联想
AI模型部署工程师（自动驾驶）
AI模型部署工程师（自动驾驶）
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
Ai模型部署
Pytorch
Tensorrt
优化
推理框架
自动驾驶
量化
嵌入式计算
值不值得投
71综合评分
综合评分 71
前沿自动驾驶AI部署岗位，技术成长性强，但WLB不确定，薪资中等偏上。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
30K
比自动驾驶中位数低
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 370 个在招 · 其中自动驾驶 3 个
市场机会
选择面较广
上海 · 自动驾驶 · 81 个在招
职位详情
关于这个职位
该职位负责将AI模型部署到车载异构计算平台（如英伟达DRIVE、高通Ride），完成模型转换、量化、编译和运行时适配，并针对推理性能进行系统性调优
需要解决部署中的工程问题，开发辅助工具链，并与多团队协作完成系统联调与交付
最低要求
本科及以上学历，计算机、电子、自动化等相关专业，3年以上 AI 模型部署或推理优化经验，有车载、机器人或其他嵌入式平台量产部署经历者优先
熟悉主流深度学习框架（PyTorch / ONNX），熟练掌握至少一种车载推理框架（TensorRT、QNN / SNPE、BPU SDK 等），深入理解其编译与运行时机制
具备 INT8 / FP16 量化、算子融合、计算图优化等实际调优经验，能够独立完成精度与性能的量化分析，并在二者间做出合理的工程权衡与决策
熟练使用 Python 与 C / C++，具备独立设计并交付工程化工具或自动化流水线的能力
具备较强的问题拆解与定位能力，能在信息不完整、多因素耦合的情况下系统性排查复杂部署问题
具备良好的跨团队沟通协作能力
工作职责
负责自动驾驶 AI 模型在车载异构计算平台（英伟达DRIVE、高通Ride、地平线Journey、新芯航途BMC等）上的端到端部署，覆盖模型转换、量化、编译、运行时适配的完整技术链路
基于 TensorRT、QNN / SNPE、BPU SDK 等推理框架，完成算子适配与自定义算子开发，针对推理延迟、内存占用、吞吐量等核心指标进行系统性调优
定位并解决模型部署全流程中的工程问题，包括但不限于精度损失、算子不支持、内存超限、多模型并发调度冲突等，推动问题从排查到闭环的完整解决
设计并开发部署辅助工具链，涵盖精度逐层对比、性能 Profiling 可视化、算子兼容性扫描等工具，提升团队部署效率与问题可观测性
对接底软、硬件及集成测试团队，完成模型在完整车载软件栈中的系统联调与版本交付
优先资格
熟悉 BEV、多模态融合、大模型端侧部署等前沿模型结构，具备 Transformer 类模型的推理优化实践
有工程工具或可视化平台的设计与开发经验
AI 洞察
优缺点分析
优点
- 自动驾驶是前沿领域，技术积累价值高，有利于职业长期发展
- 职位涉及异构计算平台和推理优化，能提升系统工程和性能调优能力
- 联想作为上市企业，平台资源稳定，项目可能涉及量产交付
- 车载部署要求高可靠性和实时性，工程实现需严格把控
- 适合对AI模型工程化、嵌入式系统有浓厚兴趣，具备扎实编程和调优经验，喜欢解决复杂技术问题的工程师
缺点 / 挑战
- 技术难度高，需要应对多平台适配和复杂问题排查，工作压力可能较大
- 跨团队协作频繁，需协调底软、硬件和测试团队，沟通成本较高
角色解读
- 向自动驾驶系统架构师或AI平台负责人发展，深化车载AI部署技术
- 可转向AI算法优化或边缘计算领域，拓展技术栈
- 积累项目经验后，有机会参与技术管理或产品规划角色
- 负责将AI模型部署到车载异构计算平台，完成模型转换、量化、编译和运行时适配的完整链路
- 基于推理框架进行算子开发和性能调优，优化推理延迟、内存占用和吞吐量
- 解决部署中的工程问题，如精度损失和内存超限，推动问题闭环解决
- 开发部署辅助工具链，提升团队效率和问题可观测性
- 熟悉PyTorch/ONNX等深度学习框架，掌握TensorRT、QNN/SNPE等车载推理框架
- 具备INT8/FP16量化、算子融合等调优经验，能平衡精度与性能
- 熟练使用Python和C/C++，能独立设计和交付工程化工具
- 具备跨团队沟通协作能力和复杂问题排查能力
申请策略
- 研究联想在自动驾驶或车载AI领域的业务方向，了解项目背景
- 准备一个AI模型部署的完整案例，涵盖问题分析、解决方案和成果
- 关注行业动态，如BEV、大模型端侧部署等前沿技术，以备面试讨论
- 突出AI模型部署或推理优化项目经验，尤其是车载或嵌入式平台案例
- 强调性能调优成果，如量化前后精度与速度对比数据
- 展示工具链开发经历，体现工程化和自动化能力
- 描述跨团队协作经历，突出沟通和问题解决能力
- 深入学习TensorRT、QNN等车载推理框架的官方文档和最佳实践
面试指南
- 使用STAR法则（情境、任务、行动、结果）回答行为问题，突出个人贡献和成果
- 技术问题结合具体项目经验，说明技术选型理由和实施细节
- 强调系统性思维和问题解决过程，展示对部署全流程的理解
- 请描述一个你处理过的AI模型部署中的复杂精度或性能问题，你是如何解决的？
- 你熟悉哪些车载推理框架？请比较TensorRT和QNN在部署中的差异
- 如何设计一个工具来监控和可视化模型部署过程中的性能指标？
- 在模型部署中，如何平衡精度损失和推理速度？请举例说明
- 如何与硬件和软件团队协作完成模型在车载系统中的集成测试？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值75
薪资福利
70中等
该职位未披露具体薪资，但基于上海市场水平和岗位要求，薪资预计中等偏上；作为上市企业，福利体系可能较完善，但JD未明确提及。
薪资信号未披露（AI估算：2–4万/月）
成长发展
85较高
职位涉及AI模型部署的前沿技术，如自动驾驶和推理优化，技能成长性强；但JD未提及培训或晋升路径。
技术前沿前沿/新兴技术
技术栈TensorRT、QNN、PyTorch、C++、Python、量化、自动驾驶
业务类型ambiguous
工作生活
50较低
JD未明确办公模式或工作时间，可能需现场办公；工作涉及复杂问题排查和跨团队协作，节奏可能较快。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
自动驾驶是高速增长赛道，具有技术革新和社会价值；但JD未突出使命感或社会影响。
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
联想 的其他在招职位
相似职位推荐
Watch Jobs