GPU现场技术支持硬件专家
岗位摘要
负责对接互联网行业客户的技术团队，快速响应并处理GPU产品在客户现网环境中出现的各种硬件故障、驱动兼容、性能抖动、集群通信异常等问题；深入分析互联网客户业务部门在使用GPU产品过程中的算子报错、显存溢出、多卡通信超时等软件栈问题，并协同内部研发给出根因分析报告
岗位职责
- 负责对接互联网行业客户的技术团队，快速响应并处理GPU产品在客户现网环境中出现的各种硬件故障、驱动兼容、性能抖动、集群通信异常等问题
- 深入分析互联网客户业务部门在使用GPU产品过程中的算子报错、显存溢出、多卡通信超时等软件栈问题，并协同内部研发给出根因分析报告
- 负责现场故障复现、日志抓取、BMC/带外管理排查，以及固件/驱动版本的现场升级与验证
- 作为客户、OEM整机合作伙伴、内部研发团队三方的技术沟通枢纽，当问题涉及整机结构、供电、散热或BIOS适配时，推动OEM伙伴共同解决
- 将现场高频问题、客户痛点转化为内部研发需求，推动产品迭代和文档（SOP）优化，降低未来现场问题发生率
任职要求
- 计算机、电子工程、微电子相关专业本科及以上学历，有3年以上AI加速卡/GPU、AI服务器或高性能计算（HPC）领域的现场技术支持或运维经验
- 熟悉AI服务器硬件架构（GPU模组、PCIe/NVLink/Switch、BMC、散热与供电），能独立完成GPU板卡的拆装、故障诊断和固件刷新
- 熟悉Linux系统及常用调试工具，了解CUDA/ROCm/OpenCL编程模型，熟悉PyTorch/TensorFlow等框架的分布式训练与推理环境配置
- 了解RDMA/RoCE、InfiniBand或NCCL通信库，能排查多机多卡通信性能问题
- 了解CSP客户的业务形态（如大模型预训练、推理服务、大数据处理），理解其对稳定性、算力利用率、故障自愈的极高要求
- 极强的抗压能力与应变能力，面对紧急的故障场景，能保持冷静，条理清晰地推进排查
工作地址
杭州萧山区摩尔线程智能科技(杭州)有限责任公司萧山区宁围街道金二路378号信息港7期5幢16楼