AI Infra高性能通信与传输系统-阿里星/A Star

大模型时代正在深刻重塑数据中心基础设施的技术栈。随着大语言模型参数规模从千亿级跃迁至万亿级（如 DeepSeek-V3 的 671B MoE 架构、GPT-4 级别模型），分布式训练与推理对底层通信系统的带宽、延迟和可扩展性提出了前所未有的要求。与此同时，MoE 专家并行引入的 All-to-Allv 通信模式、PD 分离推理架构中的分布式 KV Cache 跨节点存储与传输、以及集合通信库 NCCL 在超大规模集群下的通信优化，构成了 AI 基础设施领域最具挑战性的技术方向。 我们需要具有深厚理论功底和极强工程落地能力的博士人才，实现从通信库、通信算法到网络协议栈的全栈优化，为大模型训练和推理提供极致的通信性能，定义未来智算网络的行业标准。 【岗位职责】 您将作为核心骨干，深度参与以下一个或多个方向的研究与落地： 1.通信库算法设计与优化：针对大模型并行训练场景（Data/Tensor/Pipeline Parallelism），设计高效的集合通信原语（AllReduce, AllGather等）。 研究计算与通信重叠（Overlap）机制，开发自适应调度算法，最大化GPU/NPU利用率。 2.MoE 专家并行通信方案设计与实现：针对 MoE 架构的 All-to-All 通信瓶颈，设计和实现高效的 Dispatch/Combine 通信方案，研究通信-计算重叠、低 SM 占用通信 Kernel、不规则流量聚合调度等优化技术。 3.分布式 KV Cache 传输系统建设：面向 PD 分离推理架构，基于 RDMA 构建跨节点 KV Cache 高速迁移系统，结合流水线化的 KV Block 传输，研究 KV Cache 量化压缩与分层缓存（HBM → DRAM → NVMe）策略。 4.超节点混合通信调度：针对超节点架构，建立 Scale-up 域内与 RDMA 域间通信的协同调度模型，研究并行策略（数据并行、张量并行、流水线并行、专家并行）的通信建模与自动搜索，为上层训练/推理框架提供拓扑感知的通信决策支持。 【任职要求】 基本要求 1、获得计算机科学与技术、计算机网络、通信工程、电子工程等相关专业博士学位。 2、在顶级会议或期刊（如SIGCOMM, NSDI, ISCA，SC, HPCA, ATC, IEEE/ACM ToN等）以第一作者身份发表过高水平论文者优先。 核心技能（满足其一即可，多项兼备者极佳） 1、分布式系统经验，对RDMA网络、熟悉NCCL、RCCL、MPI等通信库源码，有大规模分布式训练系统优化经验者优先； 2、有过大模型训练稳定性相关开发或者运维经验者优先，如大模型训练的故障定位，性能定位经验； 3、对大模型训练和推理框架熟悉，有分布式训练推理集合通信性能优化经验，或者kv cache通信优化经验、或者计算通信overlapping经验者优先； 4、算法与仿真能力：具备极强的数学建模能力，熟练使用NS-3、Omnet++或自研仿真器进行网络性能评估。 综合素质 1、对AI基础设施领域充满热情，具备敏锐的技术洞察力，能够独立思考并定义前沿问题； 2、具备优秀的代码能力（C/C++/Go/Python），不仅限于理论研究，更渴望将算法落地到实际产品中； 3、良好的沟通协作能力，能够跨团队（算法、芯片、系统、业务）推动复杂项目进展。