芯片RAS软件专家/负责人(J10816)

职位描述

1、领导研发团队，负责自研芯片板卡可靠性和可运维行的计划规划与软件架构设计

2、负责芯片及板卡可靠性体系设计：构建涵盖芯片、板卡级别的健康状态监控、故障预测、自动恢复（自愈）与RAS（可靠性、可用性、可服务性）能力

3、保障自研板卡部署与运行稳定性：支持完成自研板块的集群部署的稳定性和效率优化，设计并执行大规模长稳测试（Long-term Stability Test），提前发现系统性缺陷

4、具备极强的责任心和系统性思维，能主导跨团队（硬件、驱动、软件）的技术攻关，确保自研芯片板卡稳定可靠

任职要求

1、计算机、电子工程相关专业，5年以上大规模AI训练/推理集群或异构计算平台的可靠性架构与运维经验

2、必须具备自研AI芯片或GPU等异构硬件的集群可靠性实战经验，深刻理解其故障模式、健康监控指标与RAS（可靠性、可用性、可服务性）特性

3、精通硬件可观测性：具备构建芯片级、卡级立体化监控体系的能力，并能深度定制以采集关键硬件指标

4、稳定性保障权威：精通高可用架构设计，主导过大规模集群的长稳测试

关键词：RAS、可维可测、GPGPU、NPU、TPU