禾赛
AI Infra工程师
AI Infra工程师
发布于 6 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
CI/CD
Cuda
Pytorch
分布式训练
性能优化
推理优化
值不值得投
75综合评分
综合评分 75
自动驾驶行业、前沿AI技术栈、工程深度足，但工作模式与WLB信号未明确。
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
40K
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
66 个在招
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
该职位为AI基础设施工程师，主要负责将前沿的神经渲染、3D视觉及视频生成等AI算法模型进行工程化落地
你将参与构建和优化大规模分布式训练与推理平台，进行核心算子性能优化，并开发内部工具链以提升研发效率，最终保障线上服务的稳定与高效运行
最低要求
计算机、软件工程、电子信息、自动化等相关专业本科及以上学历
工程实现能力强，熟练掌握C/C++、Python，代码风格良好，有完整项目或实习工程经验
熟悉PyTorch训练与推理流程，了解Linux开发环境、Git、Docker，有GPU集群使用经验
满足以下方向之一：有CUDA/GPU性能优化经验
有分布式训练或多机部署经验
有推理服务或高并发系统开发经验
对AI基础设施与工程化落地有强烈兴趣，沟通顺畅，结果导向，能与算法同学高效协作
工作职责
负责团队内神经渲染、3D视觉、视频生成等方向模型的预训练/后训练与推理工程化落地，将算法原型转化为稳定、高效、可维护的生产级系统
参与大规模分布式训练与推理平台建设，优化数据处理、模型管理与评测流程，提升研发迭代效率
基于C++/CUDA进行核心算子与热点路径性能优化，针对大规模多模态场景做显存与吞吐优化
参与推理服务搭建与部署，包括模型导出、加速优化、批处理与并发调度，保障服务稳定性与可观测性
开发内部工程工具链，包括实验管理、性能评测、自动化测试与CI/CD集成，推动工程质量持续提升
与算法团队紧密协作，响应训练集群与线上服务的性能与稳定性问题
优先资格
加分项：有算子开发或深度学习框架扩展经验
加分项：参与过多模态大模型、3D视觉或视频生成相关工程项目
加分项：熟悉主流训练推理加速技术栈，或有CI/CD、监控告警实践经验
加分项：编程竞赛获奖，或参与过知名开源项目贡献
AI 洞察
优缺点分析
优点
- 身处自动驾驶这一高增长赛道，公司业务前景明确，技术方向有持续投入
- 直接支撑核心算法落地，能清晰看到自己的工作对产品和业务产生的实际价值
- 上市公司平台，技术体系和工程规范相对成熟，有利于系统性学习
- 技术栈复杂，需要同时掌握AI算法理解、系统编程（C++/CUDA）和分布式系统，学习曲线陡峭
- 对性能优化的要求极高，需要持续追踪硬件和软件的最新发展，保持技术敏感度
缺点 / 挑战
- 技术深度高，能接触和解决大规模AI工程化的前沿挑战，个人技术成长快
- 需要与多个团队（算法、运维、业务）协作沟通，对软性技能有较高要求
- 适合对将AI算法转化为可靠系统充满热情，具备扎实工程基础和性能优化钻研精神，喜欢解决复杂、有挑战性技术问题的开发者
角色解读
- 深度发展路线：深耕AI系统性能优化与架构设计，成为AI Infra领域专家或架构师
- 广度发展路线：结合公司业务（自动驾驶），向AI平台负责人、技术总监方向发展
- 技术影响力路线：主导内部工具链或开源项目，建立行业技术影响力
- 将前沿的AI算法（如神经渲染、3D视觉）从原型转化为稳定高效的生产系统
- 设计和优化大规模GPU集群上的分布式训练与推理平台，提升研发效率
- 使用C++/CUDA对模型核心算子进行极致性能优化，解决实际业务中的算力瓶颈
- 开发和维护内部工具链，如实验管理、自动化测试等，提升团队工程化水平
- 扎实的C++/Python工程能力，能编写高质量、可维护的代码
- 深入理解PyTorch，并有使用GPU集群进行大规模模型训练或推理的实战经验
- 具备CUDA编程或高性能计算背景，了解分布式系统与网络通信
- 出色的沟通协作能力，能与算法团队紧密配合解决复杂工程问题
申请策略
- 仔细研究禾赛在自动驾驶和激光雷达感知算法方面的技术博客或论文，了解其AI应用的具体场景和挑战
- 在面试中，准备一个从算法到工程化落地的完整案例，清晰阐述你遇到的挑战、解决方案和最终效果
- 重点突出使用C++/CUDA进行性能优化或算子开发的项目，量化优化成果（如速度提升、显存节省）
- 详细描述使用PyTorch在GPU集群上进行分布式训练或大规模推理部署的项目经验
- 列举参与的完整工程项目，说明你在其中负责的模块和起到的关键作用，体现工程落地能力
- 如有相关的开源项目贡献或技术博客，务必提供链接，展示技术热情和影响力
- 系统复习CUDA编程模型和性能优化技巧，可以尝试编写和优化简单的CUDA核函数
- 深入学习分布式训练框架（如PyTorch DDP, DeepSpeed）的原理和实践
面试指南
- 对于项目问题，采用STAR法则（情境、任务、行动、结果）结构化描述，重点突出你的工程行动和量化成果
- 对于技术原理问题，先阐述核心概念和工作原理，再结合具体实践场景和调优经验进行回答
- 对于开放性问题，从工程系统角度出发，分点阐述考虑的维度（如性能、稳定性、可维护性、成本），并给出具体的技术方案示例
- 请介绍一个你参与过的、将AI模型进行工程化部署或性能优化的项目，你在其中具体负责什么？遇到了哪些挑战？
- 你如何理解PyTorch中的DataLoader、DistributedDataParallel？在实际训练中如何调优它们的参数？
- 假设一个模型在A100上推理延迟达不到要求，你会从哪些方面着手进行优化？
- 如何设计一个高可用的模型推理服务？需要考虑哪些关键因素？
- 你如何看待AI Infra工程师与算法研究员之间的协作关系？
职位点评
薪资福利75
成长发展85
工作生活60
使命价值75
薪资福利
75中等
薪资在市场水准范围，作为上市企业，平台稳定性和规范性较好，但JD未明确列出具体福利项。
薪资信号市场水准 (3–5万/月)
成长发展
85较高
岗位要求涉及前沿AI技术（多模态、3D视觉）与系统工程深度结合，技术挑战高，学习成长空间明确。但JD未提及内部培训或晋升路径。
技术前沿前沿/新兴技术
技术栈神经渲染、3D视觉、视频生成、CUDA、分布式训练、PyTorch
业务类型ambiguous
工作生活
60中等
JD未提及任何远程办公、弹性工作或WLB相关信号，仅说明工作地点在上海，推断为现场办公。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
岗位服务于自动驾驶这一具有明确社会价值（提升交通安全与效率）的赛道，但该职位本身是技术支撑角色，其直接社会影响力感知相对间接。
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
Watch Jobs