【2027】AI infra 研发工程师(J14429)

优缺点分析

角色解读

• 技术专家路线：深耕AI基础设施某一方向（如调度、存储、通信），成为领域内的资深技术专家
• 架构师路线：向系统架构设计发展，负责整体AI平台或产品的技术架构
• 技术管理路线：在积累深厚技术背景后，可转向团队管理或项目管理
• 参与AI训练和推理平台底层软件的开发与优化，提升系统资源利用效率
• 设计和开发分布式AI计算框架、任务调度系统或高性能AI中间件
• 负责GPU、NPU等AI加速器的驱动适配、性能调优及稳定性保障
• 解决大规模AI集群运行中的技术难题，确保训练任务的可靠与高效执行
• 扎实的计算机体系结构、操作系统和网络基础，熟悉Linux环境开发
• 熟悉至少一种深度学习框架（如PyTorch、TensorFlow）的底层实现原理
• 具备C/C++或Python开发能力，了解GPU编程（CUDA）者优先
• 对分布式系统、高性能计算（HPC）或云计算有基本了解和实践兴趣

申请策略

• 仔细研究中科曙光在AI infra、服务器、云计算方面的技术产品和开源项目
• 面试中可能会考察对系统底层问题的思考，准备好如何分析和解决模拟的性能或稳定性问题
• 了解并思考当前大模型训练面临的主要系统挑战（如通信瓶颈、显存优化、容错等）
• 突出与操作系统、编译原理、计算机网络、高性能计算相关的课程项目或研究经历
• 详细描述使用过或阅读过源码的深度学习框架（PyTorch/TensorFlow）及其底层组件
• 展示C/C++/Python的编码能力，以及在Linux环境下调试、开发、部署系统的经验
• 如有参与开源项目（特别是AI infra相关项目）或编写过系统级工具，应重点描述
• 系统学习CUDA编程，尝试完成一些简单的GPU并行计算项目

面试指南

• 系统设计类问题：从需求分析（功能、性能、扩展性）入手，分模块阐述设计思路，强调权衡取舍（如一致性与可用性）
• 源码/原理类问题：先说明基本概念，再结合具体场景（如训练一个BERT模型）解释工作流程，最后可以提到已知的优化点或业界改进方案
• 问题排查类问题：遵循分层排查思路（应用层→框架层→驱动层→硬件/网络），列举可能的工具（nvidia-smi, profiler）和日志，体现系统性思维
• 请描述一下你对分布式深度学习训练中参数服务器（Parameter Server）和AllReduce两种通信范式的理解，以及它们的优缺点
• 如果让你设计一个简单的GPU集群任务调度系统，你会考虑哪些关键因素？
• 你阅读过PyTorch/TensorFlow源码吗？请以其中一个模块为例，谈谈你的理解
• 如何诊断和解决一个AI训练任务在GPU集群上运行时速度异常缓慢的问题？
• 你是否有过操作系统、网络编程或高性能计算相关的项目经验？请介绍一下