英伟达
AI Computing Software Development Intern - 2027
AI Computing Software Development Intern - 2027
发布于 6 小时前实习/见习
实习生仅现场办公高性能计算
高性能计算
Cuda
Gpu计算
Llm推理优化
Pytorch
Tensorrt
性能剖析
深度学习
编译器优化
值不值得投
79综合评分
综合评分 79
顶尖AI算力底层技术实习，技术壁垒高、成长极快，偏重研发节奏与专业深耕
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
2.0万
比高性能计算中位数低
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 280 个在招 · 其中高性能计算 5 个
市场机会
选择适中
上海 · 高性能计算 · 29 个在招
职位详情
关于这个职位
面向2027届的AI计算软件开发实习生岗位，聚焦LLM推理优化、TensorRT编译器图优化及CUDA内核开发三大方向
候选人将参与构建高性能AI计算平台，负责模型执行分析、GPU加速、编译器优化与底层算子调优，助力定义下一代计算时代
最低要求
正在攻读计算机科学、计算机工程、电气工程、应用数学或相关领域的硕士或博士学位
具备出色的问题解决能力、对前沿AI系统的强烈好奇心，以及对GPU计算和深度学习软件性能的热爱
针对TensorRT LLM方向需精通Python编程并熟悉PyTorch，深入理解推理与GPU加速
针对TensorRT Compiler方向需熟练掌握C++，具备编译器或性能优化经验
针对CuTe DSL & CUDA Kernels方向需精通C/C++与CUDA或并行编程，熟悉LLVM、MLIR及编译器，掌握计算机体系结构及性能分析/优化技能
工作职责
TensorRT LLM – Inference Optimization (Python / PyTorch): 构建并增强高性能LLM推理流水线
分析与优化模型执行、可扩展性及内存使用
跨框架与研究团队协作，交付高效的多GPU模型服务
TensorRT Compiler – Graph Optimization (C++): 负责TensorRT编译器后端工作，改进图转换与代码生成以适配NVIDIA GPU
开发编译器优化Pass，完善操作符融合与内存分配，并与CUDA及硬件架构团队紧密协作
CuTe DSL & CUDA Kernels Development / Optimization (CUDA C++ / Python DSL): 设计并调优用于核心深度学习操作（如GEMM、MoE、Attention和Convolution）的GPU计算内核及DSL实现
进行性能剖析、分析与优化，以实现GPU效率最大化
AI 洞察
优缺点分析
优点
- 接触全球最前沿的AI算力技术与硬件生态
- 技术栈极具深度与壁垒，个人专业能力成长极快
- 依托成熟研发平台资源，简历背书价值极高
- 技术门槛极高，需同时兼顾底层硬件特性与上层算法需求
- 项目节奏紧凑，对代码质量与性能指标要求严苛
- 竞争激烈，需持续保持高强度学习
- 适合计算机/电子/数学相关专业硕博在校生，对底层系统编程、AI算力优化有浓厚兴趣，且追求技术深度的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可沿AI基础设施工程师、高性能计算专家或编译器开发工程师路径发展
- 未来可向AI芯片软件生态负责人、首席架构师演进，或在头部科技企业主导底层算力平台建设
- 负责AI计算底层软件栈的开发与性能调优，具体涵盖大语言模型推理加速、编译器图优化及GPU底层算子编写
- 通过代码实现与性能剖析，直接提升AI模型在硬件平台上的运行效率
- 扎实的C++/Python编程基础与算法功底
- 深入理解计算机体系结构、并行计算原理及GPU架构
- 熟悉主流深度学习框架及编译工具链
- 具备极强的性能分析与优化能力
申请策略
- 提前研究目标方向的官方文档与技术博客
- 准备1-2个能体现系统性思维与极致优化能力的详细项目案例
- 关注开发者大会最新技术动态
- 突出与GPU计算、编译器优化或深度学习框架相关的科研/项目经历
- 量化展示性能优化成果（如提速百分比、内存降低幅度）
- 清晰标注掌握的核心技术栈
- 强化C++现代特性与多线程/并行编程实战
- 深入学习GPU架构原理及性能剖析工具
面试指南
- 采用STAR法则结构化回答，重点突出“问题背景-定位方法-技术方案-量化结果”
- 针对技术问题先阐述原理，再结合具体场景说明权衡取舍，最后总结可复用的方法论
- 请分享一个你进行过的性能优化案例，具体瓶颈在哪里？如何定位与解决的？
- 解释一下CUDA中的Shared Memory与Global Memory的区别及优化策略
- 简述LLM推理中KV Cache的作用及可能的优化方向
- 面对复杂的编译器图优化问题，你的调试与分析思路是什么？
- 复习操作系统、计算机组成原理及计算机网络核心考点
- 动手跑通至少一个CUDA Kernel或自定义算子
职位点评
薪资福利75
成长发展92
工作生活60
使命价值85
薪资福利
75中等
该AI算力方向实习岗位津贴对标行业高标准，虽为短期实习但整体薪酬竞争力较强，能满足基础物质保障需求。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
92较高
岗位深度绑定GPU计算与AI编译器技术，提供接触前沿底层架构的机会，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈CUDA、TensorRT、LLM、PyTorch、C++、LLVM、MLIR
业务类型ambiguous
工作生活
60中等
研发类岗位通常需保证专注度，JD未明确提及弹性工时或远程政策，整体工作模式偏向标准研发节奏，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
85较高
致力于定义下一代计算时代，推动AI在机器人、自动驾驶等领域的落地，具有显著的技术突破意义与行业影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号定义计算的下一个时代、驱动全球各行业的创新
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