【地瓜机器人】后端运维工程师(AI基础设施-GPU基建)

岗位职责：
岗位核心价值
负责公司大算力 AI 集群（含 B/H 系列高端卡、国产算力卡）的架构设计、搭建部署、运维优化与国产化适配，支撑大模型训练、自动驾驶等核心业务的高效稳定运行，打造高可用、高性价比的算力基础设施。
核心工作职责

1. 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。
2. 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。
3. 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。
4. 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）。
5. 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。

任职要求：

1. 核心技能（必备）
- 5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）。
2. 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。
3. 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。

【职位类别】软件序列
【招聘项目】地瓜正式岗位招聘
【所属公司】地瓜机器人