字节跳动
AI异构计算优化专家-火山方舟
AI异构计算优化专家-火山方舟
发布于 大约 14 小时前普通员工/个人贡献者
杭州市
高级经验
全职员工
仅现场办公
学历未注明
GPU
PyTorch
性能优化
TensorFlow
LLM
CUDA
并行计算
MLIR
AI编译器
异构计算
AI 估算 · 30k–60k
字节跳动高级技术专家岗位，技能要求高且稀缺，杭州薪资水平较高，市场竞争力强。
职位详情
关于这个职位
该职位是字节跳动火山方舟团队的AI异构计算优化专家，负责评估和优化异构计算芯片，涵盖推理与训练优化、高性能算子开发、编译技术落地以及前沿技术调研
需要扎实的C/C++、Python和深度学习框架基础，熟悉GPU架构和并行计算，适合热衷于底层系统优化和硬件加速的技术专家
最低要求
熟练掌握Linux环境下的C/C++、Python语言
具备扎实的计算机科学功底和编程能力，熟悉常见算法和数据结构，具有良好的编程习惯
能够熟练使用至少一种主流的机器学习框架（TensorFlow/PyTorch等），熟悉框架内部实现
熟悉至少一种经典深度学习模型及其应用场景，如GPT、SD、DiT、W&D等
熟悉至少一种并行计算架构，熟悉其编程模型，并知晓其优、劣所在
有良好的工作文档习惯，及时按要求撰写更新工作流程及技术文档
工作职责
评估：负责评估符合业务要求的异构计算芯片，建立/完善评估体系、负载模型，预估业务收益
推理与训练优化：
）负责异构计算芯片落地实际推理业务，适配异构计算芯片特性，降低推理时延，提高推理吞吐
）负责异构计算芯片落地实际训练业务，根据芯片计算、通信特性，优化显存占用，提高训练吞吐
算子开发：负责开发异构计算芯片的高性能算子，根据芯片特性，优化算力、带宽利用率
编译技术落地：负责通过编译技术实现异构计算芯片在不同业务场景中落地，负责实现更加高效的异构硬件编程范式
前沿技术调研：负责调研、验证前沿软硬件结合方向，比如稀疏计算（Sparse Computation）、存内计算（In-Memory Computing）、数据流计算（DataFlow）等
优先资格
了解昇腾、寒武纪等推理/训练/通信相关优化，有高性能算子、大规模训练、通算融合领域经验者优先
了解SIMD/SIMT外其他并行计算模型及算法，了解其并行编程模型及其优、缺点者优先
了解模型剪枝、量化、LLM投机采样等优化方法原理，具备相关模型优化经验者优先
了解常见AI编译器方案及其优、缺点（如XLA、TVM、MLIR），有实际开发经验者优先
了解GPU硬件架构，了解GPU软件栈（CUDA、cuBLAS、CUTLASS），具备GPU性能分析的能力者优先
了解AI Compiler技术栈（MLIR等），熟悉Torch2.0+编译栈、Triton优先者优先
AI 洞察
优缺点分析
优点
- 前沿技术栈，涉及GPU、编译器、大模型优化，技术成长快
- 字节跳动大平台，资源丰富，项目影响力大
- 与顶尖团队合作，接触业界最新硬件和算法
- 技术难度高，需要同时掌握软件和硬件知识，学习曲线陡峭
- 互联网大厂工作强度较大，可能需要应对紧急优化任务
- 领域竞争激烈，需持续跟进芯片和算法演进
缺点 / 挑战
- 适合热爱底层系统优化、享受性能调优挑战、希望深耕AI基础设施的资深工程师
角色解读
- 向系统架构师或技术负责人方向发展，主导大规模AI基础设施优化
- 深入芯片设计或编译器研发，成为软硬件协同领域的专家
- 可横向扩展至AI框架开发或数据中心性能优化等方向
- 评估异构计算芯片性能，建立负载模型，预估业务收益
- 针对推理和训练场景优化芯片适配，降低时延、提高吞吐
- 开发高性能算子，优化算力和带宽利用率
- 通过编译技术实现芯片在不同业务中的落地，调研前沿软硬件结合方向
- 精通C/C++和Python，具备扎实的计算机科学功底
- 熟练使用TensorFlow/PyTorch，熟悉框架内部实现
- 熟悉GPU或其它并行计算架构及其编程模型
- 了解AI编译器（如MLIR、TVM）和GPU软件栈（CUDA、CUTLASS）
申请策略
- 在简历中量化优化成果，如降低延迟百分比、提升吞吐倍数
- 关注字节跳动火山方舟的业务方向，在面试中展现对AI基础设施的理解
- 突出异构计算优化项目经验，如GPU算子调优、推理加速、大规模训练优化
- 强调对深度学习框架底层实现的理解，如自定义算子或编译栈改造
- 展示编译器相关经验，如MLIR或TVM的实际应用案例
- 深入学习GPU架构和CUDA编程，掌握性能分析工具
- 补充AI编译器知识，实践MLIR或Triton
- 了解最新大模型优化技术，如量化、剪枝、投机采样
面试指南
- 结合具体项目，从问题定义、方案设计、实施步骤、效果量化四个层次回答
- 展示对底层原理的理解，同时说明业务影响和权衡
- 请详细描述一次你优化AI模型推理性能的经历，使用了哪些方法？
- 解释CUDA中shared memory和global memory的区别，如何优化内存访问？
- MLIR的工作流程是什么？它在AI编译中扮演什么角色？
- 如何对一个Transformer模型进行训练加速？考虑哪些方面？
- 你如何评估一款新的AI芯片是否适合我们的业务场景？
- 复习CUDA编程模型和GPU架构，准备一个性能优化案例
匹配度报告
72
综合匹配度
字节跳动高级技术专家，前沿AI异构计算，高薪高成长，但工作强度大。
适合人群
最适合追求技术深度和前沿发展的求职者，对工作生活平衡要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活50
使命价值70
薪资福利匹配
80较高
字节跳动薪资具有竞争力，虽然JD未明确说明，但大厂高级岗位通常配套完善福利，补偿性动机满足度较高。
薪资信号未披露（AI估算：30K-60K/月）
成长发展匹配
90较高
该职位涉及前沿技术如GPU优化、AI编译器、大模型加速，技术成长空间极大，发展性动机满足度很高。
技术前沿前沿/新兴技术
技术栈CUDA、MLIR、TensorFlow、PyTorch、并行计算、稀疏计算、存内计算
业务类型ambiguous
工作生活匹配
50较低
工作地点杭州，仅现场办公，未提及弹性工作或远程，互联网大厂通常工作强度较大，生活化动机满足度一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
AI基础设施领域处于高速增长赛道，技术影响力大，但社会价值中性，意义感动机有一定满足度。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs