恩智浦半导体
Software Engineer - Edge AI
Software Engineer - Edge AI
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Edge Ai
Pytorch
Rtos
Tensorflow
值不值得投
80综合评分
综合评分 80
半导体领先企业 Edge AI 核心研发岗，技术前沿壁垒高，适合追求技术深度与行业前景的复合型工程师。
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，方便横向比较。
薪资怎么样
3.8万
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
76 个在招
市场机会
选择面较广
北京 · 机器学习工程 · 约 470 个在招
职位详情
关于这个职位
该职位主要负责在资源受限的微控制器上开发、优化和部署嵌入式机器学习推理引擎
你需要使用 TensorFlow 和 PyTorch 训练和微调模型，并与跨职能团队合作将 ML 解决方案集成到嵌入式系统中，同时研究最新的嵌入式 ML 技术
最低要求
计算机科学、电子工程或相关专业本科及以上学历
在使用 TensorFlow 和 PyTorch 进行模型训练和部署方面具有丰富的经验
熟练掌握 C、C++ 和 Python 等编程语言
在嵌入式软件开发和机器学习方面拥有丰富经验
在 C、C++ 或 Python 中至少精通一门，具备出色的编程技能
具备阅读和理解英文技术文章和研究论文的能力
具备较强的解决问题能力和注重细节
具备良好的沟通技巧，能够在团队环境中协作
工作职责
开发并优化用于微控制器的嵌入式 ML 推理引擎
使用 TensorFlow 和 PyTorch 训练和微调机器学习模型，以便部署在资源受限的设备上
实施并实验各种技术，以提高模型在低功耗和内存受限设备上的性能
与跨职能团队合作，将 ML 解决方案集成到嵌入式系统中
针对嵌入式 ML 应用，研究新的机器学习技术和工具
优化机器学习算法，以满足嵌入式系统的性能和资源限制
通过阅读和解读技术文章及研究论文，紧跟嵌入式 ML 领域的最新进展
优先资格
在将机器学习模型部署到嵌入式设备（特别是嵌入式 ML 应用）方面拥有经验
熟悉嵌入式系统、微控制器和实时操作系统（RTOS）
深刻理解软件开发生命周期及嵌入式系统的最佳实践
在相关领域有全职工作经验或参与过重大项目
精通针对低功耗和低延迟机器学习模型的优化技术
熟悉 NXP MCU SDK 者优先
具备协调项目交付成果并与跨时区全球团队进行清晰沟通的经验者优先
AI 洞察
优缺点分析
优点
- 处于 Edge AI 这一前沿且极具潜力的交叉领域，技术壁垒高，职业生命周期长
- 依托全球半导体领先平台，能接触到最底层的 MCU 硬件和 SDK 资源
- 具备规范的研发流程、全球化的协作视野以及相对完善的福利体系
- 需要在极其受限的算力和内存条件下压榨模型性能，对底层硬件理解和算法优化能力要求极高
- 涉及跨时区全球团队协作，可能需要适应一定的沟通成本和会议时差
- 适合具备扎实 C/C++ 底层开发功底，同时对深度学习模型压缩与端侧部署有浓厚兴趣的复合型技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 纵向可晋升为资深嵌入式 AI 专家或首席工程师，主导底层推理引擎架构设计
- 横向可向 AI 平台架构师或技术管理岗发展，负责跨时区全球团队的 AI 基础设施规划
- 在微控制器等资源受限的硬件上开发、优化和部署嵌入式机器学习推理引擎
- 使用 TensorFlow/PyTorch 训练模型，并针对低功耗、低内存场景进行算法优化和微调
- 跟踪前沿嵌入式 ML 技术，与跨职能团队协作将 AI 方案落地到实际嵌入式系统中
- 扎实的 C/C++/Python 编程功底，以及深厚的嵌入式软件开发经验
- 熟练掌握 TensorFlow 和 PyTorch，具备模型训练、量化及端侧部署能力
- 熟悉微控制器架构、RTOS 及低功耗/低延迟优化技术，能无障碍阅读英文文献
申请策略
- 在求职信或面试中展现对 Edge AI 发展趋势的理解，说明为何选择半导体底层硬件平台而非纯互联网 AI 公司
- 突出在微控制器或资源受限设备上的 ML 模型部署经验，特别是模型量化、剪枝等优化成果
- 强调 C/C++ 与 Python 的双栈能力，以及在嵌入式系统或 RTOS 环境下的实际项目经历
- 展示阅读英文顶会论文并将其转化为实际工程落地的能力，或提及对 NXP MCU SDK 的熟悉程度
- 深入学习模型压缩技术（如 INT8 量化、知识蒸馏）及 TFLite Micro 等端侧推理框架
- 复习计算机体系结构基础，了解 ARM Cortex-M 系列或 NXP i.MX RT 系列 MCU 的底层硬件特性
面试指南
- STAR 法则：针对工程落地问题，按情境、任务、行动、结果来组织，重点突出受限条件下的权衡（Trade-off）
- 软硬协同思维：回答时不仅谈算法，还要结合硬件架构（如缓存命中率、指令集优化、DMA 传输）来解释性能提升
- 请描述一次你将深度学习模型部署到资源受限设备上的经历，遇到了哪些内存或算力瓶颈，如何解决的？
- 在 C/C++ 和 Python 混合编程时，你如何进行性能优化和内存管理？
- 针对低功耗场景，你使用过哪些模型优化技术（如量化、剪枝）？效果如何评估？
- 如果模型在 PC 端精度达标，但在 MCU 端推理延迟过高或精度下降，你的排查思路是什么？
- 准备 1-2 个完整的端侧 AI 部署项目案例，梳理从模型训练、转换、量化到 C++ 推理引擎集成的全链路细节
- 了解恩智浦最新的 MCU 产品线（如 i.MX RT 跨界处理器）及其在 AI/ML 方面的官方解决方案
职位点评
薪资福利75
成长发展90
工作生活70
使命价值85
薪资福利
75中等
该岗位薪资福利处于市场前列，且具备较好的稳定性和规范性，但JD未明确披露具体薪资数字。
薪资信号未披露（AI估算：2.5千–5万/月）
成长发展
90较高
岗位聚焦 Edge AI 前沿技术，能接触到 NXP 底层 MCU 和 SDK，技术壁垒高，成长空间大。
技术前沿前沿/新兴技术
技术栈TensorFlow、PyTorch、C、C++、Python、Embedded ML、RTOS、NXP MCU SDK
业务类型ambiguous
工作生活
70中等
岗位涉及跨时区全球团队协作，可能会带来一定的沟通成本，具体工作节奏需视团队安排而定。
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
Edge AI 推动人工智能向边缘侧普及，赋能物联网和智能设备，具有较高的行业前景和技术使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
恩智浦半导体 的其他在招职位
相似职位推荐
Watch Jobs