如约见 · 技术研发 · DevOps/SRE

AI Infra工程师-存储方向

阿里巴巴 · 北京、成都、杭州、上海、深圳 · 薪资面议 · 更新于 2026/11/08

岗位描述

在这里,你将成为大模型时代算力底座的“核心引擎构造者”。依托阿里自研分布式存储系统与业界领先的计算网络架构,你将参与构建支撑千卡/万卡乃至十万卡规模的 AI 计算基础设施。 我们致力于通过软硬件协同优化、存算分离架构创新,解决大模型在预训练、微调、推理全链路中的极致工程挑战。你的代码将直接运行在阿里核心的 AI 存储产品中,决定千万级并发的数据加载吞吐、秒级 Checkpoint 的可靠性以及庞大 GPU 集群的 MFU(模型算力利用率)。加入我们,为全球顶尖 AI 模型注入最澎湃的数据动力! 具体的职责包括以下相关方向的一项或多项: 1. 面向 AI 计算的高性能存储系统研发:针对 AI 工作负载复杂且严苛的 I/O 特征(如海量小文件的高并发元数据检索、超大块数据的并行顺序流),进行内核态与协议栈级别的深度优化。主导研发基于 NVMe、RDMA/RoCEv2/eRDMA 的超低延时存储网络链路。 2. 极致性能的数据加载(Data Pipeline)与缓存加速:深度剖析大模型训练的数据读取链路,解决万卡集群下的 I/O 阻塞(I/O Bottleneck)与长尾延迟问题。研发面向大模型的分布式多级缓存与数据预取引擎,确保数据吞吐完全满足 GPU 显存带宽需求,实现计算与存储的完美 Overlap。 3. 云原生 AI 存储编排与智能化调度:结合 Kubernetes 生态构建云原生数据编排系统(如主导或参与 CNCF Fluid 等项目),将存储系统与计算调度平台深度集成。实现存算感知调度(Data-aware Scheduling)与弹性扩缩容,根据计算任务拓扑动态调整数据副本与亲和性策略,保障全网存储资源的极致效率。 4. Checkpointing 极致加速与容灾:针对超千亿/万亿参数模型的断点续传(Fault Tolerance)需求,设计高性能分布式持久化方案。通过内存-SSD-对象存储的分层拓扑、异步流式写入(Async I/O)、拓扑感知(Topology-aware)路由以及 GPUDirect Storage (GDS) 等技术,实现百 GB/TB 级模型权重的秒级保存与恢复,极大降低计算资源的闲置浪费。 5. 面向 Agent 使用场景的存储系统研发:通过分布式数据、元数据管理和高性能的分布式一致性协议等技术,支持海量 Agent 下的数据规模以及 IO 访问安全隔离、性能隔离。

阿里巴巴其他在招岗位

岗位信息来自企业官方招聘渠道(alibaba-campus),由如约见每日自动同步; 如已下架可前往职位雷达用 AI 匹配相似岗位,或浏览招聘岗位大全。