Piramidal（YC W24）招聘：脑电AI医疗赛道扩军

Piramidal 招聘信息截图

一句话看懂这次招聘

曾入选 Y Combinator W24 批次的医疗 AI 公司 Piramidal 正在扩招。招聘信息出现在 Hacker News 的招聘板块，附带官方评论页入口，典型的技术团队直招路径。

素材本身只有一条链接和一句标题，但「YC W24 + 医疗 AI + 脑电信号」这几个标签组合在一起，已经能勾勒出这家公司的技术底色：把深度学习用在神经电生理数据上，做临床级决策支持。下面拆解这个赛道为什么值得关注，以及这类岗位通常意味着什么。

Piramidal 在做什么方向

Piramidal 的核心方向是基于脑电图（EEG）的基础模型。传统 EEG 分析高度依赖神经科医生逐段判读波形，耗时长、主观性强、不同读片者之间一致性有限。Piramidal 的思路是用大规模脑电数据预训练一个通用表征模型，再下游微调用于癫痫发作检测、睡眠分期、重症监护脑功能监测等具体任务。

这个路线和 NLP、CV 领域「先预训练再微调」的范式同源，但数据模态的特殊性带来额外难点：脑电信号信噪比低、个体差异大、电极蒙太奇（montage）配置不统一、标注成本极高。能拿到 YC 的投资，说明团队在这几个问题上给出了让投资人信服的解法雏形。

脑电图（EEG）基础模型这一提法借鉴了自然语言处理中的预训练范式：先在海量无标注或弱标注数据上学习通用表征，再迁移到具体下游任务。在 EEG 领域，这意味着模型先接触成千上万小时、覆盖不同年龄、病理和电极配置的脑电记录，学习到跨任务可复用的时空特征。下游微调时，只需少量标注数据即可适配癫痫检测、睡眠分期等具体场景。与文本不同，脑电信号是连续多通道时序数据，预训练目标通常包括掩码重建、对比学习和预测编码等，模型需要同时捕捉毫秒级的瞬态波形和分钟级的节律变化。这种范式若成立，可显著降低每个新临床任务对昂贵专家标注的依赖。

为什么医疗 AI 里「脑电」是块硬骨头

脑电数据天生不友好。采样率通常在 250–1000 Hz 之间，一次 24 小时长程监测产生的是数十 GB 量级的时序数据；伪迹（眼动、肌电、心电干扰）需要专门处理；临床上还有大量「灰区」判读——同一段波形，不同医生可能给出不同结论。

正因为难，这个方向的壁垒也高。谁先解决数据标准化和标注一致性问题，谁就更可能训练出真正可用的基础模型。Piramidal 押注的正是这个窗口期：EEG 基础模型的性能拐点还没到，但已经能看到苗头。

电极蒙太奇（montage） 指脑电采集时电极在头皮上的空间排列方案，常见如国际 10-20 系统及其扩展版本。不同医院、不同设备甚至不同研究方案使用的蒙太奇可能不同，导致通道数量、位置和命名不一致。这对基础模型意味着：训练时若直接混合不同蒙太奇的数据，模型需具备处理缺失通道、空间位置变化的能力；否则学到的表征难以泛化。常见应对策略包括标准化映射到公共空间、使用图神经网络建模电极间关系，或设计对通道集合不敏感的注意力机制。蒙太奇不统一是 EEG 数据标准化中最棘手的环节之一，也是提升模型跨中心泛化能力的关键障碍。

W24 这批医疗项目释放的信号

YC W24 批次里医疗和生物技术项目占比不低，Piramidal 是其中偏「AI 基础设施 + 临床落地」的一类。这类项目的特点是不做纯软件工具，而是直接嵌入临床工作流，走 FDA 或 CE 的医疗器械审批路径。

这意味着团队构成会明显偏工程 + 临床双轨：既需要懂 PyTorch、分布式训练、信号处理的 ML 工程师，也需要懂神经电生理、能读懂临床需求的医学顾问或产品成员。招聘通常围绕这几类角色展开。

这类岗位通常要什么能力

如果参照同类 EEG AI 公司的招聘画像，核心需求集中在几个方向：

时序建模经验：Transformer、状态空间模型（如 Mamba 类架构）、卷积时序网络在长序列上的实战经验
信号处理功底：滤波、重参考、伪迹去除、频域分析，这些不是调库就完事，得理解物理含义
医疗数据合规意识：HIPAA、GDPR，以及临床数据脱敏和伦理审查流程
跨学科沟通：能和神经科医生对话，把临床问题翻译成可建模的 ML 任务

软性层面，早期公司更看重能不能在数据脏、标注少、目标模糊的情况下推进项目。

状态空间模型（State Space Model, SSM） 是一类用于序列建模的架构，近年因 Mamba 等变体受到关注。其核心是用一组连续或离散的状态方程描述序列的演化，通过选择性扫描机制实现长程依赖建模。相比 Transformer，SSM 在推理时具有线性计算复杂度，显存占用随序列长度增长更平缓，因此特别适合脑电这类高采样率、长时程的时序数据。在 EEG 任务中，SSM 可以高效处理数小时甚至整夜记录，同时保留对瞬态异常波的敏感度。不过，SSM 在医疗信号上的最佳实践仍在探索中，工程师需要理解其与卷积网络、Transformer 的取舍，才能针对具体临床场景选型。

一个值得留意的招聘细节

招聘信息发布在 Hacker News，而不是 LinkedIn 或传统招聘平台。这是技术型初创公司的常见选择：HN 的受众本身筛选过一轮，来这里投递的人通常对底层技术和公司方向有真实兴趣，而不是海投。这种渠道偏好本身也在传递公司文化信号——偏工程、偏直接、少包装。

这个赛道的长期看点

EEG 基础模型如果真能跑通，影响的不只是癫痫和睡眠这两个成熟场景。ICU 脑功能监测、麻醉深度评估、脑机接口的解码前端、甚至精神疾病的客观生物标志物，都可能因此受益。

但也要清醒：医疗 AI 的商业化周期很长，从技术验证到临床采用中间隔着监管审批、医院采购、医生信任三道关卡。Piramidal 现在还处在早期阶段，招聘扩军是积极信号，但离规模化收入还有距离。对求职者来说，这是押注方向而非押注确定性的选择。

想了解更多，可以去看 HN 上的原始评论区，那里通常会有团队成员的直接回复。