主分类：AI训练推理与计算优化
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "AI推理工程师（J105801）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "MEG",
"location": "深圳市,新加坡",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "-本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-跨平台模型部署：负责深度学习模型在 GPU（NVIDIA） 及 TPU 异构硬件平台上的推理部署、性能调优与持续迭代\n-推理性能调优：深入理解 GPU（CUDA/core 架构）与 TPU（脉动阵列/MXU）的硬件特性，针对性地解决不同架构下的性能瓶颈（访存、算子效率、芯片利用率等），提升吞吐量并降低延迟\n-技术落地与对比：参与设计和实现高效的模型推理方案，包括模型格式转换、量化（INT8/FP16/BF16）、算子融合、图优化等；能够横向对比 GPU 与 TPU 的推理性价比与适用场景\n-跨团队协作：与算法研究团队紧密合作，推动模型结构与推理性能的协同设计（Co-design），实现算法效果与跨平台推理效率的平衡\n-工具链建设：沉淀并完善 GPU/TPU 推理部署的最佳实践，探索构建统一的推理部署工具链或抽象层，降低业务侧适配成本",
"requirements_text": "-本科及以上学历，计算机、电子工程、自动化等相关专业优先，3年以上 AI 基础设施、推理引擎或高性能计算相关经验\n-硬件理解：具备 GPU 或者 TPU 的体系架构知识，熟悉 NVIDIA GPU 的 CUDA 编程模型及底层运行机制，深入理解 TPU 或其他 AI 加速器的工作原理\n-框架熟练度：精通至少一种主流深度学习框架（PyTorch、TensorFlow 或 JAX），熟悉从模型训练到推理上线的完整流程\n-编程能力：熟练使用 C++ 和 Python，具备优秀的系统编程能力和性能调优意识\n-生态工具：GPU 方向：熟悉 TensorRT、cuDNN、NCCL 或 Triton Inference Server 等推理/服务框架；TPU 方向：熟悉 XLA（Accelerated Linear Algebra）、PyTorch/XLA 或 JAX 等 TPU 编译与运行生态",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"TensorFlow",
"CUDA",
"深度学习",
"模型训练",
"性能调优"
],
"preferred_qualifications": "本科及以上学历，计算机、电子工程、自动化等相关专业优先，3年以上 AI 基础设施、推理引擎或高性能计算相关经验",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/df825be9-7fdb-45b9-becf-9a4c3da59fc2"
}
]
},
"posting": {
"posting_id": "df825be9-7fdb-45b9-becf-9a4c3da59fc2",
"post_date": "2026-09-14",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/df825be9-7fdb-45b9-becf-9a4c3da59fc2"
},
"fulltext": "AI推理工程师（J105801）\nAI推理工程师（J105801）\n\n基础信息\n部门：MEG\n地点：深圳市,新加坡\n类别：技术\n招聘人数：1\n发布时间：2026-09-14\n\n工作职责\n-跨平台模型部署：负责深度学习模型在 GPU（NVIDIA） 及 TPU 异构硬件平台上的推理部署、性能调优与持续迭代\n-推理性能调优：深入理解 GPU（CUDA/core 架构）与 TPU（脉动阵列/MXU）的硬件特性，针对性地解决不同架构下的性能瓶颈（访存、算子效率、芯片利用率等），提升吞吐量并降低延迟\n-技术落地与对比：参与设计和实现高效的模型推理方案，包括模型格式转换、量化（INT8/FP16/BF16）、算子融合、图优化等；能够横向对比 GPU 与 TPU 的推理性价比与适用场景\n-跨团队协作：与算法研究团队紧密合作，推动模型结构与推理性能的协同设计（Co-design），实现算法效果与跨平台推理效率的平衡\n-工具链建设：沉淀并完善 GPU/TPU 推理部署的最佳实践，探索构建统一的推理部署工具链或抽象层，降低业务侧适配成本\n\n职责要求\n-本科及以上学历，计算机、电子工程、自动化等相关专业优先，3年以上 AI 基础设施、推理引擎或高性能计算相关经验\n-硬件理解：具备 GPU 或者 TPU 的体系架构知识，熟悉 NVIDIA GPU 的 CUDA 编程模型及底层运行机制，深入理解 TPU 或其他 AI 加速器的工作原理\n-框架熟练度：精通至少一种主流深度学习框架（PyTorch、TensorFlow 或 JAX），熟悉从模型训练到推理上线的完整流程\n-编程能力：熟练使用 C++ 和 Python，具备优秀的系统编程能力和性能调优意识\n-生态工具：GPU 方向：熟悉 TensorRT、cuDNN、NCCL 或 Triton Inference Server 等推理/服务框架；TPU 方向：熟悉 XLA（Accelerated Linear Algebra）、PyTorch/XLA 或 JAX 等 TPU 编译与运行生态\n-跨平台模型部署：负责深度学习模型在 GPU（NVIDIA） 及 TPU 异构硬件平台上的推理部署、性能调优与持续迭代\n-推理性能调优：深入理解 GPU（CUDA/core 架构）与 TPU（脉动阵列/MXU）的硬件特性，针对性地解决不同架构下的性能瓶颈（访存、算子效率、芯片利用率等），提升吞吐量并降低延迟\n-技术落地与对比：参与设计和实现高效的模型推理方案，包括模型格式转换、量化（INT8/FP16/BF16）、算子融合、图优化等；能够横向对比 GPU 与 TPU 的推理性价比与适用场景\n-跨团队协作：与算法研究团队紧密合作，推动模型结构与推理性能的协同设计（Co-design），实现算法效果与跨平台推理效率的平衡\n-工具链建设：沉淀并完善 GPU/TPU 推理部署的最佳实践，探索构建统一的推理部署工具链或抽象层，降低业务侧适配成本\n-本科及以上学历，计算机、电子工程、自动化等相关专业优先，3年以上 AI 基础设施、推理引擎或高性能计算相关经验\n-硬件理解：具备 GPU 或者 TPU 的体系架构知识，熟悉 NVIDIA GPU 的 CUDA 编程模型及底层运行机制，深入理解 TPU 或其他 AI 加速器的工作原理\n-框架熟练度：精通至少一种主流深度学习框架（PyTorch、TensorFlow 或 JAX），熟悉从模型训练到推理上线的完整流程\n-编程能力：熟练使用 C++ 和 Python，具备优秀的系统编程能力和性能调优意识\n-生态工具：GPU 方向：熟悉 TensorRT、cuDNN、NCCL 或 Triton Inference Server 等推理/服务框架；TPU 方向：熟悉 XLA（Accelerated Linear Algebra）、PyTorch/XLA 或 JAX 等 TPU 编译与运行生态",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}