背景
最近几年生成式AI技术和自动驾驶技术发展发展很快，这些行业对于算法的运行效率有很高的要求，尤其一个模型在训练完成后运行到设备上，需要大量的工作，包括模型的剪枝、蒸馏、压缩、量化、算子优化、系统优化等。
对于传统的算法岗位在互联网基本已经饱和，干的工作比较低级，据我了解到基本是做数据清理和调参，这些岗位在未来基本没有竞争性。对于传统互联网的算法岗位，我是不看好的，目前最火也就是做做推荐算法，还算不错，但是现在特别卷，基本没有好的学历和paper很难进去。
未来是AI的时代是大家的一个共识，目前AI行业的一个难题是算力问题，算力就是成本，能够通过极致的优化使得算法在不同架构的处理器上高效运行，榨干芯片的极致性能，这是当前非常重要的一个工作，我从BOSS了解到最近2年有关AI算法部署、AI算子开发、模型优化岗位增多，而且薪资较高，且竞争压力比较小，要求主要是算法在不同平台上的极致性能优化，对算法设计的要求低一些，偏工程化。
面试
网上搜索有关的面试经验，基本不太全面，实际的问题和方向，相对于一些后端开发和算法岗位实在少得可怜，这也说明这个方向还不太卷，有着极大的机会，说实在的，这些年走来发现机会大于一切努力，但是机会一般只在一定的窗口期产生，错过就没有了。
以下是我总结我在面试AI部署、模型优化、深度学习模型部署等岗位过程中的一些范围，先写一些整体的方向，后续有机会我会分享具体的面试经验。
-
基本技能
-
C/C++、多态、模板、引用、智能指针、STL、内存管理等，会持续深入，甚至会让实现一些比如：解决循环引用、智能指针的实现。
-
AI的基础知识，整体的训练的流程、算子的计算对比、深度学习的基本知识，pytorch等框架，网络结构，目前流行的网络结构、transformer、YoLo系列、LLMs、BEV、GPTs、BERTs等。
-
模型推理部署优化的整体了解，把握其中的一些点，模型的剪枝、int8量化、算子融合等计算图的优化；算子优化，涉及kernel的实现，这里会要求手写实现，比如3x3 conv2d和矩阵乘；内存、通信方面的优化，内存池，通信等。
-
一些硬件体系结构，主要是存储体系结构、x86、ARM；知识有Cache、寄存器、内存控制器、总线、Intrinsic指令、矢量编程、汇编；要求能够了解CPU优化的核心。
-
-
重点题
-
一般会问你一个模型推理优化的手段有哪些，准备怎么做，如何极致优化，如何使用profiling工具、如何判断该模型的优化瓶颈和重点在哪里，如何判断这个模型无法往下优化了，如何快速找到优化这个模型的最好的方法
-
手撕kernel 算子开发，一边撕，一边问，直到不会，常见的有：矩阵乘、conv2d 优化、矩阵转置，占比80%
-
手撕LeetCode，上面回答的好，这里可能简单些，占比20%，说实在的LeetCode手撕，个人认为没有太多意义，就是验证下你是否有编程过
-
-
个人项目
根据简历情况问
-
NVIDIA CPU的体系结构、内存模型、线程模型，CUDA算子优化
-
OpenCL算子优化，具体优化手段
-
AI编译器的一些知识和优化、TVM、代码生成等
-
一些推理引擎、TensorRT、OpenVINO、OpenPPL等
-
根据上面看到的，大家不难看出想要掌握这些知识非常的不容易，但这也是壁垒，我看到的是这个行业目前没有35岁之说，而且随着时间的增加优势会不断的扩大，AI的快速发展、要求我们时刻进步，未来只有使用AI的人和被AI淘汰的人。
有兴趣可以关注我的专栏《高性能开发基础教程》
该文章首发于 subscriptions：极空AI，后续我会在上面整理完整的AI+HPC资料，并提供相关书籍推荐，至于视频要不要录制，看大家需要不需要。
有兴趣的可以关注。
