岗位定位：负责AI训练与推理任务的算力资源规划、部署与优化，保障大模型（如百亿/千亿参数模型）的高效训练与稳定运行，支撑业务快速迭代。
岗位职责：
1. 算力平台建设与维护
设计并搭建AI算力集群（如GPU/NPU服务器、分布式存储系统），部署深度学习框架（如PyTorch、TensorFlow、MindSpore）及配套工具链（如CUDA、NCCL）。
负责集群资源管理（如Kubernetes/Docker容器化调度）、任务调度系统（如Slurm、Ray）的运维与优化，提升资源利用率。
2. 性能优化与成本控制
分析AI训练/推理任务的瓶颈（如GPU利用率低、通信延迟高），通过算子优化、通信并行（如数据并行/模型并行）、混合精度训练等技术提升计算效率。
结合业务需求（如训练任务峰值、推理QPS），制定资源分配策略（如弹性扩缩容），降低算力成本（如TCO优化）。
3. 稳定性与安全保障
设计高可用架构（如故障自动转移、数据备份恢复机制），监控集群健康状态（如GPU温度、内存泄漏），快速定位并解决硬件/软件故障。
制定算力资源安全策略（如访问权限控制、数据加密），保障模型训练数据与知识产权安全。
任职资格
• 教育背景：计算机、通信、电子工程等相关专业本科及以上学历。
• 经验要求：
3年以上AI算力平台/高性能计算相关工作经验，有大规模模型（如百亿参数以上）训练/推理项目经验者优先。
熟悉GPU/NPU硬件架构（如NVIDIA A100/H100、华为昇腾910B）及性能优化技术（如CUDA编程、NCCL通信优化）。
• 核心技能：
系统架构能力：精通分布式系统设计（如参数服务器、数据并行框架），熟悉高性能网络（如InfiniBand/RDMA）、存储（如NVMe-oF）技术。
性能调优能力：能使用性能分析工具（如Nsight、VTune）定位瓶颈，通过算子融合、内存优化等技术提升计算效率（如训练速度提升20%+）。
运维与安全能力：熟悉Linux系统管理、Shell/Python自动化脚本，掌握K8s/Docker生态及监控工具（如Prometheus/Grafana）。
业务敏感度：理解AI训练/推理任务的特点（如动态资源需求、突发负载），能制定弹性资源策略平衡性能与成本。
*加分项：
有云服务厂商（如AWS/Azure/GCP）或大厂AI基础设施团队经验者优先；
熟悉绿色计算技术（如液冷散热、能耗优化）或有相关专利者优先。
岗位亮点
1. 参与千亿级参数大模型的算力底座建设，推动AI基础设施技术突破；
2. 接触前沿硬件（如Hopper架构GPU、国产芯片），提供技术培训与职业发展