算法工程师（SOC GPU编程）

负责将原本运行在DSP上的雷达信号处理等算法迁移至车载GPU/NPU平台, 设计并实施从DSP到GPU/NPU的算法移植方案，完成算子映射、并行化重构与执行调度优化,确保迁移后算法在精度、实时性和稳定性方面满足车规级要求 - 利用CUDA、OpenCL等并行计算框架进行GPU kernel开发与调优，最大化GPU/NPU算力利用率, 通过内存访问优化、线程块调度优化、零拷贝数据传输等手段降低GPU/NPU计算负荷与资源占用, 建立GPU/NPU性能监控体系，实时追踪GPU/NPU算力利用率、内存带宽利用率、延迟等核心指标, 对GPU/NPU计算任务进行资源隔离与并发管理（如NVIDIA MPS、MIG等技术），确保多任务场景下的资源合理分配 - 设计并实现CPU-GPU-NPU等异构计算设备间的高效数据流通与协同计算框架, 构建端到端的零拷贝数据管道，消除跨设备内存拷贝与格式转换开销. 针对多设备共享物理内存的场景，设计统一内存池管理与缓存一致性方案,实现跨设备数据流的异步流水线调度，通过任务级并行最大化各加速器利用率 - 对迁移至GPU/NPU的算法进行深度性能剖析，识别并消除计算热点与瓶颈, 通过模型压缩、量化（INT8/FP16）、剪枝、算子融合等手段降低计算复杂度,与算法团队协作，设计硬件友好的算法架构，从源头降低计算需求

计算机科学、电子工程、自动化、人工智能或相关专业，硕士及以上学历,3年以上嵌入式平台算法部署、移植与性能优化经验 - 精通CUDA并行编程，熟悉GPU微架构（如NVIDIA Ampere/Blackwell架构）及内存层次结构,熟悉GPU性能调优工具链，如NVIDIA Nsight Systems、Nsight Compute、CUDA Profiler等,熟悉TensorRT、ONNX Runtime等推理优化框架 - 熟悉主流车载SoC平台（如NVIDIA DRIVE Orin/Thor、高通SA8155/8295等,具备嵌入式Linux/QNX实时系统开发经验,熟悉ARM体系结构、多核Cache一致性、内存管理及PCIe等接口 - 精通C/C++，具备大型代码库开发经验, 熟悉Python，具备算法原型验证与工具链开发能力 - 深入理解计算机体系结构、内存层级与并行计算原理, 熟悉信号处理、图像处理或深度学习算法的基础原理 加分项 - 具备DSP（如高通Hexagon、Tensilica HiFi等）开发经验，熟悉DSP与GPU的架构差异与迁移路径 - 熟悉模型量化（INT8/FP16/FP8）、知识蒸馏、稀疏化等模型压缩技术,具备GPU并发任务管理与资源隔离技术（MPS、MIG）实践经验,有车载量产项目落地经验