⬅返回 AI 全产业链总路线图
⚡
LAYER 02

02. 算力、网络与云基础设施

代表企业:
AWSAWSAzureAzureGoogle CloudGoogle CloudCoreWeaveCoreWeaveLambda LabsLambda LabsOracle CloudOracle CloudCrusoeCrusoeNebiusNebiusNVIDIANVIDIAAristaAristaBroadcomBroadcomCiscoCiscoMarvellMarvellAstera LabsAstera LabsCredoCredoCoherentCoherentLumentumLumentumPure StoragePure StorageVAST DataVAST DataWekaWekaDDN StorageDDN StorageMinIOMinIORun:aiRun:aiAnyscaleAnyscaleRed HatRed HatAWSAWSGoogle CloudGoogle CloudAWSAWSAzureAzure

把万卡底层芯片通过无阻塞高速网络与分布式存储组织成支撑大模型训练与推理的高性能超算集群与云控制面。

📊模块视图模式:
🌐三维立体交互路线全图

02. 算力、网络与云基础设施 · 全景技术 × 企业 × 岗位交叉关联图

点击任意标杆企业、技术大类或岗位,系统将自动高亮所有关联节点并隐去无关要素;点击技术大类右侧链接可直达独立深度子页。

🔍
🏢

标杆代表企业

29
AWSAWS
6
AzureAzure
4
Google CloudGoogle Cloud
5
CoreWeaveCoreWeave
4
Lambda LabsLambda Labs
1
Oracle CloudOracle Cloud
1
CrusoeCrusoe
1
NebiusNebius
1
NVIDIANVIDIA
2
AristaArista
2
BroadcomBroadcom
2
CiscoCisco
2
MarvellMarvell
1
Astera LabsAstera Labs
1
CredoCredo
2
CoherentCoherent
1
LumentumLumentum
1
Pure StoragePure Storage
2
VAST DataVAST Data
2
WekaWeka
2
DDN StorageDDN Storage
1
MinIOMinIO
1
Run:aiRun:ai
1
AnyscaleAnyscale
1
Red HatRed Hat
1
AWSAWS
5
Google CloudGoogle Cloud
5
AWSAWS
5
AzureAzure
4
🛠️

核心技术栈大类 × 原子考点体系

4 大类
2.1

2.1 AI 集群工程与 GPU Fleet 运维

万卡 GPU 超算集群、Rack-Scale 拓扑架构、导轨优化 (Rail-Optimized)、DCGM 实时监控、MIG 硬件切分与 Fleet 故障自愈自动化。
独立模块页➔
万卡 GPU 超算集群与拓扑架构
💰 $220K - $460K / 年 (硅谷 AI 云)
Rack-Scale GPU 架构、Fat-Tree 胖树无阻塞拓扑、Rail-Optimized 导轨网络、硬件故障域隔离与万卡扩展效率 (Scaling Efficiency) 调优。
标杆研发:CoreWeaveCoreWeaveAWSAWSAzureAzureGoogle CloudGoogle CloudOracle CloudOracle CloudLambda LabsLambda LabsCrusoeCrusoeNebiusNebius
GPU ClusterSuperPODFat-TreeRail-OptimizedFault DomainsScaling EfficiencyBespoke AI Cloud
GPU Fleet 自动化运维与节点健康管理
💰 $195K - $420K / 年 (Fleet 运维架构)
NVIDIA DCGM 实时遥测、MIG 多租户硬件切分、裸机自动化供应 (Bare-metal Provisioning)、固件生命周期管理与异常节点自动隔离修复。
标杆研发:NVIDIANVIDIACoreWeaveCoreWeaveAWSAWSGoogle CloudGoogle CloudAzureAzure
DCGMMIG SlicingFleet ReliabilityBare-metal ProvisioningFirmware LifecycleNode RemediationSLO Monitoring
2.2

2.2 AI 互联织网、RDMA 与光通信网络

NVLink/NVSwitch 域、InfiniBand NDR/XDR、RoCEv2 无损以太网、PFC/ECN 拥塞控制、NCCL 集合通信调优与 800G/1.6T 高速光通信模块。
独立模块页➔
NVLink 与 InfiniBand / RoCE RDMA 高速网络
💰 $210K - $440K / 年 (RDMA 与通信研发)
片间 1.8TB/s NVLink 互联、跨节点 RDMA 零拷贝通信、PFC 优先级流控、ECN/DCQCN 拥塞控制、NCCL 集合通信算子 (AllReduce/All-to-All) 与 DPU 硬件加速。
标杆研发:NVIDIANVIDIAAristaAristaBroadcomBroadcomCiscoCiscoMarvellMarvellAstera LabsAstera LabsCredoCredo
NVLinkInfiniBand NDRRoCEv2RDMA VerbsNCCLPFC / ECNDPU OffloadLossless Ethernet
800G/1.6T 高速光通信与网络遥测
💰 $200K - $420K / 年 (光网络与通信)
800G/1.6T 单波/多波光模块 (OSFP/QSFP-DD)、共封装光学 (CPO)、硅光 (Silicon Photonics)、Switch Telemetry (INT 带内遥测) 与链路误码率 (BER) 实时监控。
标杆研发:AristaAristaCiscoCiscoCoherentCoherentLumentumLumentumBroadcomBroadcomCredoCredo
800G/1.6T OpticsSilicon PhotonicsCPOOSFPIn-band TelemetryEye DiagramBER Monitoring
2.3

2.3 高吞吐分布式存储、数据平面与 Checkpoint

Lustre、GPFS、Weka、VAST Data 全闪存储架构、NVMe-oF、GPUDirect Storage (GDS) 零拷贝传输与多 TB 级权重秒级 Checkpoint 持久化。
独立模块页➔
并行文件系统与分布式存储引擎
💰 $195K - $410K / 年 (AI 分布式存储)
支持大模型千卡并发读取:Lustre、IBM GPFS (Storage Scale)、Weka 矩阵文件系统、VAST Data (DASE 存算分离)、NVMe-oF 与全闪 POSIX 元数据横向扩展。
标杆研发:VAST DataVAST DataPure StoragePure StorageWekaWekaDDN StorageDDN StorageAWSAWSAzureAzure
LustreGPFS / Storage ScaleWekaVAST DataNVMe-oFPOSIX FilesystemMetadata Scaling
GPUDirect Storage、分层缓存与 Checkpoint 极速持久化
💰 $190K - $400K / 年 (I/O 优化与存储引擎)
NVIDIA GPUDirect Storage (GDS 绕过 CPU 内存直通 NVMe)、跨层分层缓存 (DRAM/NVMe/Object)、多 TB 级大模型权重秒级快照与无损异步 Checkpoint 流水线。
标杆研发:VAST DataVAST DataPure StoragePure StorageWekaWekaMinIOMinIOGoogle CloudGoogle CloudAWSAWS
GPUDirect Storage (GDS)Checkpoint IOMulti-tier CachingZero-Copy IOMinIOData Locality
2.4

2.4 云算力调度、多租户与控制面编排

Kubernetes (GPU Operator/Kueue/Volcano)、Slurm 批处理队列、Ray 分布式执行、Gang Scheduling 协同调度、MIG 多租户与 FinOps 算力成本治理。
独立模块页➔
Kubernetes & Slurm GPU 集群调度与编排
💰 $185K - $390K / 年 (K8s 平台/调度架构)
NVIDIA GPU Operator 自动化纳管、Kueue / Volcano 队列管理、Slurm HPC 批处理作业调度、Gang Scheduling 全量就绪调度与 GPU 拓扑感知放置 (Topology-Aware Placement)。
标杆研发:Google CloudGoogle CloudAWSAWSAzureAzureCoreWeaveCoreWeaveRed HatRed Hat
KubernetesSlurmGPU OperatorKueueVolcanoGang SchedulingTopology-Aware Placement
Ray 分布式执行、多租户隔离与 FinOps 成本优化
💰 $180K - $380K / 年 (Ray 与 FinOps 架构)
Ray Core / KubeRay 弹性分布式计算图、Run:ai 动态算力池化、MIG 细粒度硬件切分、Fair-share 配额与 Spot/抢占实例 FinOps 成本治理。
标杆研发:AnyscaleAnyscaleRun:aiRun:aiCoreWeaveCoreWeaveGoogle CloudGoogle CloudAWSAWS
Ray / KubeRayRun:aiMulti-tenancyFair-share QuotasFinOpsSpot InstancesGPU Pooling
💼

产业链对口岗位

17
💼GPU Infrastructure Engineer
2
💼HPC Engineer
1
💼Cluster Engineer
1
💼Fleet Reliability Engineer
1
💼RDMA Systems Engineer
1
💼Network Engineer
2
💼Network Performance Engineer
2
💼Optical Systems Engineer
1
💼Storage Engineer
2
💼Distributed Systems Engineer
2
💼I/O Performance Engineer
1
💼Platform Engineer
2
💼Scheduler Engineer
2
💼Cloud Infrastructure Engineer
1
💼DevOps / SRE
3
💼FinOps Engineer
1
💼Data Infrastructure Engineer
1
🔄子领域时序演进链路 (共 4 个子领域):
2.1

2.1 AI 集群工程与 GPU Fleet 运维

查看独立子模块页➔

万卡 GPU 超算集群、Rack-Scale 拓扑架构、导轨优化 (Rail-Optimized)、DCGM 实时监控、MIG 硬件切分与 Fleet 故障自愈自动化。

万卡 GPU 超算集群与拓扑架构

Rack-Scale GPU 架构、Fat-Tree 胖树无阻塞拓扑、Rail-Optimized 导轨网络、硬件故障域隔离与万卡扩展效率 (Scaling Efficiency) 调优。

🏢 代表企业
CoreWeaveCoreWeaveAWSAWSAzureAzureGoogle CloudGoogle CloudOracle CloudOracle CloudLambda LabsLambda LabsCrusoeCrusoeNebiusNebius
🛠️ 核心技术栈
GPU ClusterSuperPODFat-TreeRail-OptimizedFault DomainsScaling EfficiencyBespoke AI Cloud
💼 典型岗位与薪资
GPU Infrastructure Engineer、HPC Engineer、Cluster Engineer
💰 $220K - $460K / 年 (硅谷 AI 云) | ¥60W - ¥150W / 年 (国内超算集群)

GPU Fleet 自动化运维与节点健康管理

NVIDIA DCGM 实时遥测、MIG 多租户硬件切分、裸机自动化供应 (Bare-metal Provisioning)、固件生命周期管理与异常节点自动隔离修复。

🏢 代表企业
NVIDIANVIDIACoreWeaveCoreWeaveAWSAWSGoogle CloudGoogle CloudAzureAzure
🛠️ 核心技术栈
DCGMMIG SlicingFleet ReliabilityBare-metal ProvisioningFirmware LifecycleNode RemediationSLO Monitoring
💼 典型岗位与薪资
GPU Infrastructure Engineer、Fleet Reliability Engineer、DevOps / SRE
💰 $195K - $420K / 年 (Fleet 运维架构) | ¥50W - ¥130W / 年
⬇
2.2

2.2 AI 互联织网、RDMA 与光通信网络

查看独立子模块页➔

NVLink/NVSwitch 域、InfiniBand NDR/XDR、RoCEv2 无损以太网、PFC/ECN 拥塞控制、NCCL 集合通信调优与 800G/1.6T 高速光通信模块。

NVLink 与 InfiniBand / RoCE RDMA 高速网络

片间 1.8TB/s NVLink 互联、跨节点 RDMA 零拷贝通信、PFC 优先级流控、ECN/DCQCN 拥塞控制、NCCL 集合通信算子 (AllReduce/All-to-All) 与 DPU 硬件加速。

🏢 代表企业
NVIDIANVIDIAAristaAristaBroadcomBroadcomCiscoCiscoMarvellMarvellAstera LabsAstera LabsCredoCredo
🛠️ 核心技术栈
NVLinkInfiniBand NDRRoCEv2RDMA VerbsNCCLPFC / ECNDPU OffloadLossless Ethernet
💼 典型岗位与薪资
RDMA Systems Engineer、Network Engineer、Network Performance Engineer
💰 $210K - $440K / 年 (RDMA 与通信研发) | ¥55W - ¥140W / 年

800G/1.6T 高速光通信与网络遥测

800G/1.6T 单波/多波光模块 (OSFP/QSFP-DD)、共封装光学 (CPO)、硅光 (Silicon Photonics)、Switch Telemetry (INT 带内遥测) 与链路误码率 (BER) 实时监控。

🏢 代表企业
AristaAristaCiscoCiscoCoherentCoherentLumentumLumentumBroadcomBroadcomCredoCredo
🛠️ 核心技术栈
800G/1.6T OpticsSilicon PhotonicsCPOOSFPIn-band TelemetryEye DiagramBER Monitoring
💼 典型岗位与薪资
Optical Systems Engineer、Network Performance Engineer、Network Engineer
💰 $200K - $420K / 年 (光网络与通信) | ¥50W - ¥130W / 年
⬇
2.3

2.3 高吞吐分布式存储、数据平面与 Checkpoint

查看独立子模块页➔

Lustre、GPFS、Weka、VAST Data 全闪存储架构、NVMe-oF、GPUDirect Storage (GDS) 零拷贝传输与多 TB 级权重秒级 Checkpoint 持久化。

并行文件系统与分布式存储引擎

支持大模型千卡并发读取:Lustre、IBM GPFS (Storage Scale)、Weka 矩阵文件系统、VAST Data (DASE 存算分离)、NVMe-oF 与全闪 POSIX 元数据横向扩展。

🏢 代表企业
VAST DataVAST DataPure StoragePure StorageWekaWekaDDN StorageDDN StorageAWSAWSAzureAzure
🛠️ 核心技术栈
LustreGPFS / Storage ScaleWekaVAST DataNVMe-oFPOSIX FilesystemMetadata Scaling
💼 典型岗位与薪资
Storage Engineer、Distributed Systems Engineer、Data Infrastructure Engineer
💰 $195K - $410K / 年 (AI 分布式存储) | ¥50W - ¥125W / 年

GPUDirect Storage、分层缓存与 Checkpoint 极速持久化

NVIDIA GPUDirect Storage (GDS 绕过 CPU 内存直通 NVMe)、跨层分层缓存 (DRAM/NVMe/Object)、多 TB 级大模型权重秒级快照与无损异步 Checkpoint 流水线。

🏢 代表企业
VAST DataVAST DataPure StoragePure StorageWekaWekaMinIOMinIOGoogle CloudGoogle CloudAWSAWS
🛠️ 核心技术栈
GPUDirect Storage (GDS)Checkpoint IOMulti-tier CachingZero-Copy IOMinIOData Locality
💼 典型岗位与薪资
Storage Engineer、I/O Performance Engineer、Distributed Systems Engineer
💰 $190K - $400K / 年 (I/O 优化与存储引擎) | ¥48W - ¥120W / 年
⬇
2.4

2.4 云算力调度、多租户与控制面编排

查看独立子模块页➔

Kubernetes (GPU Operator/Kueue/Volcano)、Slurm 批处理队列、Ray 分布式执行、Gang Scheduling 协同调度、MIG 多租户与 FinOps 算力成本治理。

Kubernetes & Slurm GPU 集群调度与编排

NVIDIA GPU Operator 自动化纳管、Kueue / Volcano 队列管理、Slurm HPC 批处理作业调度、Gang Scheduling 全量就绪调度与 GPU 拓扑感知放置 (Topology-Aware Placement)。

🏢 代表企业
Google CloudGoogle CloudAWSAWSAzureAzureCoreWeaveCoreWeaveRed HatRed Hat
🛠️ 核心技术栈
KubernetesSlurmGPU OperatorKueueVolcanoGang SchedulingTopology-Aware Placement
💼 典型岗位与薪资
Platform Engineer、Scheduler Engineer、Cloud Infrastructure Engineer、DevOps / SRE
💰 $185K - $390K / 年 (K8s 平台/调度架构) | ¥45W - ¥115W / 年

Ray 分布式执行、多租户隔离与 FinOps 成本优化

Ray Core / KubeRay 弹性分布式计算图、Run:ai 动态算力池化、MIG 细粒度硬件切分、Fair-share 配额与 Spot/抢占实例 FinOps 成本治理。

🏢 代表企业
AnyscaleAnyscaleRun:aiRun:aiCoreWeaveCoreWeaveGoogle CloudGoogle CloudAWSAWS
🛠️ 核心技术栈
Ray / KubeRayRun:aiMulti-tenancyFair-share QuotasFinOpsSpot InstancesGPU Pooling
💼 典型岗位与薪资
Platform Engineer、Scheduler Engineer、FinOps Engineer、DevOps / SRE
💰 $180K - $380K / 年 (Ray 与 FinOps 架构) | ¥42W - ¥110W / 年