地平线
【地瓜机器人】后端运维工程师(AI基础设施-GPU基建)
【地瓜机器人】后端运维工程师(AI基础设施-GPU基建)
发布于 2 天前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
学历未注明
信息技术与基础设施
Nccl
Nvidia Gpu
Tensorrt
分布式存储
B系列
H系列
国产算力卡
AI 估算 · 35k–55k
高端GPU运维人才稀缺，北京市场薪资高，大厂通常14薪
职位详情
关于这个职位
作为后端运维工程师，您将负责地平线大算力AI集群的架构设计与运维，包括数千P级GPU集群（NVIDIA B/H系列及国产算力卡）的搭建、调优与国产化适配，支撑大模型训练与自动驾驶等核心业务，确保集群高可用与高性能
最低要求
核心技能（必备）
年以上工作经验，具备3年以上大算力AI集群相关经验，有数千P级集群自建或核心运维经历（重点加分）
精通NVIDIA B系列、H系列等高端算力卡的部署、调优与故障排查，熟悉GPU并行计算原理与加速技术（NCCL/TensorRT等）
具备国产算力卡适配实战经验，至少熟练掌握1种国产卡（阿里PPU、华为昇腾等）的驱动安装、框架适配、模型迁移流程
熟悉AI集群核心组件：分布式存储（Juicefs / Alluxio / Ceph / GlusterFS其一）、高速网络（InfiniBand）、调度系统（Kubernetes/Volcano/Slurm）、监控工具（Prometheus/Grafana）
具备Shell/Python脚本开发能力，能独立开发运维自动化工具（如集群巡检、故障告警、资源调度脚本）
工作职责
大算力集群自建与架构设计：主导超大规模AI算力集群（数千P级）的自建规划，包括硬件选型（GPU/B/H系列卡、国产卡等）、网络拓扑设计（InfiniBand/ROCE）、存储架构（分布式存储）、集群调度系统搭建，确保集群性能达标、扩展性强
高端GPU加速与优化：具备NVIDIA B系列、H系列高端算力卡的实战经验，负责卡级性能调优、并行计算加速（TensorRT/MPI/NCCL）、显存优化，解决大模型训练/推理中的算力瓶颈问题
国产算力卡适配落地：主导国产算力卡（阿里PPU、华为昇腾等）的适配工作，包括驱动安装、框架适配（TensorFlow/PyTorch/MindSpore）、模型迁移与性能调优，实现国产算力与业务场景的深度融合
集群运维与稳定性保障：负责算力集群的日常运维，包括硬件故障排查、集群监控告警（GPU/网络/存储状态）、资源调度优化、灾备方案设计，保障集群全年高可用性（99.9%以上）
技术沉淀与迭代：跟进业界大算力集群技术趋势（如新型GPU、网络协议、调度系统），输出技术方案与最佳实践
搭建集群运维自动化工具，提升运维效率
优先资格
经验与背景（优先）
有智算中心、大型AI企业算力集群搭建/运维经验者优先
参与过大模型（千亿参数级）训练/推理的算力支撑项目，熟悉大模型训练对算力集群的核心要求者优先
具备硬件选型与供应商对接经验，能独立完成算力集群成本优化与性能评估者优先
软技能要求
具备较强的问题排查能力，能快速定位并解决集群硬件、网络、软件层面的复杂故障
责任心强，具备良好的跨部门沟通能力（需对接算法、业务、采购团队）
学习能力强，能快速跟进新型算力硬件与集群技术的迭代
AI 洞察
优缺点分析
优点
- 前沿技术栈：接触最新NVIDIA GPU和国产算力卡，积累大算力集群经验，行业稀缺
- 公司平台大：地平线上市企业，自动驾驶和AI芯片领域头部，项目有影响力
- 职业发展好：AI基础设施是热门方向，技能可迁移至各大AI公司或智算中心
- 工作强度大：涉及集群建设与运维，可能遇到紧急故障需要随时响应
- 技术复杂度高：需要同时精通硬件、网络、系统、算法多方面知识
缺点 / 挑战
- 国产化适配压力大：国产卡生态不成熟，需要大量排障和优化工作
- 适合拥有多年GPU集群运维经验、对国产化有热情、喜欢挑战高难度技术问题的高级工程师
角色解读
- 向AI基础设施架构师或技术专家发展，主导更大规模算力集群设计
- 横向拓展到大模型训练/推理的全栈优化，成为AI Infra领域专家
- 可向管理岗转型，带领运维团队或算力运营团队
- 主导大算力AI集群（数千P级）的自建与架构设计，包括硬件选型、网络拓扑搭建
- 负责NVIDIA B/H系列及国产算力卡的部署、调优与故障排查，解决算力瓶颈
- 日常运维保障集群高可用，开发自动化工具提升效率
- 跟进新技术趋势，输出最佳实践，推动国产化适配落地
- 精通NVIDIA高端GPU（B/H系列）的部署与调优，熟悉NCCL、TensorRT等加速技术
- 具有国产算力卡（如华为昇腾、阿里PPU）适配经验，能做框架迁移和性能优化
- 掌握AI集群核心组件：分布式存储、InfiniBand网络、Kubernetes/Volcano调度系统
- 具备Shell/Python脚本开发能力，能独立开发运维自动化工具
申请策略
- 面试时强调解决复杂故障的案例，展示系统性思维和跨团队沟通能力
- 关注地平线在自动驾驶和AI芯片领域的战略，体现对国产化和AI Infra的热情
- 突出大算力集群自建经验，强调集群规模（如数千P级）和具体成果（性能提升、故障率降低）
- 详细描述NVIDIA B/H系列GPU的调优案例，以及国产卡适配的项目经历
- 列出熟悉的工具链（Kubernetes、InfiniBand、分布式存储等）和自动化脚本成果
- 若缺少国产卡经验，可学习华为昇腾或阿里PPU的官方文档，做小实验
- 补充大模型训练对算力需求的理解，了解Megatron、DeepSpeed等框架
面试指南
- STAR法则：背景-任务-行动-结果，突出规模和量化指标
- 先分析问题根因，再列出解决方案和权衡，最后总结最佳实践
- 描述你主导搭建一个数千P级AI集群的架构设计过程和挑战
- 你在NVIDIA H100或B200上做过哪些性能调优？具体方法和效果？
- 如何将一个基于NVIDIA GPU的训练任务迁移到华为昇腾上？可能遇到哪些问题？
- 集群出现网络或存储瓶颈时，你如何定位和解决？
- 有哪些经验实现集群高可用（99.9%以上）？故障自动恢复方案怎么设计？
- 复习InfiniBand架构和RoCE对比，熟悉Volcano和Slurm调度细节
职位点评
71
综合评分
高薪前沿技术岗，发展空间大，但工作强度和压力也大。
更适合这类人
适合追求技术成长和高薪资、能接受高强度工作的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活40
使命价值75
薪资福利
80较高
薪资市场水准偏高，上市大厂福利完善，但未明确提及年终奖等具体福利。
薪资信号未披露（AI估算：35K-55K/月）
成长发展
90较高
前沿技术栈（最新GPU、国产卡、K8s），成长性强，但未明确提及培训或晋升通道。
技术前沿前沿/新兴技术
技术栈NVIDIA B系列、NVIDIA H系列、国产算力卡、InfiniBand、Kubernetes、NCCL、TensorRT、分布式存储
业务类型profit_center
工作生活
40较低
仅现场办公，地点北京，无WLB描述，可能涉及高强度运维。
工作模式仅现场办公
办公地点未明确
加班情况JD含高强度暗示词
使命价值
75中等
行业高速增长（AI基础设施），国产化适配有社会意义，但JD未提及使命感。
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