【2027】AI框架研发工程师-成都(J14464)

优缺点分析

角色解读

• 技术专家路线：持续深耕AI框架与硬件协同优化，成为国产AI算力栈的核心技术专家
• 架构师路线：从单点优化扩展到整个软硬件栈的架构设计，参与AI计算平台的整体规划
• 行业影响力：通过技术贡献（如开源项目、论文）提升个人及公司在AI基础设施领域的行业影响力
• 负责将主流AI框架（如PyTorch、TensorFlow）适配到国产GPU上，确保软件生态在国产硬件上可用、高效
• 对AI模型（如推荐系统、视觉模型、大模型）在国产GPU上进行性能分析与调优，解决性能瓶颈
• 参与底层AI基础组件（如编译器、向量数据库）的研发，提升系统整体性能
• 跟踪AI领域最新技术动态，并将其工程化落地到国产硬件平台上
• 扎实的C++和Python编程能力，能进行高性能系统级开发
• 深入理解GPU体系架构、CUDA编程模型及AI框架（至少精通一种）的内部原理
• 具备模型训练或推理优化的实际经验，了解LLM、VLM、搜广推等至少一个领域
• 熟悉Linux开发环境，有处理复杂系统问题和进行性能分析的能力

申请策略

• 研究中科曙光在国产芯片（如DCU）和AI软件栈方面的公开技术报告或论文，了解其技术路线和面临的挑战
• 在面试中，展现出对解决“卡脖子”技术难题的热情和对国产化事业的认同感，这可能是重要的加分项
• 准备好深入讨论你做过的任何一个性能优化或系统开发项目的细节，面试官可能会深挖技术原理
• 突出与GPU/CUDA编程、AI框架（PyTorch/TensorFlow等）源码研究或贡献相关的项目经历
• 强调在操作系统、编译器、高性能计算或体系结构等课程的优异成绩或项目
• 列举任何性能分析、调优工具（如VTune, Nsight）的使用经验，或对大规模并行计算问题的处理经验
• 如有与国产芯片、异构计算相关的实习或项目经验，务必重点描述
• 深入学习CUDA编程与GPU体系架构，可尝试复现经典并行计算算法或优化简单算子

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化地讲述项目经历，突出你的思考和行动
• 回答技术原理问题时，先阐述核心概念，再结合具体实例或自己的理解进行说明，体现深度
• 对于开放性问题，展现你的分析框架：从问题定义、技术选型、实现步骤到验证评估，条理清晰
• 请介绍一个你做过的与GPU编程或性能优化相关的项目，你遇到了什么挑战？如何解决的？
• 你对PyTorch或TensorFlow的某个组件（如自动微分、算子调度）的实现原理有何了解？
• 如果让你将一个简单的PyTorch算子适配到一款新的国产GPGPU上，你会考虑哪些步骤和潜在问题？
• 请解释一下CUDA中的线程、线程块、网格的概念，以及它们如何映射到GPU的硬件资源上
• 你如何看待AI框架和硬件协同设计（例如Triton或MLIR）的发展趋势？