H
首席人工智能基础设施工程师
负责为 Highrise AI（Hut 8 的 GPU 原生基础设施平台）部署并优化 GPU 集群。 推动集群达到生产就绪状态，验证性能，并提供三级可靠性支持。
描述
- 将已完成安装的 AI 集群投入生产，并为客户交接做好准备。
- 设定并验证系统基线，涵盖 BIOS/BMC、固件、GPU 驱动程序、操作系统和集群软件。
- 扩展裸机自动化配置、系统映像部署、节点配置和生命周期管理流程。
- 配置并排查 Linux 和 GPU 系统问题，包括内核、驱动程序、加速器和主机性能设置。
- 与平台、网络和运维团队协作，集成并验证 Kubernetes 和 Slurm。
- 执行 NVIDIA Field Diagnostics、L11/L12 验证、压力测试、稳定性检查和硬件健康资格认证。
- 分析 NCCL 通信测试、GPU 基准测试，以及跨节点、机架和集群的分布式工作负载性能。
- 排查并解决 GPU、NVLink/NVSwitch、PCIe、RDMA、InfiniBand 和以太网性能问题。
- 发现配置瓶颈，提升吞吐量、降低延迟、提高扩展效率和集群可靠性。
- 管理技术验收标准、测试记录、缺陷跟踪、修复验证和就绪建议。
- 升级并解决涉及计算节点、GPU 软件、资源配置、调度或性能下降的复杂生产事故。
- 调查根本原因，协调供应商工程团队升级处理，并牵头实施纠正措施。
- 支持机群升级、配置变更、集群扩容，以及维护后的受控验证。
- 为 SRE、NOC 和现场支持团队制作诊断工具、自动化方案、运行手册和运维交接材料。
- 与基础设施工程、现场运营、OEM、软件和平台团队合作，解决跨技术栈问题并达成交付里程碑。
- 向工程负责人和相关方汇报技术状态、基准测试结果、风险及验收建议。
任职要求
- 计算机科学、工程或相关领域的学士学位，或同等实践经验。
- 至少 8 年 Linux 系统工程、HPC、云计算或大规模基础设施的实操经验，包含高级故障排查经验。
- 具备将 GPU 或 HPC 集群部署至生产环境，并根据性能和可靠性目标完成系统资格认证的经验。
- 精通 Linux、Python/Bash/Ansible 自动化、裸机配置、配置管理和系统诊断。
- 具备 NVIDIA GPU 平台、NCCL、Field Diagnostics 和多节点性能测试的实操经验。
- 具备 Kubernetes 和 Slurm 的实践经验。
- 熟悉高速以太网、InfiniBand/RDMA 以及并行或分布式存储。
- 能够定位硬件、固件、操作系统和分布式工作负载之间的复杂问题。
- 具备有条理的测试、文档记录、根因分析和持续改进方法。
- 能够与资深工程师协作，同时独立做出并落实技术决策。
- 能够与工程负责人、供应商、现场人员和面向客户的相关方清晰沟通。
- 愿意前往数据中心进行集群部署、验收和复杂故障排查。
- 能够灵活支持常规工作时间以外的重大事故处理或维护工作。
福利待遇
- 直接影响大规模 AI 集群的性能、可靠性和生产就绪状态。
- 与经验丰富的基础设施工程师共事。
- 参与制定不断发展的全球 AI 基础设施平台的技术标准。
- 与教育和职业背景多元的同事合作。
- 向高级管理层提出新产品、服务和倡议。
- 在以能力为基础的环境中向处于不同职业阶段的团队成员学习。
- 拓展科技、能源和基础设施领域的职业人脉。
- 工作安排灵活，可根据所在地选择混合办公或远程办公。
