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
实习生仅现场办公机器学习工程
机器学习工程
Cuda
Gpu优化
分布式计算
强化学习
机器学习基础设施
系统性能分析
高性能计算
值不值得投
75综合评分
综合评分 75
顶级平台前沿技术实习，成长机会突出，薪资福利信息有限，WLB可能一般。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
9千
比机器学习工程中位数低
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 190 个在招 · 其中机器学习工程 8 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 460 个在招
职位详情
关于这个职位
这是英伟达Cosmos Lab的AI基础设施实习岗
你将参与开发和优化用于先进物理AI模型（如世界基础模型、机器人策略）的训练与后训练系统，连接训练、推理、评估与模拟及真实机器人交互
工作内容高度实践，将与导师合作，处理真实的AI工作负载，并使用NVIDIA GPU基础设施
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和调试技能，以及并发、分布式执行、内存管理或数据移动方面的系统基础
在以下至少一个领域有实践经验：训练基础设施、强化学习(RL)基础设施、模拟或机器人集成、推理基础设施
课程作业、研究、开源项目和实习经历均算数
具备强大的分析和沟通能力、好奇心以及学习意愿
无需具备所有列出领域的经验，无需有大型GPU集群使用经验，也无需有模型架构或学习算法研究经验
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
连接模拟环境或（如适用的）真实机器人交互与经验收集、rollout推理、奖励计算、训练和评估
通过分区、流水线、数据传输以及跨同步、异步或解耦执行的同步来优化这些工作流
通过调度、放置、动态资源分配和负载均衡，提高训练、推理、模拟和评估的效率和可扩展性，支持异构资源、弹性和故障恢复
分析和优化系统性能，与研究人员合作，从系统角度调查、支持和比较新兴的物理AI模型、训练工作流和算法
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
通过经过测试的代码、文档和技术分享研究成果，并在适当情况下为研究论文做出贡献
优先资格
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
有优化训练、rollout、模拟和评估之间的调度、放置、资源分配或数据传输的经验
有扩展RL流水线、集成模拟环境或机器人接口、优化推理的经验
有GPU性能分析、C++/CUDA开发经验
有机器学习系统相关的开源贡献或研究经验
AI 洞察
优缺点分析
优点
- 能直接接触和优化世界顶尖的AI训练硬件（NVIDIA GPU）和软件栈，技术前沿性强
- 在顶尖AI实验室工作，有导师指导，能建立对AI基础设施全貌的深刻理解
- 英伟达在AI计算领域地位卓越，实习经历对后续无论是深造还是就业都是强力背书
- 岗位技术深度要求高，需要快速学习并掌握复杂的分布式系统、GPU编程等知识
- 需要在有限实习时间内理解领域背景、定位问题并产出成果，对学习能力和效率要求高
- 涉及跨领域知识（系统+AI+机器人），需要具备较强的知识整合和抽象思维能力
缺点 / 挑战
- 实习项目聚焦于真实、有挑战性的AI系统问题，实战价值高，成果可能被实际采用
- 适合对AI系统底层、高性能计算有浓厚兴趣，具备扎实编程和系统基础，喜欢解决有深度的技术挑战，并希望未来从事AI基础设施相关工作的计算机相关专业学生
角色解读
- 实习后可转为全职软件工程师，专注于AI系统、高性能计算或MLOps方向
- 可深入发展为GPU计算优化专家、AI训练框架架构师或AI基础架构负责人
- 积累的系统经验也是转向AI算法研究或产品岗位的坚实基础
- 开发和优化用于训练AI世界模型（如物理模拟、机器人控制）的分布式计算系统
- 构建将模拟环境与真实机器人训练流程整合起来的强化学习基础设施
- 通过改进调度和资源管理，提升整个AI研发流程（训练、推理、评估）的效率和可扩展性
- 与AI研究人员合作，从系统层面分析和解决模型训练与部署中的性能瓶颈
- 扎实的Python编程和调试能力，以及操作系统、并发、分布式系统的基础知识
- 了解分布式训练原理（如数据并行、模型并行）或强化学习系统流程
- 具备性能分析、基准测试和问题定位的能力，能够将系统优化与模型训练需求结合
- 良好的学习能力和沟通能力，能在跨学科（系统+AI算法）环境中协作
申请策略
- 在求职信中明确表达你对‘AI Infrastructure’而非纯算法的热情，并简述你为此做过哪些准备（如阅读了相关论文、尝试过某个开源项目）
- 研究Cosmos Lab或英伟达在物理AI、机器人学习领域的一些公开工作，面试时能体现你的了解和思考
- 重点突出与系统编程、分布式计算、并行计算相关的课程项目、研究经历或实习经验
- 展示使用Python进行性能分析、调试复杂系统问题的实例，或任何与GPU/CUDA相关的经验
- 强调独立学习和探索新技术的能力，以及参与过的任何与AI、机器学习系统相关的开源项目
- 系统复习或深入学习分布式系统原理（如MapReduce、参数服务器）、操作系统（进程/线程/内存管理）
- 了解主流深度学习框架（PyTorch/TensorFlow）的底层数据并行和模型并行实现原理
- 若有余力，可初步了解CUDA编程基础或阅读一些高性能计算（HPC）领域的资料
面试指南
- 对于技术问题，采用‘STAR法则’：清晰说明项目背景(Situation)、你的任务(Task)、你采取的具体技术方案(Action)，以及最终达到的量化结果(Result)
- 对于开放性问题，先阐述自己的理解框架，再分点列举可能的技术挑战（如数据同步、资源竞争、模拟与现实差异），并简要提及可能的解决思路
- 面试中主动将话题引向你熟悉或准备过的技术点，展示你的主动性和知识深度
- 请描述一个你参与过的分布式系统或并行计算的项目
- 你遇到的主要挑战是什么？如何解决的？
- 如何评估一个训练任务的性能瓶颈？你会使用哪些工具和方法进行性能分析？
- 在强化学习中，将模拟环境与训练系统集成时，可能会遇到哪些系统层面的挑战？
- 你对‘物理AI’或‘世界模型’有什么理解？你认为系统在其中扮演什么角色？
职位点评
薪资福利55
成长发展95
工作生活50
使命价值88
薪资福利
55较低
作为知名跨国企业的实习岗位，薪资在市场中具有一定竞争力，但实习性质意味着薪资和福利的确定性低于正式岗位。
薪资信号未披露（AI估算：6千–1.2万/月）
成长发展
95较高
该职位对发展性动机的满足程度极高，提供了接触最前沿AI基础设施技术、在顶尖实验室导师指导下参与实战项目、积累硬核系统工程经验的宝贵机会。
技术前沿前沿/新兴技术
技术栈Python、CUDA、分布式并行、低精度训练、强化学习、GPU性能分析
成长机会work with a mentor、contribute to research publications
业务类型ambiguous
工作生活
50较低
办公模式未明确说明，工作地点位于一线/新一线城市核心地段，通勤可能便利，但作为AI实验室的核心岗位，工作强度可能较高。
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
88较高
工作涉及推动AI在物理世界（机器人、模拟）的落地，属于前沿创新领域，具有很高的技术价值和产业影响力，能带来强烈的使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号advanced Physical AI models、world foundation models、robot policies
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