顶尖应届-AI天线工程师-手机

优缺点分析

角色解读

• 成为通信感知与端侧AI交叉领域的专家，主导前瞻技术预研
• 向技术架构师或技术负责人发展，负责多模态感知产品线
• 横向拓展至车载、AIoT等领域的感知算法研发
• 跟踪通信感知前沿技术，拆解需求并规划技术路线
• 研发端侧轻量化AI感知算法，实现高精度、低功耗的多模态信号融合
• 与硬件团队协同优化算法在移动芯片上的部署性能
• 推动算法从原型到量产的全流程工程化，沉淀技术资产
• 扎实的信号处理、雷达感知、电磁场理论基础
• 精通UWB、毫米波等无线通信技术及天线设计
• 熟悉深度学习/机器学习在信号感知中的应用，具备端侧模型部署经验
• 具备算法-硬件协同优化能力，了解移动芯片约束

申请策略

• 关注小米在通信感知和AIoT领域的战略布局，在面试中展现对技术落地的热情
• 准备一个完整的技术预研或算法量产案例，体现系统整合能力和工程思维
• 突出博士课题与UWB、毫米波雷达、天线射频或端侧AI算法的相关性
• 强调信号处理、深度学习模型优化及端侧部署的实际项目经验
• 展示从算法到产品化的完整项目经历，包括专利、论文或量产成果
• 深入学习端侧推理框架（如TensorFlow Lite、ONNX Runtime）和模型压缩技术
• 补充硬件相关的知识，如芯片架构、功耗优化等，提升协同能力

面试指南

• 技术问题：先阐述基本原理，再结合具体场景提出创新方案，强调实验验证和优化过程
• 项目问题：用STAR法则（情境-任务-行动-结果）清晰描述，突出个人贡献和技术难点突破
• 请描述你在UWB信号处理或毫米波雷达感知方面的研究，并说明如何应用于移动终端
• 针对多模态信号融合，如何设计一个低功耗、高精度的端侧AI模型？
• 你如何平衡算法性能与硬件资源限制？请举例说明模型压缩或量化经验
• 描述一个你从实验室原型推进到产品化的项目，遇到了哪些挑战？如何解决？
• 复习无线通信感知领域的前沿论文，特别是UWB和毫米波相关的技术进展
• 准备一个端侧AI模型部署的demo或项目，展示对移动端优化的理解