面向真武AI芯片的高性能计算软件加速研究-阿里星

上海 · 校招 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

1. 计算机、电子、微电子等相关专业博士/硕士学历；
2. 科研经历出色：在高性能计算、AI 系统、计算机体系结构或相关领域有深入的研究积累，具备独立开展前沿课题研究的能力；
3. 精通 C/C++，对数据结构与算法、操作系统、计算机体系结构有深刻理解，具备扎实的系统级思维和工程落地能力；
4. 对软硬结合的技术方向有强烈热情——理解硬件约束如何驱动软件设计，乐于在芯片与算法的交叉地带寻找高效解；
5. 具备良好的学术写作与英文沟通能力，能独立撰写高质量论文并与国际同行进行技术交流。
加分项：
1. 熟悉 CUDA / GPU 开发，有高性能计算（HPC）或深度学习等领域 kernel 开发优化实战经验；
2. 有 PyTorch / vLLM / SGLang / CUTLASS / Triton 等主流开源项目的核心代码贡献经历；
3. 熟悉大模型相关加速技术（如量化、KV Cache 管理、MoE 负载均衡、Speculative Decoding 等），并有对应的研究成果；
4. 有 Agent 智能体进行代码生成、自动化调优或工作流编排的实践经验；
5. 在 ACM-ICPC、数学建模或各类 AI 性能挑战赛中取得过优异成绩。

岗位描述

1.作为阿里星顶尖人才计划的一员，你将直面极具挑战性的 AI 计算问题，与硬件架构和芯片设计团队并肩，参与并推动 AI 软硬件协同生态的演进方向，打造一流的 AI 加速引擎。
2.深入研究 Attention、MoE、GEMM、Conv 等模型架构与核心计算模式，设计并实现极致性能的计算内核，支撑大语言模型、自动驾驶、具身智能等核心场景的高效推理与训练；
3.深入分析 AI 芯片硬件底层微架构特性，通过软硬协同设计榨干芯片每一份性能潜力；
4.深度参与主流推理与训练框架（如 PyTorch、vLLM、SGLang）的性能优化，面向超节点、万卡集群等场景探索通算融合等前沿优化技术，落实 Qwen、DeepSeek 等千亿级参数模型的极速部署；
5.追踪 AI 领域前沿的加速技术方案，与芯片架构团队紧密协作，共同定义下一代 AI 芯片的计算原语与编程模型，推动软硬一体的技术演进；
6.探索并落地基于Agent 智能体的研发范式，将性能分析、代码生成与验证反馈串联为可迭代的自动化工作流，重新定义高性能计算研发的效率上限。
1. 计算机、电子、微电子等相关专业博士/硕士学历；
2. 科研经历出色：在高性能计算、AI 系统、计算机体系结构或相关领域有深入的研究积累，具备独立开展前沿课题研究的能力；
3. 精通 C/C++，对数据结构与算法、操作系统、计算机体系结构有深刻理解，具备扎实的系统级思维和工程落地能力；
4. 对软硬结合的技术方向有强烈热情——理解硬件约束如何驱动软件设计，乐于在芯片与算法的交叉地带寻找高效解；
5. 具备良好的学术写作与英文沟通能力，能独立撰写高质量论文并与国际同行进行技术交流。

加分项：

1. 熟悉 CUDA / GPU 开发，有高性能计算（HPC）或深度学习等领域 kernel 开发优化实战经验；
2. 有 PyTorch / vLLM / SGLang / CUTLASS / Triton 等主流开源项目的核心代码贡献经历；
3. 熟悉大模型相关加速技术（如量化、KV Cache 管理、MoE 负载均衡、Speculative Decoding 等），并有对应的研究成果；
4. 有 Agent 智能体进行代码生成、自动化调优或工作流编排的实践经验；
5. 在 ACM-ICPC、数学建模或各类 AI 性能挑战赛中取得过优异成绩。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →