AI软件工程师

优缺点分析

角色解读

• 从专项技术模块（如驱动或算子）起步，逐步深入AI芯片全栈，成为芯片软件领域专家
• 可向AI编译器/芯片架构方向纵深发展，或向技术管理岗位转型，带领团队完成更复杂的交付
• 积累端侧AI落地经验，未来可转向边缘计算、自动驾驶等新兴AI领域
• 负责AI芯片底层驱动的开发与设计，包括多任务调度、Firmware和kernel驱动，确保芯片高效运行
• 基于自定义指令集开发高性能算子，对AI模型中的关键计算进行极致优化
• 参与AI推理框架和图编译器的开发，完成量化、图转换、图融合、片上内存分配等工具链工作
• 负责AI模型的性能与功耗优化，并参与自研芯片的FPGA和EMU验证
• 精通C/C++和Python，具备扎实的代码功底和系统级软件开发能力
• 熟悉至少一种主流神经网络框架（如TensorFlow、PyTorch）以及Android NN
• 熟悉Android/Linux系统，具备Linux或RTOS平台上的开发经验
• 良好的团队沟通能力和技术攻关能力，能解决复杂系统问题

申请策略

• 关注小米招聘官网或内推渠道，了解具体岗位所属部门（如芯片部门），在申请时表达对AI芯片方向的热情
• 面试中多展示你对端到端AI解决方案的理解，而不仅仅是单个模块的经验
• 突出你在AI框架、编译器或芯片驱动方面的项目经验，尤其是性能优化相关的成果（如算子加速、推理延迟降低）
• 强调C/C++和Python的熟练度，以及Linux/RTOS环境下的开发经验，可以附上代码仓库或技术博客
• 如果有神经网络模型量化、图优化或算子实现的经验，务必重点展示
• 体现团队协作和技术攻关的能力，如主导过复杂技术问题的解决
• 提前熟悉AI编译器的基本概念（如TVM、MLIR）和GPU/NPU的算子优化方法，会给面试加分
• 复习计算机体系结构、操作系统（中断、内存管理）和并行计算相关知识，以应对底层技术问题

面试指南

• 采用STAR法则：背景-任务-行动-结果，突出你的技术决策和量化成果
• 对于技术问题，先阐述原理，再结合项目实例说明具体实现，最后提出改进思路
• 遇到不确定的问题，诚实说明边界，并展示你的分析过程和解决问题的能力
• 请介绍一个你参与过的AI模型部署或性能优化项目，具体做了什么，效果如何？
• 在Linux/RTOS环境下进行驱动开发时，你是如何调试和定位问题的？
• 针对自定义指令集，你会如何设计并优化一个算子？请举例说明
• 你熟悉哪些图优化技术？如何对计算图进行融合或内存分配优化？
• 如何在资源受限的端侧设备上平衡模型性能和功耗？