阿里巴巴
校招软硬件结合开发工程师
北京/杭州 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1. 具备快速学习新技术的能力，能够不断突破软硬件结合领域的技术瓶颈；
- 2. 熟悉计算机体系结构、操作系统原理、网络协议和分布式系统；
- 3. 具备硬件设计经验（如FPGA、ASIC）或嵌入式开发经验，熟悉Verilog/VHDL等硬件描述语言；
- 4. 熟悉底层开发（如驱动开发、固件开发）和高性能计算优化；精通至少一种编程语言（如C/C++、Python、Go），具备良好的代码风格和工程实践能力；
- 5. 具备良好的沟通能力和团队协作精神，能够在跨团队项目中高效合作。
岗位描述
- 1. 负责软硬件协同设计，优化计算性能、能耗效率和系统稳定性，针对特定应用场景（如AI推理、分布式存储、实时计算等），设计并实现高效的软硬件解决方案；
- 2. 参与FPGA/ASIC芯片的设计与验证，包括算法映射、硬件架构设计和性能调优；
- 3. 开发硬件抽象层（HAL）和相关工具链，支持硬件加速器与上层软件的无缝集成；参与硬件加速器及系统仿真模型的开发和调试；
- 4. 研发基于CPU、GPU、FPGA、ASIC等硬件的计算平台，提升AI训练和推理等业务的计算性能；
- 5. 基于自研芯片平台，进行驱动和固件等开发，支持深度学习框架等软件在硬件平台上高效运行；
- 6. 优化Linux内核、设备驱动和固件，提升硬件资源利用率和系统响应速度，开发针对特定硬件的定制化操作系统模块，满足高性能计算需求；
- 7. 开发软硬件结合的开发者工具链（如SDK、CLI、IDE插件），降低开发门槛，构建开放的技术生态，推动软硬件一体化解决方案的广泛应用。
- 1. 具备快速学习新技术的能力，能够不断突破软硬件结合领域的技术瓶颈；
- 2. 熟悉计算机体系结构、操作系统原理、网络协议和分布式系统；
- 3. 具备硬件设计经验（如FPGA、ASIC）或嵌入式开发经验，熟悉Verilog/VHDL等硬件描述语言；
- 4. 熟悉底层开发（如驱动开发、固件开发）和高性能计算优化；精通至少一种编程语言（如C/C++、Python、Go），具备良好的代码风格和工程实践能力；
- 5. 具备良好的沟通能力和团队协作精神，能够在跨团队项目中高效合作。
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。