英特尔
AI Software Development Engineer
AI Software Development Engineer
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Gpu/Npu加速
Llm
Onnx Runtime
Pytorch
Vlm
模型量化
软硬件协同优化
值不值得投
80综合评分
综合评分 80
英特尔校招端侧AI核心岗，技术前沿且成长空间巨大，薪资具竞争力，但需现场办公且面临较高的技术挑战。
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
2万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
32 个在招 · 其中机器学习工程 9 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 360 个在招
职位详情
关于这个职位
该职位主要负责在端侧设备上部署和优化大语言模型（LLM）、视觉语言模型（VLM）等前沿AI技术
你将参与构建推理管线、开发自动化工具，并与硬件团队协同优化CPU/GPU/NPU性能，致力于将AI创新转化为提升数百万用户体验的落地方案
最低要求
相关领域学士学位，具备0-1年AI软件开发实践经验（通过实习、学术项目、课程或实践培训获得的技能），或相关领域硕士学位且无正式工作经验
精通 Python 或 C/C++，熟悉 Windows 或 Linux 开发环境
基本了解 AI 开发工具和实践，包括个人项目、课程作业或对开源平台的贡献
工作职责
与领先的模型团队合作，在终端用户设备上部署大语言模型（LLM）、视觉语言模型（VLM）、AI 智能体以及图像/视频生成模型
使用 Python 或 C/C++ 快速原型设计并开发推理管线、媒体编解码器和自动化工具
参与 CPU、GPU 和 NPU 的系统级软硬件协同优化，以提高性能和工程效率
参与技术评估、原型设计、系统集成和迭代产品开发周期
通过与模型、硬件和生态系统利益相关者对齐，构建跨领域解决方案，以扩展端侧 AI 能力
优先资格
具备开发 LLM、VLM、AI 智能体、检索增强生成（RAG）或工具使用工作流的经验
了解 PyTorch、OpenVINO 和 ONNX Runtime 等推理框架
具备模型量化、蒸馏、微调（如 LoRA）以及在端侧设备上部署的实践经验
熟悉 GPU/NPU 加速、媒体处理、视频编解码和系统性能优化技术
习惯使用 Cursor 和 GitHub Copilot 等工具进行 AI 开发工作流
AI 洞察
优缺点分析
优点
- 接触最前沿的端侧AI技术（LLM/VLM部署、NPU加速），技术壁垒高，行业前景广阔
- 依托底层硬件生态，能深入理解软硬件协同优化，这是纯软件开发者难以获得的稀缺经验
- 跨国巨头平台，工程文化浓厚，有机会与全球顶尖研发团队和模型开发者合作
- 端侧AI部署涉及底层硬件和系统级优化，技术难度大，学习曲线较陡峭
- 适合对底层系统优化、AI模型部署有浓厚兴趣，具备扎实C++/Python基础，且希望在软硬件结合领域深耕的计算机或AI专业应届生
缺点 / 挑战
- 需要频繁与模型团队、硬件团队及生态系统多方对齐，跨部门沟通与协调成本较高
角色解读
- 初级阶段可专注于单一模型的端侧部署与推理优化，积累软硬件协同经验
- 中期可成长为端侧AI架构师或技术专家，主导跨领域的AI解决方案设计
- 长期可向AI技术总监或底层系统优化专家方向发展，影响数百万设备的AI体验
- 负责将大语言模型（LLM）和视觉语言模型（VLM）等前沿AI模型部署到端侧设备上
- 使用Python或C/C++开发推理管线和自动化工具，并进行软硬件协同优化以提升系统性能
- 参与技术评估、原型设计和系统集成，推动AI技术在终端设备上的落地
- 扎实的Python或C/C++编程能力，熟悉Windows/Linux开发环境
- 了解AI开发工具及推理框架（如PyTorch、OpenVINO、ONNX Runtime）
- 具备模型量化、微调（如LoRA）及端侧部署的基础知识或实践经验
申请策略
- 了解英特尔在端侧AI（如AI PC、NPU）方面的最新战略布局和产品线，面试时展现对公司业务方向的关注
- 准备好具体的项目案例，详细说明你在模型部署或性能优化中遇到的技术难点及解决思路
- 突出在LLM/VLM部署、模型量化/微调（如LoRA）或推理框架（OpenVINO/ONNX）相关的项目经验
- 强调C++/Python编程能力以及在Windows/Linux环境下的系统级开发或性能优化经验
- 展示对AI开发工具（如Cursor/GitHub Copilot）的熟练使用及开源社区贡献
- 深入学习OpenVINO或ONNX Runtime等推理框架，掌握模型量化和端侧部署的完整流程
- 补充计算机体系结构、GPU/NPU加速原理及媒体编解码相关的基础知识
面试指南
- STAR法则：针对项目经验，清晰描述情境、任务、行动和结果，重点突出你的技术决策和量化收益
- 软硬结合思维：在回答优化问题时，不仅从算法/模型层面（如量化、剪枝）分析，还要结合硬件特性（如NPU架构、内存带宽）给出系统性解决方案
- 请介绍一个你参与过的AI模型部署或推理优化的项目，你遇到了哪些性能瓶颈，是如何解决的？
- 在端侧设备上部署LLM时，通常会面临哪些内存和算力限制？你会采用哪些模型压缩或优化技术？
- 请谈谈你对OpenVINO或ONNX Runtime的理解，它们是如何加速模型推理的？
- 如果模型团队提供的模型在目标硬件上运行效率不达标，你会如何与模型团队沟通并协同优化？
- 复习深度学习模型压缩与部署技术（量化、蒸馏、LoRA），并了解英特尔OpenVINO工具包的核心原理
- 准备1-2个能体现你解决复杂系统问题或跨团队协作能力的深度项目案例
职位点评
薪资福利80
成长发展90
工作生活60
使命价值85
薪资福利
80较高
作为跨国巨头的校招AI岗，薪资福利体系完善，端侧AI方向属于当前高溢价领域，整体薪酬具备较强市场竞争力。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
90较高
岗位涉及LLM/VLM端侧部署、软硬件协同优化等前沿技术，且明确提到与全球研发团队合作，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、C/C++、LLM、VLM、PyTorch、OpenVINO、ONNX Runtime、LoRA、GPU/NPU加速
成长机会unparalleled opportunities to grow
业务类型ambiguous
工作生活
60中等
JD明确要求on-site presence（现场办公），且未提及弹性工作制或WLB相关福利，工作节奏可能受项目迭代和跨时区协作影响。
工作模式仅现场办公
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
85较高
致力于将AI创新转化为提升数百万用户体验的落地方案，推动终端设备AI边界，具有较高的社会影响力和技术使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号deliver exceptional computing experiences、pushes boundaries in AI for end devices、translate AI advancements into impactful solutions that reach millions of users
创新程度积极采用新技术
英特尔 的其他在招职位
相似职位推荐
Watch Jobs