昇腾计算高级技术专家

优缺点分析

角色解读

• 成长为AI底层软件栈领域的技术专家，主导前沿编译与性能优化技术方向
• 可向昇腾计算架构师或技术委员会方向发展，参与芯片软硬件协同设计
• 有机会输出专利、开源成果，提升行业影响力
• 负责AI底层软件栈的架构设计与迭代，包括编译器、Runtime、算子库、通信库等核心模块
• 主导AI编译优化、算子极致优化和大模型推理全链路性能调优，提升硬件利用率
• 跟踪MLIR/LLVM/TVM/Triton等前沿技术，完成原型验证与工程落地
• 协同芯片、框架、算法团队，解决大模型训练/推理部署中的疑难问题
• 精通Linux系统编程、多线程高并发、内存优化和汇编级调优
• 深入掌握LLVM/MLIR、CUDA/NPU Kernel或分布式通信等至少一个方向
• 具备性能Profiling与瓶颈定位能力，能独立完成算子、访存、通信等优化
• 熟悉PyTorch/TensorFlow及大模型预训练/微调/推理全流程

申请策略

• 提前了解昇腾计算生态和MindSpore等华为AI框架，面试中展现对业务的理解
• 准备1-2个完整的性能优化案例，从问题定位到优化落地，逻辑要清晰
• 重点突出LLVM/MLIR、CUDA Kernel或分布式训练方向的具体项目成果，量化性能提升数据
• 展示在大模型推理（KV Cache、显存优化）或训练加速中的实战案例
• 如果有开源项目或专利，务必列出，体现技术影响力
• 强调软硬协同或异构芯片适配经验，这是加分项
• 系统复习编译原理和LLVM/MLIR框架，可以尝试写一个简单的IR Pass
• 深入理解CUDA编程模型和GPU架构，练习算子优化和Profiling工具（如Nsight）

面试指南

• 采用STAR法则：背景-任务-行动-结果，突出个人贡献和量化指标
• 对于技术问题，先阐述原理，再结合项目经验说明落地过程，最后总结思考
• 面对开放性设计题，展示系统化思维，从整体架构到核心细节逐步展开
• 请介绍一个你用MLIR/LLVM做编译优化的项目，具体做了什么，效果如何？
• 在一个大模型推理场景中，如何定位和优化显存瓶颈？
• 描述一次你通过算子融合或内核改写显著提升性能的经历
• 你对KV Cache和PagedAttention的实现原理如何理解？
• 如果让你设计一个昇腾NPU的算子映射方案，你会考虑哪些因素？