具身模型性能优化工程师实习生

优缺点分析

角色解读

• 从实习转正为正式员工，进入安克创新的AI或硬件研发团队，从事端侧AI性能优化
• 逐步成长为端侧AI部署领域的专家，独立负责产品线的模型优化方案
• 未来可向AI系统架构师或算法科学家方向深入发展，参与核心创新项目
• 负责将大模型部署到智能硬件设备（如摄像头、机器人）上，确保模型在有限资源下高效运行
• 开发和优化底层算子，比如卷积、矩阵乘法等，提升模型推理速度
• 调研前沿的端侧优化技术（如量化、剪枝、知识蒸馏），并尝试落地到实际产品中
• 与算法、硬件团队协作，进行模型-系统-硬件的联合优化设计
• 扎实的编程基础，熟悉C++/Python，了解至少一种深度学习框架（PyTorch/TensorFlow）
• 了解模型部署工具链，如ONNX、TensorRT、NCNN等，对模型量化、压缩有一定认识
• 熟悉计算机体系结构，对CPU/GPU/NPU等硬件加速原理有基本了解
• 具备良好的文献阅读和调研能力，能快速学习新技术并应用于实践

申请策略

• 关注安克创新的业务方向（如智能家居、移动电源、音频设备），在面试中展现你对产品与AI结合的理解
• 提前准备1-2个你做过的最有技术深度的优化案例，用STAR法则清晰表达
• 突出模型部署或推理加速相关项目经验，如模型量化、剪枝、TensorRT使用等
• 强调C++/Python编程能力和底层优化经验，如算子手写、内存管理优化
• 如果有嵌入式或边缘计算项目经历（如Jetson、RK3399、树莓派上部署模型），务必详细描述
• 展示你的学习能力，比如快速阅读论文并实现算法的经历
• 提前学习ONNX、TensorRT、NCNN等部署工具，并动手在本地或开发板上尝试部署一个轻量模型
• 复习计算机体系结构基础知识，理解缓存、并行计算、内存带宽等概念

面试指南

• 对于项目类问题，使用STAR法则：背景、任务、行动、结果，突出你的具体贡献和技术难度
• 对于技术原理问题，先给出定义，再对比不同方法，最后结合实际场景说明选择依据
• 对于开放性问题（如挑战），分点阐述，并给出自己的思考或已有经验，展现解决问题的能力
• 请介绍你之前的模型部署项目，遇到了哪些性能瓶颈，如何解决的？
• 你对模型量化有哪些了解？对称量化和非对称量化的区别是什么？
• 如何优化一个卷积算子？请从计算和访存角度分析
• 端侧大模型部署常见的挑战有哪些？你有什么思路应对？
• 了解哪些模型压缩技术？剪枝和蒸馏在实际应用中各有什么优缺点？