华为
AI Infra研究工程师
AI Infra研究工程师
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Agentic Ai
Ai计算集群
分布式训练
多模态
大模型训练
并行计算
推理引擎
论文发表
软硬协同
值不值得投
薪资怎么样
5.0万
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 650 个在招 · 其中机器学习工程 16 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 390 个在招
职位详情
关于这个职位
该岗位隶属于华为2012实验室，聚焦大模型（语言、多模态、Agent、生成式推荐、空间智能）训练与推理的关键技术和计算系统架构创新
你将主导下一代训推框架、推理引擎与Agent系统的前沿研究，通过计算、内存、通信、IO的软硬协同优化提升AI算力集群竞争力，并推动研究成果落地产业
最低要求
人工智能、机器学习、软件工程、计算机科学、体系结构、电路与系统、统计数学、数据科学等相关专业本科及以上学历
具备扎实的算法和代码实现能力，深入理解大模型架构、AI框架、AI系统、分布式计算与存储系统、并行软件开发原理等
具备出色的学习能力、自驱意识、团队意识和责任意识，能够独立开展创新性研究，并带领团队突破技术难题
具有语言/多模态/Agent/空间智能等大模型训练和推理的深入研究经验，熟练掌握训推系统优化的前沿技术、方法和工具
工作职责
负责Agent、语言、多模态、生成式推荐、空间智能等大模型训练和推理的关键技术与计算系统架构的研究创新，实现关键算法和技术突破，推动成果落地产业并产生商业价值
主导下一代训推框架和加速特性的前沿设计与研究，包括预训练、RL后训练、Agentic AI、推理引擎和服务化、高性价比和低时延推理、Agent服务等方向，探索下一代计算系统软硬协同技术方案
主导下一代训推计算系统、Agent系统的研究创新，开展AI算法与计算系统的联合创新优化，通过计算、内存、通信、IO等软硬协同设计，实现下一代训推计算系统竞争力构建
把握并引领业界和学术界AI计算集群系统优化领域的最新研究进展和技术趋势，参与业界顶会，参与开源社区贡献，持续提升AI算力集群系统竞争力，将前沿技术成果落入研发
优先资格
在领域顶级会议（如NeurIPS、ICML、ICLR、CVPR、ACL、ISCA、MICRO、HPCA、ASPLOS、OSDI、SOSP、VLDB等）以第一作者或主要贡献者发表过多篇高质量论文，或有顶级研究机构工作经验/高水平竞赛（如ACM）获奖经验者优先，或有同等水平的开源贡献
AI 洞察
优缺点分析
优点
- 方向稀缺：大模型训推系统是当前AI产业最紧缺的能力之一，长期需求旺盛、可迁移性强
- 平台扎实：可接触超大规模算力集群与真实业务场景，做从算法到芯片的全栈协同优化
- 科研友好：明确鼓励顶会发表与开源贡献，学术影响力与工程能力可以同步积累
- 技术门槛高：需要同时具备算法、系统、体系结构知识，学习曲线陡、上手周期长
- 适合具有博士或系统/算法复合背景、热爱钻研底层性能与架构、希望在前沿AI基础设施方向长期深耕的求职者
缺点 / 挑战
- 成果压力：研究需落地并产生商业价值，预研探索与工程交付之间的平衡需要拿捏
角色解读
- 可沿研究员路线成长为高级研究员/技术专家，主导更大规模的训推系统或算力集群方向
- 也可转向技术管理，带领团队负责训推框架、推理引擎或集群系统产品线
- 研究成果可沉淀为论文、专利与开源影响力，形成个人在AI基础设施领域的品牌
- 围绕语言、多模态、Agent、生成式推荐、空间智能等大模型，研究训练与推理的关键技术和计算系统架构，并推动成果落地产业
- 主导下一代训推框架、加速特性、推理引擎与服务化方向的前沿设计与验证
- 从计算、内存、通信、IO 等层面做软硬协同优化，提升AI算力集群的整体竞争力
- 跟踪学术界与业界最新进展，参与顶级会议和开源社区，把前沿方案引入实际研发
- 扎实的算法功底与工程实现能力，熟悉 PyTorch、Megatron、vLLM、DeepSpeed 等训练推理框架及其并行原理
- 深入理解大模型架构、分布式计算与存储系统、高性能网络与集群调度等系统知识
- 具备训推性能优化实战经验，如算子优化、通信优化、显存管理、量化与低时延推理加速
- 具备独立科研能力，能读顶会论文、做实验验证并产出高质量成果
申请策略
- 投递前了解华为在昇腾算力生态与AI基础软件上的布局，面试中体现对软硬协同的理解会更契合岗位
- 准备好解释研究成果如何产业落地，这是该岗位区别于纯学术研究的关键考察点
- 突出大模型训练或推理系统的实际优化案例，写清基线指标、优化手段与最终收益（如吞吐、时延、显存占用）
- 列出代表性论文、专利、开源项目与竞赛奖项，标明作者位次与个人贡献
- 量化体现分布式训练规模经验，例如千卡级集群训练、并行策略设计、通信优化等
- 用一两句话说明对训推框架或推理引擎源码级的理解与改造经历
- 系统补强推理侧技术栈，如 vLLM/SGLang、PagedAttention、投机解码、量化与KV Cache优化
- 熟悉主流分布式训练框架源码（Megatron-LM、DeepSpeed、FSDP）与集合通信库（NCCL、RDMA）
面试指南
- 项目类问题用「背景—瓶颈—方案—数据结果—反思」五步结构，务必给出可量化的前后对比
- 系统设计类问题先明确约束（模型规模、集群规模、SLA），再分层给出方案与取舍理由，体现工程判断力
- 科研类问题讲清问题定义、与已有工作的差异、实验设计与结论边界，避免夸大
- 请介绍你做过的一个大模型训练或推理系统优化项目，问题定位、方案设计与最终收益分别是什么？
- 在千卡级集群上训练大模型时，你会如何设计并行策略并处理通信瓶颈？
- 如何降低大模型推理的首token时延和单token时延？你用过哪些具体技术？
- 你如何看待软硬协同？在算子、显存、网络层面各有哪些优化空间？
- 介绍一下你最有代表性的一篇论文或开源贡献，它的创新点在哪里？
Watch Jobs