菜鸟菜鸟驿站-硬件研发及项目管理工程师-智能硬件/机器人
任职要求
1 学历与专业：电子工程、通信工程、自动化、微电子、计算机等相关专业本科及以上学历，专业基础扎实，熟悉电子电路原理及硬件开发流程。 2 工作经验： - 具备5-8年硬件研发经验，至少3年硬件项目管理经验，完整主导过至少3个中大型硬件产品从立项到量产的全流程（如工业控制板、通信模块、消费电子产品等）。 - 有电子信息研发类（如通信设备、半导体周边、智能硬件）或制造类（如ODM/OEM代工、电子组装）企业工作经验，熟悉深圳本地硬件产业链资源更佳。 3 核心技能： - 精通硬件开发全流程（需求分析→方案设…
工作职责
1 负责硬件产品开发项目管理，从需求分析、方案设计到试产/量产落地，统筹项目进度、资源与风险，确保产品按计划高质量交付。 2 主导硬件研发环节（如原理图设计、PCB布局、关键器件选型等），协同结构、嵌入式软件团队完成系统集成，解决开发中的技术难点。 3 管理跨部门协作（研发、生产、采购、质量等），协调供应商资源（如芯片、PCB代工厂），推动试产问题闭环与量产爬坡。 4 识别项目关键路径与风险（如交期延误、技术瓶颈），制定应急预案，保障项目目标达成；定期输出项目进度报告，向上级及客户同步关键信息。 5 对接客户需求（如通信设备、工控/消费电子类），参与技术规格讨论，提供可行性方案建议，确保产品符合市场需求及行业标准（如EMC、安规）。
负责高可用、高扩展性系统的架构设计与研发，构建高效的工程化解决方案，提升系统性能、可维护性和稳定性。 深度结合AI技术（如机器学习、大模型等），推动智能化工具或服务的研发，提升业务自动化与决策效率，探索AI与全栈技术的深度融合，确保模型训练、部署和在线服务的高效落地。 制定研发计划并协调前后端与算法团队，掌控项目进度与风险，确保高质量交付。推动系统的线上化、效能提升，优化开发流程与工具链，降低跨团队协作成本。 设计前瞻性的架构方案，提升系统吞吐量与稳定性，通过持续的自动化测试与性能调优，保障系统可靠性，持续改进代码质量。
1、承担测试任务的执行与管理：负责扫地机测试项目的管理、测试计划的编写、测试任务的执行，测试问题的沟通等。 2、负责所有项目的技术支撑，标准升级，搭建全面的测试开发、项目验收、标准化能力，覆盖整机及核心器件的评价体系，搭建新功能，前言技术的测试能力。
1. 负责机器人项目中光电类传感器模组的方案选型、设计确认以及性能验证以及自研方案设计； 2. 参与光电器件的技术路标制定，跟进管理研发流程，协调光学、硬件、软件算法以及供应链等相关团队； 3. 把控光电器件导入项目中的风险，解决设计、测试、项目量产以及售后过程中的各种问题； 4. 与Sourcing、SQE、供应商等部门合作，保障器件从设计到量产顺利推进，并且保障整机最终交付上市。
【我们是谁？】 阿里云智能是阿里巴巴集团的技术基石，致力于以在线公共服务的方式，提供安全、可靠的计算和数据处理能力。我们的团队专注于机器学习系统（MLSys）的前沿研究与工程实践，特别是为“通义”系列大规模语言模型（LLM）的训练、推理提供坚实的系统支撑。在这里，你将有机会参与构建和优化支撑万亿参数级别模型的超级工程，直接影响亿万用户的AI体验。 【为什么这个机会不容错过？——来自工业界的真实挑战与机遇】 大规模语言模型的研发是一项复杂的端到端系统工程。从海量数据的高效处理、万卡集群的分布式训练、精细化的后训练调优，到低延迟高吞吐的推理服务和云上弹性部署，每一个环节都充满了挑战，也孕育着巨大的创新机会。我们认为，虽然算法创新是驱动力，但在LLM的整个生命周期中，系统扮演着至关重要的角色。 以下是我们正在“通义”大模型及相关场景下积极探索并期待与你共同攻克的挑战： 1.超大规模预训练系统优化：追求极致效率与稳定性 ·系统行为的深度洞察：在万卡集群并行训练的极致规模下，如何设计高效、低侵扰的追踪系统（Tracing System）以精准理解系统真实运行状态，本身就是一个难题。例如，仅网络层追踪就面临数据量爆炸性增长的挑战，如何在海量数据中高效提取关键信息，指导性能优化。 ·并行策略的自动化与智能化：随着模型结构的快速迭代，如何针对新型架构自动设计并调整最优的并行策略（张量并行、流水线并行、数据并行、序列并行及其混合），在复杂的内存、计算、通信约束下取得最佳平衡，减少人工调优的巨大成本。 ·大规模集群的韧性与容错：尽管我们拥有先进的异步、跨多级存储的Checkpointing机制，但GPU集群的故障（硬件、软件、网络等）仍会导致训练中断和时间浪费。如何进一步提升系统的容错恢复能力，最大限度减少故障影响，保障训练任务的连续性和效率。 2.后训练（RLHF等）中的算法-系统协同设计：提升“智能”的性价比 ·复杂工作流的高效资源调度：后训练阶段（如RLHF）涉及采样、训练、评估等多个计算特点各异的任务。如何设计智能调度系统，自动、高效地为这些任务分配和管理计算、存储、网络资源，以最小化总体资源消耗，或最大化单位资源投入下模型效果的提升“斜率”。 ·算法与系统协同进化：后训练的算法仍在快速演进，如何设计灵活、可扩展的系统架构，以适应算法的不断变化，并反过来通过系统创新启发新的算法可能性。 3.云原生推理服务：敏捷、高效、经济地赋能万千应用 ·多样化业务负载与SLA保障：云上推理业务场景丰富，客户对吞吐量、延迟、成本等有着不同的服务等级协议（SLA）要求。如何设计统一而灵活的推理服务系统，满足从离线批量推理到在线实时服务的各种需求。 ·推理优化技术的敏捷集成与工程化：学术界和开源社区的推理优化技术（如量化、剪枝、FlashAttention、PagedAttention、投机采样、模型编译等）日新月异。如何构建一套敏捷的工程体系，快速评估、吸收、融合这些前沿技术，并将其稳定部署到在线服务中，持续提升推理效率。 ·极致的资源弹性与成本效益：在云环境中，如何通过精细化的资源调度、高效的多租户管理以及智能的流量预测，应对业务负载的剧烈波动，最大限度地减少空闲资源浪费，为用户提供最具成本效益的LLM服务。