主分类：AI训练推理与计算优化
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "基础设施与稳定性工程-AI软硬件性能剖析与优化专家-杭州",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类-开发"AI生成
},
"company": {
"company_name": "阿里巴巴控股集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "构建面向大规模AI集群的GPU微架构采集、性能剖析与优化决策系统，建设集群的性能分析、瓶颈定位、故障诊断等核心能力。\n1. 针对NVIDIA、AMD、国产GPGPU等多厂商芯片，设计并实现规模化、无侵入的kernel级采集工具链和微架构指标体系；\n2. 构建AI continuous profiling系统，将GPU kernel数据与算子执行、框架调度、通信原语、CPU性能、高性能通信性能相关联，为全栈性能优化提供量化的性能瓶颈数据和画像系统；\n3. 结合理论 Roofline 分析与 simulation 方法，融合线上 profiling 数据，建设集群范围的软硬件配合与关键性能瓶颈分析体系，支撑AI训练与推理典型负载下的系统级优化；\n4. 跟踪主流GPU架构演进，参与AI基础设施规划与设计，结合生产应用画像，支撑多元GPU/AI ASIC芯片的适配与优化，构建异构硬件性能的全链路量化分析模型，面向scale-up等未来AI硬件架构演进，建立硬件性能建模与TCO评估能力，形成数据驱动的决策支撑。",
"requirements_text": "1. 两年及以上异构计算系统开发经验，理解GPU微架构、体系结构与性能特性；熟悉NVIDIA、AMD等主流GPU架构和GPU/AI ASIC硬件设计者优先。\n2. 理解GPU采集机制与指标体系，有GPU kernel profiling、性能分析的实践经验；熟悉CUPTI、ROCProfiler、nsys/ncu等profiling工具者优先。\n3. 掌握C++、Python、CUDA编程之一；有Cutlass、Triton等高性能算子优化开发经验，理解算子编译优化与GPU硬件特性关系者优先。\n4. 理解PyTorch、TensorFlow等AI框架底层实现，理解大模型计算特性（GEMM、Attention等），熟悉Megatron、DeepSpeed等训练框架和vLLM、sglang等推理框架；有实际训练推理性能优化技术落地经验者优先；\n5. 具备高水平的学习能力、抗压能力、跨团队协作沟通能力。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"TensorFlow",
"CUDA",
"性能优化",
"团队协作",
"沟通能力",
"学习能力",
"大语言模型"
],
"preferred_qualifications": "熟悉NVIDIA、AMD等主流GPU架构和GPU/AI ASIC硬件设计者优先；熟悉CUPTI、ROCProfiler、nsys/ncu等profiling工具者优先；有Cutlass、Triton等高性能算子优化开发经验，理解算子编译优化与GPU硬件特性关系者优先；有实际训练推理性能优化技术落地经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100008180007"
}
]
},
"posting": {
"posting_id": "100008180007",
"post_date": "2026-08-17",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100008180007"
},
"fulltext": "基础设施与稳定性工程-AI软硬件性能剖析与优化专家-杭州\n基础设施与稳定性工程-AI软硬件性能剖析与优化专家-杭州\n\n基础信息\n职位类别：技术类-开发\n工作地点：杭州\n\n职位描述\n构建面向大规模AI集群的GPU微架构采集、性能剖析与优化决策系统，建设集群的性能分析、瓶颈定位、故障诊断等核心能力。\n1. 针对NVIDIA、AMD、国产GPGPU等多厂商芯片，设计并实现规模化、无侵入的kernel级采集工具链和微架构指标体系；\n2. 构建AI continuous profiling系统，将GPU kernel数据与算子执行、框架调度、通信原语、CPU性能、高性能通信性能相关联，为全栈性能优化提供量化的性能瓶颈数据和画像系统；\n3. 结合理论 Roofline 分析与 simulation 方法，融合线上 profiling 数据，建设集群范围的软硬件配合与关键性能瓶颈分析体系，支撑AI训练与推理典型负载下的系统级优化；\n4. 跟踪主流GPU架构演进，参与AI基础设施规划与设计，结合生产应用画像，支撑多元GPU/AI ASIC芯片的适配与优化，构建异构硬件性能的全链路量化分析模型，面向scale-up等未来AI硬件架构演进，建立硬件性能建模与TCO评估能力，形成数据驱动的决策支撑。\n\n职位要求\n1. 两年及以上异构计算系统开发经验，理解GPU微架构、体系结构与性能特性；熟悉NVIDIA、AMD等主流GPU架构和GPU/AI ASIC硬件设计者优先。\n2. 理解GPU采集机制与指标体系，有GPU kernel profiling、性能分析的实践经验；熟悉CUPTI、ROCProfiler、nsys/ncu等profiling工具者优先。\n3. 掌握C++、Python、CUDA编程之一；有Cutlass、Triton等高性能算子优化开发经验，理解算子编译优化与GPU硬件特性关系者优先。\n4. 理解PyTorch、TensorFlow等AI框架底层实现，理解大模型计算特性（GEMM、Attention等），熟悉Megatron、DeepSpeed等训练框架和vLLM、sglang等推理框架；有实际训练推理性能优化技术落地经验者优先；\n5. 具备高水平的学习能力、抗压能力、跨团队协作沟通能力。\n构建面向大规模AI集群的GPU微架构采集、性能剖析与优化决策系统，建设集群的性能分析、瓶颈定位、故障诊断等核心能力。\n1. 针对NVIDIA、AMD、国产GPGPU等多厂商芯片，设计并实现规模化、无侵入的kernel级采集工具链和微架构指标体系；\n2. 构建AI continuous profiling系统，将GPU kernel数据与算子执行、框架调度、通信原语、CPU性能、高性能通信性能相关联，为全栈性能优化提供量化的性能瓶颈数据和画像系统；\n3. 结合理论 Roofline 分析与 simulation 方法，融合线上 profiling 数据，建设集群范围的软硬件配合与关键性能瓶颈分析体系，支撑AI训练与推理典型负载下的系统级优化；\n4. 跟踪主流GPU架构演进，参与AI基础设施规划与设计，结合生产应用画像，支撑多元GPU/AI ASIC芯片的适配与优化，构建异构硬件性能的全链路量化分析模型，面向scale-up等未来AI硬件架构演进，建立硬件性能建模与TCO评估能力，形成数据驱动的决策支撑。\n1. 两年及以上异构计算系统开发经验，理解GPU微架构、体系结构与性能特性；熟悉NVIDIA、AMD等主流GPU架构和GPU/AI ASIC硬件设计者优先。\n2. 理解GPU采集机制与指标体系，有GPU kernel profiling、性能分析的实践经验；熟悉CUPTI、ROCProfiler、nsys/ncu等profiling工具者优先。\n3. 掌握C++、Python、CUDA编程之一；有Cutlass、Triton等高性能算子优化开发经验，理解算子编译优化与GPU硬件特性关系者优先。\n4. 理解PyTorch、TensorFlow等AI框架底层实现，理解大模型计算特性（GEMM、Attention等），熟悉Megatron、DeepSpeed等训练框架和vLLM、sglang等推理框架；有实际训练推理性能优化技术落地经验者优先；\n5. 具备高水平的学习能力、抗压能力、跨团队协作沟通能力。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}