厂商需要将算力转化为更高的训练效率、更低的推理成本和可持续的产品交付能力。
近日，字节跳动对外持续释放算力与 AI 方向招聘需求，岗位覆盖芯片架构、物理设计、AI 算法工具链、编译器等多个方向。
第一财经记者搜索发现，字节跳动相关岗位涉及存算架构探索、模型与算子分析、量化、Runtime（运行时）开发以及软硬件协同优化。相关招聘信息显示，其芯片研发不仅关注硬件本身，也将工具链和系统集成纳入研发范围。
不止字节，多家头部科技企业都在加码算力人才招聘。一位参与多场推理infra（推理基础设施）面试的社招生对记者表示，infra面试范围很广，包括芯片架构、通信协议、Kernel（算子落到硬件的最小执行单元）、量化、编程模型、集合通信等。要面这类岗位，需要尽量打通多层技术栈。
当模型能力和应用需求迅速增长，单纯增加芯片数量已不足以解决全部成本问题，企业需要从硬件架构、数据搬运到模型部署进行系统优化。
“今年Coding和Agent应用爆发，任务长度和复杂度明显提升，国产算力在训练效率上面临更大挑战。”科大讯飞旗下词元星火CTO刘权对第一财经记者表示，国产芯片在显存容量、带宽和算力方面与主流英伟达GPU仍有差距，长上下文任务尤其容易受到显存和带宽制约，导致计算切分更碎、并行开销增加。
刘权透露，讯飞今年重点优化长上下文训练和推理：训练端改进超长序列并行策略，推理端则尝试扩展KV Cache（键值缓存）的存储层级，并与国产厂商合作，将更多存储资源纳入缓存体系。他表示，相关工作需要针对不同芯片的架构和内部结构进行算法设计与性能调优，并非简单更换硬件就能完成。
同时，刘权对记者表示，复杂大模型工程人才供给紧张，校招生往往需要一至两年甚至更长时间积累训练经验。当训练任务不断变长、耗卡量持续上升，模型迭代周期也随之拉长。早期一个版本可能一个月左右完成，如今若只靠堆叠算力而缺乏优化，训练周期可能达到三个月，竞争对手却可能已经推进了新一轮迭代。
科大讯飞董事长刘庆峰则坦言，国产芯片在显存容量、带宽和计算能力上仍存在客观限制。针对长序列训练中的并行效率问题，团队需要调整训练策略。推理阶段则需要优化缓存和异构资源调度。这说明，即使硬件条件存在差距，训练框架、并行策略与缓存管理也能影响最终可用性能。
海外厂商同样在推进针对特定任务的芯片优化。微软2026年1月发布Maia 200推理加速器，配备216GB HBM3e、7TB/s内存带宽，并称其每美元性能较自身此前部署的最新一代硬件提高30%。谷歌此前推出的Ironwood TPU则专门面向推理，单芯片配备192GB高带宽内存，带宽达到7.37TB/s。
OpenAI也在2026年公布自研推理芯片Jalapeño的初步测试结果。公司称，其设计同时考虑模型、服务软件、芯片、内存和网络，并在公开基准的特定测试中取得更高的单位功耗吞吐量与更低的端到端延迟。
但存算一体的产业化仍面临挑战。中国计算机学会近期围绕相关技术的讨论提出，从芯片流片到规模化量产之间，仍存在技术路线选择、软件生态、成本和良率等难题。不同存储介质各有适用边界，通用存算与面向特定场景的专用加速方案也仍在探索。
这意味着，企业加大存算相关人才招聘，并不等于相关芯片已进入量产或形成商业优势。真正的竞争还涉及架构能否适配不断变化的模型、编译器能否充分发挥硬件性能、开发工具是否易用，以及芯片能否稳定供货并进入实际业务。
算力相关岗位人才招聘背后，真正值得关注的不是某家企业开出了多高的薪酬，而是AI算力产业的竞争逻辑从争夺稀缺芯片和算力资源，进一步转向优化数据流、软件栈与硬件架构。最终决定投入回报的，不仅是拥有多少算力，还包括能否把算力转化为更高的训练效率、更低的推理成本和可持续的产品交付能力。
责任编辑：刘万里 SF014
