百度
混合云智算解决方案架构师（J106598）
混合云智算解决方案架构师（J106598）
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公解决方案
解决方案
Moe架构
分布式存储
大模型训推
客户技术支持
性能调优
混合云架构
智算解决方案
百度昆仑芯
值不值得投
74综合评分
综合评分 74
前沿AI芯片与混合云架构岗，技术成长空间大，薪资市场水准，需抗压与高频协作
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
5.0万
比解决方案中位数高
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 1340 个在招 · 其中解决方案 22 个
市场机会
选择面较广
北京 · 解决方案 · 约 140 个在招
职位详情
关于这个职位
该职位主要负责企业级混合云智算解决方案的全流程架构设计，结合大模型训练与推理场景输出高可用方案
同时主导百度昆仑芯芯片的适配优化与万卡集群设计，对接客户需求并提供技术赋能，持续跟踪AI芯片与混合云技术趋势以推进生态协同
最低要求
基本资质：全日制统招本科及以上学历，计算机科学与技术、电子信息工程、软件工程、人工智能等相关专业，5年以上云计算、智算、AI解决方案架构设计相关工作经验
混合云核心能力：精通混合云架构设计理念，熟悉主流云与私有云核心服务
掌握虚拟化、容器化（Docker/Kubernetes）、微服务、分布式存储、虚拟网络等核心技术
具备混合云数据迁移、算力调度等方案设计经验
百度昆仑芯专项要求：深入熟悉百度昆仑芯芯片的硬件架构、性能参数（如算力、卡间互联带宽等）与软件生态
具备基于昆仑芯的大模型训推适配、性能优化经验，有昆仑芯多卡集群部署与运维经验者优先
熟悉昆仑芯软件栈（驱动、编译器、模型优化工具）及主流深度学习框架在昆仑芯上的适配方法
智算与AI能力：具备大模型训练/推理、AI算力集群建设相关经验，了解MoE架构、多专家并行、模型量化/剪枝等优化技术
具备一定的算法与数据结构基础，能独立完成技术方案的验证与优化
综合能力：具备优秀的需求分析、技术方案撰写能力，能清晰向客户与团队传递架构思路
具备较强的跨团队协作能力与问题解决能力，能牵头攻克复杂技术难题
拥有良好的沟通表达能力与客户服务意识，能承受一定的工作压力
工作职责
混合云智算架构设计：负责面向企业级客户的混合云智算解决方案全流程架构设计，涵盖私有云、混合云的算力整合与协同，结合客户业务场景（如大模型训练/推理、AI推理部署、高性能计算等），输出可落地、高可用、领先性的整体架构方案，保障方案的可扩展性与成本优化
百度昆仑芯专项工作：主导基于百度昆仑芯芯片的智算解决方案设计与优化，深入掌握GPU的硬件架构（如算力特点、超节点互联等核心特性），负责芯片与混合云环境的适配、万卡集群方案设计，优化大模型在昆仑芯上的训推性能，提升算力利用率与能效比
客户需求对接与赋能：深入理解客户业务需求与技术痛点，提供专业的混合云智算方案的支持，将客户需求转化为技术方案
为客户与内部团队提供昆仑芯及混合云智算相关技术培训与赋能，提升团队整体技术能力
技术创新与生态协同：跟踪混合云、智算、AI芯片（尤其是昆仑芯系列）领域的技术趋势与行业动态，开展技术预研与PoC测试
协同芯片、框架/模型、云服务等内容，推进“芯片+框架/模型+平台”智算原生解决方案的优化与推广，提升方案竞争力
优先资格
有大型混合云或智算项目架构负责人经验者优先
加分项：有国产化AI芯片解决方案设计经验、大规模智算集群（万卡级）建设经验者优先
AI 洞察
优缺点分析
优点
- 依托头部互联网平台资源，接触万卡级智算集群与国产AI芯片前沿项目
- 技术栈高度聚焦混合云与AI基础设施，行业壁垒深且市场需求旺盛
- 提供内部技术培训与PoC预研机会，利于保持技术敏锐度与生态视野
- 技术迭代极快，需持续跟进AI芯片生态与深度学习框架的底层变化
- 跨部门协调复杂，需平衡客户定制化需求与公司标准化产品路线
- 适合具备扎实分布式系统与AI基础设施背景、热爱解决复杂架构难题且能接受高压交付的资深技术专家
缺点 / 挑战
- 项目交付压力大，需频繁应对客户POC验证与上线攻坚期的高强度节奏
角色解读
- 纵向深耕成为首席架构师或领域技术专家，主导公司级智算底座战略
- 横向拓展至AI基础设施产品管理或售前解决方案总监，衔接技术与商业
- 向技术管理方向转型，带领架构团队或智算产品线，负责技术梯队建设
- 负责企业级混合云与智算基础设施的整体架构设计，输出可落地的高可用方案
- 主导百度昆仑芯芯片的软硬件适配、万卡集群规划与大模型训推性能优化
- 对接企业客户技术痛点，将业务需求转化为架构方案并提供技术培训赋能
- 跟踪AI芯片与混合云前沿趋势，开展技术预研并推动“芯片+框架+平台”生态协同
- 精通混合云架构设计，熟练掌握虚拟化、容器化（K8s/Docker）、微服务与分布式存储技术
- 深入理解AI芯片硬件架构与软件栈，具备大模型训推适配、性能调优及多卡集群部署经验
- 熟悉MoE架构、模型量化/剪枝等AI优化技术，具备扎实的算法与数据结构基础
- 优秀的技术方案撰写能力、跨团队协作能力及客户沟通服务意识
申请策略
- 提前研究百度智能云与昆仑芯最新白皮书，准备1-2个针对性架构设计Demo
- 关注公司近期智算中心招标动态，了解目标客户群体的核心痛点与预算逻辑
- 重点突出主导过的混合云/智算架构设计案例，量化算力规模与性能提升指标
- 详细列出AI芯片（尤其是国产芯片）适配、集群部署与性能调优的具体实践
- 展示面向客户的技术方案输出能力，如中标金额、客户满意度或赋能培训场次
- 深化Kubernetes高级调度策略与分布式存储一致性协议的理论储备
- 跟进主流深度学习框架在异构算力上的编译优化与算子开发流程
- 补充商业沟通与需求挖掘技巧，提升将技术语言转化为客户价值的表达力
面试指南
- 采用STAR法则结构化回答：背景目标→架构选型依据→实施路径→量化结果→复盘反思
- 运用Trade-off思维阐述技术决策：对比不同方案的TCO、可扩展性、维护成本与风险边界
- 结合底层原理推导性能瓶颈：从CPU/GPU/NVLink到内核调度与内存带宽，逐层定位根因
- 请分享一个你主导的混合云或智算集群架构设计案例，遇到的最大技术瓶颈是什么？如何解决的？
- 昆仑芯与主流GPU在硬件架构与软件生态上有哪些核心差异？如何进行大模型训推适配？
- 面对客户复杂的定制化算力需求，如何在标准化产品与个性化方案之间做架构权衡？
- MoE架构下的多专家并行与模型量化技术在实际落地中会遇到哪些性能损耗？如何优化？
- 系统复习分布式系统核心理论（CAP定理、Raft/Paxos、一致性哈希）与K8s高级特性
职位点评
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利
75中等
薪资处于行业中上水平，上市公司福利体系完善，但JD未明确具体数字与发放结构。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
85较高
接触前沿AI芯片与混合云技术，提供内部培训与技术预研机会，成长路径清晰。
技术前沿前沿/新兴技术
技术栈混合云、Kubernetes、Docker、百度昆仑芯、大模型、MoE、分布式存储
成长机会技术培训与赋能、技术预研与PoC测试
业务类型profit_center
工作生活
60中等
需承受一定工作压力，工作地点在北京核心区，通勤可能便利但强度较高。
工作模式未明确
办公地点市区核心地段
加班情况JD含高强度暗示词
使命价值
70中等
推动国产AI芯片与智算基础设施建设，具有较强技术使命感与行业影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs