关键词：MLSys, MLInfer, Heterogeneous Computing, Compiler Optimization, NVIDIA Thor, Real-time Inference 在 L4/L5 级自动驾驶的演进中，算力不再是唯一的瓶颈，能效比（Performance per Watt）与确定性低延迟（Deterministic Low Latency）才是决胜关键。我们致力于打破传统深度学习框架的黑盒限制，从芯片指令集到上层应用逻辑，重新定义端侧 AI 的运行效率。如果你渴望在物理极限边缘跳舞，欢迎加入我们。 核心预研课题方向 我们将围绕 “极致加速” 与 “异构协同” 两大主线，设立以下挑战性课题： 1. Efficient AI 算法 研究内容： 结合当前Physical AI领域端到端大模型算法结构设计，提供端侧更高效的backbone或head，或注意力机制算法，优化ViT、DiT或迭代新网络； 设计端侧带宽瓶颈、内存瓶颈下的高效算法模型结构，如sparse attention/flashattention/linear attention等； 2. 跨异构平台的AI 编译器设计、端侧高效推理加速器 背景：车载计算单元日益复杂，包含 CPU (ARM/x86)、GPU (CUDA) 及专用 NPU/ASIC。如何在一个统一的编译流中调度这些异构资源是行业难题。 研究内容： 中间表示（IR）创新：基于MLIR做端侧推理的vllm，设计支持多后端统一抽象的高级 IR，打通从 PyTorch/TensorFlow 到 C++/CUDA/OpenCL 的全自动代码生成路径，加速端侧推理和调度优化。 自动调优（Auto-tuning）：mlir/tvm-tensorrt 开发基于强化学习或贝叶斯优化的算子搜索器，针对特定硬件缓存层级（L1/L2/Shared Memory）自动寻找最优分块（Tiling）与并行策略。 端到端编译：实现从模型图到二进制指令的零拷贝优化，消除框架 overhead，达成 C++ 到 CUDA 内核生成的全链路性能逼近理论峰值。

我们寻找这样的你 学历背景：计算机科学、电子工程、应用数学等相关专业博士或杰出硕士，有顶级会议（OSDI, MLSys, ASPLOS, ISCA, CVPR, ICCV）论文发表者优先。 核心技术栈： 精通 C++/CUDA 编程，具备深厚的计算机体系结构知识（流水线、缓存一致性、SIMD/SIMT）。 熟练掌握至少一种主流深度学习编译器框架（TVM, MLIR, XLA, Triton, TensorRT），一种主流推理框架（sglang、vllm等）并有源码修改或插件开发经验。 对 NVIDIA GPU 架构（Ampere/Hopper/Blackwell）或主流 NPU 指令集有深刻理解。 特质： 极客精神：不满足于调用 API，热衷于挖掘底层性能极限，享受将推理速度提升 10% 带来的成就感。 系统思维：能够从全局视角看待算法、软件与硬件的协同设计。