校园招聘职位描述（JD）职位名称：阿里云智算平台研发工程师（AI Infra 方向）工作地点北京、杭州关于我们：打造 AI 时代的算力基座我们是 阿里云专有云 IaaS 产品架构与研发 - 算力平台研发团队，核心使命是：为 AI 大模型训练与推理构建世界级的智算基础设施。随着大模型进入万卡时代，传统基础设施已无法满足 AI 对高性能、高稳定、高弹性、高智能的严苛要求。我们正从“资源交付平台”向“AI 原生算力操作系统”演进——不仅提供裸金属、GPU、DPU 等硬件资源，更通过 AI 驱动的智能调度、自愈、可观测与优化能力，让算力“看得见、管得住、用得好”。我们的工作直接支撑通义千问、通义万相等阿里大模型的训练集群，以及外部客户的大规模万卡集群的 AI 训练/推理业务。技术方向（任一方向均可深入）ꔷ AI 原生 Serverless 容器平台构建面向 AI 工作负载的 Serverless 引擎，支持一键提交训练任务，自动扩缩容、秒级交付，让用户专注模型创新。ꔷ GPU 与异构算力智能调度实现 AI 拓扑感知调度：基于 GPU/NIC/RoCE 拓扑、通信带宽、NUMA 距离等，结合 AI 知识图谱，为大模型训练选择最优节点组合，最大化 AllReduce 效率。ꔷ 智算稳定性与自愈体系构建 AI 驱动的故障治理体系：利用 故障知识图谱 实现根因定位（RCA）基于历史故障数据预测 爆炸半径（Blast Radius）自动执行隔离、迁移、重试，保障万卡训练不中断ꔷ AI 算力健康度深度检测设计 AI Infra 健康分模型：融合硬件指标（ECC、NVLink error）、系统日志、作业行为实时评估节点“是否适合跑 LLM 训练”提前预警潜在风险，避免训练中途失败ꔷ 智算基础平台与国产化适配打造统一底座，支持 NVIDIA、壁仞、沐曦、昇腾等 国产异构芯片，实现驱动、固件、OS 层的自动化管理与兼容性验证。ꔷ 智算运维控制台与 OpenAPI构建面向 AI 工程师的产品化体验：可视化集群拓扑、训练任务追踪、资源水位分析、一键诊断等。你将参与的核心工作1. 开发 GPU 虚拟化（kGPU/MIG）与 DPU 卸载 技术，提升 AI 算力密度；2. 优化 K8s 调度器（Scheduler）、Device Plugin（DP）、Extended Resource（EP），支持万卡级 AI 作业调度；3. 构建 裸金属监控与自愈系统，实现 MTTR < 5 分钟、ETTR ≈ 0 的高可用目标；4. 设计 超节点（SuperNode）架构，打通计算、存储、网络，为大模型训练提供极致性能；5. 利用 AI 知识图谱 + 时序异常检测，实现算力基础设施的 智能运维（AIOps）；6. 为 AI 大模型训练/推理集群 提供端到端的稳定性、效率与安全保证。我们希望你（满足以下 2–4 项即可）1. 熟悉平台研发流程，有 Go / Python 开发经验；2. 熟悉 Kubernetes 工作机制，能独立创建、调试 K8s 应用；3. 了解 GPU 作业调度机制，熟悉 K8s 调度器基本原理；4. 有 GPU 虚拟化（用户态/内核态/MIG）部署或调试经验；5. 了解 GPU 算力故障监控、诊断、自愈、可视化 相关技术；6. 熟悉 大规模集群管理，如 PXE 装机、OverlayFS、镜像分发等；7. 对 AI 基础设施、大模型训练流程、AIOps 有浓厚兴趣或实践经验。为什么加入我们？✅ 直面 AI 时代最前沿挑战：你写的代码，正在支撑千亿参数大模型的训练；✅ 全栈技术成长：从 Linux 内核、DPU 驱动，到 K8s 调度、AI 知识图谱，技术纵深极强；✅ 真实万卡集群实战：不是模拟环境，而是每天处理 PB 级日志、调度数千 GPU 的生产系统；✅ AI + Infra 双轮驱动：你不仅写基础设施，更用 AI 重塑基础设施；✅ 开放、极客、结果导向 的团队文化，鼓励技术创新与快速落地。面向人群2027 届本科/硕士/博士毕业生计算机、软件工程、人工智能、电子信息等相关专业热爱底层系统，对 AI 基础设施有强烈好奇心投递方式请将简历发送至：[**********]邮件标题格式：【智算平台研发】姓名 + 学校 + 意向方向（如：GPU调度 / AIOps / 国产化）在这里，你不是在“维护服务器”，而是在“构建 AI 时代的算力引擎”。加入我们，一起让万卡集群像一台超级计算机一样稳定、高效、智能地运行！