百度
混合云异构计算工程师（J93221）
混合云异构计算工程师（J93221）
发布于 3 天前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
GPU
PyTorch
高性能计算
CUDA
容器平台
分布式训练
Ai异构计算
大模型训练推理
百舸
AI 估算 · 30k–60k
AI大模型与高性能计算领域人才稀缺，百度平台溢价，薪资竞争力强。
职位详情
关于这个职位
该职位负责建设业界领先的AI异构算力容器平台，支持大模型训练推理优化，并在自研芯片上适配常见模型，提升性能和精度
你将参与大规模异构集群的资源调度、虚拟化、高性能网络等技术创新，推动百度混合云AI核心竞争力
适合对AI基础设施、高性能计算有热情的资深工程师
最低要求
本科及以上学历，有一定程度的计算机相关专业知识背景
优秀的编码能力，熟悉Golang/Python/Java/C/C++至少一项，有扎实的算法及数据结构基础，有良好的编程习惯
熟悉PyTorch，了解Megatron、DeepSpeed、vLLM、SGLang等大模型训推框架，做过测试、开发等工作
工作职责
建设业界领先的AI异构算力容器平台，提供高性能、高稳定性、高易用性的百舸产品，支持AIGC、智算中心、金融、能源等客户AI应用高效部署和使用
结合 SOTA 模型训练推理优化原理，深入模型结构与设计思路，将训练推理优化手段工程实践化，为客户提供系统性加速方案，提升训推效率
在自研芯片上适配常见大模型，结合深度学习训推框架特性，开发或调优相关算子，提升模型在芯片上的性能和精度表现，辅助客户进行芯片选型和应用
针对大规模异构集群场景下，探索训推任务管理、异构资源调度、虚拟化混布、容器存储、高性能网络、分布式训练和推理等技术的创新和应用
探索业界最新技术方向，参与机器学习框架等开源社区，提升百度混合云AI核心竞争力
优先资格
对GPU芯片架构有一定了解者优先，熟悉CUDA、OpenCL等高性能计算编程经验优先，有大规模训练推理实践经验者优先
具备以下至少一个领域的深度实践经验优先：推理优化：FlashAttention、PD分离、专家并行、负载均衡、模型压缩（蒸馏/量化）、缓存策略、异构计算加速
训练优化：分布式训练、显存优化（如Zero/Offload）、计算通信Overlap、混合精度、MoE架构调优
熟悉Kubernetes工作原理，熟悉调度器、资源扩展机制、容器运行时、容器网络等技术，有Kubernetes开发和维护经验优先
有独立的分析问题和解决问题的能力，有强烈的责任心，较强的学习能力和沟通能力
AI 洞察
优缺点分析
优点
- 前沿技术栈：深度接触大模型、GPU、分布式训练等AI核心技术
- 大厂平台：百度混合云+AI, 项目影响广，资源丰富
- 技能积累：掌握异构计算、容器、芯片适配等稀缺能力
- 行业前景：AIGC和智算中心高速发展，职业上升空间大
- 技术难度高：需同时掌握深度学习框架、系统编程、分布式系统等多领域知识
- 工作强度：项目紧俏时可能需要加班，尤其在大模型竞赛背景下
- 竞争激烈：岗位热门，对候选人综合能力要求严苛
- 适合对AI基础设施有热情，喜欢解决高性能计算难题，追求技术深度和职业成长的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深：从GPU优化到AI基础设施架构师，成为异构计算专家
- 横向发展：覆盖AI训练/推理全链路，转型AI平台或云原生架构师
- 管理路线：带领团队负责百舸产品的核心模块，晋升为技术Leader
- 建设高性能AI异构算力容器平台，支持AIGC、智算中心等场景的模型部署与训推加速
- 结合SOTA模型优化原理，落地工程化方案，提升训练推理效率
- 在自研芯片上适配大模型，开发/调优算子，提升芯片性能表现
- 探索大规模异构集群的调度、网络、存储等技术创新，优化分布式训练推理
- 精通Golang/Python/C++等语言，具备扎实的算法与数据结构基础
- 熟悉PyTorch及Megatron、DeepSpeed等大模型训推框架
- 了解GPU架构与CUDA编程，有高性能计算或模型加速经验
- 掌握Kubernetes原理，有容器调度、资源管理相关经验
申请策略
- 了解百度百舸产品及竞品，面试时展示对AI基础设施趋势的深度思考
- 准备一两个完整的项目案例，能用STAR法则清晰地讲述问题、方案与成果
- 突出大模型训练/推理优化项目经历，如FlashAttention、分布式并行等具体实践
- 详细描述Kubernetes相关开发经验，特别是自定义调度器或资源扩展
- 展示GPU编程能力（CUDA/OpenCL），附上性能优化案例和量化结果
- 强调参与开源社区（如PyTorch、Kubernetes）的贡献或代码
- 补充大模型训推框架（Megatron、DeepSpeed）的源码阅读与实践
- 系统学习Kubernetes调度与容器网络原理，尝试二次开发
面试指南
- 技术类问题：先阐述问题背景，再分步骤说明方案，最后总结效果与得失
- 设计类问题：明确需求与约束，提出架构方案，权衡利弊，并考虑扩展性
- 优化类问题：定位瓶颈→提出假设→实验验证→量化收益，体现系统性思维
- 请描述你在分布式训练中遇到过的显存瓶颈及优化方案
- 如何设计一个高效的Kubernetes调度器来支持GPU资源分配？
- 解释FlashAttention的原理及其在推理加速中的作用
- 在自研芯片上适配大模型时，如何平衡性能和精度？
- 你对Megatron-LM的模型并行策略有什么理解？
匹配度报告
75
综合匹配度
大厂核心AI基础设施，技术前沿薪资优，但工作强度大，WLB一般。
适合人群
最适合追求技术深度、渴望掌握前沿AI基础设施技能、愿意为高成长付出时间投入的工程师。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值80
薪资福利匹配
85较高
薪资水平在当前市场中偏高，百度作为上市大厂提供较为完善的薪酬福利，但JD未明确列出。
薪资信号偏高 (30K-60K/月)
成长发展匹配
95较高
该岗位涉及AI异构计算、大模型、自研芯片等前沿技术，成长空间巨大，且公司提供技术探索和开源社区参与的机会。
技术前沿前沿/新兴技术
技术栈AI异构计算、GPU、PyTorch、Kubernetes、CUDA、大模型、分布式训练
成长机会探索业界最新技术方向、参与机器学习框架等开源社区
业务类型profit_center
工作生活匹配
40较低
工作地点仅限北京现场，JD未提及弹性工作或远程，且行业通常有高强度加班文化，WLB不明确。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
80较高
投身AI基础设施，赋能AIGC、智算中心等前沿应用，有较强的技术创新和社会影响力。
行业发展高速增长赛道
社会影响中性/一般
使命信号建设业界领先的AI异构算力容器平台
创新程度积极采用新技术
Watch Jobs