安克创新
具身智能AI Infra算法工程师
具身智能AI Infra算法工程师
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Ai Infra
Cuda
Nccl
Pytorch
具身智能
分布式训练
大模型
显存优化
值不值得投
79综合评分
综合评分 79
上市企业核心AI Infra岗，技术前沿且成长空间大，薪资竞争力强，适合追求技术深度的底层系统工程师。
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
4.3万
比人工智能中位数高
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 440 个在招 · 其中人工智能 8 个
市场机会
选择面较广
深圳 · 人工智能 · 约 120 个在招
职位详情
关于这个职位
该职位主要负责大模型分布式训练框架的研发与优化，涉及显存优化、训练加速及多卡通信机制等底层工程实现
你需要运用Python/C++和PyTorch等工具，在云端集群环境下落地数据并行、张量并行等分布式训练方案，助力具身智能算法的高效训练
最低要求
计算机、电子工程、人工智能、机器人等相关专业，硕士及以上学历
熟练掌握 Python / C++ 编程语言，精通 PyTorch 深度学习框架
了解 GPU 底层体系结构，如 CUDA Core、Tensor Core、显存层级等
熟悉 PyTorch DDP、Accelerate 等分布式训练框架及常见显存优化策略，具备较强的工程实现能力
对模型加速、压缩与显存优化有基本概念，了解混合精度训练（FP16 / BF16）、量化感知训练（QAT）等相关技术
了解云端集群与大模型分布式训练机制，如数据并行（DP）、张量并行（TP）、流水线并行（PP）
了解多卡通信机制，对 NCCL、NVLink、RDMA、RoCE 等通信协议与网络互联架构有一定认识
工作职责
参与分布式训练框架与训练集群相关能力的研发和优化
参与大模型训练过程中的显存优化、训练加速及相关工程实现
参与云端集群环境下的大模型分布式训练方案开发与落地，包括数据并行（DP）、张量并行（TP）、流水线并行（PP）等
参与多卡通信机制与训练性能优化相关工作，包括 NCCL、NVLink、RDMA、RoCE 等方向
优先资格
具备软硬协同视野，既了解具身智能相关算法，也熟悉底层芯片硬件或 GPU 架构
对 AI 前沿底层技术有强烈好奇心，具备独立分析和解决问题的能力，并具有良好的英文文献阅读能力
有分布式训练、量化感知训练等相关实操经验
AI 洞察
优缺点分析
优点
- 处于具身智能与大模型交叉的前沿领域，技术壁垒高，个人成长空间大
- 安克创新作为上市企业，能提供充足的算力资源与稳定的研发平台
- 接触底层系统优化，能积累极具竞争力的硬核工程经验
- 分布式训练与底层通信优化技术难度大，需要深厚的计算机体系结构功底
- 适合对底层系统、GPU架构及分布式计算有浓厚兴趣，且具备扎实C++/CUDA编程功底的算法或系统工程师
缺点 / 挑战
- 大模型训练环境复杂，排查底层Bug和性能瓶颈极具挑战性
角色解读
- 可向AI Infra技术专家方向发展，深入底层软硬件协同优化
- 也可转型为大模型系统架构师，负责更大规模的训练集群设计与调度
- 负责大模型分布式训练框架的研发与优化，解决显存和计算瓶颈
- 落地数据并行、张量并行、流水线并行等分布式训练方案，提升集群训练效率
- 优化多卡通信机制，针对NCCL、RDMA等底层协议进行性能调优
- 精通Python/C++及PyTorch，熟悉GPU底层架构与CUDA编程
- 掌握分布式训练框架（DDP/Accelerate）及常见显存优化策略
- 熟悉NCCL、NVLink、RDMA、RoCE等通信协议与网络互联架构
申请策略
- 了解安克创新在具身智能和机器人领域的最新业务布局，面试时可结合其业务场景探讨Infra优化的具体痛点
- 突出在分布式训练、显存优化或大模型加速方面的实际项目经验
- 强调对PyTorch底层机制、GPU架构及NCCL/RDMA通信协议的理解与优化成果
- 展示解决复杂工程问题的能力，如通过量化感知训练或混合精度训练提升训练效率的案例
- 深入学习Megatron-LM或DeepSpeed等主流分布式训练框架的源码
- 补充CUDA编程及高性能计算（HPC）相关知识，强化底层调优能力
面试指南
- 采用STAR法则，先描述遇到的性能瓶颈或业务需求，再阐述分析底层机制（如GPU显存层级、通信协议）的过程
- 最后给出具体的优化方案及量化收益（如训练速度提升百分比、显存占用降低比例），用数据证明技术价值
- 请详细介绍你在分布式训练中解决过的最复杂的显存优化或通信瓶颈问题
- 如何理解和实现张量并行（TP）与流水线并行（PP）？它们在显存和通信上有什么权衡？
- NCCL和RDMA在底层通信机制上有什么区别？如何针对RoCE网络进行性能调优？
- 在PyTorch DDP中，梯度同步的底层流程是怎样的？有哪些常见的性能优化手段？
- 复习分布式训练的核心论文（如Megatron-LM, ZeRO）及主流框架源码
- 准备1-2个自己主导的底层性能优化案例，并能清晰画出系统架构图或通信拓扑图
职位点评
薪资福利80
成长发展90
工作生活60
使命价值85
薪资福利
80较高
上市企业提供具有竞争力的薪资，AI Infra岗位技术壁垒高，薪资处于市场较高水平。
薪资信号未披露（AI估算：3千–5.5万/月）
成长发展
90较高
涉及大模型与具身智能前沿技术，能深入底层软硬件协同，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、C++、PyTorch、CUDA、NCCL、NVLink、RDMA、RoCE、DP、TP、PP
业务类型ambiguous
工作生活
60中等
未明确提及工作模式与加班情况，但AI底层研发通常面临一定的攻坚压力。
工作模式未明确
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
85较高
具身智能是未来AI发展的重要方向，推动机器人智能化具有较高的社会价值与行业前景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs