AI计算库开发工程师(北京/深圳)

优缺点分析

角色解读

• 纵向可成长为AI芯片底层软件架构师或高性能计算技术专家
• 横向可向AI编译器开发、AI基础设施架构或大模型底层优化方向拓展
• 负责腾讯自研AI芯片的高性能算子研发与优化，设计高效的数据流与计算流方案
• 结合芯片底层架构（计算单元和存储层次）构建可维护、可扩展的算子库
• 协同编译器、Runtime及业务团队，推动深度学习模型在自研芯片上的端到端性能落地
• 扎实的C++/Python编程能力与Linux开发经验，具备优秀的工程实现能力
• 深入理解异构计算/高性能计算原理，精通并行编程、向量化及访存优化
• 熟悉主流深度学习框架（PyTorch/TensorFlow），并具备使用Profile工具进行性能瓶颈定位与调优的能力

申请策略

• 提前了解腾讯自研AI芯片的公开技术博客或架构特点，面试时展现对自研生态的关注与思考
• 突出在异构计算（CUDA/OpenCL/ROCm等）或高性能算子开发方面的实际项目经验与性能提升数据
• 展示对计算机体系结构（如缓存一致性、内存带宽、指令集）的深入理解及访存优化案例
• 强调在PyTorch/TensorFlow等框架底层的定制开发或算子贡献经历
• 深入学习Triton、CUDA或相关AI芯片的底层编程模型，熟悉主流算子库的实现原理
• 掌握高级性能分析工具（如Nsight Compute、perf等），提升性能瓶颈定位与调优的实战能力

面试指南

• 性能优化类问题采用“背景-瓶颈分析-优化手段-量化收益”的STAR框架回答，突出数据指标
• 底层原理类问题采用“概念解释-硬件映射-代码实现”的逻辑，展现对软硬件协同的深刻理解
• 请详细描述一个你做过的高性能算子优化案例，你是如何定位瓶颈并最终提升性能的？
• 在异构计算中，如何优化全局内存与共享内存的访问以减少访存延迟？
• PyTorch的算子调度机制是怎样的？如果要在自研芯片上适配PyTorch，你会如何设计Runtime？
• 解释一下向量化编程的原理，以及在C++中如何利用SIMD指令集进行加速？
• 复习计算机体系结构核心知识（Cache、Memory Hierarchy、Pipeline），并准备相关的底层优化代码片段
• 梳理过往项目中的Profile工具使用经验，准备好性能火焰图或分析报告作为面试素材