英伟达
AI Infrastructure and Frameworks Intern, Cosmos Lab - 2027
AI Infrastructure and Frameworks Intern, Cosmos Lab - 2027
发布于 2 小时前实习/见习
实习生仅现场办公人工智能
人工智能
Ai基础设施
Gpu优化
分布式系统
强化学习(Rl)
性能分析
机器学习工程
值不值得投
77综合评分
综合评分 77
顶尖硬件生态加持、前沿AI Infra技术深耕、导师制培养完善，但需适应高强度驻场研发节奏
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，方便比较实习机会。
薪资怎么样
1.6万
比人工智能中位数高
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 430 个在招 · 其中人工智能 8 个
市场机会
选择面较广
北京 · 人工智能 · 约 680 个在招
职位详情
关于这个职位
负责英伟达Cosmos实验室AI基础设施与框架的开发，构建和优化物理AI模型（如世界基础模型和机器人策略）的训练及后训练系统
通过分布式并行、低精度训练等技术提升系统效率，连接仿真与真实机器人交互，支持大规模GPU集群上的AI工作负载开发与性能调优
最低要求
正在攻读计算机科学、计算机工程、电气工程或相关领域的学士、硕士或博士学位
具备扎实的 Python 编程和调试能力，掌握并发、分布式执行、内存管理或数据移动等系统基础知识
在至少一个领域拥有实践经验：训练基础设施、强化学习(RL)基础设施、仿真或机器人集成、或推理基础设施
课程作业、研究、开源项目和实习经历均符合要求
具备出色的分析能力和沟通技巧，保持好奇心并愿意学习
不要求掌握所有列出领域的经验，也无需预先接触大型 GPU 集群或进行模型架构/学习算法研究
工作职责
开发和优化用于先进物理 AI 世界模型的训练基础设施，支持预训练、监督微调 (SFT) 和强化学习 (RL)
探索分布式并行、分片、低精度训练、计算-通信重叠，以及训练与推理之间的数值一致性和高效的权重同步
构建支持高级训练算法的物理 AI 后训练和 RL 基础设施
将仿真或实际机器人交互与经验收集、rollout 推理、奖励计算、训练和评估相连接
通过跨同步、异步或分离执行的分区、流水线、数据传输和同步来优化这些工作流程
通过调度、放置、动态资源分配和负载均衡，提高训练、推理、仿真和评估的效率与可扩展性，支持异构资源、弹性伸缩和故障恢复
分析和优化系统性能，与研究人员合作从系统角度调查、支持和比较新兴物理 AI 模型、训练工作流程和算法
使用性能分析、基准测试和性能建模来识别瓶颈并衡量吞吐量、延迟、GPU 利用率和策略新鲜度
通过测试过的代码、文档和技术演示分享发现，并在适当时参与研究论文发表
优先资格
具有优化训练基础设施的经验，包括分布式并行、低精度训练、GPU 内存效率或计算-通信重叠
具有优化训练、rollout、仿真和评估之间调度、放置、资源分配或数据传输的经验
具有扩展 RL 管道、集成仿真环境或机器人接口、优化推理的经验
具备 GPU 性能分析、C++/CUDA 开发经验，以及在 ML 系统方面的开源贡献或研究经验者更佳
AI 洞察
优缺点分析
优点
- 依托英伟达顶级硬件生态与前沿Physical AI项目，接触行业最领先的GPU集群与AI基础设施技术栈
- 拥有资深导师一对一指导，成果可直接转化为学术论文或工业界标杆实践
- 技术门槛极高，需同时兼顾系统底层优化与上层AI算法逻辑，对分布式并发与GPU内存管理要求严苛
- 项目节奏紧凑，需快速适应高强度研发环境
- 适合计算机/电子相关专业在读研究生或高年级本科生，具备扎实的系统编程基础与强烈的AI基础设施探索兴趣
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI系统架构师、高性能计算专家或机器学习平台负责人方向发展，积累底层基础设施经验后易转向核心算法工程或技术管理岗位
- 负责物理AI模型训练与推理基础设施的开发与优化，搭建支持大规模GPU集群的分布式训练框架
- 连接仿真环境与真实机器人交互流程，实现数据流转与算法部署
- 精通Python与系统底层原理（并发、内存管理），熟悉分布式训练、强化学习或GPU加速开发
- 具备性能剖析与系统调优能力，了解主流AI框架底层机制
申请策略
- 提前了解Cosmos Lab在World Models与机器人控制领域的最新论文，面试时展现对AI Infra痛点的深刻理解而非仅停留在API调用层面
- 突出分布式系统开发、GPU编程(CUDA/C++)或AI框架二次开发的项目经验
- 量化展示性能优化指标（如吞吐量提升、延迟降低）
- 深入研读PyTorch/TensorFlow底层源码，补充多机多卡分布式训练原理
- 练习Linux系统性能分析工具的使用
面试指南
- 采用STAR法则结构化回答，重点阐述问题背景、你的具体技术方案、权衡取舍过程及最终量化的性能收益
- 结合底层原理说明设计合理性
- 请描述你优化过的高并发或分布式系统的经验，遇到了哪些瓶颈？
- 如何在GPU内存受限的情况下设计高效的训练数据加载与分发策略？
- 解释一下分布式训练中梯度同步的原理及常见优化手段
- 你如何评估一个AI训练框架的性能瓶颈？会使用哪些工具？
- 复习操作系统网络与存储子系统知识，准备1-2个完整的性能调优案例
- 熟悉英伟达CUDA编程模型及NCCL通信库基础概念
职位点评
薪资福利70
成长发展92
工作生活55
使命价值88
薪资福利
70中等
提供符合一线科技巨头标准的实习津贴与完善福利，但实习岗位整体薪酬上限受限于学生身份，稳定性与长期回报相对有限。
薪资信号未披露（AI估算：1.3千–1.8万/月）
成长发展
92较高
深度参与全球领先的Physical AI基础设施研发，接触最前沿的分布式训练与GPU优化技术，导师制培养体系完善，技术成长曲线极陡。
技术前沿前沿/新兴技术
技术栈Python、Distributed Training、RL、GPU Optimization、CUDA、Simulation
业务类型profit_center
工作生活
55较低
未明确提及弹性工作制，研发类实习通常需驻场配合团队进度，工作强度可能随项目节点波动，WLB表现中等。
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
88较高
投身于重塑物理世界交互方式的Physical AI与世界模型研发，技术突破将直接推动机器人技术与自动驾驶等行业变革，社会价值与技术使命感强烈。
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