地平线智能计算体系研发实习生(软硬协同方向)

阿里云持续推进AI技术深化战略布局，围绕AI和云计算的基础设施建设、AI基础模型平台、企业级AI应用方向构建核心场景。为此，我们正在招募软硬件结合开发工程师，致力于打造下一代智能化软硬件一体化解决方案。 作为软硬件结合开发工程师，你将参与从底层硬件设计到上层软件优化的全流程研发工作，推动AI、云计算和大数据技术在高性能计算、异构计算等领域的创新与落地。具体职责包括但不限于以下方向： 岗位职责 1. 软硬件协同优化 负责软硬件协同设计，优化计算性能、能耗效率和系统稳定性。 针对特定应用场景（如AI推理、分布式存储、实时计算等），设计并实现高效的软硬件解决方案。 2. 基于FPGA/ASIC芯片的设计与开发 参与FPGA/ASIC芯片的设计与验证，包括算法映射、硬件架构设计和性能调优。 开发硬件抽象层（HAL）和相关工具链，支持硬件加速器与上层软件的无缝集成。 参与硬件加速器及系统仿真模型的开发和调试。 3. 计算平台底层软件开发 研发基于CPU、GPU、FPGA、ASIC等硬件的计算平台，提升AI训练和推理等业务的计算性能。 基于自研芯片平台，进行驱动和固件等开发，支持深度学习框架等软件在硬件平台上高效运行。 4. 操作系统与固件开发 优化Linux内核、设备驱动和固件，提升硬件资源利用率和系统响应速度。 开发针对特定硬件的定制化操作系统模块，满足高性能计算需求。 5. 开发者工具与生态建设 开发软硬件结合的开发者工具链（如SDK、CLI、IDE插件），降低开发门槛。 构建开放的技术生态，推动软硬件一体化解决方案的广泛应用。

前沿算法研究：跟踪具身智能与大模型领域的算子演进，分析其在 NPU 架构上的计算特征与访存瓶颈。 高性能算子研发：利用 AI 自动调优工具或数学建模手段，优化核心算子库，并在 NPU 模拟器上实现预期的能效比目标。 系统级建模优化：参与AI计算系统的建模工作，探索利用 AI 手段优化多核间的调度策略与数据互联架构。 软硬协同预研：作为技术纽带，将算法特征转化为具体的硬件设计建议，输出高质量的技术研究报告。

团队介绍：字节跳动基础设施计算团队，专注构建面向大模型与 AI Agent 时代的 AI-Native Infra。我们从算力、系统到平台，围绕“AI 如何高效运行、持续进化、规模化落地”这一核心问题，重构计算基础设施。我们管理着数十万台服务器组成的超大规模集群，构建统一的异构算力调度与云原生运行体系；通过软硬协同与自研框架，持续突破大模型训练与推理的性能瓶颈；并进一步向上，打造企业级 AI Agent Infra，让 Agent 具备身份、权限、记忆、观测与治理能力，真正成为可运行在生产环境中的新型“应用形态”。 从云服务器、容器、函数，到 AI 网关、可观测与弹性体系，我们构建的是一个为 AI 而生、由 AI 驱动进化的基础设施平台，支撑集团核心业务与企业级客户的智能化升级。 如果你希望参与定义 AI 时代的 Infra 范式，而不仅是优化一个模块或服务——欢迎加入我们，一起构建下一代 AI 云原生基础设施。 课题介绍： 随着大语言模型与AI Agent规模化落地，传统云原生基础设施已难以适配AI负载的极致性能与弹性需求。本课题围绕AI基础设施全栈展开系统性研究： 1、网络与可观测：研究大规模AI集群故障智能定位与根因分析，结合时序数据库智能调优，提升集群稳定性； 2、存储系统：研发AI场景专属的Serverless高性能弹性文件系统与存储加速架构，探索DPU软硬件协同优化，突破AI存储性能瓶颈； 3、算力调度：研究GPU/CPU/MEM异构协同调度技术，面向AI Agent构建Serverless异构算力编排系统，解决负载异构、状态依赖等调度难题； 4、向量检索：优化面向大模型应用的向量检索核心技术，打造云原生分布式向量索引引擎，满足超大规模向量检索的低延迟、低成本需求； 5、智能化与Agent架构：探索基于AI Agent工作流的基础设施自动寻优，构建可自主进化的业务Agent框架，通过AI for Infra赋能全栈智能优化； 本课题旨在构建支撑大模型与AI Agent落地的下一代AI原生基础设施，提升资源利用率、降低成本、支撑弹性扩展，推动AI基础设施技术演进。 课题挑战： 1、全栈协同挑战：覆盖多技术领域，需要从端到端视角实现系统性优化，避免单点优化收益不足； 2、性能成本平衡：AI场景对性能提出极致要求，需要在吞吐、延迟、规模与成本之间找到最优平衡点； 3、云原生适配：需要将传统单机技术方案重构为适配云原生分布式架构，解决扩缩容、容错、调度等新问题； 4、AI系统融合：既需要用AI赋能基础设施优化，又需要基础设施原生适配AI负载，深度融合对技术整合要求高； 5、Agent稳定性：自主进化Agent框架需要解决经验学习、知识一致性、持续安全进化等基础问题，工程化难度大； 6、研发生态平衡：需要平衡前沿理论创新与工程落地，兼顾技术突破与现有业务生态适配。 课题价值： 1、构建大模型/RAG 场景的高性能基础设施底座，支撑大规模向量数据高效检索； 2、优化AI业务存储成本结构与运维复杂度； 3、提升异构算力资源配置效率与技术复用性。

ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动豆包大模型团队（Seed）成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限，并探索新的交互。团队研究方向涵盖 LLM、语音、视觉、世界模型、基础架构、AI Infra、下一代 AI 交互等，在中国、新加坡、美国等地设有实验室和岗位。 豆包大模型团队在 AI 领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的 AI 研究团队，为科技和社会发展作出贡献。目前团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、扣子、即梦等超过 50 个应用场景。 1、调研各类行业问题在AI-Based和经典方法上的软硬件技术栈，洞察模拟和计算的瓶颈； 2、从异构硬件、机器学习、分布式系统等角度入手，加速不同学科的核心软件及其数值计算库； 3、探索科学计算落地云原生设施的最佳实践，开发弹性资源、高通量编排等算力产品。