C\u002Fp>\u003Cp>我對這份 repo 的判斷很直接。只要維持每天更新，它就會繼續比一般求職網站更好用。你真正該做的，是把它變成自己的投遞系統，而不是收藏在瀏覽器書籤裡吃灰。\u003C\u002Fp>","GitHub 上的 2027 AI\u002FML 職缺清單每天更新，整理 989 筆實習與新鮮人職缺，還分成美國與國際區塊，方便學生快速找目標。","github.com","https:\u002F\u002Fgithub.com\u002Fspeedyapply\u002F2027-AI-College-Jobs",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784192579088-va17.png","tools","zh","5dbea028-9e9e-4cd2-9277-a389e938ab7f",[17,18,19,20,21,22,23],"AI\u002FML 實習","新鮮人職缺","GitHub repo","求職清單","資料科學","機器學習","2027 校園招募",[25,26,27],"這個 GitHub repo 每天整理 2027 年 AI\u002FML 與資料科學職缺，總數達 989 筆。","清單分成美國與國際、實習與新鮮人四大類，對學生找工作很省時間。","部分職缺附薪資，研究型 AI 角色的時薪普遍高於一般軟體實習。",0,"2026-07-16T09:02:31.951176+00:00","2026-07-16T09:02:31.929+00:00","19bf2841-cdaa-4c0d-856c-d841702e624d",{"tags":33,"relatedLang":36,"relatedPosts":40},[34],{"name":19,"slug":35},"github-repo",{"id":15,"slug":37,"title":38,"language":39},"2027-ai-ml-internship-jobs-daily-en","2027 AI\u002FML internship jobs are being tracked daily","en",[41,47,53,59,65,71],{"id":42,"slug":43,"title":44,"cover_image":45,"image_url":45,"created_at":46,"category":13},"2151fdfb-10ca-419c-b4f6-ce36d6ff435f","scale-turns-cuda-code-into-portable-gpu-builds-zh","SCALE 讓 CUDA 變可攜 GPU 編譯","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784210602836-wqlf.png","2026-07-16T14:02:55.366575+00:00",{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"a4781236-56a1-4b87-b223-df328fd3a0e9","mimo-code-free-trial-not-production-ready-zh","MiMo Code 免費不等於生產力：先試用，再決定是否上車","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784169179259-qkyr.png","2026-07-16T02:32:25.375192+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"44eead66-c13e-48e9-919e-2dede91d44aa","ollama-raises-65m-14-people-8-9m-users-zh","Ollama 拿下 6500 萬美元，14 人撐起 890 萬用戶","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784167385501-huif.png","2026-07-16T02:02:29.250726+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"0c51ae94-4e52-4b2b-81ab-436aed7b7b85","databricks-query-foundation-models-guide-zh","Databricks 讓你用同一套方式查模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784144051476-1d82.png","2026-07-15T19:33:44.882507+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"aeb298e5-cfc1-40e4-beb9-2b083a863465","sglang-inference-is-the-product-zh","SGLang 會贏，因為推理才是產品層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784140376310-f1dj.png","2026-07-15T18:32:19.070176+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"10ad3ee2-3f02-479a-8c97-afa911c02a28","redmi-note-17-battery-camera-price-breakdown-zh","Redmi Note 17 把電量變主角","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784138636187-yzxd.png","2026-07-15T18:03:18.75152+00:00",[78,83,88,93,98,103,108,113,118,123],{"id":79,"slug":80,"title":81,"created_at":82},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":84,"slug":85,"title":86,"created_at":87},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]