AI算法工程师

优缺点分析

角色解读

• 技术纵深发展：成为AI编译器/算子库专家，或大模型系统架构师
• 横向拓展：向AI芯片设计、异构计算或全栈AI系统方向延伸
• 管理路线：带领团队负责AI基础设施研发，逐步晋升为技术总监或架构师
• 负责国产大模型的二次开发与适配调优，确保模型在不同国产硬件平台高效运行
• 开发与优化大模型应用软件及一体机功能，提升产品易用性与性能
• 深入底层算子库与编译器，分析并优化Kernel性能，解决异构算力协同问题
• 设计大规模分布式训练与推理策略，进行性能瓶颈分析与微调对齐
• 精通Python/Java/C++，具备独立编写高性能脚本的能力
• 深入理解主流大模型架构（Transformer等）及底层算子，熟悉国产GPU特性
• 熟练使用PyTorch/TensorFlow及Megatron/vLLM/SGLang等框架，能优化并行策略
• 具备编译器、算子库开发或分布式系统优化经验者优先

申请策略

• 关注浪潮AI一体机产品线，面试时展现对业务场景的理解
• 准备一个端到端的大模型调优案例，体现问题分析与解决能力
• 突出大模型相关项目经验，尤其是模型训练/推理优化、算子开发或编译器工作
• 强调编程能力与框架熟悉度，列出具体优化成果（如推理速度提升百分比）
• 展示对国产GPU（如昇腾、寒武纪）的适配经验或研究
• 提前学习Megatron/vLLM源码，了解TP/PP/DP并行策略的实现
• 补充编译器基础知识（如TVM、MLIR），尝试动手优化简单算子

面试指南

• 先讲原理，再结合具体实践，用数据或案例支撑
• 遇到困难时强调思考过程和权衡取舍，展现系统性思维
• 请详细解释Megatron中的Tensor Parallelism和Pipeline Parallelism是如何实现的？
• 如何分析一个Transformer模型在国产GPU上的性能瓶颈？你会使用哪些工具？
• 描述一次你优化Kernel性能的经历，遇到了哪些挑战，如何解决？
• 对于大模型微调，如何选择高效策略（如LoRA、Adapter）并考虑硬件限制？
• 你对AI编译器了解多少？MLIR与TVM相比有哪些优势？
• 深入复习PyTorch/TensorFlow底层机制，特别是自动求导和算子注册