FPGA入门生同学，我情况和你几乎一样，导师搞ASIC，我转TVM。我的弯路你别走：一开始就硬读TVM源码，结果被C++模板和递归搞得头晕。后来调整策略，先跑通。用TVM的Python接口，在MNIST上部署一个模型，尝试用AutoTVM搜索优化，记录性能提升。这个过程会让你理解Schedule、算子和硬件目标（Target）的关系。
硬件协同方面，建议学一下Halide（TVM前身），它的调度和计算分离思想更直观。然后关注MLIR，它是更底层的编译器基础设施，和硬件设计结合更紧密。可以看MLIR Toy Tutorial，理解如何定义自己的硬件指令集（Dialect）和Lowering流程。
实习机会除了大厂，也可以看一些AI芯片初创公司，他们更需要懂编译器的硬件工程师。平时多参加相关线上分享（如LLVM/MLIR会议），在技术社区提问和回答，积累人脉。记住，你的硬件背景是宝藏，编译器是工具，最终目标是让AI芯片跑得更快，从这个角度出发去学习，会更有方向感。
从企业招聘角度给点建议。我们部门就在招AI编译器人才，看重三点：一是扎实的计算机体系结构知识（内存层级、并行计算），二是动手实现过优化（不一定要在TVM里，自己写个CUDA Kernel优化也行），三是沟通能力，能说清楚优化带来的硬件收益。
所以你的学习路径可以更实战：先用Python实现一个简单的神经网络推理框架（比如只支持卷积和全连接），然后尝试加入一些优化，比如循环分块、内存布局转换。接着，用TVM重新实现相同网络，对比性能。之后，可以尝试在FPGA上部署，用HLS或Vitis AI，理解从高级语言到RTL的流程。这样你就有了完整的故事线：软件优化、编译器使用、硬件部署。
找实习时，简历突出这些项目，并强调你桥梁作用（连接算法和硬件）。开源项目贡献可以从MLIR的Dialect定义入手，相对容易，也能深入理解IR设计。
我研二，方向和你类似，导师做传统IC，我自学AI编译器。我的经验是别急着啃源码，先建立知识体系。第一步，把Python和C++基础打牢，特别是C++的模板和STL，TVM大量用到。第二步，学编译器前端基础，推荐《编译原理》（龙书）前三章，理解AST、IR、Pass概念就行，不用全啃。第三步，结合硬件，把数字IC课程里的流水线、内存带宽概念，和编译器的循环优化、算子融合联系起来看。有了这些基础，再去看TVM的Tutorial，动手优化一个简单算子（比如矩阵乘），体会Schedule空间搜索。实习机会方面，多关注大厂（如华为、阿里平头哥、英伟达）的编译器/高性能计算实习岗，通常年底或春季开放。平时在GitHub给TVM/MLIR提小PR（如修复文档、跑通测试），能极大增加简历分量。
关键点：别脱离硬件空学编译器，你的优势是懂RTL，思考如何把编译优化的策略（如tiling）映射到硬件资源消耗上。
