麦格纳
Principal Engineer - Asia Tech Strategy
Principal Engineer - Asia Tech Strategy
发布于 6 个月前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
软件工程
嵌入式系统
深度学习模型部署
计算机视觉
ADAS
CUDA
PyTorch
TensorFlow
TensorRT
AI 估算 · 50k–80k
首席工程师，亚洲技术战略，自动驾驶感知方向，极高薪。
职位详情
关于这个职位
这是一个专注于高级驾驶辅助系统（ADAS）和自动驾驶领域的首席工程师职位
你将负责将感知算法（如目标检测、语义分割）部署和优化到嵌入式硬件平台，并推动项目从研发到大规模量产
核心工作涉及使用C++/CUDA进行高性能编程、利用TensorRT优化深度学习模型，并支持在特定AI芯片（如地平线、爱芯元智）上的集成与加速
最低要求
计算机科学、电气工程、机器人学或相关领域的硕士或博士学位
在ADAS、自动驾驶或嵌入式AI领域拥有至少3年以上C++开发实践经验
拥有将深度学习模型部署到实际产品中的成功经验，至少参与过一个成功的大规模量产项目
具备良好的英语沟通能力，能够与外国同事和合作伙伴进行清晰有效的技术讨论
深刻理解计算机视觉和深度学习的基础知识
具备解决问题的心态、强烈的责任感和在快节奏环境中独立工作的能力
工作职责
为ADAS/自动驾驶应用开发、优化并将感知算法（如检测、分割）部署到嵌入式平台
使用C++/CUDA进行算子重写和内核级优化，以最大化目标硬件上的推理性能
利用TensorRT进行模型量化、编译和部署，确保最佳的延迟和准确性
与海外算法和软件团队紧密合作，理解需求、讨论技术方案并集成模块
主导感知模型的车载部署，包括性能分析、瓶颈分析和跨平台优化
推动项目从研发到大规模量产（SOP），确保其鲁棒性、高效性并符合汽车标准
支持模型在特定AI芯片（如地平线机器人或爱芯元智平台）上的集成和加速
优先资格
核心语言与框架：
o 在Linux开发环境中具备专家级的C++编程能力
o 高级CUDA编程和性能分析能力（Nsight）
o 熟练使用Python进行脚本编写和模型转换（PyTorch, TensorFlow）
o 拥有丰富的使用NVIDIA TensorRT进行模型优化和部署的经验
领域知识：
o 深入了解深度学习模型部署流程和优化技术（剪枝、量化、知识蒸馏）
o 扎实理解与ADAS相关的计算机视觉任务，如目标检测、语义分割和深度估计
平台与硬件专长：
o 强烈偏好：拥有地平线机器人（征程系列）或爱芯元智（Axera Tech）AI芯片的实际工作经验
o 具备算子开发、自定义层实现以及针对特定AI加速器的模型迁移经验
o 熟悉嵌入式系统开发和优化
核心能力：
o 算法加速和底层优化技能
o 为不支持的层重写或实现自定义算子的经验
o 用于性能分析和瓶颈识别的强大分析能力
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与汽车行业最前沿的ADAS和自动驾驶技术研发与量产，技术栈（C++/CUDA/TensorRT/专用AI芯片）含金量高，有利于构建深厚的技术壁垒
- 平台优势：麦格纳是全球顶级的汽车零部件供应商，平台能提供从研发到量产的全流程项目经验，并有机会与全球顶尖团队协作，视野开阔
- 行业前景：智能驾驶是确定性增长赛道，在此领域的深度经验对未来职业发展极具价值，无论是继续深耕还是转向其他AI落地场景都很有优势
- 这个职位非常适合那些在计算机视觉和深度学习领域有扎实功底，热衷于解决高性能计算和嵌入式部署难题，并希望将技术真正应用于大规模量产产品的资深工程师
缺点 / 挑战
- 技术难度高：工作涉及算法、软件、硬件的交叉领域，需要对深度学习、嵌入式系统和特定芯片架构都有深刻理解，学习曲线陡峭，解决问题压力大
- 量产压力大：岗位明确要求推动项目至SOP（量产），需严格遵循车规级标准，对代码的可靠性、鲁棒性和性能优化要求极高，容错率低
- 协作复杂度：需要与海外团队进行频繁的英文技术沟通，对技术表达和跨文化协作能力要求较高，可能存在时差和沟通成本
角色解读
- 技术路径上，可以从算法部署专家成长为系统架构师，负责更复杂的多传感器融合系统或下一代自动驾驶平台的软件架构设计
- 行业路径上，随着在汽车电子和自动驾驶领域的深度积累，有机会转向技术管理岗位（如技术总监），或成为特定AI芯片生态的解决方案专家
- 你将主要负责将前沿的感知算法（如目标检测、语义分割）从研发环境部署到车规级嵌入式硬件平台，确保其满足量产汽车对性能和可靠性的严苛要求
- 核心工作包括使用C++和CUDA进行高性能编程，对深度学习模型进行算子重写、内核优化，并利用TensorRT等工具进行量化、编译，以实现极致的推理速度和资源效率
- 你需要与全球的算法和软件团队协作，理解技术需求，并将优化后的模型集成到具体的AI芯片（如地平线征程系列、爱芯元智芯片）上，完成从原型到量产车的全流程落地
- 必须具备专家级的C++编程能力和高级CUDA开发经验，能够进行底层性能优化和瓶颈分析，这是实现算法高效运行的基础
- 需要深入掌握深度学习模型部署的全套技术栈，特别是使用TensorRT进行模型优化，并理解剪枝、量化等核心优化技术
- 要求拥有扎实的计算机视觉知识，熟悉ADAS相关的感知任务，并具备在特定嵌入式AI芯片（地平线、爱芯元智）上进行模型迁移和加速的实际经验
申请策略
- 申请前深入研究麦格纳电子（Magna Electronics）在ADAS领域的具体产品和技术路线，在面试中展现出你对公司业务和行业地位的了解
- 注意职位描述中强调的“生产级效率与可靠性”和“从研发到量产”，在准备材料和面试回答时，始终围绕如何确保技术方案满足这些终极目标来展开
- 重点突出至少一个完整的、成功量产的ADAS或自动驾驶项目经历，详细说明你在其中负责的模型部署、优化和嵌入式集成工作，以及最终达成的性能指标（如FPS、精度、功耗）
- 清晰罗列并证明你的核心技术栈熟练度，特别是C++/CUDA编程、TensorRT使用经验，以及在地平线、爱芯元智或其他AI芯片上的实际开发与优化案例
- 展示你的跨团队协作能力，例如描述如何与算法团队沟通、将模型需求转化为部署方案，或与海外团队合作解决技术难题的经历
- 如果对地平线或爱芯元智芯片经验不足，可以提前学习其官方文档和开发工具链，尝试在仿真环境或开发板上运行一个简单的模型，理解其架构特点和优化方法
- 深化对汽车电子开发流程（如ASPICE）和功能安全（如ISO 26262）的了解，这些知识对于理解量产要求和与团队沟通至关重要
面试指南
- 对于技术问题，采用“情境-任务-行动-结果”（STAR）法则来组织答案：先说明项目背景和目标，然后描述你承担的具体任务，接着详细阐述你采取的技术行动和决策过程，最后用可量化的结果（如延迟降低XX%、内存占用减少XX%）来证明成效
- 对于涉及权衡（如精度vs速度）或问题解决的问题，展示你的系统性思维：先定义评估指标，再列举可能的解决方案，分析每种方案的利弊，最后说明你基于项目约束（如车规要求）做出的选择及其理由
- 请详细描述一个你将深度学习模型（例如一个检测模型）部署到嵌入式平台并成功优化的项目
- 你遇到了哪些性能瓶颈？是如何分析和解决的？
- 你如何利用TensorRT对一个PyTorch模型进行优化？请谈谈你在量化（INT8）过程中的具体实践，以及如何权衡精度损失和速度提升？
- 请分享你在地平线征程芯片或类似AI加速器上进行算子开发或模型迁移的经验
- 遇到了什么兼容性问题？你是如何解决的？
- 在推动一个ADAS功能从研发到量产（SOP）的过程中，除了技术优化，你认为还需要关注哪些非技术因素（如流程、标准、测试）？
职位点评
Watch Jobs