AI Computing Software Intern, GPU Kernel Libraries - 2027

优缺点分析

角色解读

• 可向资深GPU架构师、高性能计算专家或AI编译器开发者方向发展
• 也可横向拓展至底层系统软件、芯片验证或AI基础设施架构设计领域
• 负责英伟达GPU底层计算库（如cuBLAS/TensorRT）的高性能算子开发与性能调优
• 深入分析GPU内核执行瓶颈，设计并落地优化方案
• 参与构建支撑算子发布与部署的软件基础设施
• 精通C/C++与Python编程，熟练掌握CUDA并行计算模型
• 理解编译器架构，有LLVM/MLIR实际项目经验
• 具备扎实的计算机体系结构与深度学习框架基础

申请策略

• 提前研究NVIDIA开源工具链（如Nsight Systems/Compute）
• 准备1-2个体现底层调试与性能瓶颈定位能力的详细案例
• 突出CUDA并行编程实战项目、LLVM/MLIR编译器改造经历或GPU性能剖析报告
• 量化展示算子加速比提升数据与内存/带宽优化成果
• 补充计算机组成原理与Cache一致性协议知识
• 动手复现经典算子（如GEMM）的CUDA实现
• 熟悉PyTorch/TensorRT底层调用机制

面试指南

• 采用STAR法则结构化回答项目经历，突出个人贡献与技术决策依据
• 技术概念题先给定义再对比差异，辅以架构图或代码片段说明
• 性能问题按“测量基线->定位热点->分析瓶颈->实施优化->验证结果”逻辑展开
• 请描述你优化过一个CUDA内核的具体过程与指标提升
• LLVM IR与MLIR的区别是什么？如何在MLIR中定义自定义Dialect？
• 遇到GPU显存带宽瓶颈时如何排查与解决？
• 复习《CUDA C Programming Guide》核心章节与GPU内存层次结构
• 梳理常见GPU架构（Ampere/Hopper）指令集与调度特性