腾讯云大数据-AI Native Data Infra平台关键技术研究

课题背景： 随着大模型和多模态AI应用的快速发展，数据基础设施正从传统数据分析平台向 AI-Native Data Infrastructure 演进。新一代数据平台不仅需要支持大规模SQL分析，还需要原生支持LLM推理、向量计算、多模态数据处理以及AI Agent驱动的数据决策。 当前主流数据系统仍然主要围绕CPU架构与结构化数据设计，在AI算子执行、GPU异构计算、LLM调用优化以及Serverless资源调度等方面存在明显瓶颈。同时，企业正在将大模型能力深度引入数据分析流程，通过数据分析智能体实现自动化分析与决策，但在复杂业务环境下仍面临规划能力不足、推理可靠性和成本控制等挑战。 本课题旨在探索 AI与数据系统深度融合的新一代架构，围绕AI算子执行优化、GPU加速计算引擎、Serverless调度优化、SQL+LLM融合优化以及数据分析智能体等关键方向开展研究，推动构建面向AI时代的 AI-Native Data Infra平台。 课题挑战： 构建AI-Native Data Infra平台涉及一系列新的系统挑战：

1. 01

   AI算子（如Embedding生成、LLM推理等）在执行模型与资源特性上与传统SQL算子存在显著差异，现有SQL优化器缺乏针对AI算子的代价模型与执行优化机制。

2. 02

   AI与数据处理负载正在从CPU计算向 CPU+GPU异构计算架构 转变，如何设计高效的协同执行模型、GPU友好型数据结构以及端到端数据通路优化，是构建高性能AI数据系统的重要问题。

3. 03

   在Serverless Lakehouse架构下，任务调度需要在毫秒级时间内完成，同时实现高精度资源预测和高资源利用率，这对调度算法和系统架构提出了更高要求。

4. 04

   在SQL中直接调用LLM进行语义理解或多模态分析时，推理成本和执行延迟较高，缺乏Prompt变化感知、结果复用和增量推理等优化机制。

5. 05

   面向企业生产环境的数据分析智能体仍然面临规划偏差、推理一致性、生成幻觉以及结果可验证性等挑战。 具体工作： 参与AI-Native Data Infra核心技术研发，包括AI算子执行优化、GPU加速计算引擎、Serverless调度优化、SQL+LLM融合执行优化以及企业级数据分析智能体能力建设，推动下一代AI数据基础设施平台落地。

1. 01

   计算机科学、软件工程、人工智能、数据科学等相关专业博士或优秀硕士研究生，具备扎实的数据系统、分布式系统或机器学习基础。在数据库、数据系统、AI Infra等方向有研究经历，或在 FAST、VLDB、SIGMOD、OSDI、SOSP、MLSys 等顶级会议发表论文者优先；

2. 02

   具备数据库系统、分布式计算或机器学习系统相关基础，熟悉SQL优化、查询执行引擎、调度系统、向量计算或AI推理系统等方向；熟练掌握 C++ / Java / Python 等至少一门语言，有大规模数据系统或AI Infra研发经验者优先；

3. 03

   具备良好的系统思维与技术探索精神，能够从复杂系统问题中抽象关键技术挑战并推动落地；具有良好的沟通协作能力和工程推进能力，能够在跨团队环境中推动技术创新和系统落地。 此课题同时招聘应届实习生和低年级实习生。