中科曙光
【2027】AI系统工程师-天津(J14148)
【2027】AI系统工程师-天津(J14148)
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
Ai推理
Llm
Nvidia Gpu
Pytorch
分布式训练
异构计算
性能优化
值不值得投
75综合评分
综合评分 75
高门槛、前沿技术、系统级优化导向的AI工程岗，发展性突出，适合技术钻研型应届生。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
1.5万
比人工智能中位数低
发布情况
新岗位 · 今天发布
市场机会
选择不多
天津 · 人工智能 · 6 个在招
职位详情
关于这个职位
该职位是面向2027届应届研究生的AI系统工程师岗位
主要负责大模型训练与推理的系统工程落地，通过搭建分布式环境、进行全链路性能分析与优化，保障大模型在国产芯片和系统上的高效稳定运行，是连接AI算法与底层硬件的关键技术岗
最低要求
研究生及以上，计算机、人工智能、数学等相关专业
熟悉Transformer、LLM，AI Agent智能体等相关技术
熟悉PyTorch等主流训练框架或vllm/sglang等推理引擎，熟悉分布式训练推理并行原理和方法
熟悉GPU、NPU等体系结构，有相关异构编程和调优经验
工作职责
负责大模型训练推理工程落地调优，搭建与维护分布式训练环境，保障训练任务稳定高效运行，结合芯片和系统进行调优
负责大模型训练、推理全流程性能分析与优化，精准定位全链路性能瓶颈，输出并落地可闭环的优化方案
优先资格
有分布式训练或推理部署和优化经验的优先
有AI Agent智能体开发和部署经验的优先
有HPC、AI集群部署和运维经验的优先
AI 洞察
优缺点分析
优点
- 能深入接触AI最前沿的大模型训练与推理系统底层，技术栈硬核，成长空间大
- 岗位位于AI与算力结合的关键环节，直接关系到大模型落地的效率，技术价值高
- 有机会接触到国产芯片及自研系统，参与推动自主可控技术生态的发展
- 技术难度高，需要同时理解算法、系统、硬件多层知识，学习曲线陡峭
- 需要持续跟踪AI系统、分布式计算和硬件架构的快速技术迭代
缺点 / 挑战
- 性能优化工作往往需要深入底层，问题复杂且需要长期耐心调试，可能面临较大压力
- 适合对AI底层技术有浓厚兴趣，乐于探究系统性能本质，具备扎实计算机系统基础（操作系统、体系结构、并行计算），并能接受高技术挑战的计算机相关专业硕士及以上应届毕业生
角色解读
- 技术专家路线：深耕AI系统优化与异构计算，成为大模型基础设施领域的资深专家
- 架构师路线：随着经验积累，可负责更复杂的AI计算集群架构设计与技术选型
- 技术管理路线：在带领小团队解决复杂系统问题的基础上，可能向技术管理岗位发展
- 负责大模型在底层系统（包括硬件和分布式框架）上的训练与推理性能优化，确保算法高效运行
- 进行全链路性能分析，定位从代码到硬件各环节的瓶颈，并设计实施优化方案
- 搭建和维护分布式训练环境，保障大规模AI任务的稳定性和效率
- 结合国产芯片（NPU）特性进行异构编程与系统调优，推动技术栈的适配与落地
- 扎实的深度学习框架（如PyTorch）和模型（如Transformer、LLM）知识，理解训练与推理流程
- 精通分布式计算原理与方法，熟悉数据并行、模型并行等技术，并有实际调优经验
- 熟悉GPU/NPU体系结构，具备异构编程和性能分析调优的能力，能针对硬件特性优化软件
- 良好的问题定位与分析能力，能通过工具和数据精准找出性能瓶颈并形成闭环优化
申请策略
- 深入研究中科曙光在AI算力和服务器领域的产品和技术布局，思考该岗位如何与之结合
- 准备1-2个自己做过的与性能分析、并行计算或系统优化相关的具体案例，并能清晰阐述技术选型和优化效果
- 重点突出与分布式训练、性能优化、GPU编程相关的项目经历或研究成果，即使规模较小也要详述技术细节和收获
- 清晰展示对PyTorch等框架、LLM/Transformer模型原理的理解深度，可附上GitHub链接或技术博客
- 强调在课程设计、实习或竞赛中解决复杂系统问题的思路和过程，体现分析和定位瓶颈的能力
- 系统学习并实践分布式深度训练（如使用Horovod, DeepSpeed）和推理优化（如vllm, TensorRT-LLM）的具体技术
- 深入理解GPU/NVIDIA架构和CUDA编程基础，了解NPU的基本架构和编程模型，可进行简单的性能分析实践
- 通过阅读论文和代码，深入理解至少一种大模型（如LLaMA）从训练到推理的完整系统链路
面试指南
- 对于项目经验问题，采用STAR法则（情境、任务、行动、结果），重点描述技术决策和量化成果
- 对于技术分析问题，按层次拆解：从应用层代码、框架层配置、到系统层（通信、IO）、最后到硬件层（GPU利用率、显存），逐步排除
- 对于概念理解问题，先定义概念，再对比异同，最后结合实例说明应用场景，体现系统思维
- 请介绍一个你参与过的分布式训练或性能优化项目，遇到了什么挑战，你是如何解决的？
- 如果给你一个在多卡环境下训练大模型速度慢的问题，你会如何分析和定位瓶颈？
- 谈谈你对模型并行和数据并行的理解，它们各自适用于什么场景？
- 你了解vllm或TensorRT-LLM吗？它们实现高效推理的关键技术是什么？
- 为什么对这个AI系统工程师岗位感兴趣？你认为它和算法工程师的主要区别是什么？
职位点评
薪资福利65
成长发展90
工作生活60
使命价值80
薪资福利
65中等
作为应届生岗位，薪资福利信息未在JD中披露，但技术门槛高，预估薪酬处于市场合理区间。具体福利待入职确认。
薪资信号未披露（AI估算：1.2千–1.8万/月）
成长发展
90较高
该岗位直接参与大模型系统核心优化，技术栈前沿且深入，对个人技术深度和系统能力的提升有极强的锻炼价值，且明确针对2027届应届生，是优质的技术起点。
技术前沿前沿/新兴技术
技术栈大模型、LLM、Transformer、PyTorch、分布式训练、推理引擎、GPU、NPU、异构计算
业务类型profit_center
工作生活
60中等
工作地点在天津，生活成本较一线城市低。JD未明确提及办公模式、工作强度或福利，WLB情况需进一步确认。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
参与大模型训练推理系统优化，是推动人工智能落地的关键环节，尤其在国产算力生态建设方面具有重要战略意义，能带来较高的成就感和使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs