荣耀
AI高性能计算高级工程师
AI高性能计算高级工程师
发布于 16 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Cuda
Gpu调优
Tvm
异构计算
性能优化
深度学习框架
编译器
高性能计算
值不值得投
71综合评分
综合评分 71
AI计算栈底层核心岗，技术前沿成长性强，但工作模式与强度未知。
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
3.8万
比算法优化工程师中位数低
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 200 个在招 · 其中算法优化工程师 16 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 270 个在招
职位详情
关于这个职位
该职位为荣耀AI计算平台团队的核心研发岗位，专注于深度学习框架的底层开发与高性能计算优化
你将负责实现计算操作、利用高性能计算库提升计算速度，并紧跟前沿技术，确保框架在多种芯片平台上高效运行
最低要求
高性能计算、并行计算、异构计算、性能优化
扎实的计算机系统，组成原理和体系结构基础
丰富的CPU、GPU、TPU、NPU、x86、ARM、DSP或者AI处理器调优经验
CUDA, cuDNN, TensorRT, OpenBLAS, OpenMP, MKL, OpenCL或其他并行计算/HPC开发经验
XLA，TVM，MLIR, Halide, Tiramisu和Glow计算图优化经验
编译器（LLVM/GCC），AI框架经验
工作职责
负责深度学习框架的基础功能开发，实现各种计算操作，支持常见芯片平台
使用各种高性能计算库提升深度学习框架计算速度
紧跟业内最新技术，甄别技术成熟度
优先资格
具有量化/压缩/稀疏/混精运算等领域的实际经验是一个加分项
具有视觉/音频/自然语言处理/推荐系统中一个以上应用领域的实际经验是一个加分项
AI 洞察
优缺点分析
优点
- 技术纵深强，能直接触及AI性能的命脉，是顶尖AI技术栈中的核心岗位，技术积累价值高
- 接触前沿的AI计算技术（如MLIR、TVM），与业界顶尖技术社区接轨，成长空间大
- 作为基础平台岗位，技能具有高度通用性，可迁移至芯片、自动驾驶、云计算等多个高科技领域
- 技术栈复杂且更新迅速，需要持续投入大量时间学习编译器、体系结构、并行计算等底层知识
- 性能优化工作往往需要处理极其复杂的系统问题，调试难度高，成果可能不够直观
- 需与芯片平台、AI算法、应用开发等多个团队紧密协作，对沟通和系统思维能力要求高
- 适合拥有扎实计算机功底，对系统底层与性能极致追求充满热情，乐于解决复杂工程问题且能接受较长学习曲线的资深工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕AI计算内核，成为特定领域（如编译器、GPU优化）的架构师
- 技术管理路线：带领小型技术团队，负责AI计算平台的整体架构规划与技术演进
- 横向拓展：从底层计算优化扩展到完整的AI软硬件协同设计，参与芯片选型与定义
- 为深度学习框架开发底层核心计算操作，确保其在多种芯片（CPU、GPU、AI加速器）上正确高效地运行
- 利用各类高性能计算库和编译优化技术，对框架计算流程进行极致性能优化，提升训练与推理速度
- 研究并评估最新的并行计算、编译器、图优化技术，将其潜在的成熟成果整合到技术栈中
- 需要具备深厚的计算机体系结构知识，能够理解硬件特性并进行针对性软件优化
- 必须精通CUDA、OpenCL等并行编程模型，以及TensorRT、TVM等计算图优化工具
- 需要丰富的异构计算平台（x86/ARM + GPU/NPU）调优实战经验，并具备编译器或AI框架的开发背景
申请策略
- 深入研究荣耀在AI芯片与计算平台方面的战略方向和公开技术分享，理解其技术生态诉求
- 在面试中，除了展示技术深度，也应表现出对技术选型背后系统性考量（如可维护性、跨平台支持）的理解
- 突出任何深度学习框架（如PyTorch, TensorFlow, MLC-MLIR）的源码级贡献或底层优化项目经验
- 详细描述在特定硬件平台（如NVIDIA GPU、华为昇腾NPU）上进行性能调优的具体案例与成果
- 列举对CUDA/OpenCL、TVM/XLA等并行计算与图优化工具链的实际使用经验
- 如果有编译器开发（如LLVM Pass）或参与开源计算库的经历，应重点展示
- 系统性地复习或深入学习计算机体系结构、编译原理（特别是LLVM）的核心知识
- 通过参与开源项目或动手实践，加深对TVM、MLIR等现代编译与优化框架的理解
面试指南
- 采用STAR法则（情境、任务、行动、结果）来结构化地讲述项目经历，突出你的思考和量化成果
- 回答技术方案题时，先明确优化目标和约束条件，再从算法、内存、指令级并行等多个维度展开分析
- 对于技术趋势类问题，结合具体工具的特点和实际应用场景，给出平衡的观点
- 请介绍一个你负责的深度学习框架或高性能计算库的优化案例，遇到了什么核心挑战？如何解决的？
- 对于一个给定的AI模型算子，你会如何分析其在异构平台（CPU+GPU）上的性能瓶颈，并提出优化方案？
- 你如何看待TVM、MLIR这类编译优化技术在AI框架发展中的作用？
- 如何平衡计算精度（如FP32, FP16）与计算速度、内存占用之间的关系？
- 如果新出现了一种AI芯片架构，你会如何着手评估其对现有深度学习框架的适配难度与工作量？
职位点评
薪资福利65
成长发展90
工作生活50
使命价值75
薪资福利
65中等
作为高级技术岗位，预计能提供具备市场竞争力的薪资，但具体福利与薪酬结构未在JD中明确说明。
薪资信号未披露（AI估算：2.5千–5万/月）
成长发展
90较高
职位处于AI计算栈的底层核心，技术门槛极高，要求跟踪并应用前沿技术（如TVM、MLIR），能提供顶尖的技术成长环境和明确的专家型发展路径。
技术前沿前沿/新兴技术
技术栈CUDA、TVM、MLIR、TensorRT、编译器、异构计算
成长机会紧跟业内最新技术、甄别技术成熟度
业务类型ambiguous
工作生活
50较低
工作模式、加班情况等WLB相关信息在JD中完全未提及，无法判断。岗位性质可能要求高强度的系统调试与问题排查。
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
75中等
AI高性能计算是推动整个AI产业发展的基础技术，虽然社会影响力不直接，但在技术前沿领域进行创新，对推动行业进步有直接价值。
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