大模型赋能交易与商业场景的技术创新及落地实践研究（AI Infra） - Commercial AI

团队介绍：Commercial AI 负责中国交易与广告的to B应用统一模型建设，包含基础模型能力、AI Infra、统一商业数据、评测等方向。 课题介绍： 本课题围绕商业、广告、交易等技术场景，以大型语言模型（LLM）、视觉语言模型（VLM）、智能体（Agent）、强化学习、多模态生成等前沿技术为核心支撑，重点聚焦搜索、广告、推荐、电商、生活服务、广告营销、内容生产等关键业务场景，针对性破解传统技术体系存在的瓶颈问题。课题的核心研究目标为：借鉴大模型规模法则（Scaling Law）与生成式人工智能技术思路，深入探索技术与商业业务的深度融合路径，构建适配各垂直商业场景的智能模型及系统架构。同时，着力解决技术落地过程中的效率优化、场景适配、合规管控等关键问题，助力业务规模增长、运营效能提升与用户体验优化，推动商业场景数字化、智能化转型进程。 课题挑战： 1、技术适配性：通用LLM与MLLM在垂直商业交易场景存在领域知识薄弱、工具调用不足、语义对齐偏差等问题，需突破多模态协同、时空建模、低标注学习及搜广推融合技术； 2、效率与性能：大模型时延高、耗算力、吞吐低，难以满足高并发低延迟交易与搜广推需求，需通过轻量化、量化、分布式推理等优化性能与成本； 3、决策与规划：复杂商业决策对长周期建模、多目标优化、自适应要求高，AIGC与Agent易产生幻觉、决策偏差与因果缺失，需强化可信推理与风险约束； 4、落地与合规：需解决系统集成、数据质量、内容可控、隐私安全与监管合规问题，保障大模型规模化稳定、安全、合规落地。 课题价值： 1、理论价值：探索大模型在多商业场景的Scaling Law可行性，完善推荐大模型、Agent决策、多模态融合等技术体系，丰富AI在商业领域的应用理论； 2、实践价值：破解各商业场景核心痛点，如提升推荐转化、广告ROI、内容生产效率、客服质量等；降低人工成本，实现商业流程自动化；推动搜广推、电商、广告等领域的技术范式革新，支撑业务规模化增长，同时优化用户体验与商家服务能力，构建可持续的商业生态。 【任职要求】 1、2027届毕业，获得博士学位，计算机、软件工程、人工智能等相关专业优先； 2、计算机基础知识扎实，对操作系统、数据库、网络基础知识充分掌握，熟悉常见的服务端技术组件，对常见的服务端场景有架构设计和优化思路； 3、编码能力优秀，对代码质量与代码风格有高标准要求，对所熟悉的编程语言（Golang、Python优先）有一定的深入了解； 4、有Agent系统开发经验，对Memory/RAG/MCP/SFT/RL/评测等Agent生态中的一项或多项技术有深入理解； 5、对AI应用/LLMOps/AgentOps方向有浓厚兴趣和热情，自驱力强，对新事物的学习与探索能力强，具备出色的问题分析与解决能力； 6、良好的沟通协作能力，能和团队一起探索新技术，推进技术进步。 加分项： 1、熟悉LLM、NLP、CV相关的算法和技术，熟悉大模型训练、Diffusion、RL算法者优先； 2、有以下某一方向领域的经验：CUDA，RDMA，AI Infrastructure，HW/SW Co-Design，High Performance Computing，ML Hardware Architecture（GPU、Accelerators、Networking），ML for System，Distributed Storage。