腾讯云—TCE 私有云AI Infra研究

课题背景：

• 1、Cloud for AI，通过云的基础设施支撑大模型训练推理等AI业务，包括多元GPU纳管、RDMA网络、高性能存储的设计与产品化
• 2、AI for Cloud，通过AI推理等技术手段，打通日志、监控、告警等可观测性能力，实现云平台的智能自助排障与运维

课题挑战：

• 1、异构算力资源的高效纳管与调度：需兼容多品牌 GPU、解决显存分配粒度、异构算力协同，设计跨芯片架构的统一资源抽象层，避免单卡故障导致训练中断
• 2、高性能存储系统的全链路优化：需突破NUMA架构下的存储缓存一致性问题，设计冷热数据分层策略以降低存储成本
• 3、AI驱动的智能运维闭环构建：需训练高精度运维大模型（如基于Llama架构），实现故障根因分析（准确率>85%）、资源弹性扩缩容（预测误差<10%），并设计自动化修复策略（如自动替换故障GPU）

具体工作：

• 1、异构算力基础设施研发，多元GPU纳管平台、RDMA网络优化
• 2、高性能存储系统增强，存储底座升级
• 3、AI推理引擎与工具链研发，AI推理服务治理，分布式推理框架优化
• 4、智能运维自动化系统研发，基于历史运维数据构建领域语料库，进行AI运维大模型训练

• 1、教育背景：计算机科学、软件工程、人工智能等相关专业的在读博士生和优秀硕士生，具备扎实的计算机系统与算法基础；
• 2、研究能力：在以下至少一个领域有深入的研究或项目经验：

• 3、人工智能/机器学习：熟悉大模型相关技术（如RAG、Agent、微调）、或经典的时序分析、异常检测算法，并有一定的动手实现能力。
• 4、技术实践：出色的编程能力（Python/Go），有将学术想法转化为代码或原型系统的成功经验；
• 5、个人特质：对挑战性难题有强烈的好奇心和驱动力，具备优秀的问题分析与解决能力，良好的沟通与团队协作精神。