AI Infra ⼯程师

优缺点分析

角色解读

• 可向AI系统架构师或技术专家方向发展，主导更大规模集群设计
• 积累机器人+AI交叉经验，未来可转向机器人算法或自动驾驶系统架构
• 在宇树科技B轮阶段加入，有机会伴随公司成长成为技术骨干或团队负责人
• 设计和建设大规模AI框架，支持千卡级GPU集群的分布式训练系统
• 优化大模型训练的GPU利用率、内存和吞吐量，消除计算、通信和数据加载瓶颈
• 构建低延迟推理流水线，应用量化、蒸馏和模型编译技术，用于机器人实时控制
• 精通分布式训练框架如DeepSpeed、Megatron-LM，理解DDP/FSDP原理
• 具备全栈性能分析能力，能定位并优化训练链路中的关键瓶颈
• 有千卡级GPU集群训练实践经验，熟悉大模型训练常见问题

申请策略

• 了解宇树科技的产品线（如四足机器人、人形机器人），在面试中展示对机器人AI落地的理解
• 准备一个完整的训练系统优化案例，从问题发现到解决方案的详细描述
• 突出千卡级GPU集群训练项目经验，具体说明集群规模、优化效果（如吞吐量提升百分比）
• 强调对DeepSpeed、Megatron-LM等框架的深入使用和定制化经验
• 展示性能分析案例，如定位通信瓶颈或数据加载瓶颈并解决的过程
• 补充强化学习或多模态大模型训练经验，尤其是与机器人控制相关的项目
• 学习模型量化、蒸馏和编译技术，如TensorRT、ONNX Runtime等

面试指南

• 对于性能优化问题，采用STAR法则：情境、任务、行动、结果，重点突出量化指标
• 对于框架对比问题，从原理、适用场景、优缺点三个维度展开，结合具体案例
• 请描述一次你优化千卡级GPU集群训练性能的经历，遇到了哪些瓶颈，如何解决？
• DeepSpeed和Megatron-LM在并行策略上有什么区别？如何选择？
• 如何诊断分布式训练中的通信瓶颈？你会使用哪些工具？
• 请解释FSDP的原理，与DDP相比有什么优缺点？
• 如何优化数据加载器以减少训练等待时间？
• 复习分布式训练核心概念：数据并行、模型并行、流水线并行、混合精度训练等