智元机器人
算法工程化软件开发
算法工程化软件开发
发布于 大约 9 小时前实习/见习
实习生仅现场办公算法优化工程师
算法优化工程师
Cuda
性能优化
机器人
模型压缩
端侧计算
算子优化
算法部署
值不值得投
76综合评分
综合评分 76
前沿机器人AI实习，技术栈硬核、成长性强，薪资为实习市场水准，适合注重技术积累的求职者。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
6K
比算法优化工程师中位数低
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 1400 个在招 · 其中算法优化工程师 4 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 120 个在招
职位详情
关于这个职位
该职位是面向机器人算法工程化的实习岗位，主要负责机器人算法集成框架的开发、模型在端侧的部署与性能优化，以及性能分析工具链的建设
工作贯穿从模型到机器人本体的完整工程化链路，是连接算法与落地的关键技术角色
最低要求
在读本科/硕士/博士，计算机、软件工程、自动化、电子信息、人工智能等相关专业
每周可实习 4 天以上，可连续实习 3 个月以上
熟悉 C++：掌握 C++11/14/17 常用特性，理解内存模型、指针与生命周期管理、多线程与并发，有良好的工程编码习惯
熟悉 Python：能独立完成脚本开发、模型转换与验证、自动化工具编写
熟悉 CUDA：理解 GPU 编程模型（线程/线程块/warp、global/shared memory、访存合并等），能读写并调试 CUDA Kernel，理解性能瓶颈的常见来源
熟悉 Linux 开发环境，掌握 Git、CMake 等基础工程工具
对性能优化有兴趣和敏感度，愿意通过数据（而不是猜测）定位问题
工作职责
算法集成框架开发*
参与机器人算法集成框架的设计与开发，抽象模型加载、内存管理、张量传递、多模型调度、前后处理等通用能力，让算法模块以标准化方式接入机器人系统
打通「模型训练产出 → 模型转换/量化 → 推理引擎 → 机器人本体运行」的完整链路，降低算法上车的工程成本
端侧部署与极致性能优化*
面向端侧计算平台（GPU / NPU / SoC）完成模型部署，围绕延迟、吞吐、显存占用、功耗做端到端优化
使用 CUDA 等手段编写与优化高性能算子，进行算子融合、内存复用、零拷贝、流水并行、多流并发等优化
实践量化、剪枝、蒸馏、图优化等模型压缩与加速方法，在精度可控的前提下换取性能收益
性能分析与工具建设*
使用 Nsight Systems / Nsight Compute、perf 等工具做性能剖析，定位算子级与系统级瓶颈
参与 Profiler、Benchmark、精度对齐与回归测试工具链的建设，让性能与精度变化可量化、可追溯
协同与落地*
与算法团队协作完成模型上车前的工程适配，与嵌入式/系统团队协作解决跨层性能问题，把优化经验沉淀为框架能力和文档
AI 洞察
优缺点分析
优点
- 技术栈非常前沿且硬核，深入接触GPU编程、模型部署、性能优化等热门底层技术
- 直接参与前沿的具身智能产品开发，能清晰看到技术成果在机器人产品上的落地
- 实习期间有望参与完整的“模型到产品”工程化流程，项目含金量高，能快速提升工程实践能力
- 技术深度和广度要求都很高，需要同时理解算法、软件框架、硬件架构和操作系统，学习曲线陡峭
- 作为连接算法与硬件的桥梁，需要与多个团队沟通协作，对沟通和理解能力有一定要求
- 适合对机器人、高性能计算有浓厚兴趣，具备扎实的C++/CUDA基础，并渴望深入技术底层、解决实际工程难题的在校学生
缺点 / 挑战
- 性能优化工作需要极强的耐心和细致的分析能力，解决复杂瓶颈问题可能具有挑战性
角色解读
- 深耕技术路线：成长为机器人操作系统或高性能计算领域的专家架构师
- 横向拓展：向算法工程、嵌入式系统开发或技术管理等方向发展
- 积累行业经验：在具身智能这一前沿领域积累核心经验，为未来在AI与机器人交叉领域的发展奠定坚实基础
- 为机器人算法设计和开发统一的集成框架，让各种AI模型能方便地部署到机器人硬件上
- 将训练好的AI模型进行转换、压缩和优化，使其能在机器人有限的计算资源（如GPU/NPU）上快速、高效地运行
- 使用专业工具深度分析程序性能，找出运行慢或耗资源的具体环节，并进行针对性优化
- 与算法团队和硬件团队紧密合作，解决模型从代码到机器人运行过程中遇到的各种技术问题，并将经验固化成工具和文档
- 精通C++语言，理解其内存管理和多线程编程，能写出高效、稳定的工程代码
- 熟练掌握CUDA编程，了解GPU的工作原理，能够编写和优化GPU计算程序
- 熟悉Python，能用于快速开发工具脚本和验证算法模型
- 对程序性能有极致的追求，擅长使用性能分析工具定位和解决复杂系统的性能瓶颈
申请策略
- 在求职信或面试中，可以具体阐述你对“算法工程化”在机器人领域重要性的理解，展现你的热情和思考
- 准备一个体现你解决问题能力的技术案例，重点描述如何通过数据分析和优化手段提升程序性能
- 突出与C++、CUDA相关的课程项目或个人项目，例如使用CUDA实现的并行计算程序或高性能算法
- 强调在Linux环境下开发、使用Git/CMake进行项目管理的经验
- 如果有关性能分析、调优或模型部署的经验，务必详细描述，这是该岗位的核心要求
- 系统复习和实践C++11/14/17特性及现代C++编程范式，巩固多线程、内存管理知识
- 深入学习CUDA编程模型，通过官方示例或开源项目进行实践，尝试完成简单的GPU加速任务
- 尝试了解机器人技术栈的基础概念（如ROS），对端侧AI部署有一个初步认知
面试指南
- 对于概念题（如智能指针、CUDA层次），采用“定义-原理-作用-示例”的结构进行清晰阐述
- 对于流程题（如模型部署），采用“分步骤、讲清楚每一步的核心任务和可能用到的技术（如转换、量化、推理引擎）”的结构
- 对于优化类问题，强调“数据驱动”的思路：先使用工具测量，分析数据找到热点，然后提出针对性的优化方案（如并行化、内存优化、算法优化），最后说明预期效果
- 请解释一下C++中智能指针的工作原理及其在避免内存泄漏中的作用
- 请描述CUDA中线程、线程块、网格（Grid）的层次结构，并解释如何进行线程同步
- 如果要在一个GPU上部署一个卷积神经网络模型，从拿到模型文件到成功运行，你认为主要步骤有哪些？
- 请谈谈你对算子融合（Operator Fusion）的理解，它为什么能提升性能？
- 请描述一次你通过性能分析工具定位并解决程序瓶颈的经历
职位点评
薪资福利60
成长发展85
工作生活70
使命价值80
薪资福利
60中等
作为实习岗位，薪资通常低于正式员工，但北京地区AI方向的实习薪资处于市场中等水平。JD未提及具体福利。
薪资信号未披露（AI估算：4K-8K/月）
成长发展
85较高
该职位提供接触前沿机器人技术、高性能计算与模型优化的绝佳机会，技术栈深入且实用，能快速提升工程化能力和对底层系统的理解。
技术前沿前沿/新兴技术
技术栈C++、Python、CUDA、GPU、NPU、模型量化、算子优化、Linux
成长机会把优化经验沉淀为框架能力和文档
业务类型profit_center
工作生活
70中等
JD未明确办公模式、工作时间及地点类型，无法判断WLB情况。实习岗位的弹性通常高于全职，但具体需与HR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
80较高
机器人是典型的技术驱动型、具有广阔应用前景的高速发展赛道，参与其中能获得强烈的创造感和价值感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs