岗位职责
在这里，你将成为大模型时代算力底座的“核心引擎构造者”。依托阿里自研分布式存储系统与业界领先的计算网络架构，你将参与构建支撑千卡/万卡乃至十万卡规模的 AI 计算基础设施。 我们致力于通过软硬件协同优化、存算分离架构创新，解决大模型在预训练、微调、推理全链路中的极致工程挑战。你的代码将直接运行在阿里核心的 AI 存储产品中，决定千万级并发的数据加载吞吐、秒级 Checkpoint 的可靠性以及庞大 GPU 集群的 MFU（模型算力利用率）。加入我们，为全球顶尖 AI 模型注入最澎湃的数据动力！ 具体的职责包括以下相关方向的一项或多项：
- 面向 AI 计算的高性能存储系统研发：针对 AI 工作负载复杂且严苛的 I/O 特征（如海量小文件的高并发元数据检索、超大块数据的并行顺序流），进行内核态与协议栈级别的深度优化。主导研发基于 NVMe、RDMA/RoCEv2/eRDMA 的超低延时存储网络链路。
- 极致性能的数据加载（Data Pipeline）与缓存加速：深度剖析大模型训练的数据读取链路，解决万卡集群下的 I/O 阻塞（I/O Bottleneck）与长尾延迟问题。研发面向大模型的分布式多级缓存与数据预取引擎，确保数据吞吐完全满足 GPU 显存带宽需求，实现计算与存储的完美 Overlap。
- 云原生 AI 存储编排与智能化调度：结合 Kubernetes 生态构建云原生数据编排系统（如主导或参与 CNCF Fluid 等项目），将存储系统与计算调度平台深度集成。实现存算感知调度（Data-aware Scheduling）与弹性扩缩容，根据计算任务拓扑动态调整数据副本与亲和性策略，保障全网存储资源的极致效率。
- Checkpointing 极致加速与容灾：针对超千亿/万亿参数模型的断点续传（Fault Tolerance）需求，设计高性能分布式持久化方案。通过内存-SSD-对象存储的分层拓扑、异步流式写入（Async I/O）、拓扑感知（Topology-aware）路由以及 GPUDirect Storage (GDS) 等技术，实现百 GB/TB 级模型权重的秒级保存与恢复，极大降低计算资源的闲置浪费。
- 面向 Agent 使用场景的存储系统研发：通过分布式数据、元数据管理和高性能的分布式一致性协议等技术，支持海量 Agent 下的数据规模以及 IO 访问安全隔离、性能隔离。
职位要求
- 基础条件： ● 计算机、软件工程及相关专业。 ● 热衷于数据结构和算法，在 ACM/ICPC 等大赛中成绩优异者优先。 ● 在分布式系统、存储或操作系统领域顶会（如 FAST, OSDI, SOSP, SIGCOMM, NSDI 等）发表过一作论文，或在核心开源存储项目中有重大贡献（Maintainer/Committer）者优先考虑。
- 专业能力（系统工程与分布式底座）： ● 系统编程功底：精通 C/C++ 或 Go/Rust，具备扎实的系统级编程能力。熟悉 Linux 内核（VFS, Block Layer, Memory Management）及高性能网络开发（Socket, RDMA, DPDK/SPDK），具备极强的底层工程实现与缺陷排查能力。 ● 分布式系统：深刻理解分布式系统理论（如 Paxos/Raft 一致性协议、分布式锁、纠删码 EC、数据分片与副本管理、分布式事务）。具备大规模分布式存储（如 HDFS, Pangu）的研发或深度调优经验。
- AI 存储领域专业知识（满足其一即可）： ● 深入理解 AI 训练与推理的 I/O 模式，熟练掌握底层数据加载机制（如 PyTorch Dataloader），熟悉 Megatron-LM, DeepSpeed, Ray, vLLM 等主流分布式训练/推理框架的存储诉求。 ● 熟悉高性能存储协议及硬件架构，有 NVMe-oF, PCIe, CXL, GPUDirect Storage (GDS) 相关驱动开发与性能压测经验。 ● 深刻理解云原生架构，有大规模 Kubernetes 集群下的存储 CSI、数据缓存编排调优经验。
- 能力特质： ● 全局技术视野：具备跨域的技术视野，能从“GPU 寄存器 -> HBM 显存 -> PCIe 总线 -> eRDMA 网卡 -> 分布式磁盘”的全链路视角拆解数据流动，准确把握计算、网络与存储的边界权衡。 ● 系统思维与极致追求：乐于挑战复杂系统的性能极限，熟练使用各种 Profiling & Tracing 工具（如 eBPF, perf, ftrace, Nsight Systems），善于从 CPU 缓存未命中、上下文切换、锁竞争等微观视角定位并解决性能瓶颈。 ● 业务驱动与沟通协作：对 AI 大模型技术充满热情，不仅能交付高质量的系统级代码，更能与算法科学家、模型训练专家进行深度技术对话，将模型侧的痛点精准转化为底层存储的工程解法。
