阿里巴巴研究型实习生-AI安全攻防研究
任职要求
1、本科及以上学历在读，计算机、网络安全、AI等相关专业，具备较强的编程能力和安全研究素养。 2、Python编程能力扎实，能独立开发工具级代码，有安全工具开发经验者优先。 3、有移动安全（Android逆向、App安全）或IoT安全（固件分析、协议逆向）研究经验者优先。 4、了解LLM基本原理（…
工作职责
1、跟踪AI安全前沿攻击技术（arxiv、安全会议、技术博客），复现并验证新型攻击手法在实际Agent产品上的有效性，涵盖越狱攻击、间接提示注入、工具调用劫持、多模态注入、跨Agent串谋等方向。 2、针对端侧Agent、AI眼镜、智能硬件等新形态AI终端，研究端侧特有的攻击面（模型提取、本地越狱、固件安全、通信协议安全等），开发对应的攻击PoC。 3、开发和维护红队攻击PoC武器库，确保攻击样本的可复用性和时效性。 4、开发和改进自动化安全测试工具（Agent Fuzzer、多模态注入生成器、端侧安全扫描等），提升测试效率。 5、对MCP/ACP生态新上架插件进行安全审计，发现供应链层面的安全风险。
1.建设AI算力池数据层，构建各类资源算力管理模型，研发Agent生产系统，与AI算力池的训推平台SRE各系统Agent联动，实现端到端自动化的TPM智能容量规划、弹性交付、需求应答、智能流量管控调度、自适应限流、资源高效流转腾挪，实现全局TPM利用率、单位算力Token成本的优化 2.建设单机和中心的管控Agent，实现模型的TPM运行时算力质量与性能自适应优化与SLA保障，解决模型部署运行时GPU/CPU/kv显存内存/PCIe互联/网络通信在通用与Scalup机型架构下的各类竞争与干扰，Agent具备端到端的问题识别发现、根因诊断、算力与性能优化、后训练Agentic RL反馈微调垂类模型等自动化闭环，增强Agent对模型运行时算力问题、性能瓶颈和优化策略的理解，自动识别并完成差异化硬件芯片架构、集群/网络/互联架构、系统软件栈如内核/编译下的软硬件结合优化、全局卡型模型最优匹配。 3.构建引擎架构与性能优化Agent，通过各类系统架构与性能优化，实现TPM性能与计算效率、各类模型与Agent能力体验大幅优化。典型如Agent自动优化推理引擎架构代码、训练系统架构代码、模型结构、AIData管线架构代码、Agent Infra架构代码、Agentic RL训推联动系统架构代码等 4.搭建多智能体协作框架，研究数十万智能体Agent的分工、协同、通信机制、后训练、反思与决策机制，提升各Agent系统在复杂场景下的鲁棒性、稳定性、执行效率与优化效果。
我们正在寻找对 AI Agent、长短期记忆机制（Memory Mechanism） 有浓厚研究兴趣和实战热情的实习生，加入我们。你将参与构建能够“持续进化”的AI Agent应用，通过设计先进的记忆系统，让模型不仅能听懂当下的指令，更能记住历史背景、理解业务偏好，并从错误中自我学习。 【岗位职责】 记忆架构设计：探索与实现面向真实业务场景的长短期记忆框架，解决多轮 对话中的上下文丢失与指代消解问题。 经验池与自我演进：研究基于历史查询经验/专家经验的增强方案，利用 Self-Reflection 或 Reinforcement Learning 技术，使 Agent 能够从历史报错或用户反馈中学习，提升复杂 问题的成功率。 前沿算法探索：跟踪 MemGPT、Generative Agents、Hierarchical Memory 等 Agent 领域的最新研究，在AI Agent 任务上验证并改进相关论文算法，产出高质量实验结论。
1）负责研发软硬件协同的优化能力，提升集团各训推场景在异构资源上计算性能，进一步提高资源利用率。 2）负责设计、实现、维护 AI 和高性能计算所需要的高性能网络通信框架和大模型推理场景的性能优化，聚焦模型通信场景的能力建设，完善集合通信、点对点通信等通信方式与推理框架的联合方案设计，推动提升推理性能。
创新药等化合物的研制是非常困难且经济和时间花费都非常大的过程。近几年随着人工智能技术的快速发展，能够通过大量的数据对复杂的分子结构进行精准建模和预测，这一结果可以大大的帮助药物等化合物的研发提效，同时也为这一领域带来的新的机会。化合物的研发是一个系统性工作，结构预测是其中的重要一环，但还有几个重要且有趣的问题还没有被完全攻克。我们针对这一领域的其它三个重要问题进行探索研究和落地研发： 1、分子间的结合对接（docking）预测，这一问题要预测多个分子或化合物能够进行物理化学上的结合，准确的对接预测； 2、化合物的演化（directed evolution），这一问题要精准模拟合物的变种和筛选过程，通过智能化的手段来加速实验室条件下的化合物进化过程； 3、序列生成（reverse sequencing），这一问题是蛋白质结构预测的反问题，是通过一个已知的3维结构来生成蛋白序列，也可以通过生成式的模型来生成全新的蛋白质结构。 我们希望通过深入的研究探索智能技术在生命科学的结合点，推动变革这一行业的规则