腾讯云—TCE 私有云AI Infra研究

课题背景： 随着AI技术的不断发展和成熟，相对稳健的私有化客户也生长出旺盛的AI智算需求，其中包括两部分：

1. 01

   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. 02

   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：

3. 01

   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

4. 02

   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

5. 03

   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：

6. 01

   异构算力基础设施研发，多元GPU纳管平台、RDMA网络优化

7. 02

   高性能存储系统增强，存储底座升级

8. 03

   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

9. 04

   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. 01

   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. 02

   研究能力：在以下至少一个领域有深入的研究或项目经验： 云计算/分布式系统：熟悉Kubernetes、容器、虚拟化技术，对计算、存储、网络其中某一方向的底层原理有了解；

3. 03

   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. 04

   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. 05

   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。