崗位職責(zé)：

1.復(fù)雜故障深度診斷

（1）針對搭載NVIDIAH100/H800/H200、AMDMI300等高端GPU的服務(wù)器，快速定位并修復(fù)硬件級故障（如GPU核心損壞、HBM顯存異常、PCIe鏈路中斷），熟練使用示波器、邏輯分析儀等工具進(jìn)行電路級分析。

（2）處理CUDA環(huán)境崩潰、驅(qū)動兼容性沖突等軟件問題，優(yōu)化AI框架（PyTorch/TensorFlow）在多GPU集群中的運行穩(wěn)定性。

2.性能調(diào)優(yōu)與架構(gòu)設(shè)計

（1）基于AI大模型訓(xùn)練/推理場景，通過NVLink/NVSwitch配置、NCCL通信優(yōu)化、內(nèi)存帶寬調(diào)優(yōu)（如HBM2E/HBM3帶寬綁定）提升集群算力利用率，目標(biāo)達(dá)成硬件峰值算力的90%以上。

（2）設(shè)計混合精度訓(xùn)練方案（FP16/FP8/INT8），結(jié)合TensorCore特性實現(xiàn)算子級優(yōu)化（如Conv/GEMM稀疏化），降低訓(xùn)練能耗比。

3.云原生集群管理

（1）主導(dǎo)KubernetesGPU資源調(diào)度系統(tǒng)的落地，實現(xiàn)萬卡級集群的故障自愈（如節(jié)點宕機自動遷移、GPU硬件健康狀態(tài)實時監(jiān)控），保障訓(xùn)練任務(wù)中斷率低于0.5%。

（2）開發(fā)自動化工具鏈（Ansible/Terraform），實現(xiàn)服務(wù)器固件升級、驅(qū)動部署、日志采集的全流程無人化。

4.前沿技術(shù)落地與協(xié)作

（1）參與Blackwell架構(gòu)GPU（如H200）的預(yù)研測試，驗證其在Transformer模型訓(xùn)練中的性能表現(xiàn)，輸出硬件選型建議。

（2）與芯片設(shè)計團隊協(xié)作，針對國產(chǎn)GPU（如摩爾線程MTTS80）進(jìn)行驅(qū)動適配和性能調(diào)優(yōu)，構(gòu)建國產(chǎn)化算力替代方案。

任職要求：

1.硬件與系統(tǒng)深度經(jīng)驗

（1）5年以上GPU服務(wù)器運維或研發(fā)經(jīng)驗，至少主導(dǎo)過3個以上H100/A100集群的部署優(yōu)化項目，熟悉GPU散熱設(shè)計、機房環(huán)動和電源管理（12VHPWR接口兼容性）。

（2）精通Linux內(nèi)核調(diào)優(yōu)（如NUMA節(jié)點綁定、IRQ親和性），能通過NsightCompute分析CUDA內(nèi)核性能瓶頸，提出寄存器分配、共享內(nèi)存優(yōu)化方案。

2.云原生與分布式技術(shù)

（1）熟練掌握KubernetesDevicePlugin機制，具備GPU虛擬化（如vGPU）和混部場景下的資源隔離經(jīng)驗，曾主導(dǎo)過超大規(guī)模集群（5000+節(jié)點）的穩(wěn)定性保障工作。

（2）熟悉InfiniBand網(wǎng)絡(luò)配置（如ConnectX-6/7網(wǎng)卡），能通過OPA驅(qū)動優(yōu)化RDMA通信延遲至微秒級，支持分布式訓(xùn)練中的跨節(jié)點數(shù)據(jù)同步。

3.正向考核適配能力

（1）具備強結(jié)果導(dǎo)向思維，過往績效中至少3次超額完成技術(shù)指標(biāo)（如集群GPU利用率提升20%以上、故障恢復(fù)時間縮短50%）。

（2）英語流利（CET-6或等同水平），能獨立對接海外團隊完成技術(shù)方案落地，適應(yīng)全球數(shù)據(jù)中心的短期出差（年均20%）。

4.加分項

（1）持有NVIDIA認(rèn)證CUDA工程師（CCE）或Kubernetes認(rèn)證管理員（CKA）資質(zhì)。

（2）參與過開源項目（如KubeEdge邊緣計算、Horovod分布式訓(xùn)練框架）貢獻(xiàn)者優(yōu)先。

崗位亮點：

?接觸全球先進(jìn)的AI算力基礎(chǔ)設(shè)施（如H200GPU集群）。

?參與國家級算力網(wǎng)絡(luò)建設(shè)項目，與中科院、高校聯(lián)合攻關(guān)核心技術(shù)。

?扁平化管理架構(gòu)，技術(shù)決策直接影響公司戰(zhàn)略方向。

職業(yè)發(fā)展路徑：

?技術(shù)專家線：高級工程師→GPU架構(gòu)師→AI基礎(chǔ)設(shè)施總監(jiān)（管理50人+團隊）。

?業(yè)務(wù)融合線：技術(shù)顧問→行業(yè)解決方案專家（覆蓋金融/醫(yī)療/自動駕駛/環(huán)保等領(lǐng)域）。