负责自动驾驶系统中的深度学习算法模型性能优化工作是指通过对深度学习算法模型进行裁剪、压缩、量化等优化方法，提升模型的推理速度和效率。这需要深入研究并掌握各种优化技术，如剪枝、量化、蒸馏等，以减少模型参数和计算量，并保持较高的精度。
负责构建自动驾驶系统中统一异构深度学习算法推理框架是指在自动驾驶系统中搭建一个支持多种硬件加速器（如GPU、FPGA、NPU等）的深度学习算法推理框架，实现跨平台、跨系统的部署和运行。这需要对不同硬件加速器的特性和接口有较为深入的了解，并设计相应的框架来兼容不同硬件平台。
至于任职要求方面：
- 本科及以上学历，计算机、软件工程、网络通信、自动化、电子电气等相关专业可以为候选人提供必要的基础知识。
- 精通并熟练使用C/C++/Java/Python/Rust/JS等一种以上编程语言是因为这些编程语言在深度学习领域都有广泛应用。
- 熟悉至少一种并行编程模型，如OpenMP/MPI/CUDA/NEON/SSE/DSP/NPU等是因为并行计算可以提升计算效率，在深度学习中也有很多并行计算任务。
- 对深度学习模型落地有实际项目经验意味着候选人具备将理论知识应用到实际项目中的能力，并且熟悉常见优化方法。
- 较好的沟通能力和敏捷式开发能力意味着候选人具备与团队合作高效沟通，并能够灵活应对项目需求变化的能力。
而Preferred部分则展示了一些额外技能或经历:
- TensorFlow、Pytorch、TVM、MLIR或其他开源项目贡献者表示候选人在相关领域积极参与社区贡献，对该领域技术有更深入了解。
- CVPR、ICCV、ECCV等顶会论文发表或竞赛参与者表明候选人在视觉领域能力突出，在该领域内取得过成果。
- 阅读过TensorFlow等源码并对关键部分实现有比较深入理解者表示候选人在底层框架上具备较强造诣。
- 对Halide、TVM等编译器有研究说明候选人对编译原理及其应用方向拥有更专业知识背景。
- 对图像识别、语音识别以及自然语言处理场景下的深入研究证明候选人在多个重要应用方向上都具备专业知识。
综上所述，核心技能包括：1. 深度学习模型性能优化；2. 统一异构推理框架构建；3. 并行编程；4. 深入了解底层代码实现；5. 跨平台跨系统落地。
