吉利汽车
AI架构师
AI架构师
发布于 大约 2 小时前中层管理(经理/总监)
杭州市
专家级经验
全职员工
仅现场办公
硕士
架构师
Cuda
Llm
Mlops
Rag
Tensorrt
Vllm
多模态模型
模型压缩
AI 估算 · 50k–80k
AI架构师为高级技术专家岗，要求10年以上经验，薪资水平高；吉利作为大型上市车企，薪资具有竞争力，但相比互联网大厂可能略低。
职位详情
关于这个职位
作为吉利汽车的AI架构师，你将主导公司AI平台与应用的顶层架构设计，覆盖从算法模型到边缘端/云端部署的全栈技术方案
你将负责大语言模型、多模态模型的选型、微调与工程化集成，并设计推理加速方案以优化性能与成本
同时，你需要搭建MLOps/LLMOps平台，制定技术路线图，并指导高级工程师，推动AI技术在汽车领域的落地
最低要求
计算机、人工智能、自动化等相关专业硕士及以上学历，10年以上AI/算法相关经验，5年以上架构经验
精通深度学习理论与工程实践，熟悉Transformer、CNN、RNN、Diffusion、MoE、RLHF等核心架构及其演进逻辑
熟悉大模型训练范式：预训练、SFT、DPO/PPO、LoRA/QLoRA、分布式训练（DeepSpeed、Megatron、FSDP）
理解算法边界与失效模式：能从数据分布、长尾、漂移、对抗鲁棒性角度判断模型落地的真实风险
具备从0到1设计大规模规模AI应用系统的经验，能输出清晰架构图与权衡分析（吞吐/延迟/一致性/成本）
精通RAG、Agent、Function Calling、多智能体编排等LLM应用架构模式，熟悉LangChain/LlamaIndex/AutoGen等生态并理解其局限
熟悉向量数据库、特征存储、模型 registry、推理网关等关键组件的选型与边界
具备领域驱动设计（DDD）思维，能在AI能力与传统软件系统之间做清晰的边界切分
深入理解GPU体系结构（Tensor Core、Memory Hierarchy、Kernel融合），能独立进行CUDA/Triton算子级优化
熟练使用推理框架：vLLM、TensorRT-LLM、TGI、ONNX Runtime、OpenVINO，掌握PagedAttention、Continuous Batching、Speculative Decoding等加速技术
熟悉模型压缩全栈：INT8/INT4量化、FP8、剪枝、蒸馏、稀疏化，理解精度-性能-成本三角的工程权衡
具备云原生部署经验：Kubernetes、Ray、KubeRay、Service Mesh、GPU调度与弹性扩缩容
熟练使用Python/C++/Go，能阅读论文并快速复现，具备扎实的系统设计与代码评审能力
熟悉MLOps工具链：MLflow、Weights & Biases、Kubeflow、Airflow
具备跨团队协作与高层汇报能力，能用业务语言向非技术决策者讲清技术投资回报
有过0→1团队搭建或核心技术骨干培养经验者优先
工作职责
负责公司AI平台与应用的顶层架构设计，覆盖从算法模型、推理服务、数据链路到边缘端/云端部署的全栈技术方案，支撑业务规模亿级请求与PB级数据处理
主导大语言模型（LLM）、多模态模型、CV/感知算法的选型、微调、蒸馏、量化与工程化集成，将前沿算法转化为可交付的生产系统
针对GPU/NPU/异构算力场景，设计推理加速方案（TensorRT、vLLM、CUDA/Triton、算子融合、KV-Cache优化、MoE路由优化），实现吞吐、延迟、成本的最优平衡
搭建MLOps/LLMOps平台，涵盖模型训练、版本管理、A/B实验、灰度发布、监控告警、回流迭代的完整闭环
制定AI技术路线图，评审关键架构决策，指导高级工程师与算法工程师，跨部门拉齐技术标准
优先资格
主导过千万级DAU/亿级调用量AI系统上线，并能提供可量化的性能/成本优化成果
在自动驾驶、智能座舱、机器人、边缘AI等嵌入式场景有落地经验，熟悉模型上车/端侧部署
顶会论文（NeurIPS/ICML/CVPR/ACL等）或开源项目核心贡献者
熟悉国产大模型与算力生态（通义、智谱、昇腾、寒武纪等）的工程适配
AI 洞察
优缺点分析
优点
- 吉利作为大型车企，AI投入大，平台稳定，项目规模大
- 技术栈前沿，涉及大模型、自动驾驶等热门领域，技能积累价值高
- 职位级别高，有团队管理职责，能提升领导力
缺点 / 挑战
- 技术要求极高，需掌握从算法到工程的全栈能力，持续学习压力大
- 汽车行业AI落地场景复杂，可能面临跨部门协作挑战
- 工作强度可能较高，需要应对紧急项目
- 适合有深厚AI技术背景、具备架构设计经验、希望挑战高难度技术问题并愿意承担管理职责的资深技术专家
角色解读
- 可晋升为AI技术总监或首席架构师，负责更大范围的技术战略
- 可横向拓展至自动驾驶、智能座舱等业务领域，成为技术专家
- 可向CTO等高管职位发展，参与公司技术决策
- 负责AI平台与应用的整体架构设计，包括算法模型、推理服务、数据链路和边缘/云端部署，支撑亿级请求和PB级数据
- 主导大模型和多模态模型的选型、微调、量化与工程化，将前沿算法落地为生产系统
- 设计GPU/NPU异构算力的推理加速方案，优化吞吐、延迟和成本
- 搭建MLOps/LLMOps平台，管理模型生命周期，并制定技术路线图，指导团队
- 精通深度学习理论和工程实践，熟悉Transformer、MoE、RLHF等核心架构
- 具备大规模AI系统架构设计经验，熟悉RAG、Agent等LLM应用模式
- 深入理解GPU体系结构，能进行CUDA/Triton算子级优化
- 熟悉云原生技术栈（Kubernetes、Ray）和MLOps工具链
申请策略
- 了解吉利汽车的业务和AI战略，在面试中展示对汽车行业AI应用的理解
- 准备详细的架构设计案例，展示权衡分析能力
- 突出大规模AI系统架构设计经验，特别是从0到1的项目
- 强调大模型训练和推理优化的具体成果，如性能提升、成本降低
- 展示团队管理和跨部门协作经验
- 列出开源贡献或顶会论文
- 补充学习最新的LLM推理加速技术，如vLLM、TensorRT-LLM
- 熟悉国产AI生态，如昇腾、寒武纪
面试指南
- 使用STAR法则：情境、任务、行动、结果，突出量化成果
- 强调架构设计的权衡分析，展示系统性思维
- 结合具体技术细节，体现深度和广度
- 请描述你主导过的一个大规模AI系统架构设计，如何权衡吞吐、延迟和成本？
- 如何选择大模型并进行微调？你如何评估模型落地的风险？
- 在GPU推理加速方面，你有哪些实际优化经验？
- 如何搭建MLOps平台？你如何管理模型版本和监控？
- 如何向非技术高管汇报AI项目的投资回报？
职位点评
73
综合评分
技术前沿、薪资优厚、发展空间大，但工作地点和WLB不明确。
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。
更适合这类人
适合追求技术成长、愿意接受挑战的资深AI专家，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活50
使命价值70
薪资福利
75中等
职位薪资水平较高，公司为上市公司，稳定性好，但JD未明确福利细节。
薪资信号未披露（AI估算：50K-80K/月）
成长发展
90较高
职位涉及前沿AI技术，如大模型、推理加速，且要求持续学习，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、Transformer、TensorRT、vLLM、CUDA、MLOps
成长机会技术路线图、指导高级工程师
业务类型ambiguous
工作生活
50较低
工作地点未明确，但可能位于杭州总部，JD未提及弹性工作或远程，可能为现场办公。
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
70中等
汽车行业AI应用具有社会价值，但JD未强调使命，行业成熟稳定。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs