{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "高级AI训练平台工程师",
        "job_level": "",AI生成
        "work_category": "",AI生成
        "department": "",
        "location": "深圳",
        "work_mode": "",AI生成
        "job_category": ""AI生成
    },
    "company": {
        "company_name": "某大型计算机软件公司",
        "company_industry": "计算机软件",
        "company_size": "100-499人",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": 60000,
            "max": 85000,
            "currency": "CNY",
            "cycle": "month"
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": "",
        "degree": "学历不限",
        "language": "",AI生成
        "visa_support": "",
        "responsibilities": "",
        "requirements_text": "负载均衡技术\n分布式技术\n岗位职责：\n1. 分布式训练框架设计与核心开发：主导HIVE-PhysAI分布式训练框架的架构设计与代码实现，支持千卡/万卡规模下的高效同步与异步训练通信，确保训练任务在超大规模集群上的线性扩展性与容错能⼒。\n2. 强化学习算法深度实现与优化：负责PPO、SAC、DDPG等主流及前沿强化学习算法的⾼性能⼯程实现，针对物理仿真场景的特点进行算法级与系统级的联合优化，提升采样效率与收敛稳定性。\n3. 万级场景并⾏训练调度系统构建：设计并实现大规模异构场景并行调度引擎，支持数万级别物理仿真环境的同时运行、动态扩缩容与负载均衡，最大化GPU与CPU资源利用率。\n4. Sim2Real闭环工具链开发：构建从仿真训练到真实机器人部署的完整迁移工具链，包含模型转换、精度校准、实时推理优化与效果回传分析，实现\"训练-部署-反馈-迭代\"的自动化闭环。\n5. 域随机化与物理参数自适应引擎设计：开发高维域随机化（Domain Randomization）引擎，支持物理参数、视觉观测、动力学扰动的多层次随机化策略；探索物理参数自适应估计方法，缩小仿真与现实的本质差距。\n6. MLOps训练平台搭建与运维：搭建面向物理AI场景的MLOps平台，涵盖实验管理、超参数搜索、模型版本控制、训练可视化与自动告警，让算法科学家专注于科学探索而非工程杂务。\n7. 跨团队深度协同与技术接口定义：与物理引擎团队协同定义高性能仿真环境接口，与渲染团队协同实现视觉感知训练的数据管线，与具身智能算法团队协同制定训练任务规范与评估体系。\n8. 训练性能全栈分析与持续优化：从计算图优化、通信拓扑设计到存储I/O加速，全链路定位训练瓶颈并制定优化方案；推动混合精度训练、梯度压缩、检查点加速等前沿技术的落地应用。\n9. 技术预研与开源生态建设：跟踪分布式训练与强化学习工程领域的最新进展，主导关键技术选型与技术方案评审；推动核心模块的开源化，建设HIVE-PhysAI在学术与工业界的工程影响力。\n10. 团队技术传承与人才培养：指导初中级工程师的技术成长，组织内部技术分享与Code Review，沉淀技术文档与最佳实践，帮助团队建立深厚的分布式系统与AI工程文化。\n任职要求：\n【必备条件】\n• 学历背景：计算机科学、软件工程、人工智能、自动化或相关专业本科及以上学历，985/211或海外知名院校优先\n• 工作经验：5年以上深度学习或分布式系统开发经验，有大规模模型训练或强化学习项目落地经历\n• 编程能力：精通Python，熟练掌握C++；代码风格严谨，具备生产级软件开发经验\n• 深度学习基础：深入理解PyTorch或TensorFlow等主流框架的内部机制，熟悉自动微分、计算图优化等核心原理\n• 强化学习基础：扎实掌握PPO、SAC、DDPG等主流算法原理，理解策略梯度、值函数估计、探索-利用权衡等核心概念\n• 分布式系统：熟悉分布式训练的基本范式（数据并行、模型并行、流水线并行），了解NCCL、RDMA等通信机制\n• 工程素养：具备良好的系统思维与问题诊断能力，能够在复杂的技术栈中快速定位根因并给出优雅的解决方案\n【加分项】\n• 大规模分布式训练经验：有千卡以上规模集群的分布式训练调优经验，熟悉大模型训练中的通信优化、显存优化与容错机制\n• Ray / RLlib深度使用经验：熟悉Ray分布式计算框架或RLlib强化学习库的内部架构与扩展机制\n• MLOps平台搭建经验：有Weights & Biases、MLflow、Kubeflow等平台的使用或二次开发经验\n• 机器人或仿真背景：有Isaac Sim、MuJoCo、Gazebo等物理仿真器的使用经验，了解刚体动力学与接触建模\n• CUDA / 高性能计算：具备CUDA Kernel开发或GPU性能调优经验，熟悉Triton、TensorRT等推理加速工具\n• 开源贡献：在PyTorch、Ray、Hugging Face等知名开源项目中有贡献记录，或有自己的技术博客/开源项目\n认证资质\n人力资源服务许可证",
        "skills": [AI生成
            "直聘"
        ],
        "preferred_qualifications": "",
        "job_highlights": ""
    },
    "contact": {
        "recruiter_name": "",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/7e84a47335dd512c0nF93Nm6E1NT.html"
            }
        ]
    },
    "posting": {
        "posting_id": "7e84a47335dd512c0nF93Nm6E1NT",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/7e84a47335dd512c0nF93Nm6E1NT.html"
    },
    "fulltext": "负载均衡技术\n分布式技术\n岗位职责：\n1. 分布式训练框架设计与核心开发：主导HIVE-PhysAI分布式训练框架的架构设计与代码实现，支持千卡/万卡规模下的高效同步与异步训练通信，确保训练任务在超大规模集群上的线性扩展性与容错能⼒。\n2. 强化学习算法深度实现与优化：负责PPO、SAC、DDPG等主流及前沿强化学习算法的⾼性能⼯程实现，针对物理仿真场景的特点进行算法级与系统级的联合优化，提升采样效率与收敛稳定性。\n3. 万级场景并⾏训练调度系统构建：设计并实现大规模异构场景并行调度引擎，支持数万级别物理仿真环境的同时运行、动态扩缩容与负载均衡，最大化GPU与CPU资源利用率。\n4. Sim2Real闭环工具链开发：构建从仿真训练到真实机器人部署的完整迁移工具链，包含模型转换、精度校准、实时推理优化与效果回传分析，实现\"训练-部署-反馈-迭代\"的自动化闭环。\n5. 域随机化与物理参数自适应引擎设计：开发高维域随机化（Domain Randomization）引擎，支持物理参数、视觉观测、动力学扰动的多层次随机化策略；探索物理参数自适应估计方法，缩小仿真与现实的本质差距。\n6. MLOps训练平台搭建与运维：搭建面向物理AI场景的MLOps平台，涵盖实验管理、超参数搜索、模型版本控制、训练可视化与自动告警，让算法科学家专注于科学探索而非工程杂务。\n7. 跨团队深度协同与技术接口定义：与物理引擎团队协同定义高性能仿真环境接口，与渲染团队协同实现视觉感知训练的数据管线，与具身智能算法团队协同制定训练任务规范与评估体系。\n8. 训练性能全栈分析与持续优化：从计算图优化、通信拓扑设计到存储I/O加速，全链路定位训练瓶颈并制定优化方案；推动混合精度训练、梯度压缩、检查点加速等前沿技术的落地应用。\n9. 技术预研与开源生态建设：跟踪分布式训练与强化学习工程领域的最新进展，主导关键技术选型与技术方案评审；推动核心模块的开源化，建设HIVE-PhysAI在学术与工业界的工程影响力。\n10. 团队技术传承与人才培养：指导初中级工程师的技术成长，组织内部技术分享与Code Review，沉淀技术文档与最佳实践，帮助团队建立深厚的分布式系统与AI工程文化。\n任职要求：\n【必备条件】\n• 学历背景：计算机科学、软件工程、人工智能、自动化或相关专业本科及以上学历，985/211或海外知名院校优先\n• 工作经验：5年以上深度学习或分布式系统开发经验，有大规模模型训练或强化学习项目落地经历\n• 编程能力：精通Python，熟练掌握C++；代码风格严谨，具备生产级软件开发经验\n• 深度学习基础：深入理解PyTorch或TensorFlow等主流框架的内部机制，熟悉自动微分、计算图优化等核心原理\n• 强化学习基础：扎实掌握PPO、SAC、DDPG等主流算法原理，理解策略梯度、值函数估计、探索-利用权衡等核心概念\n• 分布式系统：熟悉分布式训练的基本范式（数据并行、模型并行、流水线并行），了解NCCL、RDMA等通信机制\n• 工程素养：具备良好的系统思维与问题诊断能力，能够在复杂的技术栈中快速定位根因并给出优雅的解决方案\n【加分项】\n• 大规模分布式训练经验：有千卡以上规模集群的分布式训练调优经验，熟悉大模型训练中的通信优化、显存优化与容错机制\n• Ray / RLlib深度使用经验：熟悉Ray分布式计算框架或RLlib强化学习库的内部架构与扩展机制\n• MLOps平台搭建经验：有Weights & Biases、MLflow、Kubeflow等平台的使用或二次开发经验\n• 机器人或仿真背景：有Isaac Sim、MuJoCo、Gazebo等物理仿真器的使用经验，了解刚体动力学与接触建模\n• CUDA / 高性能计算：具备CUDA Kernel开发或GPU性能调优经验，熟悉Triton、TensorRT等推理加速工具\n• 开源贡献：在PyTorch、Ray、Hugging Face等知名开源项目中有贡献记录，或有自己的技术博客/开源项目\n认证资质\n人力资源服务许可证"
}