达摩院-软硬件协同系统工程师-计算技术

优缺点分析

角色解读

• 技术专家路线：深耕芯片架构设计与性能分析，成为领域内公认的架构师或技术专家
• 技术管理路线：带领小团队负责某个方向的技术攻关或项目管理，协调跨职能团队
• 研究路线：在顶级学术会议（如ISCA, MICRO）上发表研究成果，引领学术和工业界的技术方向
• 设计与开发用于芯片性能评估的仿真平台与建模工具，量化芯片设计决策的效果
• 深入分析主流AI大模型（如LLM, Diffusion）的计算特征，为芯片架构优化提供数据支撑
• 制定芯片功耗评估方法，平衡性能与功耗，设计动态调节策略
• 评估芯片的可编程性，作为技术桥梁，推动软件与硬件团队协同进行架构创新
• 具备扎实的计算机体系结构知识，特别是对AI加速器（GPU/NPU等）有深刻理解
• 拥有高性能计算和性能建模的专业经验，能开发复杂的仿真工具
• 精通C++/Python编程，具备独立构建工具链的软件工程能力
• 熟悉AI模型工作负载特征，并能将其与硬件设计指标进行映射和分析

申请策略

• 仔细研究阿里巴巴达摩院计算技术团队近期发布的技术博客、论文或开源项目，了解其技术方向和文化
• 在面试中，展现出你对“如何为芯片设计提供量化依据”这一核心问题的系统性思考，而不仅仅是罗列技能
• 重点突出与芯片性能仿真、建模或体系结构相关的项目经验，用具体数据和成果量化你的贡献
• 明确列出对特定AI加速器架构（如GPU/TPU/NPU）的理解深度，以及熟悉哪些AI模型（LLM, Diffusion等）
• 详细描述你使用C++/Python独立开发过的工具链、仿真框架或分析套件，体现工程实现能力
• 如有在ISCA/MICRO/ASPLOS/HPCA等顶会发表的论文或参与的相关研究，务必醒目地列出
• 系统复习和深入学习现代AI加速器架构（尤其是数据中心级GPU/NPU）和异构计算相关知识
• 了解最新的AI大模型（如多模态模型、大语言模型）的计算和访存特性，以及业界主流的评测基准

面试指南

• 采用STAR法则回答项目经验问题，重点突出你的个人贡献、技术决策和最终效果
• 对于架构和策略类问题，展现你的系统思维：从问题定义、分析方法、方案设计到验证评估的完整思路
• 对于协调类问题，强调你的沟通桥梁作用、技术客观性和推动问题解决的目标导向
• 请介绍一个你主导设计的性能建模或仿真平台，它的核心架构是怎样的？解决了什么关键问题？
• 如何对一个LLM（如GPT）的推理过程进行特征分析？你会关注哪些关键的硬件性能指标？
• 在芯片设计中，如何平衡性能和功耗？你提出或实现过哪些有效的调度或调频策略？
• 如果软件团队和硬件团队对某个架构特性（如内存一致性模型）的理解有分歧，你会如何协调？
• 你认为当前AI芯片在可编程性方面面临的主要挑战是什么？有哪些可能的解决思路？