NVIDIA招聘|NVIDIA最新热招岗位！一起迎接未来加速计算！

算力是 AI 时代的基础设施，而“后摩尔定律时代”，软硬件协同设计，才是加速计算的未来！

NVIDIA 计算架构团队历经 CUDA 并行编程模型从起步至今的所有阶段，其间参与了数代通用 GPU 计算架构及之上的包括 cuDNN、TensorRT、底层高性能算子、并行编程语言在内的加速软件栈的研发工作。该团队同时参与关键机器学习模型的算法及框架优化。

目前，该团队开放多个职位等你的加入！与我们共同书写下一代 AI 计算架构的未来！

NVIDIA 计算架构团队旨在推动算法、并行编程模型、核心加速软件库及 GPU 体系结构的协同设计和演化，在高速发展的深度学习算法与 GPU 硬件体系结构之间建立桥梁，并研发先进的软硬件协同的加速计算解决方案。

该团队从高性能计算、深度学习、自动驾驶等计算应用领域出发，跟踪学界、工业界前沿算法，并掌握其发展方向；通过对前沿算法（比如：神经网络结构）的深入理解，分析并提出芯片架构的需求，包含指令集、编程模型、计算能力、访存带宽、片上存储、片上网络及网络互联等。

同时，承担基于架构的计算加速软件栈的开发及产品化工作。自底层加速核心算子开发及优化，基于硬件加速的并行编程模型的研发和编译，TensorRT、cuDNN 等核心加速库，直到上层训练框架、编译优化。以及，针对模型的混合精度、稀疏矩阵训练及量化方法开发。

该团队基于硬件架构开发软件、编程模型、算法实现，通过算法、软件开发实践反馈并推动硬件架构优化，形成闭环，最终实现软件、编程模型及硬件架构的协同演化和迭代，达到极致计算加速的目标：

• 建立下一代芯片性能模型、搭建芯片性能分析平台、调研下一代芯片新特性

• 研发及设计新的加速指令、开发原型代码及编程模型、迭代优化下一代芯片架构

• 跟踪下一代芯片新特性在应用中的落地实现（算子实现、编译等）

• 开发集成最终软件产品库 - TensorRT，cuDNN

• 优化训练框架（MLPerf 各项优化）

• 开发混合精度、稀疏矩阵及量化方法

NVIDIA 计算专家团队（DevTech）专注于各种深度学习算法、科学计算、数据分析和云端应用；在 NVIDIA 平台上进行性能分析以及优化，以充分发挥 NVIDIA  GPU / CPU / DPU，集群和数据中心强大的算力，使其达到，或者接近“光速”（SOL）水平的高级技术团队。

该团队与世界上技术领先的企业、高校、研究院所合作，共同推动和加速各项 AI 应用的落地。通过与用户深度紧密的合作，在大语言模型、生成式 AI、推荐系统、自动驾驶、自然语言处理、视频和图像理解、语音识别与合成，游戏等领域取得了累累硕果。该团队成为帮助客户发挥硬件平台和软件栈综合算力的中坚力量，能够为产品研发团队提供性能优化、设计原型和行业应用案例。

团队目标：在 NVIDIA 系统上，将各类应用优化到性能极致！

以打造大语言模型（LLM）应用为例，既可以直接使用 NVAIE / NVIDIA Nemo Service，也可以使用应用框架（Nemo FW、Triton+TensorRT、FT 等）来训练和部署模型，也可以基于 cuDNN / TensorRT 等软件库自己开发自己的框架，还可以基于 CUDA 来完全定制化自己的 pipeline，或者也可以混合采用这些方法。

如何选择一种合适的方法，其关键在于取得应用场景、性能要求、平台灵活性、时间成本、技术成本之间的平衡。NVIDIA 计算专家团队就是帮助客户和 NVIDIA 解决这个问题的。

团队成员主要来自北京、上海、深圳、台北、首尔等地。

科学计算时代，当整个市场都还只关注于不断扩大通用硬件的规模时，NVIDIA 推出了加速计算 GPGPU 和 CUDA 编程模型。GPU 和 CUDA 这一全新的加速计算范式，为业界带来了源源不断的加速，但是也对应用的开发和优化提出了挑战。

在不断改进基础库性能的同时，NVIDIA 组建了一支特别团队，关注更为具体的应用。团队成员们不仅有深厚的计算机功底（从计算机体系结构、CUDA 编程，到编译原理、网络互连），还拥有各个领域的专业知识。这支团队不但可以从 GPU 编程方面对程序进行优化，更能从算法、模型方面提出改进建议，这使得 NVIDIA GPU 从科学计算领域脱颖而出。

随着深度学习的高速发展，该团队也在续写着相同的故事。对于 AI 中的神经网络，从代码和算法两个方面对其进行优化。代码方面涉及 CUDA、GPU 库，多机多卡网络互连等各个领域；而算法包括了模型压缩、量化、剪枝、混合精度训练、梯度压缩等，其最终目标都是在模型精度没有损失，或者损失不大的情况下，提高训练和预测的速度。

对于一个基于 AI 的实际工业项目，除了神经网络以外，系统内还包括了很多其他模块，神经网络在其中耗时只占 1/3 - 1/2。以互联网核心的推荐系统为例，其包括了召回、过滤、粗排、精排、离线训练、在线训练、ETL、特征工程等模块和流程。该团队致力于提供全流程的参考解决方案，让尽可能多的模块运行在 GPU 上，进而为应用带来显著加速。