面向前沿大模型的异构计算芯片架构研究与评估体系构建

课题背景: 随着大语言模型、多模态及生成式推荐业务的爆发，模型参数与计算复杂度呈指数增长，传统通用GPU在成本与能效上遭遇问题。为满足海量业务需求并大幅降低TCO，探索并定制符合特定业务负载的异构计算芯片，实现软硬协同优化，已成为突破算力瓶颈、保持业务核心竞争力的必然趋势。 课题挑战: 大模型推理（如Prefill与Decode阶段）及生成式推荐的访存与计算特征差异巨大，精准构建业务负载模型极具挑战。需在庞大的硬件设计空间中寻找最优配比，构建包含多变量的数学模型，精准平衡矩阵/向量算力、HBM/SRAM容量带宽及通信带宽。此外，算法演进极快而芯片周期长，需在极致定制化与未来算法兼容性间寻找平衡。 具体工作: 评估异构芯片，建立业务负载与收益预估的量化评估体系；剖析大模型特征，构建数学模型推导算力、存储与通信带宽的最优配比；产出量化报告，指导下一代芯片选型与定制设计。

1. 01

   包括但不限于计算机科学与技术、微电子、电子工程、自动化、应用数学等相关专业的博士/硕士同学。在计算机体系结构、高性能计算或AI系统方向有深厚积累者优先。

2. 02

   熟练掌握Linux环境下的C/C++、Python语言；

3. 03

   熟悉主流的机器学习框架（TensorFlow/PyTorch等）;

4. 04

   熟悉经典深度学习模型及其应用场景;

5. 05

   熟悉至少一种并行计算架构，熟悉其编程模型，并知晓其优缺点;