AI Algorithm Contract Engineer

优缺点分析

角色解读

• 技术专家路线：深入模型架构、芯片协同设计或特定领域算法，成为AI算法领域的权威
• 技术管理路线：带领团队进行算法研发与项目落地，负责技术方向规划
• 跨领域发展：向AI系统架构、芯片设计或产品定义等方向拓展
• 负责生成式AI核心模型的研发，包括Transformer、Mamba等前沿架构的设计与实现
• 专注于将AI算法部署到移动端芯片（APU）上，并进行极致的性能与功耗优化
• 参与模型训练方法论的构建，确保模型效果与工程效率
• 扎实的深度学习理论基础，精通PyTorch等框架进行算法原型开发
• 熟练掌握C/C++，具备模型落地与高性能计算的能力
• 了解移动端/嵌入式设备的开发环境与限制，有TFLite等端侧推理框架经验
• 熟悉生成式AI的模型架构（如Transformer）和优化技术（如推测解码）

申请策略

• 研究联发科在AI芯片和移动端AI领域的技术布局与产品
• 面试中准备好讨论具体模型的实现细节、遇到的挑战及解决方案
• 表现出对算法从训练到端侧部署全链路的理解和兴趣
• 突出在深度学习模型（特别是生成式AI）方面的研究或项目经验，最好有论文或开源项目
• 详细描述在模型优化、端侧部署方面的实践，例如使用TFLite将模型部署到手机或其他设备的经历
• 展示C/C++的工程实现能力，以及对计算性能、内存优化的理解
• 深入学习最新的大模型架构（如Mamba）和训练、推理优化技术
• 系统学习移动端AI开发知识，包括NNAPI、GPU加速、量化等技术

面试指南

• 使用STAR原则（情境、任务、行动、结果）来结构化地介绍你的项目经历
• 从模型压缩、量化、算子优化、硬件适配等多个维度来阐述端侧部署的解决方案
• 结合理论（原理）与实践（项目中的具体应用）来回答技术问题，体现深度思考
• 请介绍一个你参与过的生成式AI模型项目，你在其中负责什么？解决了哪些关键问题？
• 如何将一个训练好的大型Transformer模型高效地部署到移动端设备上？你会考虑哪些优化技术？
• 请解释一下Speculative Decoding（推测解码）的基本原理及其在边缘设备上的应用优势
• 你对RNN/SSM架构（如Mamba）与Transformer架构在边缘端应用的优劣有何看法？
• 在处理C/C++与Python混合编程的项目中，你通常如何保证性能与开发效率的平衡？