吉利汽车
AI算子开发工程师
AI算子开发工程师
发布于 大约 4 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Cuda
Flashattention
Pytorch
大模型
并行计算
性能调优
算子优化
计算机体系结构
值不值得投
72综合评分
综合评分 72
车企AI核心技术岗，技术前沿、薪资尚可，成长性强但WLB可能受限。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
43K
比人工智能中位数低
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 1900 个在招 · 其中人工智能 19 个
市场机会
选择面较广
杭州 · 人工智能 · 约 190 个在招
职位详情
关于这个职位
本职位隶属于吉利汽车集团，专注于智能驾驶或智能座舱领域的大模型计算性能优化
核心工作是负责大模型训练与推理场景下底层算子的设计、开发、适配与极致性能优化，并参与AI计算架构的前瞻性调研与设计迭代，以保障模型的核心性能指标达到最优
最低要求
研究生及以上学历，计算机、电子信息、微电子、软件工程等相关专业，扎实的计算机体系结构理论基础，熟悉CPU/GPU硬件架构、存储层级、并行计算、访存特性
具备良好的算法与代码功底，熟悉C/C++编程，精通CUDA高性能并行编程，了解OpenCL、ROCm等异构计算架构者优先
精通大模型算子开发优化，具备大模型场景算子开发实战经验，熟练掌握算子融合、量化、分块重排、访存优化、指令级优化、KV Cache优化、FlashAttention优化等核心技术
熟悉大模型全链路调优逻辑，可独立完成模型编译、显存优化、通信优化、调度优化、推理解码优化等端到端性能调优工作
掌握主流大模型架构与算法，熟悉 LLaMA、Qwen、Mistral、GPT 系列主流大语言模型，以及 CLIP、ViT 等多模态大模型的网络结构、计算特性、解码机制与并行训练逻辑
熟练使用性能工具链，精通Nsight Compute、Nsight Systems、perf、火焰图、gperf、VTune等CPU/GPU性能排查工具，可精准定位计算、访存、通信、IO瓶颈
熟练掌握PyTorch、PaddlePaddle任一主流框架底层机制，有框架底层算子定制、大模型专项适配、框架二次开发经验者优先
具备复杂问题拆解与攻坚能力，对大模型、AI异构加速、下一代算力架构有持续探索热情，能够跟进行业新技术迭代
工作职责
负责大模型训练、推理场景下各类基础算子的设计、开发、适配与极致优化，保障算子核心指标最优
针对主流大模型，完成全链路性能分析、瓶颈定位与优化落地
联动软硬件架构师，参与AI计算架构、大模型算力调度流程、算子适配方案的前瞻性调研与设计迭代
主导跨团队大模型训练/推理性能瓶颈、兼容性、稳定性问题的排查与解决，沉淀标准化技术文档，推动团队算力加速体系迭代
优先资格
了解OpenCL、ROCm等异构计算架构
有框架底层算子定制、大模型专项适配、框架二次开发经验
AI 洞察
优缺点分析
优点
- 技术前沿且核心，直接作用于大模型性能，技术积累的壁垒高，在求职市场上属于稀缺且高价值的技能方向
- 作为大型车企智能化战略的核心研发岗位，通常能提供有竞争力的薪酬福利和稳定的技术投入
- 技术门槛极高，需要同时精通算法、体系结构、编译原理和GPU编程，学习曲线陡峭，对持续学习能力要求很高
- 工作内容高度聚焦于性能优化，成果可能较抽象，不如开发一个用户可感知的功能那样直接，需要较强的成就感内驱力
- 需要与软硬件架构师、算法团队紧密协作，跨团队沟通和技术协调是工作的重要组成部分
- 适合拥有扎实计算机底层功底、热爱系统级优化、对性能极致追求有执念，并对大模型技术有浓厚兴趣的资深工程师或研究员
缺点 / 挑战
- 能够深入接触和优化最主流的大模型技术栈，有机会参与从底层算子到上层应用的全链路技术挑战
角色解读
- 在算子开发领域持续深耕，成为AI编译器、内核优化或特定硬件（如GPU/新AI芯片）适配方向的技术专家
- 向上发展为AI计算架构师，负责更广泛的异构计算平台设计、模型部署框架或整体AI基础设施规划
- 凭借对大模型和底层性能的深刻理解，转向大模型算法研究、AI系统架构设计或技术管理岗位
- 针对大语言模型和多模态模型的训练与推理流程，开发和优化底层计算算子，追求极致的性能指标（如吞吐量、延迟）
- 对整个AI模型的计算链路进行性能剖析，利用专业工具定位性能瓶颈并实施优化方案
- 参与前沿AI计算架构的设计讨论，推动算力调度和适配方案的演进，并解决跨团队协作中遇到的技术难题
- 需要极强的C/C++和CUDA编程能力，精通GPU并行计算和内存层次优化技术
- 必须深入理解计算机体系结构、CPU/GPU硬件特性，并能将理论应用于实践以优化算法执行效率
- 需要熟悉主流大模型（如LLaMA, GPT）的算法原理、网络结构及训练/推理全流程，并具备扎实的数学和算法基础
申请策略
- 深入研究吉利汽车在智能驾驶或智能座舱领域公开的技术博客、论文或开源项目，了解其技术栈和痛点，在面试中展现针对性思考
- 准备一个关于“如何将一个标准PyTorch算子优化到极致”的完整技术方案，涵盖分析、优化和验证步骤
- 重点突出在CUDA编程、GPU性能优化、算子开发（如实现或优化Attention、Convolution等算子）方面的具体项目和成果（如性能提升百分比）
- 详细描述使用过的性能分析工具（如Nsight系列、perf）定位并解决实际瓶颈的经验
- 列举对至少一个主流大模型（如LLaMA）架构的深入理解，以及对其进行框架级适配或优化的实践案例
- 系统学习和实践现代AI编译器技术（如TVM、MLIR）和算子自动调优（AutoTVM）相关的知识
- 深入研究最新的大模型优化技术论文（如FlashAttention-2、各种量化技术），并尝试复现和实验
- 在公开的硬件平台（如Colab GPU实例）上，针对开源模型进行从模型分析到算子优化的完整实践项目
面试指南
- 对于优化类问题，遵循“分析-诊断-优化-验证”的框架：先分析算法原理和计算图，用工具量化瓶颈（访存/计算/通信），再针对性应用融合、量化、内存布局优化等技术，最后用数据证明优化效果
- 对于系统原理类问题，采用“概念-作用-应用”的回答逻辑：先清晰解释核心概念，再说明它在计算中的作用，最后结合具体算子例子说明如何利用或避免该特性来优化性能
- 对于项目经验类问题，使用STAR原则（情境、任务、行动、结果），重点突出你个人的技术决策和贡献，并量化最终的性能收益
- 如何优化一个Transformer模型中的Self-Attention算子？请描述你的思路和可能用到的技术
- 当发现一个大模型训练任务GPU利用率很低时，你会如何使用性能工具进行分析和定位瓶颈？
- 请解释CUDA中的Warp调度、共享内存和全局内存的层次结构，并说明如何据此优化一个Kernel
- LLaMA和GPT系列模型在架构或训练推理流程上有什么主要区别？从算子优化的角度看，有何不同挑战？
- 请描述一个你从零开始开发或深度优化一个复杂算子的经历，遇到了哪些关键问题，如何解决的？
职位点评
薪资福利70
成长发展90
工作生活50
使命价值75
薪资福利
70中等
该职位为吉利汽车集团的核心技术研发岗，薪资具有市场竞争力。但作为传统车企智能化部门，其薪酬福利结构可能与互联网大厂有差异，且JD未明确提及具体福利项目。
薪资信号市场水准 (35K-50K/月)
成长发展
90较高
这是技术纵深极强的岗位，要求精通体系结构、GPU编程和大模型底层优化，能持续接触AI计算最前沿的技术挑战和解决方案，技能成长空间巨大。
技术前沿前沿/新兴技术
技术栈C++、CUDA、大模型、算子优化、PyTorch、FlashAttention、LLaMA、GPU、性能调优
成长机会前瞻性调研与设计迭代、推动团队算力加速体系迭代、跟进行业新技术迭代
业务类型ambiguous
工作生活
50较低
JD未提及任何关于工作模式、弹性工时或WLB的信息。作为涉及硬件调试和性能攻坚的研发岗位，现场办公和高强度工作的可能性较高，生活与工作的平衡可能面临挑战。
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
75中等
岗位参与汽车智能化核心AI技术的研发，有明确的行业应用前景（自动驾驶/智能座舱），能将高性能计算技术转化为产品力，具有一定的产业价值和社会意义。
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