英伟达
Software Engineer Intern - NVEX, 2027
Software Engineer Intern - NVEX, 2027
发布于 3 小时前实习/见习
实习生仅现场办公软件工程
软件工程
Container
Gpu
Troubleshooting
值不值得投
薪资怎么样
8.0千
比软件工程中位数低
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 510 个在招 · 其中软件工程 24 个
市场机会
选择面较广
北京 · 软件工程 · 约 2620 个在招
职位详情
关于这个职位
作为 NVIDIA Experience（NVEX）团队的软件工程师实习生，你将参与 DGX、网络、NVAIE、Omniverse、Kubernetes 等企业级解决方案的功能开发与工具建设，协助定位并解决客户的关键问题，并与全球团队协作，探索 GPU 在新型容器技术与深度学习框架下的应用场景
最低要求
计算机科学、电子工程、计算机工程或相关专业硕士及以上学历
具备扎实的计算机科学基础，精通 C/C++ 或 Python
具备求知欲、积极的态度、灵活的适应能力、分析能力、自我驱动力以及团队合作意识
具备专业水平的沟通能力与人际交往能力，并热衷于解决问题
工作职责
作为解决方案工程工作的一部分，开发功能与工具，支持所有企业服务产品，包括但不限于 DGX、Networking、NVAIE、Omniverse、容器编排器（如 Kubernetes）、GPU 加速应用以及深度学习框架
把握机会，针对新兴容器技术与深度学习框架，研究 GPU 的新用例
以独立的分析、沟通与问题解决能力提升客户体验
与全球多个团队协作，进行问题分类（issue triaging），并开发 AI 解决方案
提升 NVIDIA 深度学习框架容器在 NVIDIA GPU 上运行时的可用性、可靠性以及整体体验
优先资格
具备在 Linux、容器与深度学习框架上进行开发、问题排查（triaging）与调试的经验
具备分布式系统相关经验，尤其是容器编排器相关经验
具备系统级调试与问题排查的相关经历
AI 洞察
优缺点分析
优点
- 平台与技术含金量高，能在 NVIDIA 这样的加速计算领军企业接触 GPU、容器与深度学习框架的前沿实践
- 工作内容横跨开发、调试与解决方案，技术面广，能同时锻炼编码能力和系统级排障能力
- 与全球团队协作，英语沟通与技术视野提升明显，对未来申请海外岗位或大厂核心团队有帮助
- 实习经历在简历上有较强背书，尤其在 AI 基础设施与异构计算方向
- 技术栈跨度大，从驱动、容器编排到深度学习框架都可能涉及，需要较强的自学与快速上手能力
- 与全球团队协作存在时差与语言门槛，会议和文档多为英文，需要适应国际化工作节奏
- 适合计算机、电子或相关专业硕士在读、编程基础扎实、对 GPU 加速计算与 AI 基础设施有真实热情，且愿意在多元国际化团队中主动解决问题的同学
缺点 / 挑战
- 需要直接面对客户问题与线上故障排查，对沟通表达与压力承受能力有一定要求
角色解读
- 短期可在企业级 AI 基础设施、容器与深度学习框架方向快速积累系统级调试与解决方案经验
- 中期可向 GPU 计算平台、AI 基础设施工程、DevOps/SRE 或解决方案架构师方向发展
- 长期在加速计算与 AI 平台生态中，可成长为跨框架、跨硬件栈的技术专家或技术负责人
- 参与 DGX、NVAIE、Omniverse、Kubernetes、深度学习框架等企业级解决方案的功能开发与工具建设，把工程能力直接落到客户可用性上
- 在 Linux 和容器环境中定位、复现并解决客户遇到的关键技术问题，与全球团队协作对问题进行分类与处理
- 研究 GPU 在新型容器技术与深度学习框架下的新用例，参与 AI 解决方案的原型开发与验证
- 持续优化 NVIDIA 深度学习框架容器在 GPU 上的可用性、可靠性与整体使用体验
- 扎实的计算机基础与编程能力，需精通 C/C++ 或 Python，能读懂系统层代码
- 熟悉 Linux 操作系统与容器技术，了解 Kubernetes 等容器编排器的工作机制
- 了解深度学习框架与 GPU 加速计算的基本原理，能与框架、驱动、网络等多层技术栈打交道
- 具备较强的问题排查（troubleshooting）与沟通协作能力，能与全球团队和客户高效对接
申请策略
- 投递前了解 NVEX 团队与 NVIDIA 企业级产品线（DGX、NVAIE、Omniverse），在简历和求职信中体现对业务方向的理解
- 强调自己“能独立定位问题并推动解决”的经历，这与岗位对客户问题处理和跨团队协作的要求高度契合
- 突出 C/C++ 或 Python 的项目经历，最好能体现代码规模、性能优化或系统层实现细节
- 详写 Linux 环境下的开发与调试经历，包括使用 gdb、perf、strace 等工具排查问题的具体案例
- 展示容器与 Kubernetes 相关实践，如自建集群、编写 Dockerfile、部署分布式服务等
- 若有深度学习框架（PyTorch/TensorFlow）使用或 GPU 编程（CUDA）经验，应单独列出并量化成果
- 补强 Kubernetes 与容器运行时（Docker、containerd）的核心概念，理解调度、网络与存储的基本机制
- 熟悉至少一个深度学习框架的源码结构或算子实现，了解 GPU 加速的基本原理与常见性能瓶颈
面试指南
- 排障类问题用“现象描述—假设分层—验证手段—根因与修复—复盘”的结构回答，体现系统化思维
- 技术基础题先讲原理，再结合自己做过的项目举例，最后说明边界与局限，避免只背结论
- 协作类问题用 STAR 结构，强调主动沟通、书面同步与结果导向
- 请介绍一个你在 Linux 环境下排查复杂问题的案例，你是如何定位根因的？
- C/C++ 或 Python 的基础题：内存管理、并发、性能优化相关的追问
- 你如何理解容器与 Kubernetes？如果容器内 GPU 应用无法启动，你会如何排查？
- 深度学习框架在 GPU 上训练变慢，你会从哪些层面分析原因？
- 与海外团队协作时，遇到信息不同步或意见分歧你会怎么处理？
英伟达 的其他在招职位
相似职位推荐
Watch Jobs