黑芝麻
AI模型部署优化工程师(J11090)
AI模型部署优化工程师(J11090)
发布于 8 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Adas
Pytorch
Tensorflow
Tensorrt
嵌入式部署
模型量化
知识蒸馏
芯片适配
计算机视觉
值不值得投
71综合评分
综合评分 71
前沿技术挑战、高成长性但工作节奏可能较快的芯片AI部署优化岗。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
33K
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
24 个在招 · 其中人工智能 3 个
市场机会
选择面较广
上海 · 人工智能 · 约 240 个在招
职位详情
关于这个职位
该职位是自动驾驶芯片公司的AI模型部署优化工程师，核心职责是开发和维护面向其“华山”系列自动驾驶芯片的深度学习工具链
你需要主导深度学习模型在车载嵌入式平台上的全流程部署，包括量化、剪枝、蒸馏等，并针对芯片架构进行性能调优，确保算法在高性能与低功耗间取得平衡
同时，负责ADAS感知算法的设计与优化，并作为技术专家支持客户项目落地
最低要求
学历与基础：本科及以上学历，计算机、电子工程、数学或相关专业，具备扎实的算法基础与数学理论基础
工作经验：3年以上嵌入式领域图像处理或视觉分析工作经验，具有ADAS量产平台或自动驾驶产品经验者优先
框架与工具链：精通主流深度学习框架（TensorFlow, PyTorch, ONNX），深入理解深度学习编译器及工具链，熟悉端侧推理引擎（如TensorRT, TFLite, SNPE或有黑芝麻芯片部署经验者优先）
模型压缩技术：熟悉模型轻量化技术，包括但不限于模型剪枝、知识蒸馏、低比特量化（INT8/INT4），并有实际的嵌入式端落地经验
感知算法：对ADAS典型感知算法（如BEV感知、多传感器融合、双目深度估计）有深入理解，能够针对特定任务进行模型结构选型与优化
软技能：具备优秀的逻辑思维能力、问题定位能力以及客户沟通能力，能够适应快节奏的研发与技术支持工作
工作职责
工具链开发与维护：负责黑芝麻“华山”系列自动驾驶芯片的深度学习工具链开发与维护，重点参与ADAS相关软件及工具链的设计、实现与持续迭代
模型量化与部署：主导深度学习模型在车载嵌入式平台的全流程部署，包括后训练量化（PTQ）、量化感知训练（QAT）、模型剪枝及知识蒸馏，确保算法在高性能与低功耗间的平衡
算法设计与优化：负责ADAS感知算法（如目标检测、车道线识别、语义分割、双目视觉及端到端模型）的深度学习模型设计、训练及优化，并针对黑芝麻芯片架构进行算子适配与性能调优
跨部门协同：与算法团队、芯片设计团队紧密合作，分析客户需求，反馈工具链痛点，参与下一代芯片及工具链的架构优化
客户技术支持：作为技术专家支持市场及销售团队，参与产品推广、技术演示及客户项目落地，具备良好的客户沟通能力，能够快速响应并解决客户在部署中遇到的技术问题
AI 洞察
优缺点分析
优点
- 技术深度与广度兼具：工作贯穿算法、模型到芯片部署的全栈，能建立宝贵的软硬件协同优化经验
- 直接产出可见：模型在真实芯片上的性能提升和客户项目落地，能带来强烈的成就感
- 技术门槛高：需要同时理解深度学习算法、模型压缩、编译器和芯片架构，学习曲线陡峭
- 问题复杂：嵌入式部署涉及多环节，问题定位与解决可能涉及软硬件多个层面，难度大
- 客户需求响应：需同时支持内部研发和外部客户，在快速迭代的项目节奏中平衡多方需求
- 对AI模型在底层硬件上“跑起来、跑得好”充满热情，兼具扎实算法功底和动手实践能力，乐于钻研技术细节并享受解决复杂工程问题的工程师
缺点 / 挑战
- 行业前沿赛道：处于自动驾驶与AI芯片的交叉领域，技术挑战性强，成长空间大
角色解读
- 技术专家路线：在模型部署与芯片适配领域持续深耕，成为公司或行业内的深度学习编译与优化专家
- 技术管理路线：积累项目经验后，可带领小团队负责工具链或特定技术模块的整体规划与交付
- 行业跨界路线：凭借对AI模型与底层硬件的深刻理解，可向芯片设计、AI算法研究或自动驾驶系统架构等方向拓展
- 开发和维护专用于自动驾驶芯片的深度学习工具链，确保AI模型能在特定硬件上高效运行
- 负责将深度学习模型进行压缩和优化（如量化、剪枝），使其能在车载嵌入式平台的算力与功耗限制下高性能运行
- 针对目标检测、车道线识别等ADAS感知任务，设计、训练并优化AI模型，使其与芯片架构深度适配
- 作为技术桥梁，协同算法、芯片团队并直接支持客户，解决模型部署落地过程中的实际问题
- 精通TensorFlow/PyTorch等深度学习框架，并深入理解模型编译与端侧推理引擎（如TensorRT）
- 熟悉模型轻量化技术，特别是低比特量化（INT8/INT4）、剪枝和知识蒸馏，并有成功的嵌入式部署案例
- 了解自动驾驶感知算法（BEV、多传感器融合等）原理，能根据任务选型并优化模型结构
- 具备良好的跨团队协作与客户沟通能力，能快速定位并解决复杂的技术问题
申请策略
- 仔细研究黑芝麻公司的芯片产品（华山系列）及其技术路线，在面试中展示你的了解与思考
- 准备一个完整的端到端案例，讲述你如何将一个算法模型优化并成功部署到资源受限的嵌入式设备上
- 突出在模型量化、部署优化方面的具体项目经验，最好有在嵌入式平台（如GPU/ASIC）上的成功案例
- 详细描述使用过的深度学习框架、编译器及端侧推理工具，并说明在具体任务中如何应用
- 体现与芯片团队、算法团队或客户的协作经验，以及解决复杂技术冲突或问题的实例
- 深入学习主流的深度学习编译技术（如TVM）和模型优化工具，理解其背后原理
- 研究目标芯片（如黑芝麻华山系列）的架构特点或行业通用AI芯片架构，了解其算子支持与性能瓶颈
- 补充或强化自动驾驶感知算法（特别是BEV、多模态融合）的前沿知识
面试指南
- 使用STAR原则（情境、任务、行动、结果）来结构化你的项目经历描述，重点突出你的技术决策和量化结果
- 对于技术问题，展现你的系统性思维：从分析问题根源（是算子不支持、内存瓶颈还是计算冗余），到提出方案，再到验证效果的完整逻辑链
- 结合对角色的理解，强调你作为“桥梁”连接算法与硬件、研发与客户的价值，展现你的全局视野和工程落地能力
- 请介绍一个你负责的模型量化/部署项目，遇到了哪些主要挑战，你是如何解决的？
- 在模型轻量化（如INT8量化、剪枝）过程中，如何权衡模型精度和推理性能？
- 如果遇到一个模型在特定芯片上推理速度远低于预期，你会如何排查和定位问题？
- 你如何理解‘模型部署优化工程师’这个角色与算法研究员、芯片设计工程师的区别与联系？
- 你对我们公司的‘华山’系列芯片或自动驾驶芯片领域有什么了解？
职位点评
薪资福利70
成长发展88
工作生活45
使命价值78
薪资福利
70中等
作为已上市企业的正式职位，薪资和稳定性预期符合市场水准，但未提及具体的福利待遇细节。
薪资信号市场水准 (2.5–4万/月)
成长发展
88较高
职位要求涉及深度学习部署、模型优化、芯片适配等前沿技术，能提供高难度的技术挑战和成长机会。
技术前沿前沿/新兴技术
技术栈TensorFlow、PyTorch、ONNX、TensorRT、TFLite、SNPE、模型量化、知识蒸馏、模型剪枝、BEV感知、多传感器融合
业务类型ambiguous
工作生活
45较低
职位未明确办公模式和工作强度信息，但提及‘快节奏’与‘客户技术支持’，工作压力可能不低。
工作模式未明确
办公地点未明确
加班情况JD含高强度暗示词
使命价值
78中等
工作聚焦于自动驾驶芯片与AI算法的结合，属于高速增长赛道，技术创新性强。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
黑芝麻 的其他在招职位
相似职位推荐
Watch Jobs