Alibaba logo
阿里巴巴
达摩院-AI 芯片内核态驱动(KMD)研发专家-计算技术

达摩院-AI 芯片内核态驱动(KMD)研发专家-计算技术

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 6.0–10.0万 · AI 参考估算
高级经验
硕士
全职员工仅现场办公芯片设计
芯片设计
Ai芯片
Dma
Fpga
Gpu/Npu
Iommu/Smmu
Kmd
Linux内核
Pcie

值不值得投

76综合评分

综合评分 76

AI芯片KMD专家岗,技术前沿且成长性强,办公与生活节奏信息不明确

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

8.0万

比芯片设计中位数高

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 5200 个在招 · 其中芯片设计 约 170 个

市场机会

选择面较广

杭州 · 芯片设计 · 62 个在招

职位详情

关于这个职位

该职位聚焦达摩院自研 AI 芯片的内核态驱动 KMD 研发,负责驱动核心模块设计、硅前验证与 bring-up、软硬件接口定义及跨平台性能优化

适合具备 Linux 内核/驱动开发经验、熟悉 GPU/NPU 与 PCIe/IOMMU 等底层体系结构的资深技术人才

最低要求

计算机、软件、电子等相关专业,硕士及以上学历

年以上 Linux 环境下的内核或驱动开发经验,深入理解内核驱动框架、内存管理、进程调度与并发同步机制,具备内核态疑难问题(死锁、竞态、内存泄漏)的定位能力
熟悉 GPU / NPU 等处理器的基本硬件工作原理(执行模型、内存层级、任务调度机制)
熟悉 PCIe、IOMMU / SMMU 的驱动与硬件原理,理解 DMA、地址翻译与缓存一致性机制
精通常用数据结构与算法,对代码质量有很高的标准,具有良好的分析与解决问题能力
具有良好的团队合作精神和自我驱动能力,能够在新领域快速开拓

工作职责

负责自研 AI 芯片内核态驱动(KMD)的设计、开发与维护,涵盖内存管理、命令提交与调度、中断处理、电源管理、设备枚举等模块

参与芯片硅前验证与 bring-up 全流程:硅前基于 FPGA / Emulator / Zebu / HAPS 等平台先行开发并验证 KMD 软件栈,与硬件、验证团队联合调试,定位并推动解决相关问题,推动芯片快速进入可交付状态
参与下一代芯片的设计对接与定义:与硬件架构团队协作制定软硬件接口契约(寄存器、中断、固件接口等),评审硬件方案对驱动软件栈的影响
负责不同平台的适配与性能优化:围绕驱动提交路径延迟、内存驻留策略、DMA 传输效率等维度持续优化
参与技术方案设计与评审,沉淀设计文档,持续提升团队代码质量与工程效率

优先资格

参与过主流 GPU 驱动(amdgpu、nvidia-open-gpu、i915、pvr 等)的社区或产品开发

有芯片硅前验证或 bring-up 经验,熟悉软硬件协同调试的工作模式
有 Linux 内核社区 upstream 经验(patch 合入 mainline)
熟悉用户态驱动(UMD)/ Runtime 等上层软件栈,能够跨层协同定位问题

AI 洞察

优缺点分析

优点

  • 岗位直接参与自研 AI 芯片内核态驱动,技术深度高,能够积累稀缺的芯片基础软件与软硬件协同经验
  • 覆盖硅前验证、bring-up、接口定义、性能优化等完整链路,有利于形成从硬件到软件栈的系统级能力
  • 与达摩院计算技术方向相关,接触 AI 芯片、GPU/NPU、Linux 内核和高性能计算等前沿技术主题
  • 加分项中包含主流 GPU 驱动、Linux 内核 upstream 和 UMD/Runtime 经验,说明团队重视工程质量和开放技术能力
  • AI 芯片软件栈处于持续演进中,需要快速适应新硬件架构和跨层问题定位
  • 适合有多年 Linux 内核或驱动开发经验、希望深入 AI 芯片基础软件和软硬件协同方向的资深工程师,尤其适合熟悉 GPU/NPU、PCIe、IOMMU/SMMU 或芯片 bring-up 的候选人

缺点 / 挑战

  • KMD 开发涉及内核态疑难问题、并发同步、内存管理和硬件协同调试,技术门槛和问题定位难度较高
  • 芯片硅前验证和 bring-up 阶段可能需要与硬件、验证、固件等多团队高频协作,沟通成本和交付压力较大

角色解读

  • 可在 AI 芯片基础软件方向持续深耕,成长为 KMD/UMD、Runtime、编译器与驱动全栈协同的底层系统专家
  • 随着多代芯片研发经验积累,可转向芯片软件架构师、软硬件协同架构负责人或技术专家路线
  • 也可拓展到 GPU/NPU 生态建设、内核社区贡献、性能优化专家或基础软件技术管理方向
  • 负责自研 AI 芯片 KMD 内核态驱动的架构设计、开发与长期维护,覆盖内存管理、命令调度、中断、电源管理和设备枚举等核心模块
  • 在芯片流片前基于 FPGA、Emulator、Zebu、HAPS 等平台开展驱动开发和软硬件联合调试,推动芯片达到可交付状态
  • 与硬件架构、验证、固件和用户态软件团队协作,定义寄存器、中断、固件接口等软硬件契约,并评审硬件方案对软件栈的影响
  • 围绕提交路径延迟、内存驻留策略、DMA 传输效率等指标进行跨平台适配和性能优化
  • 需要扎实的 Linux 内核与驱动开发能力,理解内核驱动框架、内存管理、进程调度、并发同步及疑难问题定位
  • 需要掌握 GPU/NPU 等 AI 加速处理器的执行模型、内存层级和任务调度机制,能够理解硬件行为与软件栈之间的关系
  • 需要熟悉 PCIe、IOMMU/SMMU、DMA、地址翻译和缓存一致性等底层硬件与驱动原理
  • 需要较强的工程能力,包括数据结构与算法基础、代码质量标准、设计文档沉淀、跨团队沟通和自我驱动力

申请策略

  • 申请前建议了解达摩院 AI 芯片与计算技术相关公开资料,明确自己对自研芯片软件栈的兴趣和长期投入意愿
  • 面试中尽量用具体项目说明自己如何定位复杂内核问题、如何做性能优化以及如何推动跨团队解决硬件相关问题
  • 重点突出 Linux 内核或驱动开发年限、负责过的驱动模块,以及内存管理、命令调度、中断、电源管理等具体经验
  • 明确写出与 GPU/NPU、PCIe、IOMMU/SMMU、DMA、缓存一致性相关的项目经历,说明自己在问题定位和性能优化中的实际贡献
  • 如果有 FPGA、Emulator、Zebu、HAPS、硅前验证或 bring-up 经历,应单独强调,并说明如何与硬件/验证团队联合调试
  • 展示代码质量和工程效率相关成果,如内核 patch 合入、设计文档沉淀、性能提升数据、疑难 bug 定位案例
  • 可补强 Linux 内核驱动调试能力,重点准备死锁、竞态、内存泄漏、DMA 地址翻译和缓存一致性问题的分析方法
  • 可系统学习 GPU/NPU 驱动架构、KMD/UMD 分层、Runtime 交互方式,以及主流开源 GPU 驱动的实现思路

面试指南

  • 对底层技术问题采用“背景—现象—假设—工具—验证—修复—复盘”的结构回答,突出定位过程和量化结果
  • 对软硬件协同问题按“接口定义、硬件行为、驱动状态、固件/UMD 交互、日志与寄存器证据”分层拆解,体现系统思维
  • 对性能优化问题先说明指标定义和瓶颈定位方法,再讲优化方案、取舍和验证数据,避免只讲概念
  • 请介绍一个你主导或深度参与的 Linux 内核/驱动项目,你负责哪些模块,遇到了哪些疑难问题?
  • 如何定位内核态死锁、竞态或内存泄漏问题?请结合具体工具和方法说明
  • 请解释 PCIe、IOMMU/SMMU、DMA 地址翻译和缓存一致性之间的关系,以及在驱动开发中的注意点
  • 如果 KMD 在 FPGA 或 Emulator 平台上出现命令提交失败,你会如何设计排查路径?
  • 如何评估和优化 AI 芯片驱动的命令提交延迟和 DMA 传输效率?

职位点评

薪资福利82
成长发展90
工作生活45
使命价值78

薪资福利

82较高

JD 未披露薪资与福利信息,但该岗位为资深芯片内核驱动研发专家,技术门槛较高,通常对资深底层系统人才具备较强薪酬吸引力。稳定性与福利相关条款未提及,无法进一步判断。

薪资信号未披露(AI估算:6.0千–10.0万/月)

成长发展

90较高

岗位覆盖 AI 芯片 KMD、硅前验证、bring-up、软硬件接口定义和性能优化,技术深度和成长空间非常突出。JD 明确涉及下一代芯片设计对接与技术方案评审,发展性动机匹配度高。

技术前沿前沿/新兴技术
技术栈AI芯片、KMD、Linux内核、GPU/NPU、FPGA、Emulator、Zebu、HAPS、PCIe、IOMMU/SMMU、DMA
业务类型ambiguous

工作生活

45较低

JD 仅列出北京、杭州、上海三个城市,未明确远程、混合办公、弹性工时或加班情况。多城市可选带来一定选择空间,但办公模式和生活节奏信息不足。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

78中等

岗位参与自研 AI 芯片和下一代芯片软件栈建设,处于 AI 算力基础设施相关方向,行业前景和技术价值较强。JD 未直接描述社会使命或公共价值导向,意义感主要来自技术基础设施建设。

行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs