英伟达
Deep Learning Performance Architect
Deep Learning Performance Architect
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公高性能计算
高性能计算
Gpu架构
Llm
Pytorch
Tensorflow
性能优化
深度学习
计算机体系结构
高性能计算
值不值得投
82综合评分
综合评分 82
顶尖大厂核心研发岗、前沿技术栈、高薪潜力大、技术成长极快、工作强度可能较高
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比高性能计算中位数高
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 · 其中高性能计算 15 个
市场机会
选择面较广
上海 · 高性能计算 · 52 个在招
职位详情
关于这个职位
负责分析深度学习工作负载在不同硬件和软件架构上的性能表现，识别系统瓶颈
探索新特性与配置以优化性能和能效，需具备计算机体系结构背景及深度学习框架经验
最低要求
计算机科学、电子工程、数学等相关领域的学士、硕士或博士学位
熟悉 GPU 或基于加速器的深度学习平台及软件栈
扎实的计算机体系结构背景
具备系统架构设计和性能优化经验
熟悉机器学习和深度学习框架
工作职责
分析不同架构上各种深度学习工作负载的性能
识别架构和软件层面的性能瓶颈
探索新特性和系统配置，以实现更好的性能和能源效率
优先资格
年以上相关方向工作经验（如硬件系统、数据中心硬件、LLM在数据中心的负载）将被视为加分项
AI 洞察
优缺点分析
优点
- 身处全球AI算力核心企业，接触最前沿的GPU架构与LLM技术
- 对底层硬件原理和上层软件栈的双重理解要求极高，技术门槛高
- 适合具备深厚计算机体系结构功底，且对AI硬件加速有强烈兴趣的技术极客或资深工程师
缺点 / 挑战
- 拥有极高的技术挑战性和行业影响力，简历含金量极高
- 作为大厂核心部门，工作节奏快，对产出和性能指标压力大
角色解读
- 可向首席架构师、高级技术专家方向发展，或在AI基础设施、高性能计算领域成为行业权威
- 也可转向更广泛的系统设计与产品战略角色
- 深入分析深度学习模型在各类硬件（特别是GPU）上的运行性能，定位瓶颈
- 设计并验证新的系统配置或架构特性，以提升计算效率和能效比
- 精通计算机体系结构与系统架构设计
- 熟练掌握主流深度学习框架（如PyTorch/TensorFlow）
- 具备高性能计算（HPC）和大规模数据中心负载调优经验
申请策略
- 准备详细的技术项目复盘，重点阐述如何发现瓶颈及解决思路
- 了解NVIDIA最新产品线（如Hopper/Blackwell架构）有助于面试加分
- 突出展示在GPU/加速器上的性能调优案例，量化提升效果
- 强调对深度学习框架底层机制的理解及系统级优化经验
- 深化对CUDA编程、内存层次结构、缓存一致性等底层知识的掌握
- 关注最新LLM训练/推理架构（如Transformer变体）的性能特征
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答
- 重点展示问题分析的逻辑链条：从现象观察->工具定位->假设验证->方案实施->最终收益
- 请描述一次你通过修改系统配置或代码显著提升深度学习模型性能的经历
- 如何分析一个分布式训练任务中的通信瓶颈？
- 对比不同GPU架构在处理稀疏矩阵时的差异
- 在资源受限情况下，如何平衡模型精度与推理延迟？
- 复习计算机组成原理中关于流水线、分支预测、内存带宽的内容
- 熟悉常用性能分析工具（如Nsight Systems, PyProf）
职位点评
薪资福利85
成长发展95
工作生活60
使命价值80
薪资福利
85较高
作为上市巨头企业的核心研发岗，薪资水平处于市场高位，福利体系完善，但具体数字未披露。
薪资信号未披露（AI估算：4.0千–7.0万/月）
成长发展
95较高
职位直接涉及前沿的深度学习与高性能计算技术，技术栈极具前瞻性，成长空间巨大。
技术前沿前沿/新兴技术
技术栈Deep Learning、GPU、High-Performance Computing、LLM、System Architecture
业务类型profit_center
工作生活
60中等
JD未明确提及弹性工作或远程政策，通常此类核心研发岗需坐班。大厂节奏较快，WLB视团队而定，存在一定压力。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
致力于推动AI算力和高性能计算的发展，属于科技驱动型工作，具有显著的行业进步意义。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
英伟达 的其他在招职位
相似职位推荐
Watch Jobs