超威半导体
Fellow Software Development Eng.
Fellow Software Development Eng.
发布于 6 个月前普通员工/个人贡献者
上海市
专家级经验
全职员工
仅现场办公
硕士
软件工程
分布式训练
开源协作
性能优化
深度学习
AI框架
Cuda/Hip
GPU
PyTorch
AI 估算 · 60k–120k
该职位要求顶尖的AI/ML和GPU优化专家技能，市场稀缺性高，且处于AI行业前沿，薪资竞争力极强。
职位详情
关于这个职位
这是一个面向AI/ML软件系统领域的资深软件工程专家岗位
你将作为核心技术专家，负责在AMD GPU平台上开发和优化深度学习模型，并推动PyTorch等开源框架的性能提升与生态集成
核心工作聚焦于高性能计算、分布式训练优化以及与开源社区的深度协作，旨在确保AMD硬件在下一代AI工作负载中保持领先地位
最低要求
硕士或博士学位，专业为计算机科学、计算机工程、电气工程或相关领域
拥有多年高级专业经验，专注于GPU优化、性能工程和框架开发的技术软件开发
工作职责
模型开发与优化：指导在AMD GPU上开发和优化深度学习模型，确保在训练和推理工作负载上的高性能和可扩展性
框架赋能：推动PyTorch及其生态系统在AMD GPU上的关键性能增强，为上游开源仓库贡献高影响力的优化
开源集成：直接与PyTorch及更广泛的开源维护者合作，定义需求，提出架构改进建议，并确保AMD的贡献能够成功地上游化、维护并被大规模采用
社区功能赋能：与PyTorch社区和生态系统合作伙伴协作，设计、启用并上游化新功能，确保AMD GPU在新兴AI工作负载中保持一流地位
跨职能协作：与内部GPU库、编译器和运行时团队紧密合作，识别性能瓶颈，并为大规模AI工作负载提供优化解决方案
可扩展系统优化：为纵向扩展（多GPU）和横向扩展（多节点）的分布式训练环境架构并提供创新解决方案，最大化AMD GPU平台的性能和效率
工程卓越：倡导并指导严格的软件工程最佳实践，包括代码审查、测试、CI/CD集成和调试，以交付可靠且可大规模维护的解决方案
优先资格
软件工程：精通Python和C++，具备调试、性能调优和测试设计经验，以确保高质量、可维护的软件解决方案
AI框架与深度学习：深入扎实地理解AI框架，如PyTorch、Triton和vLLM，并在自然语言处理、视觉、音频和推荐系统等领域有应用知识
GPU计算：具备GPU编程模型（CUDA, HIP）的专家级经验
开发流程与工具：精通现代软件实践和工具，包括调试器、性能分析器和版本控制系统（如GitHub）
协作与问题解决：高效沟通者，具备强大的分析和解决问题能力，能够在多元化的技术团队中工作
AI 洞察
优缺点分析
优点
- 平台优势：在AMD这样的半导体巨头工作，能接触到最前沿的GPU硬件和AI计算架构，技术视野开阔
- 技能积累：深度参与PyTorch等核心开源项目，能积累极具市场竞争力和行业影响力的硬核技术经验
- 行业前景：岗位直接服务于AI浪潮的核心——算力与软件栈，职业发展紧扣时代最前沿的技术趋势
- 社区网络：与全球顶尖的AI开发者和开源维护者协作，能快速建立高价值的行业人脉和声誉
- 技术难度极高：需要同时精通底层硬件（GPU）、系统软件（框架、分布式）和上层AI算法，学习曲线陡峭
- 竞争激烈：面向的是全球顶尖的AI系统人才，内部晋升和外部市场竞争都非常激烈
- 适合拥有顶尖院校相关专业硕博学历，在AI、高性能计算和GPU编程领域有深厚积累，并热衷于通过开源贡献影响整个行业的技术专家
缺点 / 挑战
- 工作压力大：作为核心专家，需解决最棘手的性能瓶颈问题，并确保方案在开源社区被接受，对结果要求高
角色解读
- 技术路径：可成长为AI系统架构师、首席科学家，或在特定AI子领域（如大模型、科学计算）成为全球知名的技术专家
- 行业影响路径：通过深度参与开源社区，可建立强大的行业声誉和影响力，成为连接硬件厂商与AI软件生态的关键人物
- 管理/领导路径：凭借深厚的技术背景和项目领导经验，可转向技术管理岗位，如研发总监或技术副总裁，负责更大范围的技术战略
- 核心工作是优化深度学习模型在AMD GPU上的性能，涉及训练和推理全流程
- 深度参与PyTorch等主流AI开源框架的开发，贡献核心代码并推动其与AMD硬件的深度集成
- 设计和优化支持多GPU、多节点的分布式训练系统架构，解决大规模AI计算中的性能瓶颈
- 作为技术专家，与内部硬件团队及外部开源社区紧密协作，定义技术方向并确保解决方案落地
- 必须精通C++和Python，具备在Linux环境下进行高性能、可维护软件开发的深厚功底
- 需要深入理解PyTorch等AI框架的内部机制，并拥有使用CUDA/HIP进行GPU编程和性能调优的专家级能力
- 必须具备分布式系统、高性能计算的知识，能够设计和优化大规模AI训练与推理的解决方案
- 需要出色的沟通和协作能力，能够与跨职能团队及开源社区有效合作，推动技术方案被采纳
申请策略
- 申请前深入研究AMD近年在AI领域的硬件发布（如MI系列GPU）和软件生态战略，在面试中展现你的关注和见解
- 准备好讨论你对“硬件与软件协同优化”的理解，并能结合具体案例说明你是如何思考和实践的
- 重点突出在PyTorch、TensorFlow等主流框架上的深度贡献经历，特别是性能优化、新功能开发或上游合并的Pull Request
- 详细描述主导或深度参与过的GPU加速AI项目，量化性能提升指标（如吞吐量提升X倍，延迟降低Y%）
- 展示解决过的复杂分布式训练系统问题的案例，说明你在架构设计和瓶颈排查方面的能力
- 列出在GitHub等平台上有影响力的开源项目贡献，这是证明技术热情和社区协作能力的有力证据
- 若对AMD的ROCm软件栈不熟，可提前学习HIP编程模型，并尝试将已有的CUDA项目移植到HIP
- 深入研读PyTorch核心模块（如ATen, C++前端）的源码，理解其执行和自动微分机制，并思考可能的优化点
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，确保逻辑清晰且有数据支撑
- 在回答系统设计或优化问题时，先阐述核心原理和权衡点，再分层（算法层、框架层、系统层、硬件层）展开你的解决方案
- 对于协作类问题，强调技术沟通、建立共识、以及以社区利益为导向的协作方式，而不仅仅是个人技术实现
- 请详细描述一次你对PyTorch（或其他AI框架）进行性能优化的经历，你遇到了什么瓶颈，如何分析并最终解决的？
- 在多GPU分布式训练中，如果遇到扩展性不佳（如增加GPU后加速比不理想）的问题，你的排查思路是什么？
- 请比较CUDA和HIP编程的异同，并谈谈将一段CUDA内核代码移植到HIP需要注意哪些关键点？
- 如何设计一个系统，来高效地支持大语言模型（LLM）在AMD GPU集群上的训练和推理？
- 当你向一个大型开源项目（如PyTorch）提交一个重要的性能优化补丁时，你会如何推动它被社区审查和合并？
职位点评
Watch Jobs