顶尖应届-AI软硬融合研究工程师-芯片

优缺点分析

角色解读

• 技术深耕：成为AI芯片软硬协同优化领域的专家，主导下一代芯片架构设计
• 系统架构师：从单点优化转向全栈系统设计，负责AI Infra框架的整体架构与演进
• 跨界领导者：凭借算法、系统、芯片的复合能力，成长为技术团队负责人或技术总监
• 深入理解自研芯片架构，分析性能瓶颈，设计芯片亲和性算法以优化AI模型在芯片上的运行效率
• 结合人车家业务场景，研究模型压缩、量化等前沿技术，并在自研芯片上进行定制化适配和验证
• 开发高性能AI Infra框架、编译器、算子库及运行时系统，利用AI Agent等新范式提升系统效率
• 构建从算法模型到芯片部署的完整工具链，包括性能分析平台和自动化优化流程
• 扎实的神经网络算法基础，熟悉模型压缩（剪枝、量化、蒸馏）和轻量化网络设计
• 深入理解处理器架构（CPU/GPU/NPU/DSP）的微架构特性，掌握并行计算模型
• 具备AI编译器开发（TVM、MLIR）或算子优化（CUDA Kernel、Triton）经验，有AI Agent研发经验者优先
• 熟悉模型推理全流程，包括图优化、编译优化和内存管理，有边缘端或车载部署经验者优先

申请策略

• 关注小米自研芯片（澎湃系列）的技术动态，在面试中展现对芯片特性的理解
• 思考如何在人车家场景中应用软硬融合技术，准备相关案例或想法，体现业务洞察力
• 突出与模型压缩、量化、NAS等相关的科研项目或竞赛经历，展示算法优化能力
• 强调任何与芯片或硬件加速相关的经验，如CUDA编程、TVM/MLIR使用、算子优化等
• 展现系统部署经验，例如在边缘设备或车载平台上的模型优化与部署案例
• 体现跨领域协作能力，如与硬件团队合作的经历，或主动推动复杂问题的解决
• 补充芯片架构知识，学习NVIDIA GPU或ARM架构的微架构特性，了解并行计算模型
• 动手实践AI编译器，尝试用TVM或MLIR编写简单的算子优化，或参与开源项目

面试指南

• 对于技术问题，先阐述基本原理，再结合项目具体说明应用过程和效果，最后总结改进思路
• 对于协作类问题，用STAR法则（情境、任务、行动、结果）描述跨团队合作经历，突出主动沟通和解决问题能力
• 请解释一下模型剪枝和量化的原理，并分享一个你实际应用的案例
• 你如何理解芯片亲和性？在设计算法时如何考虑芯片架构特性？
• 描述一下TVM或MLIR的编译流程，并说明如何优化一个算子
• 在边缘端部署模型时，你遇到过哪些挑战？如何解决内存和算力限制？
• 你如何与不同领域（算法、系统、芯片）的同事协作推动项目？
• 复习深度学习基础（CNN、Transformer），重点掌握剪枝、量化、蒸馏等压缩技术的原理和实现