新业务部-AI编译器开发工程师/专家

优缺点分析

角色解读

• 技术专家路线：深耕AI编译器技术，成为细分领域（如图优化、调度、代码生成）的权威
• 技术负责人路线：负责更完整的AI计算软件栈（如运行时、调度器、性能分析工具），或带领小团队
• 向架构师发展：结合芯片设计与软件栈，参与或主导下一代AI芯片的协同设计
• 设计并实现面向AI芯片的编译器，将AI模型高效地映射到硬件上执行
• 开发和维护编译工具链，并持续进行模型推理性能与能效的深度优化
• 跟踪AI编译器前沿技术（如TVM, MLIR），并规划公司自研编译器的技术演进路线图
• 深厚的编译原理知识，精通编译前端、中端优化与后端代码生成等技术
• 精通C++语言，并具备扎实的GPGPU/NPU体系结构与编程优化经验
• 熟练掌握TVM、MLIR等主流AI编译框架，并能进行底层开发与扩展

申请策略

• 研究小米在AI芯片和编译器方面的公开技术分享或论文，了解其技术路线和关注点
• 准备一个能体现你对AI编译全栈理解的技术问题或想法，在面试中展现你的思考深度
• 突出C++语言能力和在编译器、工具链或系统级软件方面的开发经验
• 详细描述使用或参与开发TVM、MLIR等框架的经历，或对编译优化技术的研究
• 强调与性能优化相关的项目，尤其是涉及GPGPU、NPU或特定硬件加速的经验
• 如有芯片或IP落地经验，务必在简历中清晰描述项目成果与个人贡献
• 系统学习或复习编译原理，特别是针对机器学习模型的图优化、内存优化和调度算法
• 深入研究TVM或MLIR的源码和社区动态，尝试贡献代码或复现相关论文

面试指南

• 对于技术原理问题，采用“定义/原理 -> 关键技术点 -> 实际案例/你的理解”的结构回答
• 对于项目经验问题，使用STAR法则（情境、任务、行动、结果），重点突出你的技术决策和量化成果
• 对于开放设计问题，从需求分析、核心挑战、初步方案（模块划分、数据流、优化点）等角度展开
• 请解释TVM中的Relay IR和TIR分别负责什么？你如何在此基础上进行一个算子的融合优化？
• 描述一次你解决复杂性能问题的经历，你用了哪些工具和方法定位瓶颈？最终如何优化的？
• GPGPU/NPU架构在编程模型和执行模型上与CPU有何主要区别？对编译器设计有什么影响？
• 如果让你为一个新的AI加速器设计编译器后端，你会考虑哪些关键模块和设计要素？
• 你如何看待TVM和MLIR在AI编译领域的定位与竞争？未来的发展趋势可能是什么？