字节跳动
校招面向AIDC的下一代高密度数据中心基础设施创新与AI智能运维研究-算力数据中心与供应链（新加坡）Research on Next-generation Innovations for High-density Data Center Infrastructure and AI Intelligent Operation and Maintenance for AIDC-Data Center an
新加坡 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027届毕业，获得博士学位，电气工程、热能工程、能源与动力、材料科学、制冷工程、环境工程、机械工程、计算机科学、自动化及相关专业
- 具备优秀的问题分析与解决能力，拥有创新严谨的思维模式，能够独立攻克技术难题
- 具备独立开展理论研究与应用研究的能力；熟悉液冷技术、热管理、亲水涂层、可再生能源及储能相关领域，能够持续跟进行业前沿技术。
- 加分项：
- 精通传热学、流体力学、材料表征、水处理等专业知识；拥有相关学术论文、专利、科研项目或工程产业化经验者优先
- 熟悉大语言模型原理及技术生态体系；具备大模型应用、多模态内容理解相关工程实践经验者优先
- 深入理解人工智能智能体（AI Agent）设计理念；拥有从零到一独立开发智能体应用经验者优先。
- Ph.D. degree in Electrical Engineering, Thermal Engineering, Energy & Power, Materials, Refrigeration, Environmental Engineering, Mechanical Engineering, Computer Science, Automation, or related fields are preferred
- Possess excellent problem analysis and solving skills, an innovative and rigorous mindset, and the ability to independently overcome technical difficulties
- Possess independent research capabilities for theoretical and applied research; Familiar with liquid cooling, thermal management, hydrophilic coatings, renewable energy, and energy storage, keeping track of cutting-edge industry technologies.
- Preferred Qualifications
- Master professional knowledge in heat transfer, fluid mechanics, material characterization, and water treatment; Candidates with related papers, patents, research projects, or engineering commercialization experience are preferred
- Familiar with LLM principles and technology ecosystems; Candidates with engineering experience in large model applications or multi-modal content understanding are preferred
- Deeply understand AI Agent design concepts; Candidates with experience in independently developing Agent applications from 0 to 1 are preferred.
岗位描述
团队介绍：字节跳动数据中心与供应链部门，负责字节跳动从芯片到服务器全栈算力基础设施的研发、调度与供给、管理与应用（如数据中心建设、内核操作系统、网络CDN、高性能服务器、编译工具链等），支撑字节跳动全系业务运行的核心力量，为抖音、今日头条、飞书、火山引擎等各类产品提供全面、领先、稳定的百万量级大规模算力基础设施服务。
课题介绍：随着智能计算与AIDC产业快速发展，数据中心单机柜功率密度持续攀升，传统基础设施在换热效率、节水效果、能源利用方面存在短板，同时海量运维数据未充分利用，运维效率依赖人工经验，难以适配产业高质量发展与政策要求。
本课题从技术创新与智能化赋能两方面开展研究：一方面围绕液冷技术、节水无水冷源、供配电储能方向协同创新，突破现有技术瓶颈，适配高密度功率需求与双碳、节水政策要求；另一方面构建数据中心运维AI Agent体系，利用大模型技术从海量多模态异构运维数据中学习，实现多Agent协作完成从监控、诊断到修复的全流程自动化，打造PUE智能优化闭环，支撑从"被动响应"到"主动预测与自愈"的范式转变。通过硬件技术创新与AI智能化运维深度结合，全面提升数据中心能效、可靠性与运维效率。
课题挑战：
- 1、多技术协同创新：液冷技术需突破高效换热与系统可靠性，节水冷源需实现低WET与干湿协同，供配电储能需解决源网荷储适配与全链路效率提升，多方向协同创新难度大；
- 2、多Agent协作体系设计：需构建面向复杂运维流程的多Agent协作框架，实现从监控、诊断到自动修复的端到端自主执行，技术整合难度高；
- 3、PUE智能优化闭环构建：需要基于时序预测与强化学习实现暖通与电力系统智能控制，达到超越人类专家的优化效果，对算法与工程落地要求高；
- 4、异构数据根因归纳：需要利用大模型从海量异构监控数据中自动完成故障根因分析与知识沉淀，对模型理解与泛化能力要求高；
- 5、技术落地适配：硬件创新需要兼顾政策合规与行业适配，AI运维需要对接现有平台工具，二者融合落地挑战大。
课题价值：
- 1、突破数据中心核心技术瓶颈，增强技术竞争力；
- 2、实现节水低碳运行，通过AI智能运维保障数据中心合规、高效、稳定长效运营。
Topic Content
As intelligent computing and the AIDC industry develop rapidly, data center rack power density continues to rise. Traditional infrastructure struggles with heat exchange efficiency, water-saving, and energy use. At the same time, large amounts of maintenance data are underused, and maintenance relies heavily on human experience, making it hard to meet the industry's quality and policy demands. This topic focuses on two main areas: technology innovation and smart operation. First, it aims to innovate in liquid cooling, water-saving or water-free cooling, and power supply and energy storage to overcome current limits, meet high-density power needs, and comply with carbon reduction and water-saving policies. Second, it builds an AI agent system for data center maintenance that uses large AI models to learn from vast, varied multimodal maintenance data. This system enables multiple AI agents to work together to automate everything from monitoring and diagnosis to repair, creating an intelligent loop to optimize the power usage effectiveness (PUE) and shifting maintenance from "reacting after problems" to "predicting and fixing them automatically". By combining new hardware technology with AI-driven maintenance, the project seeks to improve data center energy efficiency, reliability, and operation efficiency.
Topic Challenges
- 1.Multi-technology collaborative innovation;
- 2.Multi-agent collaboration system design;
- 3.Intelligent PUE optimization closed loop;
- 4.Root cause analysis of heterogeneous data;
- 5.Technology implementation and adaptation.
Topic Value
- 1.Solve key technical problems in data centers and increase global competitiveness;
- 2.Enable water-saving and low-carbon operation, ensuring data centers run efficiently, stably, and in compliance through AI-driven maintenance.
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。