1、做什么： 负责 GPU 算力集群的调度、运维与优化，以及阿里云资源的维护与管理，为模型训练和数据处理提供稳定、高效、弹性的算力基础设施。 2、核心职责： - GPU 集群（H20 等）部署、运维与资源调度系统建设 - 分布式训练环境搭建（NCCL 网络优化、RDMA 配置、Checkpoint 自动保存与恢复） - 阿里云资源维护与混合云架构设计（弹性伸缩、成本优化） - 集群级监控体系与告警策略，容量规划支撑算力增长 1、任职要求： - 计算机/软件工程 等相关专业，本科及以上 - 熟悉 Linux 系统、网络（TCP/IP/RDMA）、存储原理 - 熟悉 Kubernetes，有 GPU 集群调度基础 - 了解阿里云/AWS 等公有云资源管理 - 熟悉监控告警体系（Prometheus/Grafana/ELK） 2、加分项： - 大规模 AI 训练集群（千卡级）运维经验 - NCCL/MPI 分布式通信库与网络拓扑优化经验 - 基础设施即代码（Terraform/Pulumi）实践