岗位职责

结合业务发展规划(训练/推理)，负责AI算力系统(GPU/CPU/网络设备/存储等)的选型评估与技术路线规划；跟踪行业前沿硬件动态，为AI硬件引入决策提供技术输入；
负责算力系统引入的前置评估与验收，制定并执行硬件验收测试方案，覆盖性能基准、压力稳定性、RAS特性、多机训练/推理单集群多品牌机器混部场景测试，识别潜在风险点并推动问题闭环；
负责AI异构硬件系统OS交付流程的全链路管理，保障BIOS、BMC，CPLD，NIC FW，GPU FW bundle 版本等关键软件栈组件的版本把控和可追溯性；
线上稳定性保障，建立硬件全生命周期监控体系，保障大规模集群上线后的持续稳定运行，参与容量规划、故障预案制定等基础设施保障工作，深入GPU固件、驱动、运行时等多个层面进行问题定位，建立标准化的故障诊断流程(SOP)，提升问题定位效率与故障闭环效率；
支撑AI相关业务的异构软硬件系统稳定性，负责大规模分布式训练(万卡级)集群的软硬件问题定位与解决；负责大规模推理服务集群的软硬件稳定性支撑；定位并解决推理场景下的性能劣化、硬件异常、服务稳定性等问题；
持续推进算力项目体系化和系统化建设；

职位要求

熟悉AI异构硬件系统架构，包括GPU/CPU/内存(HBM/DDR)/高速互联(NVLink/PCIe/InfiniBand/RoCE)等核心组件的架构原理和整机系统拓扑；
熟悉主流AI芯片微架构(如SM/Tensor Core、显存子系统、RAS特性等)；
熟悉AI异构系统测试方法论，具备CPU/内存/SSD/GPU等核心部件及整机测试工具的开发经验；
熟悉异构硬件诊断工具、NVIDIA驱动源码，具备OS层面问题排查能力；
熟悉大模型训练全流程，包括语言类大模型、视频生成类模型的训练流程；主流分布式训练框架的原理与调优实践；熟悉大模型推理服务的部署与优化；
很强的技术沟通能力，能够与硬件厂商、产品团队、业务团队进行有效的跨团队协作；
很强的问题定位与解决能力，良好的文档规范意识，能够输出高质量的故障分析报告与技术方案文档；
熟练使用主流AI Coding工具，熟悉AI驱动的研发流程并能融入个人工作流；有AI相关开发工具应用研发经验者优先，持有阿里云ACA/ACP/ACE认证证书者优先；