超威半导体
Triton AI Compiler Engineer
Triton AI Compiler Engineer
发布于 5 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
本科
软件工程
高性能计算
CUDA
GPU
HIP
LLVM
PyTorch
ROCm
TensorFlow
AI 估算 · 35k–70k
岗位聚焦前沿AI编译器与GPU高性能计算，技术门槛高，市场需求旺盛，且位于一线城市，薪资竞争力强。
职位详情
关于这个职位
作为Triton AI编译器工程师，您将加入AMD团队，专注于为AMD GPU平台开发和优化深度学习应用与AI框架
核心工作包括优化TensorFlow、PyTorch等主流框架，设计高性能GPU内核，并利用先进的编译器技术提升AI模型的训练与推理性能
这是一个深度参与开源社区、推动前沿AI计算性能的技术专家岗位
最低要求
计算机科学、计算机工程、电气工程或相关领域的学士和/或硕士学位
在Linux环境下具备扎实的C++开发技术和分析能力
能够作为团队一员工作，同时也能独立工作，定义目标、范围并主导自己的开发工作
工作职责
优化深度学习框架：在开源仓库中深入增强和优化TensorFlow和PyTorch等框架，使其适配AMD GPU
开发GPU内核：创建和优化GPU内核，以最大化特定AI操作的性能
开发与优化模型：设计并优化深度学习模型，专门针对AMD GPU性能进行调优
与GPU库团队协作：与内部团队紧密合作，分析和改进AMD GPU上的训练和推理性能
与开源维护者协作：与框架维护者合作，确保代码更改符合要求并集成到上游
在分布式计算环境中工作：优化深度学习在纵向扩展（多GPU）和横向扩展（多节点）系统上的性能
利用前沿编译器技术：利用先进的编译器技术来提高深度学习性能
优化深度学习流水线：增强整个流水线，包括集成图编译器
软件工程最佳实践：应用稳健的工程原则，确保解决方案的鲁棒性和可维护性
优先资格
GPU内核开发与优化：精通使用HIP、CUDA和汇编（ASM）为AMD GPU设计和优化深度学习GPU内核
深入了解AMD架构（GCN、RDNA）和底层编程，以最大化AI操作的性能，并利用Compute Kernel (CK)、CUTLASS和Triton等工具实现多GPU和多平台性能
深度学习集成：精通将优化的GPU性能集成到机器学习框架（如TensorFlow、PyTorch）中，以加速模型训练和推理，重点关注扩展性和吞吐量
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
高性能计算：精通在异构计算集群上运行大规模工作负载，优化效率和可扩展性
编译器优化：扎实的编译器理论基础，熟悉使用LLVM和ROCm等工具进行内核和系统性能优化
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与AI计算最底层的编译器与GPU优化，技术栈顶尖，能积累深厚且稀缺的硬核技能
- 平台优越：在全球领先的半导体公司工作，能接触最先进的硬件和庞大的真实业务场景，视野开阔
- 社区参与：深度融入开源生态，与全球顶尖开发者协作，有利于个人技术成长和网络构建
- 技术难度高：需要同时精通编译器、GPU架构和深度学习，学习曲线陡峭，对综合技术能力要求极高
- 工作强度可能较大：涉及底层性能调优和解决复杂技术问题，通常需要投入大量时间和精力进行深度钻研
- 竞争激烈：该领域汇聚了全球顶尖的技术人才，要保持竞争力需要持续学习和快速迭代
- 适合对计算机系统底层、高性能计算和AI有强烈热情，具备扎实编程和系统功底，并追求技术深度的资深软件工程师或研究者
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深发展：可成为AI编译器、GPU高性能计算或特定深度学习框架优化领域的专家或架构师
- 横向扩展：积累的底层优化和分布式系统经验，可向更广泛的系统软件、异构计算或AI基础设施领域拓展
- 行业影响力：通过深度参与开源项目，有机会在AI硬件软件协同优化领域建立个人技术品牌和行业影响力
- 核心工作是开发和优化运行在AMD GPU上的深度学习框架（如TensorFlow, PyTorch）与AI编译器，提升模型训练和推理效率
- 需要深入GPU底层，使用HIP/CUDA等工具编写和优化高性能计算内核，并利用LLVM等编译器技术进行系统级性能调优
- 工作模式包括与内部GPU库团队紧密协作，并积极参与开源社区，推动代码贡献与集成
- 扎实的C++和Python编程能力，以及Linux环境下的软件开发与调试经验
- 深入的GPU并行计算知识，精通HIP、CUDA编程，并了解AMD GPU架构（GCN/RDNA）
- 对深度学习框架（TensorFlow/PyTorch）和编译器原理（如LLVM）有深刻理解，并能将其应用于性能优化
申请策略
- 申请前仔细研究AMD在AI计算领域的近期产品和技术动态（如Instinct系列GPU、ROCm软件栈），在面试中展现对业务的了解
- 理解并认同AMD文化中强调的“协作、包容、追求卓越”等价值观，在沟通中体现团队合作精神
- 重点突出与GPU编程（HIP/CUDA）、深度学习框架优化或编译器开发（LLVM）相关的项目经验，量化性能提升成果
- 详细描述在Linux环境下使用C++/Python解决复杂系统问题的经历，体现扎实的工程能力和分析思维
- 如有开源项目贡献（特别是AI框架或编译器相关），务必列出并说明具体工作内容和影响
- 若对AMD ROCm生态不熟，可提前学习HIP编程模型，并尝试在AMD GPU上进行简单的内核开发和性能分析
- 深入理解一两个深度学习框架（如PyTorch）的执行图和算子调度机制，这对框架优化至关重要
- 复习编译器基础知识（如中间表示、优化Pass），并动手实践简单的LLVM Pass开发
面试指南
- 对于技术问题，采用“情境-任务-行动-结果”(STAR)原则来组织答案，清晰阐述问题背景、你的角色、采取的具体技术行动以及可量化的结果
- 在回答涉及方案设计或问题排查的问题时，展现系统化思维：从高层架构分析到底层细节排查，并考虑不同方案间的权衡
- 对于开放性问题，在给出自己方案的同时，可以简要讨论其他可能途径及其优缺点，体现思考的深度和广度
- 请描述一次你优化GPU内核或深度学习模型性能的经历，你用了哪些方法，最终提升了多少？
- 解释一下你对LLVM编译器框架的理解，你是否有过开发自定义优化Pass的经验？
- 在将一个新算子集成到PyTorch框架并使其在AMD GPU上高效运行时，你会考虑哪些关键步骤和潜在瓶颈？
- 如何诊断和解决一个在分布式多GPU训练场景下出现的性能下降问题？
- 谈谈你对AMD GPU架构（如CDNA/RDNA）特点的理解，这些特点如何影响你编写高性能计算代码的策略？
职位点评
Watch Jobs