阿里巴巴
阿里云智能-服务器AI互连技术开发专家-上海/北京
阿里云智能-服务器AI互连技术开发专家-上海/北京
发布于 大约 14 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基础设施
Cuda
Cxl
Gpu集群
Pcie
Rdma
性能调优
集合通信
值不值得投
74综合评分
综合评分 74
阿里云AI互连核心研发，前沿技术栈，薪资优厚，成长空间大但工作节奏较快
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
参考估算薪资
根据职位描述推断，供对比参考
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 1580 个在招 · 其中高性能计算 3 个
市场机会
选择不多
北京 · 高性能计算 · 2 个在招
职位详情
关于这个职位
该职位负责阿里云AI服务器互连技术的研发与优化，聚焦超节点集群的推理训练性能调优、Scale-Up通信软件优化和下一代互连架构设计
工作涉及GPU集群通信、网络协议、内存池化等前沿技术，适合有深厚底层系统功底、热爱性能优化的技术专家
最低要求
● 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
工作职责
● 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
优先资格
● 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
AI 洞察
优缺点分析
优点
- 参与下一代架构定义，有机会影响行业标准
- 薪资和股权激励优厚，团队技术氛围好
- 工作强度大，可能需要应对紧急故障和长时间投入
- 适合热爱技术钻研、有丰富底层系统经验、渴望在AI基础设施领域深耕的资深工程师
缺点 / 挑战
- 阿里云平台，接触前沿AI基础设施，技术挑战大，成长快
- 技术深度高，需持续学习新技术，压力大
- 跨团队协作复杂，沟通成本较高
角色解读
- 从技术专家向系统架构师或团队技术负责人发展
- 深入AI基础设施领域，成为互连技术领域的权威
- 可参与阿里云核心基础设施建设，影响力大，未来可转向产品架构或技术管理
- 负责AI超节点集群的性能调优，深入大模型训练/推理场景，解决高密度并行算力下的性能瓶颈
- 构建网络可靠性与稳定性体系，设计异常流量抑制、自愈机制和拥塞调度策略
- 开发Scale-Up通信软件，优化推理卡间通信和KV Cache，并搭建评测体系进行极限验证
- 参与下一代AI互连架构定义，结合GPU互连技术和业务需求，设计内存池化及数据面协议
- 精通C++或Python，具备扎实的底层系统开发能力
- 丰富的性能分析与优化经验，能独立完成瓶颈定位与调优
- 熟悉GPU集群通信、集合通信库、RDMA/PCIe/CXL等高速互连技术
- 掌握AI基础知识，熟练使用主流AI Coding工具，有AI开发经验更佳
申请策略
- 了解阿里云基础设施团队的业务和挑战，在面试中展现主动性
- 准备一个完整的深度技术分享，展示你的系统设计能力
- 突出5年以上系统研发或架构设计经验，尤其是性能调优项目案例
- 强调GPU集群通信、集合通信库、RDMA/CXL等高速互连技术的实际经验
- 展示大规模集群稳定性建设、故障处理或网络优化成果
- 附上量化数据，如性能提升百分比、故障率降低等
- 补充CUDA编程和GPU内存优化知识，深入理解GPU架构
- 学习阿里云认证（ACA/ACP/ACE）以增加竞争力
面试指南
- 用STAR法则清晰描述项目背景、任务、行动和结果，强调量化指标
- 从系统角度分析问题，展示分层排查思路
- 结合前沿技术趋势，给出自己的设计考量，体现创新思维
- 请描述一次你主导的系统性能调优经历，如何定位瓶颈？
- 谈谈你对GPU集群中集合通信（如AllReduce）的理解，有哪些优化手段？
- 如何设计一个高可靠的AI集群网络？请从故障隔离、拥塞控制等角度说明
- 你如何使用AI工具来提升研发效率？举例说明
- 如果让你设计下一代Scale-Up互连架构，你会考虑哪些因素？
职位点评
薪资福利75
成长发展95
工作生活45
使命价值70
薪资福利
75中等
该职位为阿里云专家岗，薪资水平在行业中处于高位，但具体福利未在JD中披露。
薪资信号未披露（AI估算：45K-75K/月）
成长发展
95较高
岗位涉及AI互连前沿技术，参与下一代架构定义，是技术成长极佳的舞台。
技术前沿前沿/新兴技术
技术栈C++、Python、GPU集群、集合通信、RDMA、PCIe、CXL、CUDA、性能调优
业务类型ambiguous
工作生活
45较低
工作地点在北京/上海核心区，但JD未提及弹性办公或WLB，大厂节奏可能较快。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
岗位推动AI基础设施发展，行业前景好，但直接社会价值不明显。
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