小米顶尖应届-AI软硬融合研究工程师-芯片
任职要求
1. 算法与优化能力： 对主流神经网络模型（CNN, Transformer等）有深刻理解，有模型压缩（剪枝、量化、蒸馏）、神经网络架构搜索（NAS）或轻量化网络设计等研究或实践经验。 2.芯片与AI Infra能力： 熟悉至少一种处理器架构（CPU/GPU/NPU/DSP）的微架构特性，了解并行计算模型；具备AI编译器开发（如TVM, MLIR）、算子优化（如CUDA Kernel, Triton, TileLa…
工作职责
1. 深入理解自研芯片架构、指令集及性能瓶颈，开展面向业务场景的芯片亲和性算法设计与优化 。 2. 结合人车家等业务场景研究并实现前沿的模型优化、量化等技术 ，并针对目标芯片进行定制化适配与验证，并形成指导下一代芯片设计的算法输入 。 3. 探索并应用AI Agent等新范式开发与优化面向自研芯片的高性能AI Infra框架、编译器、算子库及运行时系统等系统软件。 4. 参与构建从算法模型到芯片部署的完整工具链、性能分析平台与自动化优化流程 。
1. 下一代AI编译器架构设计与研发：主导AI芯片编译器的核心方案设计与开发实现，聚焦于软硬件协同优化，挑战极致的硬件资源利用率与高能效比（Energy Efficiency）。 2. LLM驱动的编译器前沿探索：结合大语言模型（LLM）与智能体（Agent）技术，探索自动代码生成、智能算子融合及自动化性能调优等前沿课题，构建“AI辅助AI编译”的下一代智能工具链。 3. 软硬协同的系统级优化：深度融合前沿AI算法（如大模型推理/训练）、底层硬件架构与业务产品需求，打通从算法到芯片的端到端编译优化链路。 4. 极致性能与功耗分析：主导复杂模型在真实场景下的性能瓶颈剖析，建立深度的性能与功耗分析模型，研发并落地系统级的极致优化策略。 5. 编译器技术演进与生态建设：保持对业界顶尖编译器（如TVM, MLIR, Triton等）及LLM前沿动态的敏锐嗅觉，规划并引领自研AI编译器的技术演进路线图。
1、架构方案前瞻探索：围绕后续AI芯片产品，开展面向模型领域的架构方案探索与选型，为产品技术路线图提供决策依据，直接影响芯片竞争力； 2、算法-架构协同优化：针对量化、稀疏、注意力结构等算法演进趋势，建立算法参数与硬件架构的适配映射模型，确保芯片架构能够高效支撑算法快速迭代； 3、存储层级方案设计：结合HBM、3D DRAM、HBF等存储介质特性，探索面向不同推理场景的最优存储架构方案，直接影响推理性能与成本竞争力； 4、设计空间探索与评估：构建系统级架构评估方法，在算法与硬件的联合空间中高效搜索最优方案，降低架构决策风险，缩短研发周期； 5、前沿技术预研储备：持续跟踪AI芯片架构领域前沿方向，沉淀核心技术Know-how与人才储备，为团队长期技术竞争力奠定基础。
1. 聚焦AI+科技家电方向：负责空调、冰箱、洗衣机或生态链产品的AI算法设计，通过智能化实现产品在节能、保鲜、洗烘、质量等方面的效果提升； 2. 负责AI节能、智能诊断、个性化等算法问题的建模、设计与优化，前沿技术预研与应用； 3. 负责上述相关算法的端侧部署、测试，支持量产交付。
1. 负责新型结构、功能及外观材料的研发、性能测试及量产可行性评估； 2. 结合AI算法开发或优化材料配方； 3. 跨学科技术整合，将材料特性与终端功能器件设计结合； 4. 参与AI终端的可靠性验证，确保材料在极端环境下的稳定性。 5. 标准化与专利布局参与制定材料性能评价标准，推动行业规范化发展；撰写技术专利，保护核心材料创新成果 【课题名称】 AI材料研发 【课题内容】 聚焦AI+材料创新，涵盖结构材料、功能材料及外观材料与AI驱动的色彩/纹理设计等，通过AI算法加速材料性能预测与制造工艺优化，实现终端高性能、长续航与美学体验的协同突破。