华为
超节点与集群网络系统研究员
超节点与集群网络系统研究员
发布于 7 小时前普通员工/个人贡献者
全职员工仅现场办公高性能计算
高性能计算
Ai Infra
Dpu
Pytorch
Roce
分布式训练
大模型推理
并行计算
性能优化
网络架构
值不值得投
69综合评分
综合评分 69
前沿AI网络研究岗，技术成长空间大，薪资福利与工作强度需与HR确认。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
4.5万
比高性能计算中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 690 个在招 · 其中高性能计算 2 个
市场机会
选择面较广
北京 · 高性能计算 · 53 个在招
职位详情
关于这个职位
该岗位在华为2012实验室研究下一代超节点与集群网络系统，面向AI大规模训练、低时延推理和Agentic AI等业务
你将参与组网架构、总线协议、网络IO与Fabric、AI训推通信等方向的技术创新，并推动专利、仿真平台和原型系统落地
最低要求
本科及以上学历，人工智能、机器学习、软件工程、计算机科学、体系结构等相关专业优先
年以上AI训练/推理/后训练/Agent/空间智能等领域的生产系统研发与优化经验，或前沿技术研究经验
熟悉主流深度学习框架（Pytorch等）、分布式训练技术（多维并行等）、推理框架（vllm、sglang等）、后训练框架（verl等）中的一项或多项
熟悉NVIDIA GPU或Ascend NPU编程，有实际性能优化经验者优先
具备扎实的算法和代码实现能力，深入理解大模型架构、AI框架、AI系统、分布式系统、并行计算原理
在领域顶级会议（如NeurIPS、ICML、ICLR、CVPR、ACL、ISCA、MICRO、HPCA、ASPLOS、OSDI、SOSP、VLDB等）以第一作者或主要贡献者发表过多篇高质量论文，或有顶级研究机构实习经验/高水平竞赛（如ACM）获奖经验者优先
具备出色的学习能力、自驱意识、团队意识和责任意识，能够独立开展创新性研究，并带领团队突破技术难题
工作职责
负责超节点与集群网络组网架构研究，围绕未来AI业务发展趋势，创新高性价比网络拓扑架构及其路由、均衡、流控技术体系
负责灵衢总线协议、高阶RoCE协议研究，结合AI业务需求开展协议栈物理层、链路层、网络层、传输层、事务层关键技术突破，实现超节点与集群高性能互联
负责网络IO与Fabric创新，通过软硬协同实现DPU、CCU、SSU等通信引擎加速优化
负责AI Infra训推通信创新，实现硬件亲和的大模型训练、推理通信加速，满足系统端到端性能要求
负责超节点与集群网络领域专利撰写申请、仿真平台建设、原型系统验证
优先资格
人工智能、机器学习、软件工程、计算机科学、体系结构等相关专业优先
熟悉NVIDIA GPU或Ascend NPU编程，有实际性能优化经验者优先
在领域顶级会议（如NeurIPS、ICML、ICLR、CVPR、ACL、ISCA、MICRO、HPCA、ASPLOS、OSDI、SOSP、VLDB等）以第一作者或主要贡献者发表过多篇高质量论文，或有顶级研究机构实习经验/高水平竞赛（如ACM）获奖经验者优先
AI 洞察
优缺点分析
优点
- 研究方向前沿，直接面向AI大规模训练、Agentic AI等高速发展领域
- 依托华为2012实验室，可接触超节点、总线协议、DPU等底层系统级技术
- 职位鼓励专利撰写、原型验证和顶会论文，有利于积累高质量技术成果
- 岗位要求明确，技术栈覆盖网络、系统、AI框架，复合能力提升快
- 研究目标具有探索性和不确定性，需要较强的自驱力和独立攻关能力
- 涉及协议栈、硬件协同和分布式系统，技术门槛高、学习曲线陡
缺点 / 挑战
- 需在顶级会议发表论文或产出专利，对研究创新能力要求较高
- 适合具备AI系统/分布式系统背景，热爱底层网络与协议研究，愿意接受高难度技术挑战的研究型人才
角色解读
- 可沿技术专家路线发展，成为AI网络架构、协议或通信加速领域的资深研究员
- 有机会参与从架构设计到原型验证的全流程，积累系统级创新与专利成果
- 未来可转向AI基础设施技术管理或跨团队技术领导岗位
- 研究下一代超节点与集群网络系统，包括组网架构、总线协议、网络IO与Fabric、AI训推通信等方向
- 设计高性价比网络拓扑架构及其路由、均衡、流控技术体系，支撑AI大规模训练和低时延推理
- 开展灵衢总线协议、高阶RoCE协议研究，突破协议栈各层关键技术，实现高性能互联
- 通过软硬协同优化DPU、CCU、SSU等通信引擎，并推动专利撰写、仿真平台建设和原型验证
- 深入理解AI系统、分布式系统与并行计算原理，熟悉大模型训练/推理流程
- 掌握主流深度学习框架（PyTorch等）、分布式训练技术（多维并行）及推理框架（vLLM、SGLang等）
- 熟悉网络协议栈（如RoCE）、GPU/NPU编程与性能优化，具备算法和代码实现能力
- 有顶级会议论文发表或高水平竞赛/研究机构实习经验者优先，能独立开展创新研究
申请策略
- 研究华为2012实验室在超节点、灵衢总线等方向的最新公开成果，面试时可体现技术共鸣
- 准备一份技术研究陈述，清晰说明过去的研究贡献与未来在AI网络方向的想法
- 突出AI训练/推理系统优化经验，量化吞吐、时延、扩展性等性能提升成果
- 列出熟悉的分布式训练框架、推理框架、网络协议（RoCE）及GPU/NPU编程经验
- 详述顶会论文、专利、竞赛获奖或研究机构实习经历，注明作者排序和贡献
- 展示独立负责或主导技术攻关的项目案例，体现创新研究和团队协作能力
- 系统学习RDMA/RoCE协议、超节点互联架构及DPU/IPU相关技术
- 深入了解vLLM、SGLang、Verl等推理/后训练框架的通信优化机制
面试指南
- 采用STAR法则：先说明背景与问题，再讲你采取的技术方案，最后用数据说明效果
- 对于架构设计题，先分析业务需求（带宽、时延、成本），再给出拓扑/协议选型，并说明权衡
- 回答研究经历时，突出问题定义、方法创新和实验验证，体现独立研究能力
- 请介绍你过去在AI训练/推理系统性能优化方面的具体工作与量化结果
- 如何设计高性价比的超节点网络拓扑？需要考虑哪些因素？
- 谈谈你对RoCE协议或总线协议的理解，如何优化大规模集群的通信效率？
- 在分布式训练中，你如何定位和解决通信瓶颈？
- 你发表过的论文中，哪篇最能体现你的研究能力？请简述其创新点
职位点评
薪资福利60
成长发展88
工作生活50
使命价值78
薪资福利
60中等
JD未披露薪资与福利细节，补偿性动机满足程度需结合最终offer判断，但岗位层级与城市可能提供有竞争力的回报。
薪资信号未披露（AI估算：3.0千–6.0万/月）
成长发展
88较高
职位处于AI网络系统前沿，涉及超节点、总线协议、DPU/RoCE等创新研究，技术成长空间大。
技术前沿前沿/新兴技术
技术栈RoCE、DPU、总线协议、分布式训练、PyTorch、vLLM、并行计算、网络拓扑
业务类型ambiguous
工作生活
50较低
JD未提及办公模式、弹性工时或加班情况，生活化动机满足程度无法从文本判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
78中等
职位面向AI大规模训练与推理等前沿业务，研究成果可能推动下一代AI基础设施发展，行业前景广阔。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs