Lenovo logo
联想
AI application and development manager

AI application and development manager

发布于 1 小时前

基层主管/组长

AI 估算 · 4.5–7.0万 · AI 参考估算
高级经验
本科
全职员工仅现场办公自动驾驶
自动驾驶
Ai模型部署
Onnx
Pytorch
Tensorrt
推理优化

值不值得投

73综合评分

综合评分 73

自动驾驶车载AI部署高级岗,技术前沿且成长性强,WLB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

5.8万

比自动驾驶中位数高

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 330 个在招 · 其中自动驾驶 4 个

市场机会

选择面较广

上海 · 自动驾驶 · 约 220 个在招

职位详情

关于这个职位

该职位面向自动驾驶AI模型车载部署与推理优化,负责将AD产品线模型落地到英伟达、高通、地平线等异构计算平台

你将主导模型转换、量化、编译、运行时适配和性能调优,并带领团队支持第三方算法部署与量产交付

最低要求

本科及以上学历,计算机、电子、自动化等相关专业,5 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开发经历者优先

有自动驾驶算法开发经验
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

领导AD产品线未来AI模型的部署,量化,调优,特别需要自驾算法开发经验的背景,可以领导支持第三方算法部署

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

AI 洞察

优缺点分析

优点

  • 岗位处在自动驾驶模型量产落地的关键环节,技术链条完整,能积累车载异构计算和推理优化经验
  • 覆盖多种主流车载计算平台和推理框架,技术广度较强,对后续平台型岗位发展有帮助
  • 需要带领和支持第三方算法部署,能锻炼技术判断、跨团队协同和工程管理能力
  • 工具链建设和性能Profiling等工作可沉淀可复用方法,提升个人在团队中的影响力
  • 需要同时理解算法、推理框架、底软和硬件平台,对技术综合 breadth 要求高
  • 适合有自动驾驶算法或模型部署经验、希望深入车载推理优化和平台工程化的高级技术人才
  • 尤其适合既能独立攻坚复杂问题,又能带领团队推进交付的人

缺点 / 挑战

  • 模型部署涉及精度、性能、内存、算子兼容性和多模型调度等多因素耦合,排查难度较高
  • 自动驾驶量产交付对稳定性和版本节奏要求严格,可能面临较大的工程闭环压力

角色解读

  • 可向自动驾驶AI平台负责人、车载推理架构师或AD算法工程化专家方向发展
  • 随着量产项目积累,可进一步负责多芯片平台适配、端侧大模型部署或车计算软件栈整体方案设计
  • 具备团队带领经验后,也可发展为技术经理或研发管理者
  • 负责自动驾驶AI模型从训练产出到车载平台落地的全链路部署,包括模型转换、量化、编译和运行时适配
  • 基于TensorRT、QNN/SNPE、BPU SDK等框架进行算子适配、自定义算子开发和性能调优
  • 解决精度损失、算子不支持、内存超限、多模型并发冲突等复杂工程问题,并推动闭环
  • 开发部署工具链,并与底软、硬件、集成测试团队协作完成系统联调和版本交付
  • 需要扎实的AI模型部署和推理优化能力,熟悉PyTorch、ONNX及车载推理框架的编译与运行机制
  • 需要掌握INT8/FP16量化、算子融合、计算图优化,以及精度与性能之间的工程权衡
  • 需要熟练使用Python和C/C++,能够交付工程化工具、自动化流水线和可复用部署能力
  • 需要具备自动驾驶算法背景、复杂问题定位能力和跨团队沟通协作能力

申请策略

  • 申请前建议了解联想在智能汽车、车载计算和AD产品线上的业务方向,准备与岗位场景匹配的案例
  • 面试中应强调自己如何从问题定位、方案取舍到版本交付形成闭环,而不只是罗列技术栈
  • 突出自动驾驶或嵌入式平台上的AI模型量产部署经历,写明覆盖的平台、框架和交付结果
  • 重点展示TensorRT、QNN/SNPE、BPU SDK、PyTorch、ONNX、C/C++、Python等实际使用经验
  • 量化呈现推理延迟、内存占用、吞吐量、精度损失等优化成果,并说明权衡决策过程
  • 补充跨团队协作、第三方算法支持、工具链开发和问题闭环案例,体现带领能力
  • 强化车载异构平台部署能力,熟悉不同芯片平台的模型转换、编译、运行时和算子兼容机制
  • 补齐性能Profiling、逐层精度对比、自动化兼容性扫描等工具链建设能力

面试指南

  • 用“背景—目标—约束—方案—结果—复盘”的结构讲项目,重点说明指标变化和工程权衡
  • 技术排查题可按“现象确认—复现缩小范围—分层定位—假设验证—修复闭环—防复发”展开
  • 管理协作题可强调责任边界、沟通机制、风险前置和交付标准,避免只讲个人技术贡献
  • 请介绍一个自动驾驶AI模型在车载平台部署的完整项目,你负责了哪些环节?
  • 遇到INT8量化后精度下降明显时,你会如何定位和优化?
  • TensorRT、QNN/SNPE或BPU SDK中,你最熟悉哪一个?其编译和运行时机制是什么?
  • 当出现算子不支持、内存超限或多模型并发调度冲突时,你的排查思路是什么?
  • 你如何带领团队支持第三方算法部署,并保障版本交付质量?

职位点评

薪资福利78
成长发展88
工作生活45
使命价值76

薪资福利

78中等

JD未披露薪资和福利信息,但岗位要求高级经验和团队带领能力,通常对应较高职级回报。稳定性与福利细节未提及,需面试确认。

薪资信号未披露(AI估算:4.5千–7.0万/月)

成长发展

88较高

岗位覆盖车载异构计算、推理框架、量化调优、工具链开发和自动驾驶算法协同,技术深度和平台广度都较强。JD还涉及领导第三方算法部署,具备一定管理与架构成长空间。

技术前沿前沿/新兴技术
技术栈AI模型部署、自动驾驶、TensorRT、QNN、SNPE、BPU SDK、PyTorch、ONNX、INT8、FP16、算子融合、计算图优化、BEV、多模态融合、大模型端侧部署
业务类型ambiguous

工作生活

45较低

JD未明确办公模式、弹性工时或加班情况,无法判断工作生活平衡。工作地点明确为上海,但具体办公区和通勤便利度仍需确认。

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

76中等

岗位服务于自动驾驶AI模型量产部署,属于技术落地关键环节,具备较强产业价值。JD未直接描述社会使命或价值导向,意义感主要来自技术应用场景。

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