AI Software Engineer

优缺点分析

角色解读

• 技术路线：从AI软件工程师成长为资深性能优化专家或AI架构师
• 管理路线：逐步带领团队完成项目，向技术经理或项目负责人发展
• 跨领域发展：依托高通平台，可转向自动驾驶、物联网等新兴领域的AI开发
• 优化AI模型在高通芯片上的运行效率，包括算子开发、图优化和调度器调优
• 参与前沿深度学习模型（如大语言模型）的研究，提升推理精度和速度
• 基于高通智能驾驶平台进行软件开发和AI解决方案的部署
• 使用C/C++/Python编程，在Linux/Android环境中开发和调试
• 精通C/C++和Python编程，具备扎实的编程基础
• 熟悉深度学习模型量化、压缩和性能优化技术
• 了解嵌入式系统或计算机硬件架构，熟悉Linux/Android开发环境
• 了解大语言模型（LLM）或有相关经验者更佳

申请策略

• 了解高通在智能驾驶和移动AI领域的布局，面试时表达对其技术方向的认同
• 准备一个完整的性能优化案例，从问题定义到方案实施和收益量化
• 重点突出使用C/C++进行性能优化的项目经历，尤其是涉及深度学习模型加速的部分
• 突出对嵌入式系统或ARM架构的理解，展示在资源受限环境下的优化经验
• 如果有模型量化、算子开发或LLM相关经验，务必详细描述
• 展示在Linux/Android开发环境中的熟练程度，以及独立解决复杂问题的能力
• 深入学习模型量化工具（如TensorRT、ONNX Runtime）和高通SNPE框架
• 复习计算机体系结构知识，熟悉缓存、流水线、SIMD等底层优化技巧

面试指南

• 对于优化问题：先分析瓶颈（计算/内存/IO），再针对性选择优化手段（算子融合、内存复用、量化等），最后通过profiling验证效果
• 对于量化问题：解释量化的数学原理（对称/非对称、校准），说明精度损失原因及常用恢复方法（如QAT、部分量化）
• 对于图优化：强调将多个算子融合、消除冗余计算、调整执行顺序以减少内存拷贝
• 如何优化一个卷积层在ARM CPU上的推理速度？
• 描述模型量化的原理和常见方法，以及量化后精度下降如何恢复？
• 你如何对一个大模型进行图优化？举例说明
• C++中内存对齐对性能有什么影响？如何利用SIMD指令集？
• 你过去项目中遇到的最大性能瓶颈是什么？如何解决的？