AI Infra 工程师

工作职责 我们致力于构建UCloud公有云的计算基础设施，打造支持大规模 AI 训练与推理的 GPU 集群底座。团队聚焦下一代计算平台的稳定性与性能优化，深入软硬件协同、虚拟化、网络通信、高性能调度等核心方向，构建极致性能与稳定性的基础架构。 本岗位将聚焦于GPU相关的故障定位、性能调优与系统优化，包括但不限于以下方向： 1. 面向大模型推理与训练场景，深入分析 GPU 性能瓶颈，探索 GPU 层级（如CUDA、NCCL、硬件接口）异常信号的检测、归因与优化手段； 2. 构建 GPU 故障监测体系，提升 GPU 使用过程中对于应用层错误（OOM、Kernel Error 等）和底层资源异常的可观测性与定位能力； 3. 优化 NCCL 通信链路性能，研究其在性能建模、故障预测与资源调度中的应用； 4. 探索GPU 池化、虚拟化与资源共享机制，提升集群资源利用率与可靠性； 5. 参与构建 GPU 性能调优工具链及故障回溯系统，服务云上内外部客户高稳定性与高吞吐需求。