阿里云智能-服务器AI互连技术开发专家-北京/上海

岗位职责

• 参与超节点集群推理训练性能调优：深入AI大模型训练/推理业务场景，针对高密度并行算力流量与内存扩展访存特征，定位并解决性能瓶颈。
• 可靠性与稳定性体系建设，涵盖异常流量抑制、自愈机制设计，系统性降低组网故障概率。构建质量保障体系，设计多级流量优先级调度、拥塞调度。
• Scale-Up通信软件优化，包括软件研发与交付，如推理卡间通信、KV Cache优化。
• 评测体系与极限验证：搭建数据面性能基线、面向通信库、池化内存扩展评测体系，为软件迭代与架构演进提供量化依据。
• 参与具备竞争力的下一代基础设施架构定义：结合GPU互连技术演进与AI算力业务需求，参与下一代Scale-Up超节点互连架构、内存池化方案及数据面协议的设计与预研。

任职要求

• 计算机、软件工程、电子科学与技术、人工智能等相关专业。
• 5年以上软件研发或系统架构设计经验，精通C++或Python等编程语言，具备扎实的底层系统开发能力。
• 具备丰富的性能分析与优化经验，能独立完成系统性能瓶颈定位及调优。
• 有强烈的技术热情和好奇心、自驱力和学习力；具备良好的分析与解决问题能力、沟通以及团队合作能力；有创新热情，积极乐观，能够持续推动问题的解决和突破。
• 掌握AI基础知识，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。

加分项（满足一个或多个）

• 熟悉AI推理或者训练框架，或有大规模集群性能调优实战案例者优先。
• 有GPU集群通信优化经验，熟悉集合通信库底层原理者优先。
• 熟悉网络监控指标体系、可观测平台、告警治理与基线建设者优先。
• 有高速接口性能优化经验，熟悉Scale-Up互连，或PCIe、RDMA、CXL技术者优先。
• 熟悉互连Fabric 组网、路由协议与集群管控方案者优先。
• 熟悉大集群网络稳定可靠性容灾者优先。
• 有CUDA编程及GPU内存访问优化经验者优先。