Детали

Грейд

Staff

Опыт работы

от 8 лет

Тип занятости

Полная занятость

Уровень английского

B2, выше среднего

Сопроводительное письмо к вакансии

Письмо на почту или сообщение рекрутеру в Telegram

О вакансии

Figure — это компания, занимающаяся разработкой автономных человекоподобных роботов общего назначения на базе ИИ. Цель компании — выпуск человекоподобных роботов с интеллектом на уровне человека. Роботы компании спроектированы для выполнения различных задач на рынке домашних и коммерческих услуг. Штаб-квартира Figure находится в Сан-Хосе, Калифорния.

Мы ищем инженера по искусственному интеллекту (AI) для вывода и ускорения (Staff AI Inference & Acceleration Engineer) в команду Platform Software, который будет отвечать за архитектуру бортового вывода моделей (on-board inference) для человекоподобных роботов Figure. Вы будете техническим экспертом по вопросам сопоставления, оптимизации и выполнения рабочих нагрузок ИИ на аппаратном обеспечении робота — снижая энергопотребление и затраты, одновременно удовлетворяя строгим требованиям к задержке и надежности автономной системы реального времени.

Задачи

Ответственность за архитектуру бортового вывода моделей — сопоставление моделей с доступными ускорителями (NPU, GPU, DSP, CPU) на основе бюджетов задержки, энергопотребления и памяти
Разделение рабочих нагрузок вывода моделей между гетерогенными вычислительными ресурсами, балансируя производительность в реальном времени с ограничениями по энергопотреблению и тепловыделению
Определение и поддержание системного бюджета вычислений для всех задач вывода моделей, выполняемых на роботе
Оценка аппаратного обеспечения ускорителей следующего поколения и вклад в определение требований к будущим вычислительным платформам
Сквозная оптимизация инструментальных цепочек вывода моделей — от экспорта модели до выполнения в среде выполнения (runtime) — для целевого аппаратного обеспечения
Применение квантования (INT8, INT4, смешанная точность), прунинга, слияния операторов и других методов сжатия для снижения вычислительной нагрузки, объема памяти и энергопотребления
Профилирование конвейеров вывода моделей для выявления и устранения узких мест в задержке, пропускной способности памяти и энергопотреблении
Оптимизация планирования ядер, расположения данных в памяти и перемещения данных по всей вычислительной иерархии
Тесное сотрудничество с командой AI/ML для определения ограничений архитектуры моделей, которые с самого начала будут дружественны к аппаратному обеспечению
Работа с командой Platform Software над интеграцией среды выполнения, планированием и управлением питанием
Взаимодействие с поставщиками кремниевых решений и исследовательскими группами для отслеживания ландшафта ускорителей и влияния на дорожные карты аппаратного обеспечения

Требования

Степень магистра (M.S.) или доктора философии (Ph.D.) в области компьютерной инженерии, электротехники, информатики или смежной области — или эквивалентный опыт работы в отрасли
Не менее 8 лет опыта работы в отрасли в области аппаратного ускорения, ML-систем или вычислительной архитектуры
Глубокое понимание вывода моделей ИИ/МО — форматов моделей (ONNX, TFLite и т. д.), сред выполнения вывода (inference runtimes) и конвейеров развертывания
Практический опыт оптимизации моделей для периферийных (edge) или встраиваемых аппаратных систем с использованием квантования, прунинга и настройки на уровне операторов
Хорошее понимание компьютерной архитектуры — иерархии памяти, перемещения данных и гетерогенных вычислений
Опыт профилирования и тестирования производительности (benchmarking) рабочих нагрузок вывода моделей на CPU, GPU, NPU, DSP
Знакомство с низкоуровневыми инструментальными цепочками и фреймворками компиляции (например, TVM, MLIR, TensorRT, Torch, SNPE/QNN, JAX, CUDA, ROCm)
Уверенные навыки разработки программного обеспечения на C++ и Python
Сильные навыки кросс-функциональной коммуникации — способность эффективно работать с командами аппаратного обеспечения, программного обеспечения и AI/ML

Будет плюсом

Знание ограничений реального времени и их влияния на планирование вывода моделей
Опыт совместного проектирования архитектур моделей с ML-командами для соответствия аппаратным ограничениям

Условия

Диапазон базовой заработной платы в США для этой штатной должности составляет от 180 000 до 275 000 долларов в год. Предлагаемая оплата за эту должность может варьироваться в зависимости от нескольких индивидуальных факторов, включая знания, навыки и опыт, связанные с работой. Общий компенсационный пакет также может включать дополнительные компоненты/льготы в зависимости от конкретной роли. Эта информация будет предоставлена в случае оформления предложения о работе.

Figure is an AI robotics company developing autonomous general-purpose humanoid robots. The goal of the company is to ship humanoid robots with human level intelligence. Its robots are engineered to perform a variety of tasks in the home and commercial markets. Figure is headquartered in San Jose, CA.

We are looking for a Staff AI Inference & Acceleration Engineer to join the Platform Software team and own the on-board inference architecture for Figure’s humanoid robots. You will be the technical authority on how AI workloads are mapped, optimized, and executed across the robot’s compute hardware — driving down power consumption and cost while meeting the strict latency and reliability demands of a real-time autonomous system.

Responsibilities:

Own the on-board inference architecture — mapping models to available accelerators (NPU, GPU, DSP, CPU) based on latency, power, and memory budgets.
Partition inference workloads across heterogeneous compute resources, balancing real-time performance with power and thermal constraints.
Define and maintain a system-level compute budget across all inference tasks running on the robot.
Evaluate next-generation acceleration hardware and contribute to the definition of future compute platform requirements.
Optimize inference toolchains end-to-end — from model export through runtime execution — for target hardware.
Apply quantization (INT8, INT4, mixed-precision), pruning, operator fusion, and other compression techniques to reduce compute, memory, and power footprint.
Profile inference pipelines to identify and eliminate bottlenecks in latency, memory bandwidth, and power consumption.
Optimize kernel scheduling, memory layout, and data movement across the compute hierarchy.
Partner closely with the AI/ML team to define model architecture constraints that are hardware-friendly from the outset.
Work with the Platform Software team on runtime integration, scheduling, and power management.
Engage with silicon vendors and research teams to track the accelerator landscape and influence hardware roadmaps.

Requirements:

M.S. or Ph.D. in Computer Engineering, Electrical Engineering, Computer Science, or a related field — or equivalent industry experience.
At least 8 years of industry experience in hardware acceleration, ML systems, or compute architecture.
Deep understanding of AI/ML inference — model formats (ONNX, TFLite, etc.), inference runtimes, and deployment pipelines.
Hands-on experience optimizing models for edge or embedded hardware using quantization, pruning, and operator-level tuning.
Strong understanding of computer architecture — memory hierarchies, data movement, and heterogeneous compute.
Experience profiling and benchmarking inference workloads across CPU, GPU, NPU, DSP.
Familiarity with low-level toolchains and compilation frameworks (e.g. TVM, MLIR, TensorRT, Torch, SNPE/QNN, JAX, CUDA, ROCm).
Solid software engineering skills in C++ and Python.
Strong cross-functional communication skills — able to work effectively across hardware, software, and AI/ML teams.

Bonus Qualifications:

Knowledge of real-time operating constraints and their impact on inference scheduling.
Track record of co-designing model architectures with ML teams to meet hardware constraints.

The US base salary range for this full-time position is $180,000 to $275,000 per year. The pay offered for this position may vary based on several individual factors, including job-related knowledge, skills, and experience. The total compensation package may also include additional components/benefits depending on the specific role. This information will be shared if an employment offer is extended.

Подходит ли тебе эта вакансия?

Сравним навыки, грейд, формат работы и зарплату

Ключевые навыки

ONNX
TensorFlow Lite
Quantization
Pruning
Operator Fusion
TVM
MLIR
TensorRT
PyTorch
JAX
CUDA
ROCm
C++
Python
Computer Architecture
Inference optimization

Оценка зарплаты

247 000USDв год

Чаще всего от 235 000 до 269 000