【量天尺计划】智驾Efficient AI 前沿预研-造父Robotaxi

优缺点分析

角色解读

• 技术专家路线：持续深耕AI编译器与系统优化领域，成为自动驾驶端侧计算栈的架构师或首席工程师
• 技术管理路线：在积累深厚技术功底后，可带领团队负责更广泛的智驾计算平台或算法模块的研发管理
• 研究面向端侧自动驾驶的高效AI算法，优化注意力机制与模型结构以突破带宽和内存限制
• 设计与开发跨CPU/GPU/NPU异构平台的AI编译器，实现从模型到硬件指令的高效、自动化转换
• 进行推理加速器的优化工作，包括自动算子调优与端到端编译，追求极致的推理性能与能效比
• 具备C++/CUDA编程及计算机体系结构的深厚功底，理解流水线、缓存、SIMD/SIMT等底层原理
• 熟练掌握MLIR、TVM等至少一种主流AI编译器框架，并有源码级修改或插件开发经验
• 对NVIDIA GPU架构或主流NPU指令集有深刻理解，能够进行硬件感知的算法与编译优化
• 具备极客精神和系统思维，热衷于挖掘底层性能极限，并能从软硬件协同的角度设计解决方案

申请策略

• 申请前仔细研究哈啰出行在自动驾驶和AI系统方面的公开技术分享或论文，了解其技术方向与痛点
• 在求职信中明确表达你对‘能效比’和‘确定性低延迟’这两个挑战的理解与解决思路，展现思考深度
• 重点突出在AI编译器、推理优化、异构计算等方向的深入研究经历和具体成果（如论文、开源项目、性能提升数据）
• 详细描述使用MLIR/TVM/CUDA进行系统级优化的项目经验，强调对硬件特性的理解和利用
• 如果有顶级会议论文，务必在简历显著位置列出，并简要说明核心贡献与成果
• 系统性梳理MLIR/TVM等编译器框架的源码与设计思想，准备深入的源码级问题
• 深入研究目标硬件（如NVIDIA最新GPU架构）的并行计算模型、内存层级与指令集特点
• 练习在白板或设计文档中阐述一个异构计算任务的优化路径与编译流程

面试指南

• 对于项目问题，采用“背景-挑战-方法-结果-反思”的结构，重点突出你的分析思路、技术决策和最终量化成果
• 对于编译器/架构设计问题，可以从“目标-挑战-层次化设计（IR/Pass/后端）-与现有工具对比”的角度展开，体现系统思维
• 对于算法权衡问题，结合自动驾驶的具体约束（实时性、功耗、安全性）来分析，并说明你采用的实验验证方法
• 请介绍一个你主导的、最具挑战性的推理性能优化项目，你是如何分析瓶颈并实现突破的？
• 请描述一下你对MLIR框架的理解，以及如何利用它设计一个支持多后端（如CUDA和ARM NPU）的统一中间表示？
• 在设计针对自动驾驶场景的AI算法时，如何在模型精度、延迟和功耗之间做权衡？请举例说明
• 请解释一下flashattention的核心思想，以及为什么它在带宽受限的端侧场景下特别有效？
• 假设给你一个在NVIDIA Thor芯片上优化Transformer推理模型的任务，你的第一步会是什么？