嵌入式算法工程师（AI部署）-2027校招 置顶

优缺点分析

角色解读

• 起步阶段以单模型、单算子的部署调优为主，逐步成长为能主导整条端侧推理链路的技术骨干
• 中长期可向端侧AI架构师、异构计算优化专家方向发展，或转向算法-芯片协同设计
• 由于同时懂算法与硬件，在智能影像、自动驾驶、机器人、AIoT等硬件公司中跳槽面较宽
• 把感知、规控等AI模型和传统视觉算法搬到ARM64、DSP、NPU等嵌入式芯片上跑起来，是算法与硬件的“翻译官”
• 日常围绕推理速度、内存占用、功耗做打磨，通过量化、剪枝、算子融合等手段让模型在有限算力下满足实时性
• 同时参与推理框架与技术基座的建设，把优化经验沉淀为可复用的工具和规范
• 扎实的C++功底与面向对象设计能力是硬门槛，需要能读懂并改造底层代码
• 熟悉深度学习基础算子与数字图像处理，理解卷积、归一化等在硬件上的实现代价
• 掌握模型量化、剪枝、算子融合等推理优化手段，了解ARM NEON、DSP指令或NPU工具链者更占优
• 具备英文技术文档阅读能力，能跟进芯片厂商与开源框架的文档

申请策略

• 影石是硬件产品公司，投递前建议体验其相机产品与App，理解端侧算法在真实产品中承担的角色
• 简历中的项目数据要真实可验证，面试官大概率会追问加速比是怎么测出来的
• 留意校招批次与内推渠道，算法部署岗名额通常少于纯算法岗，早投更有优势
• 突出C++项目经历，尤其是涉及性能优化、多线程、内存管理的部分
• 如有模型部署经验，写明具体平台（ARM/树莓派/Jetson/NPU开发板）、量化方案和实测加速比、内存下降幅度
• 课程或竞赛中的数字图像处理、深度学习算子实现项目要写清你负责的具体模块
• 如有开源推理框架（NCNN、MNN、TFLite、TensorRT）使用经验，务必单列
• 补一补模型量化原理（PTQ/QAT、对称与非对称量化、校准集选择）和常见算子融合规则，能讲清原理比会用工具更重要

面试指南

• 技术题遵循“定位问题—分析原因—方案选型—验证结果”四步作答，量化每步中的关键判断依据
• 项目题用STAR结构，重点讲你个人的决策与取舍，而不是复述团队成果
• 开放题（如为什么选这个方向）要落到具体经历上，用一件真实的事说明你对底层优化的兴趣来源
• ）讲一个你做过的最有挑战的性能优化项目，瓶颈怎么定位、最后提升了多少？
• ）模型量化后精度下降明显，你会从哪些角度排查和补救？
• ）卷积算子在ARM上如何利用NEON指令优化？说说你的思路
• ）C++中虚函数、内存对齐、const与引用的使用，结合你写过的代码谈谈
• ）为什么选择端侧部署方向，而不是做算法研究？