AI编译优化工程师(北京/上海/深圳)

优缺点分析

角色解读

• 可向AI编译器架构师、AI芯片底层技术专家方向发展
• 随着自研芯片业务的扩大，有机会成为AI基础设施核心技术骨干或技术团队负责人
• 负责基于自研芯片的高性能图和算子编译器研发，解决芯片落地中的编译性能与易用性问题
• 探索并研发自动生成算子的解决方案，提升算子生成效率
• 持续迭代编译器功能，与业务团队协作构建完善的AI生态
• 精通C++/Python及Linux开发环境，具备扎实的系统设计与优化能力
• 深入理解GPU/AI DSA体系结构，拥有主流AI芯片的编译优化经验
• 熟练掌握MLIR、Triton、tilelang等CodeGen框架

申请策略

• 准备详细的底层优化案例，展示如何解决复杂的编译性能瓶颈
• 了解AI芯片的业务布局，体现对构建AI生态的宏观理解
• 突出在MLIR、Triton等CodeGen框架上的实际项目经验及性能优化成果
• 详细列举在GPU/AI DSA架构下的算子开发与编译器优化案例，量化性能提升指标
• 深入学习MLIR和Triton的最新特性，了解当前主流AI大模型对底层算子的性能需求
• 熟悉自研芯片的架构特点及生态现状

面试指南

• 采用STAR法则，重点突出问题背景、技术难点、解决方案与量化收益
• 在回答底层优化问题时，结合硬件架构特性（如内存层级、并行计算单元）进行深度剖析
• 请详细介绍一个你使用MLIR或Triton进行算子优化或编译器开发的项目，遇到了哪些性能瓶颈及如何解决？
• 在GPU/AI DSA体系结构下，如何提升自动生成算子的效率？
• 针对自研芯片落地，你认为编译器在易用性和性能上需要解决哪些核心问题？
• C++在底层系统开发中如何进行内存和性能优化？
• 复习MLIR、Triton的核心概念及代码实现，准备1-2个具有代表性的底层性能优化项目案例
• 了解AI编译器的基本原理及当前业界主流框架的优劣势