英伟达
Deep Learning Performance Intern - 2027
Deep Learning Performance Intern - 2027
发布于 2 小时前实习/见习
实习生仅现场办公性能优化
性能优化
Gpu架构
Llm
内核优化
并行计算
性能优化
性能建模
深度学习
计算机体系结构
值不值得投
74综合评分
综合评分 74
顶尖AI芯片平台实习、前沿技术驱动、成长空间广阔，但工作强度与WLB保障相对有限。
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
1.0万
比性能优化中位数低
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 430 个在招
市场机会
选择不多
上海 · 性能优化 · 10 个在招
职位详情
关于这个职位
负责在GPU/NPU架构上对深度学习算法进行性能基准测试与分析，构建性能模型并预测不同硬件平台的负载表现
识别系统级性能瓶颈并提出底层优化方案，探索AI新特性与硬件能力，助力边缘设备、工作站及数据中心GPU的加速架构演进
最低要求
BSc. MS or PhD in relevant discipline (CS, EE, Math, etc.,)
Be familiar with GPU or Accelerator-based deep learning platform and software stack
A strong background in computer architecture
Be familiar with LLM or generative AI deep learning algorithms and kernel optimizations
Experience in system architecture design and performance optimization
Familiar with machine learning and deep learning frameworks
工作职责
Benchmark and analyze performance of various machine learning/deep learning algorithms on different GPU/NPU architectures
Develop performance models and provide performance projections for deep learning workloads on different architectures
Identify architecture, software and system performance bottlenecks and propose optimizations
Explore new features and hardware capabilities on deep learning applications
AI 洞察
优缺点分析
优点
- 接触全球顶尖AI芯片生态，参与大模型底层性能优化，技术视野极具前瞻性
- 依托巨头企业研发资源，能获得完善的导师指导与项目实战机会
- 简历含金量高，为后续进入头部科技公司或深造奠定坚实基础
- 岗位对计算机体系结构与底层优化功底要求极高，学习曲线陡峭
- 需处理海量基准测试数据，工作节奏紧凑且对细节精度要求严格
- 适合计算机/电子/数学相关专业背景扎实，对底层系统优化有浓厚兴趣，且具备较强逻辑分析与动手能力的在校生或应届毕业生
缺点 / 挑战
- 跨软硬件协作沟通成本较高，需快速适应多团队协同模式
角色解读
- 向深度学习系统架构师或高性能计算专家方向发展
- 可横向拓展至芯片设计验证、编译器开发或AI基础设施领域
- 长期可成长为负责端到端AI算力优化的技术负责人
- 评估深度学习算法在GPU/NPU等硬件平台上的实际运行效率，建立性能预测模型
- 定位软硬件协同工作中的性能瓶颈，提出底层架构或代码级的优化方案
- 跟踪前沿AI硬件特性，验证其在实际负载中的加速效果与兼容性
- 掌握计算机体系结构与并行计算原理，熟悉CUDA或主流加速器编程模型
- 深入理解LLM/生成式AI算法的计算图特征与内存访问模式
- 熟练使用PyTorch/TensorFlow等框架进行性能剖析与调优
- 具备扎实的数据分析与建模能力，能将测试结果转化为可量化的性能指标
申请策略
- 提前了解英伟达最新GPU架构及TensorRT等技术路线，准备1-2个完整的性能优化案例，能清晰阐述问题定位、实验设计与结论推导过程
- 突出课程项目或科研中涉及的性能分析、并行计算或AI框架调优经历
- 量化展示算法优化前后的效率提升数据（如延迟降低X%、吞吐量提升Y倍）
- 强调对GPU架构、内存层次结构或编译工具链的实际操作经验
- 补充CUDA C++或ROCm编程实践，熟悉性能剖析工具（如Nsight Systems/Compute）
- 深入研读Transformer类模型的算子实现与内存优化策略
- 强化Linux环境下的性能压测与 profiling 技能
面试指南
- 采用STAR法则结构化表达：背景目标→具体动作（工具/方法）→量化结果→复盘总结
- 聚焦“测量-假设-验证”闭环，先展示profiling数据定位热点，再说明优化策略（如算子融合、内存复用、并行调度），最后对比优化前后指标
- 请描述一次你通过修改代码或调整参数显著提升模型推理速度的经历
- 如何评估一个深度学习算子在特定GPU上的性能瓶颈？是计算密集型还是访存密集型？
- 针对大语言模型推理，你会从哪些维度进行性能建模与优化？
- 复习计算机组成原理与操作系统核心概念，重点掌握缓存机制、流水线与中断处理
- 梳理常用深度学习框架的底层执行逻辑，熟悉常见性能分析工具的使用流程
- 模拟回答性能调优案例，确保能手绘计算图或内存访问示意图辅助说明
职位点评
薪资福利75
成长发展92
工作生活45
使命价值80
薪资福利
75中等
作为跨国科技巨头实习岗，津贴水平符合一线市场标准，但实习性质决定了整体薪酬回报有限。
薪资信号市场水准 (8.0千–1.2万/月)
成长发展
92较高
岗位直接对接全球领先的AI算力平台与前沿大模型优化场景，技术成长空间极大，内部培训与导师制完善。
技术前沿前沿/新兴技术
技术栈深度学习、GPU架构、LLM、内核优化、性能建模
业务类型profit_center
工作生活
45较低
硬件性能优化类岗位通常需配合测试周期高强度投入，JD未明确弹性安排，整体工作强度可能偏高。
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生成模型与边缘计算的底层性能突破，技术成果可直接赋能自动驾驶、机器人等关键领域，社会价值与技术使命感强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
英伟达 的其他在招职位
相似职位推荐
Watch Jobs