AI infra还是量化？

这个方向是 AI 行业的底座，国产替代核心赛道，需求稳定，抗风险能力强，适合有计算机体系结构、操作系统、后端开发基础的同学，对本科生相对友好，不用死磕算法，更看重工程能力。核心必学技术栈编程语言：C/C++ 是核心，必须熟练掌握，Python、Go 是加分项。计算机基础：吃透计算机体系结构、操作系统、计算机网络、编译原理，懂 CPU/GPU 架构、内存管理、并行计算。AI Infra 核心技术：CUDA 编程、算子开发与优化、深度学习框架底层实现、大模型推理优化、分布式训练框架、显存优化技术。工程化能力：Docker/K8s 容器化、Linux 系统操作、Git 版本管理、高性能服务开发。

昨天华子速通车，一面技术面一面主管面 ，面完hr说过了走审批流程符合1145定律 ，问问佬们这个岗位怎么样 ，风评？ 强度？ 能学到东西吗想着要是在他offer出来前都没有别的offer就去当华孝子吧。

发一下问题给大家参考，攒攒人品！1.实习拷打2.简述一下minmax和percentile有什么不同?3.你还知道什么其他校准算法吗？回答kl和mse，简单讲了一下中心思想4.在上家公司做vla的量化的时候说用了smoothquant，awq。按照量化粒度说明一下smoothquant是做的什么粒度的？了解gptq吗？他们分别的作用流程5.上家公司一般量化到什么格式，聊到fp8,nvfp46.nvfp4的原理是什么样的，怎么做缩放的，在哪个维度缩放？保存的格式等7.per-tensor/channel/group，哪个粒度更细？8.代码实现一下minmax和percentile

面试很难，还是要多多联系。。。1. 项目拷打2.在实习的时候有人带你吗？你是怎么开始上手的？3. 在你们做量化的过程中，一般是直接应用组内已有工具就能达到可交付的效果吗？要是达不到预期，一般要怎么调量化呢？4. 然后问了有关vla稍微大点的模型，一般用的多大的模型，讲了awq.smoothquant.gptq原理之类的.假如直接应用这些算法效果不好的话，你对优化这些算法有什么想法吗？有哪些可能可以优化的路径5.剪枝稀疏化一般可以分为哪些种类，大概讲一下6.对常见的模型架构了解多少？比如说deepseek.qwen.llava他们有什么差异7.经常遇到工程问题一般是咋debug的8.手撕：最短编辑距离和树的层级遍历