【华为秋招】先进算力系统性能优化专家

【团队使命】 我们做一件看起来简单、实际很难的事： 让计算平台不只是“能跑”，而是跑得更快、更稳、更高效。 团队面向先进通算、智算和超算平台，贯通计算架构、操作系统、编译器、运行时、高性能基础库，以及HPC、AI for Science和模型推理等应用场景。 一条指令为什么没有高效执行？ 一次Cache Miss为什么让核心流水线停下来？ 为什么增加了CPU核数，程序反而没有更快？ 为什么几百个节点一起计算，却有大量时间花在等待和通信上？ 这些都可能是你要解决的问题。 我们不仅定位性能瓶颈，还会把解决方案真正沉淀到编译器、运行时、基础库和平台工具中，并通过真实应用推动软硬件协同演进。 【岗位类别】 校园招聘｜面向应届本科、硕士和博士毕业生 不要求入职时掌握整套技术栈。你可以从自己最擅长的方向切入，逐步成长为贯通应用、系统软件与计算架构的技术专家。 ⸻ 【你可以参与的方向】 1. 计算架构与性能分析 面向科学计算、AI训练与推理、数据处理等真实负载，分析流水线、指令执行、Cache、TLB、内存带宽、NUMA、多核并发和互联通信等性能瓶颈。 简单来说，就是回答： 硬件能力明明在这里，程序为什么没有跑满？ 2. 操作系统与底层运行时 围绕线程调度、内存管理、页表、大页、NUMA亲和性、并发控制、I/O和资源管理等机制，开发和优化底层系统软件，让复杂负载在多核、多节点和异构环境中稳定高效运行。 3. 编译器与代码生成 参与编译工具链、优化Pass和代码生成能力建设，研究自动向量化、循环优化、算子融合、指令调度、内联、PGO/LTO等技术。 让开发者不必手动“拧每一颗螺丝”，也能充分发挥底层硬件性能。 4. 高性能算子与基础库 开发和优化矩阵计算、FFT、稀疏计算、线性求解器、卷积、Attention、Embedding等核心模块。 你可能会从数据布局、缓存复用、向量化、线程并行、预取和混合精度等方面，把一段“能跑”的代码逐步优化到接近硬件极限。 5. HPC与AI for Science 面向气象、流体、材料、量子化学、生命科学等领域，优化数值算法、求解器、并行通信、负载均衡和内存访问。 同时探索代理模型、神经算子、科学基础模型与传统数值求解器的结合，让AI for Science模型不仅在论文里有效，也能在真实计算平台上高效运行。 6. AI框架与模型推理优化 参与AI框架、推理引擎和运行时优化，从计算图、核心算子、内存管理、多线程并发、量化和异构调度等层面，降低模型时延、提高吞吐和资源利用率。 优化对象既包括通用AI模型，也包括神经算子、图网络和科学智能模型等新型负载。 7. 软硬件联合设计 基于真实业务负载，与计算架构、操作系统、编译器、算法和应用团队共同分析问题，推动计算单元、指令能力、存储层次和互联机制持续演进。 你不一定直接设计硬件电路，但你的分析和代码可以影响下一代平台如何设计。 8. 性能工程与基础设施 建设Benchmark、微基准、性能回归、自动化Profiling和可视化分析平台，持续发现性能退化。 把原本依赖少数专家“凭经验抓问题”的过程，逐步变成可复现、可量化、可自动化的工程能力。 ⸻ 【我们希望你】 基本要求 1. 计算机、计算机体系结构、电子工程、软件工程、并行计算、应用数学或相关专业，本科及以上学历。 2. 具备扎实的编程基础，熟悉C/C++，了解Python、Rust或Fortran中的一种或多种，能够在Linux环境下进行开发和调试。 3. 熟练掌握计算机体系结构，理解以下一种或多种机制： * CPU流水线与乱序执行； * 指令级并行和数据级并行； * 分支预测与指令执行； * Cache层次与Cache一致性； * TLB、虚拟内存和地址转换； * NUMA、多核与多Socket系统； * SIMD、向量或矩阵计算； * 内存带宽、访存时延和高速互联。 4. 对系统底层有好奇心，愿意追问“程序为什么会这样运行”，并习惯通过数据和实验验证自己的判断。 5. 重视代码质量，愿意编写简洁、可维护、可测试的工程代码。 6. 具备良好的沟通能力和团队协作意识，能够与架构、系统、编译器、算法和应用等不同方向的成员共同解决问题。 具备以下任意一项即可 1. 能够解释一段程序从源代码、编译、指令执行，到缓存和内存访问的基本过程。 2. 熟悉操作系统、编译器、运行时、虚拟化或计算机网络中的一个方向。 3. 熟悉MPI、OpenMP、Pthreads、SIMD等一种或多种并行编程技术。 4. 使用过perf、PMU、Flame Graph、Top-down、Roofline、VTune等性能分析工具或方法。 5. 有AI框架、推理引擎、科学计算软件、高性能基础库或领域求解器的开发和调试经历。 6. 能够围绕一个复杂问题完成“提出假设、设计实验、采集数据、定位原因、验证优化”的完整过程。 ⸻ 【加分项】 以下经历都可以加分，但没有也完全没关系： 1. 参与过Linux Kernel、LLVM、GCC、QEMU、PyTorch、ONNX Runtime、OpenFOAM、PETSc等开源项目。 2. 有拿得出手的个人项目，例如自己写过操作系统组件、编译器、数据库、分布式系统、推理引擎或高性能计算程序。 3. 熟悉一种或多种通用处理器、智能计算加速器或异构计算架构。 4. 使用过gem5、QEMU、Sniper等架构模拟或虚拟化工具。 5. 开发或优化过矩阵计算、FFT、稀疏计算、线性求解器、Attention等核心模块。 6. 曾把某段代码从“能跑”优化到“跑得漂亮”，并能够用数据说明自己做了什么。 7. 在体系结构、系统、高性能计算或AI系统方向发表过论文，或参加过程序设计、并行计算、体系结构、CTF等竞赛。 8. 有活跃的开源贡献、技术博客、课程项目或其他能够体现系统能力的成果。 ⸻ 【你会得到】 1. 从一条指令看到一整个系统 你可能从一次Cache Miss开始分析，最终发现问题来自编译器、线程调度或应用算法。这里有机会真正建立端到端的计算系统视角。 2. 参与真实的软硬件协同 你的工作不会停留在Demo或单次跑分，而会进入真实平台、软件版本和业务场景，并推动系统软件与底层架构共同演进。 3. 明确的校招培养路径 新人不会一入职就被要求“全栈通吃”。团队会结合你的专业背景，从体系结构、系统软件、编译器、算子、HPC或AI系统中的一个方向切入，并由导师和项目负责人共同带领。 4. 可量化的技术成就感 优化效果可以直接通过运行时间、吞吐、时延、扩展效率、资源利用率和部署成本体现。 代码快了多少，机器少用了多少，应用多解决了多大的问题，都能清楚看到。 5. 稀缺的长期竞争力 你将逐步建立贯通计算架构、底层软件、HPC、AI for Science和模型推理的复合能力，后续可以向系统软件专家、性能优化专家、计算架构专家或技术负责人发展。