蔚来
校招提前批-车载AI网络技术架构工程师
上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 学历背景
- 博士研究生应届毕业生
- 专业方向：计算机科学、电子工程、通信工程、自动化、车辆工程、人工智能、网络空间安全等相关领域
- 研究方向契合
- 博士期间研究方向需与以下至少一个领域高度相关：
- 车载网络通信（车载以太网、TSN、V2X、5G/6G车联网）
- AI计算系统与网络（分布式AI训练/推理系统、AI加速器互联、RDMA网络）
- 智能辅助驾驶与智能座舱AI系统
- 边缘计算与端-边-云协同AI架构
- 车载嵌入式实时系统与功能安全
- 技术能力
- 扎实的网络通信理论基础，熟悉TCP/IP、车载通信协议、实时网络调度理论
- 熟练掌握至少一种编程语言（C/C++/Python/Rust），具备扎实的工程实现能力
- 熟悉至少一种深度学习框架（PyTorch/TensorFlow/JAX），理解模型部署与优化原理
- 对AI计算硬件（GPU/NPU/ASIC/FPGA）有基本理解，了解其网络互联架构
- 综合素质
- 具备强烈的技术好奇心与钻研精神，能够独立驱动研究课题
- 优秀的跨团队沟通能力与中英文表达能力
- 责任心强，能在高压下保证交付质量
- 加分项
- 有车载行业实习或项目经验，了解整车电子电气架构（EEA）
- 熟悉ISO 26262功能安全、ISO/SAE 21434网络安全标准
- 有AI芯片或车载SoC硬件设计经验
- 有开源社区贡献记录
- 有顶级学术竞赛或工业界挑战赛获奖经历
- 有标准组织参与或提案经验
岗位描述
车载数字系统架构师，深度参与车载AI网络技术的软硬件研发与创新工作，具体职责包括但不限于：
车载AI网络架构设计与研究
研究并设计面向智能辅助驾驶与智能座舱的车载AI网络体系架构，包括车载以太网、TSN（时间敏感网络）、5G-V2X、CAN-FD等融合通信方案
探索软件定义网络（SDN）在车载场景的应用，构建可动态重构的车载网络资源调度机制
研究车云协同AI推理网络架构，优化端-边-云协同的模型分发与推理链路
车载AI硬件与计算平台研发
参与车载AI计算平台（域控制器/中央计算单元）的硬件架构设计，包括AI加速器选型、互联总线设计、功耗与热管理优化
研究车载AI芯片的网络接口与数据通路优化，提升片上与片间通信带宽利用率
车载AI软件栈与网络通信研究
研发面向车载AI应用的网络通信中间件，支持车载SOA相关协议的高效数据传输
优化AI模型在车载网络环境下的分布式部署，研究模型压缩、量化、蒸馏及边缘推理加速技术
构建车载AI网络的可观测性与QoS保障体系，保障智能辅助驾驶和智能车控任务的实时性与可靠性
前沿技术研究与学术影响力建设
跟踪车载AI网络领域的国际前沿技术（如6G-V2X、光电融合车载网络、神经形态计算等）
参与国内外行业标准组织（如IEEE、3GPP、CCSA、C-SAE）的技术提案与标准制定
跨团队协作与技术落地
与智能辅助驾驶算法、传感器融合、功能安全、车云平台等团队深度协作，推动AI网络技术在实际车型项目中的落地
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。