超威半导体
Senior Staff AI Software System Design Engineer
Senior Staff AI Software System Design Engineer
发布于 大约 17 小时前普通员工/个人贡献者
上海市
专家级经验
全职员工
仅现场办公
本科
软件工程
CUDA
TensorRT
分布式训练
推理优化
Megatron-LM
DeepSpeed
SGLang
vLLM
Gpu Kernel
AI 估算 · 50k–80k
高级AI工程师在GPU领域稀缺，AMD作为行业巨头薪资有竞争力，结合上海市场水平估算。
职位详情
关于这个职位
作为AMD的高级AI软件系统设计工程师，您将负责机器学习软件在AMD服务器GPU上的定制开发、调试、优化和技术支持
该职位专注于AI推理与训练的性能优化，涉及vLLM、Megatron-LM等前沿框架，需要深厚的C++/Python编程能力和GPU编程经验
您将与顶级客户合作，推动技术方案落地
最低要求
THE PERSON:
在机器学习领域拥有专家级知识，如框架（例如vLLM、Sglang、Megatron-LM、Deepspeed、TensorRT等）、分布式、内核算子、编译器、运行时、驱动、推理或训练的性能优化
强大的C++和Python编程技能
具备行业AI使用场景、解决方案、端到端流水线、框架或SDK的实践经验
强大的调试和开发技能
ACADEMIC CREDENTIALS:
计算机科学、计算机工程、电气工程或同等学历的学士或硕士学位
工作职责
KEY RESPONSIBILITIES:
向顶级客户提出技术方案并提供支持
为客户PoC成功做出重大贡献
推动AI软件的定制需求，包括从POC需求到POR发布，从GPU内核到框架和分布式解决方案
与不同团队协作，分析和优化训练和推理工作负载及解决方案
分析竞争解决方案，识别优势和劣势，明确价值主张
应用软件工程最佳实践
优先资格
PREFERRED EXPERIENCE:
能够独立工作，定义项目目标和范围，并主导自己的开发工作
良好的中英文沟通能力
优秀的AI框架技能（如vLLM、Sglang、Megatron-LM、Deepspeed、TensorRT、TensorRT-LLM）
优秀的Python、C++编程和软件技能，包括调试和性能分析
具有AI分布式解决方案经验（如EP/CP/TP/PP/DP、DeepEp、DualPipe、PD聚合等，以及KV缓存传输和存储）
具有多GPU和多节点集合通信原语（NCCL/RCCL）、NIC/GPU驱动（RDMA/GDR）和高速网络等AI分布式网络通信经验
具有GPU内核原语（如FA、PA、MOE、MLA）的集成和开发经验，包括torch、triton、CUDA、CK、ASM等
了解并行编程，最好是CUDA C/C++、HIP或计算机着色器
了解模型推理优化过程，如gemm/卷积调优、图优化和算子融合
了解Linux OS/驱动、CI和工具链（profiler/DCGM）开发与调试
了解Linux DRM、HSA、ROCm KMD/UMD驱动者优先
了解编译器（triton/TVM）者优先
AI 洞察
优缺点分析
优点
- 技术前沿：接触最先进的AI框架和GPU计算技术，提升核心竞争力
- 平台优势：AMD在GPU领域增长迅速，职业发展空间大
- 薪资丰厚：高级职位薪资和福利具有竞争力
- 技术深度要求高：需要同时掌握框架、内核、分布式等多个层面的知识
- 适合有深厚AI系统背景、热爱底层优化、希望在GPU计算领域深耕的技术专家
缺点 / 挑战
- 工作强度可能较大：涉及客户支持和PoC，可能面临项目压力
角色解读
- 技术专家路线：深耕AI系统软件栈，成为GPU计算领域的顶尖专家
- 架构师路线：负责大型AI系统的架构设计与技术决策
- 管理路线：可向技术管理方向发展，带领团队解决复杂问题
- 为顶级客户提供AI软件技术方案，并推动客户概念验证（PoC）成功
- 定制开发并优化机器学习软件，涉及从GPU内核到框架的整个软件栈
- 分析并优化训练/推理工作负载，提升AMD GPU上的AI性能
- 精通主流AI框架如vLLM、Megatron-LM、TensorRT等，并能进行底层的性能优化
- 具备强大的C++和Python编程能力，熟悉GPU编程（CUDA/HIP）和并行计算
- 了解分布式训练与推理的解决方案，包括集合通信、模型并行等
申请策略
- 了解AMD ROCm生态和GPU架构，展示对AMD平台的理解
- 准备一个端到端的AI系统优化案例，体现系统思维
- 突出在AI框架（如vLLM、TensorRT）上的优化经验和成果
- 展示性能调优案例，如推理/训练加速的具体数据和方案
- 强调C++/Python和GPU编程（CUDA）的项目经验
- 如果欠缺分布式训练经验，可学习DeepSpeed、Megatron-LM等框架
- 加强GPU内核编程能力，如CUDA kernel优化、triton使用
面试指南
- 先明确问题核心，再分步骤展示优化思路，最后总结效果
- 结合具体项目案例，从问题现象、分析工具、解决方案、收益四个维度回答
- 请解释vLLM的PagedAttention机制及其对推理性能的影响
- 如何优化一个Transformer模型在GPU上的推理延迟？
- 描述您在过去项目中遇到的分布式训练通信瓶颈及解决方案
- 如何调试CUDA kernel中的性能问题？请举例
- 复习主流AI框架的架构和优化技术（vLLM、TensorRT-LLM等）
- 准备2-3个GPU性能优化的深度项目案例
匹配度报告
69
综合匹配度
前沿AI GPU系统岗，薪资高、技术深，但WLB一般。
适合人群
最适合追求技术深度和前沿发展的求职者，愿意为职业成长接受一定的工作强度。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活40
使命价值60
薪资福利匹配
85较高
该职位薪资水平偏高，AMD作为上市大公司福利完善，补偿性动机得到较好满足。
薪资信号偏高 (50K-80K/月)
成长发展匹配
90较高
职位涉及前沿AI技术和GPU计算，技术成长空间大，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈vLLM、Megatron-LM、TensorRT、CUDA、分布式训练、GPU
业务类型ambiguous
工作生活匹配
40较低
办公地点在上海，要求现场办公，JD未提WLB，可能面临项目压力。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
60中等
AI行业高速增长，AMD在GPU领域影响力大，但社会影响偏中性。
行业发展高速增长赛道
社会影响中性/一般
使命信号build great products that accelerate next-generation computing experiences
创新程度积极采用新技术
Watch Jobs