CIM 编译器与工具链工程师-深圳/上海

优缺点分析

角色解读

• 技术专家路径：深耕AI编译器与芯片协同优化领域，成为特定技术方向（如算子优化、代码生成）的架构师
• 全栈发展路径：向芯片设计（EDA）、AI算法或系统软件等更广阔的领域拓展，成为芯片AI系统全栈专家
• 技术管理路径：在积累深厚技术背景后，可向技术团队负责人或研发经理方向发展
• 你负责设计和开发将PyTorch/ONNX等AI框架的模型高效编译到特定芯片上的编译器与工具链
• 你需要对芯片底层的算子进行深度优化，设计高效的计算调度策略，以最大化芯片的AI推理性能（速度、功耗等）
• 你将与算法团队紧密合作，理解最新的AI模型，并将其通过量化等技术适配到芯片上
• 扎实的编译器开发知识，精通LLVM/MLIR/TVM中的一种或多种框架是必备条件
• 熟悉AI模型部署全流程，包括模型量化、剪枝、蒸馏等关键技术
• 了解底层芯片架构（如NPU或存算一体），并能进行性能分析与优化
• 良好的编程能力（如C++/Python）和跨团队沟通协作能力

申请策略

• 在求职信或面试中，清晰阐述你对‘为什么需要专用AI编译器’以及‘编译器在AI芯片中扮演什么角色’的理解
• 关注安克创新在消费电子AIoT领域的布局，了解其产品（如充电器、安防摄像头）中可能用到的AI技术，将岗位与公司业务联系起来
• 突出与‘编译器’、‘算子优化’、‘模型部署’相关的任何课程项目、实习或研究经历，即使是小规模的也值得描述
• 详细列举你熟悉或使用过的LLVM、MLIR、TVM、ONNX等框架和工具，并说明你用它们做了什么
• 强调在相关项目中进行的‘性能优化’工作，最好能提及量化的优化结果（如速度提升百分比、延迟降低等）
• 系统学习并实践MLVM、MLIR或TVM中至少一个框架，尝试完成一个从模型到模拟芯片部署的完整小案例
• 深入学习AI模型量化技术（如INT8、混合精度），了解其对模型精度和硬件效率的影响
• 补充存算一体（CIM）或NPU架构的基础知识，了解其基本工作原理和挑战

面试指南

• 对于技术概念题（如LLVM vs MLIR），采用‘定义-区别-联系-应用场景’的结构回答，展示系统理解
• 对于项目/经验题（如优化案例），使用STAR法则（情境、任务、行动、结果），并重点突出你的技术决策和量化成果
• 对于方案设计题（如模型部署步骤），列出关键阶段（模型解析、算子映射、代码生成、性能分析），并说明每个阶段的挑战和你的思考
• 请解释一下LLVM和MLIR在编译器架构中的区别和联系？
• 描述一个你做过的优化性能的项目，遇到了什么瓶颈，你是如何分析和解决的？
• 模型量化（Quantization）是如何工作的？它对模型推理速度和精度分别有什么影响？
• 假设有一个PyTorch模型需要部署到我们的NPU上，你会考虑哪几个关键步骤？
• 你对存算一体（CIM）架构有什么了解？它解决了传统架构的什么问题？