智能互联达摩院-性能分析专家-AI、机器人、RISCV 方向

1、从事RISC-V CPU 编译器的研发工作，包括编译器架构设计、优化遍开发、应用程序性能分析调优等工作； 2、基于 MLIR + Linalg 框架，提升编译器代码块执行效率； 3、参与图优化、后端代码生成、调度策略、指令优化、流水并行化相关优化工作； 4、研究和优化 Kernel 计算性能，降低计算开销，提高吞吐率； 5、研究算子融合（Op Fusion）、自动调优（Auto-Tuning）、代码生成（CodeGen）相关优化策略； 6、与硬件团队、AI 框架团队（如 PyTorch）协作，提升 AI 编译器的支持能力； 跟踪 LLVM、Triton、TVM、XLA、TorchInductor 等 AI 编译器前沿技术，优化编译性能。

一、团队管理 ● 负责芯片工具链团队的组建、管理与梯队建设，打造高效能研发团队 ● 制定团队技术路线图，规划产品迭代计划，把控项目进度与质量 ● 建立团队技术规范与研发流程，推动工程效率持续提升 二、产品规划与设计 ● 主导芯片全流程开发工具链的整体架构设计，构建端到端的AI应用开发解决方案 ● 规划并落地以下核心工具模块： ○ 算子开发工具：算子设计、工程创建、单元测试、异常检测、调试调优等全链路工具 ○ 训练开发工具：模型迁移分析、精度调试、性能调优、内存检测等训练场景工具 ○ 推理开发工具：模型量化压缩、推理精度调试、性能调优、负载均衡、Benchmark评测等推理场景工具 ○ 可视化工具：模型结构可视化、训练过程可视化、性能数据可视化分析平台 ○ 诊断分析工具：内存泄漏检测、性能瓶颈分析、精度问题定位等诊断工具 ● 跟踪业界主流AI框架发展趋势，确保工具链的兼容性与易用性 ● 攻克大模型训练与推理场景下的性能优化、精度调试等关键问题的工具设计与研发难题 三、生态建设 ● 与芯片设计、编译器、Runtime等团队紧密协作，推动软硬件协同优化 ● 建立开发者社区，输出技术文档、最佳实践与案例教程，赋能开发者生态

1. 负责AI推理服务的全流程测试，覆盖模型加载、动态批处理、精度验证、资源占用等关键环节 2. 验证AI异构硬件（GPU/NPU/CPU）与推理引擎的性能表现及兼容性 3. 构建高并发AI服务压力测试框架，通过多用户场景下的QPS、P99延迟、错误率等指标评估服务稳定性与容错能力 4. 设计高性能AI推理基准测试方案，验证模型在低延迟/高吞吐量场景下的优化效果（内存占用率、硬件加速效率）及瓶颈分析 5. 分析推理瓶颈并提出优化建议，参与CI/CD流程的自动化测试集成

本职位旨在领导和管理SoC的硬件原型验证平台（如基于FPGA或Emulation系统），确保为芯片系统级验证（System Validation）和早期软件开发（Software Bring-up）提供高效、稳定且功能完备的开发基座。对原型平台的资源策略、技术实现及团队能力建设负全面责任。 一、 原型资源战略规划与环境管理 1. 资源评估与基础设施建设：负责硬件原型验证资源（包括Cadence Palladium、Synopsys Zebu、或特定FPGA原型板如HAPS等）的技术评估、容量规划与预算管理。主导**原型验证环境（Prototyping Lab）**的搭建、维护与优化，确保原型平台资源（如功耗、散热、稳定性）高效且持续地满足项目各个阶段的验证需求。 2. 跨项目协同与资源调度：建立有效的原型资源调度机制，优化不同设计与验证团队之间的资源分配，提升原型平台的利用率与周转效率。 二、 平台移植、交付与架构演进 1. 多平台移植架构设计：规划并设计多个代际/功能原型平台（通常为2-3个并行平台）的架构移植方案、功能裁减策略和资源映射。重点关注关键子系统（如PCIe接口、DDR内存控制器、AI计算核阵列）在原型环境中的准确实现和性能匹配。 2. 版本控制与质量交付： 全面负责**原型平台的周期性交付（Version Release）**管理，确保平台版本的稳定性和可追溯性。 领导团队进行复杂硬件/软件协同问题的快速定位（Debugging）和系统级故障排除，确保原型平台的交付质量。 三、 团队能力建设与流程优化 1. 流程与规范建设：制定并完善原型平台开发、集成、测试和维护的标准化操作流程（SOP）和技术规范，提升团队的协作效率和可重复性。 2. 任务管理与绩效提升：负责团队的任务优先级划分、资源分配与进度跟踪。通过定期的技术复盘（Post-Mortem Analysis）和知识分享，推动团队成员在原型技术、调试方法及系统架构理解方面的专业成长。