LPU性能架构师 / LLM系统软件专家 (软硬协同设计方向)

职位背景： 在睿思芯科发布的“灵羽”处理器中，我们引入了专为大模型计算设计的 LPU (LLM Processing Unit)。 为了确保下一代 LPU 能够领跑 AI 时代，我们需要一位能够“以终为始”的专家——从 LLM 算法的演进趋势出发，向下解构计算特征，通过精确的量化分析指导硬件架构迭代。同时，你也将负责挖掘当前 LPU 的极限性能，让算法在我们的芯片上飞起来。 核心职责： 1. 面向未来的软硬协同设计 (Forward-looking Co-Design) • 算法趋势解构： 深入研究 Transformer 及其变体（如 MoE, Mamba/SSM, Sparse Attention）的演进方向。分析未来算法对运算颗粒度 (Computation Granularity) 的需求变化（例如：从单纯的 GEMM 向不规则稀疏计算或特定的 Vector Ops 转变）。 • 量化性能建模 (Quantitative Analysis)： ◦ 建立数学模型或仿真模型，对 LLM 推理过程中的 Data Movement (数据搬运) 进行量化分析。 ◦ 评估不同 NUMA Partition (非统一内存访问分区) 策略对超大参数模型（70B+）分布式推理的带宽效率和延迟影响。 ◦ 利用 Roofline Model 等工具，识别计算瓶颈与访存瓶颈，为下一代 LPU 的 SRAM 大小、NoC 拓扑、总线带宽提供数据支撑。 • 架构定义反馈： 基于分析结果，向芯片架构团队提出具体的 LPU 设计改进建议 2. LLM 推理与系统优化 (Inference Optimization) • 算子级优化： 针对当前的 LPU 架构，开发和优化高性能算子（Kernel）。利用流水线掩盖（Pipeline Hiding）和图融合（Graph Fusion）技术，极致压榨硬件算力。 • 数据流编排： 优化 KV Cache 的管理策略和 Attention 层的计算逻辑，最小化片外存储访问（Off-chip Memory Access）。 • 系统级调优： 解决多核/多片互联环境下的通信开销问题，设计高效的 Tensor Parallelism (TP) 和 Pipeline Parallelism (PP) 映射方案。 任职要求： • 学历背景： 计算机科学、电子工程、数学或物理相关专业硕士及以上学历（博士优先）。 • 核心能力： ◦ 深度理解 LLM： 不仅会用 PyTorch，更懂 Transformer 的底层数学原理。理解 Flash Attention、RoPE、MoE 路由机制等对硬件的具体算力需求。 ◦ 计算机体系结构： 深刻理解 GPU/TPU/NPU 架构，熟悉 Memory Hierarchy (存储层次)、SIMD/SIMT、Dataflow 以及 NoC 原理。 ◦ 量化分析能力： 善于使用工具（如 Python, C++, SystemC 或自研 Simulator）进行 Workload Characterization（负载特征分析）。 • 编程技能： 精通 C/C++ 和 Python。熟悉 CUDA、Triton 或其他高性能计算编程模型者优先。 • 软素质： 具备极强的抽象思维能力，能够从复杂的算法代码中提取出对硬件设计的指导原则 (Design Guidelines)。 加分项： • 有 NVIDIA GPU (CUDA/PTX) 或 Google TPU 等专用加速器的底层性能分析与优化经验。 • 发表过关于 AI 系统、编译优化（TVM/MLIR）或硬件架构（ISCA/MICRO/ASPLOS）的顶级会议论文。 • 熟悉 LLM 推理引擎（如 vLLM, TensorRT-LLM, Llama.cpp）的内部实现机制。 为什么加入我们？ • 上帝视角： 在这里，你不再是被动适应硬件的程序员。你是定义硬件的人。你的分析将直接决定下一代“灵羽”处理器的形态。 • 技术制高点： 这是一个完美的交叉领域——你需要同时懂最前沿的 AI 算法和最底层的芯片架构。这种“全栈优化”**能力是目前行业极其稀缺的核心竞争力。