张东豪 / ZhangDonghao

职业目标：AI-HPC 领域专家

张东豪（ZhangDonghao），AI 与高性能计算（HPC）融合方向的技术专家，长期深耕智算集群、高速网络、AI 平台与调度系统的一线建设与交付，主导过运营商万卡级 AI 训练集群及多所高校与科研机构大型 AI/HPC 集群项目。

他相信 AI 与科学、智算与超算从来不是替代关系，而是相辅相成、螺旋提升：AI 加速科学发现，科学问题反过来牵引 AI 方法的演进；AI 热度牵引算力爆发，而当下一次科学重大突破到来时，HPC 科学计算将再次站上焦点。以此为内核，他创办 AI-HPC.org 技术门户，构建科学软件工厂（Scientific Software Factory）与 AI-HPC 智能专家体系，把一线工程经验沉淀为可复现、可传承的知识与工具。

万卡级 AI 训练集群支持经验

多所高校大型 AI/HPC 集群交付

15章 AI/HPC 工程知识库

3项 NVIDIA 技术认证

工作经历

三段经历构成一条完整的 AI-HPC 专家成长线：从万卡集群一线工程支撑，到大型集群全栈交付与调度治理，再到技术知识体系化与对外输出。

运维开发工程师（AI Infra 方向）

• 万卡级智算集群通信与可观测性：为上海某运营商万卡级 AI 训练集群提供技术支持，主导 InfiniBand 高速网络的架构优化、性能监控与故障诊断，构建自动化告警与日志分析体系，保障大规模分布式训练的通信效率与长期稳定运行。
• AI 平台与工具链架构：主导 AI Agent 服务平台研发（Python / Flask / Django），设计底层算力接口抽象层，以容器化方式交付 AI 开发与推理环境（Dify、ComfyUI 等），沉淀可复用的平台化交付能力，显著提升算法团队的研发迭代效率。
• 云原生与 DevOps 工程化：搭建 CI/CD 流水线体系，推进容器化与云原生工程实践；对智能客服等业务应用进行云资源成本预测与性能评估，将运维从被动响应转向工程化、可度量的治理模式。

AI 和 HPC 产品交付经理（AI Infra 方向）

• 大型 AI/HPC 集群全栈交付：主导国内多所高校与科研机构多个大型 GPU/HPC 集群项目，覆盖硬件架构设计、服务器 / 存储 / IB 交换机的上架布线，到操作系统、调度系统与 AI 软件栈的部署、验收与调优，形成可复制的集群交付方法论。
• 异构调度与性能工程：负责 Slurm 调度体系下的 CPU+GPU 异构资源统一调度策略设计，主导 HPL、NCCL Tests 等全栈性能基准测试，通过系统级调优定位瓶颈，确保科研计算与 AI 训练任务达到最优执行效率。
• AI 平台建设与运营：负责 AI 训练与管理平台的部署、运维与持续优化，建立多租户配额、资源监控、任务管理等生产级运营体系，并输出技术培训与远程支持。

IT 技术支持讲师

• 技术布道与人才培养：设计并讲授 Linux、Shell、Python 与分布式系统课程，指导 Docker、Nginx、Ceph 等工程实践；搭建 Prometheus + Grafana 集群监控等实验环境，把一线工程经验转化为可教学的课程体系，覆盖从原理到落地的完整链路。

专业技能

• 智算集群与基础设施：精通智算集群全生命周期建设，覆盖 GPU 服务器拓扑、液冷、驱动生命周期管理与集群验收流程；熟悉主流加速卡及国产加速器的异构适配与迁移。
• 高速网络与分布式通信：精通 InfiniBand / RoCE 网络架构与性能调优，熟练使用 NCCL Tests 等工具开展通信基准测试与瓶颈定位；深入理解 NCCL 通信原语与集合通信原理，以及 DDP / 张量并行 / 流水并行等分布式并行策略的协同设计。
• 调度与资源管理：精通 Slurm 调度体系与 CPU+GPU 异构资源统一调度，具备多租户、配额、优先级抢占等生产级调度策略的设计与落地经验；掌握 Kubernetes GPU 调度实践。
• AI 系统软件与编译：深入理解 PyTorch 内部机制（Autograd、AllReduce 与分布式训练栈、编译执行流程）；掌握 Triton / MLIR 等 GPU 编程与编译优化方法；具备 CUDA 加速与 DPU 应用开发经验（NVIDIA 认证）。
• 训练与推理工程：具备大规模预训练工程与数据流水线经验，掌握混合精度训练与断点续训；理解 MoE / MLA / FlashAttention 等先进模型结构的工程实现；熟悉 vLLM、TensorRT-LLM 推理优化与生产部署，覆盖长上下文推理与 RAG 生产化落地。
• 存储与可观测性：熟悉 Lustre、BeeGFS、GPFS 等分布式 / 并行文件系统的部署与调优；熟练使用 Prometheus + Grafana 构建集群可观测与告警体系。
• AI×Science（AI 与科学计算融合）：探索符号 AI、神经求解器与科学智能体（Scientific Agent）的融合，面向流体、材料、能源、生命、地球与空间等科学问题构建可复现的求解工具链；坚持以「AI 加速科学发现、科学问题牵引 AI 方法」的螺旋式路径推进工程实践。

技术认证

• NVIDIA：基于提示词工程的大语言模型 LLM 应用、使用 CUDA 加速 C/C++ 应用、使用 DOCA 开发 DPU 应用（共 3 项）

代表作品

• AI-HPC.org —— AI-HPC 智算超算专家站：15 章 AI/HPC 工程知识库，覆盖硬件、集群、网络、存储、调度、编译、训练、推理与 AI×Science 全栈
• AI-HPC 智能专家（chat.ai-hpc.org）—— 基于 Dify 搭建的 AI-HPC 问答与路径导航助手
• 科学软件工厂（Scientific Software Factory） —— 面向真实科学问题的「一题一软件」实践体系，含电池寿命、流体结构、蛋白折叠、气候预测等完整案例闭环
• AI-HPC 联盟 —— 以非营利联盟机制组织工作组（AI×Science-Bio / Green-HPC / LLM-Infra），推动中立、透明的开放协作
• AIInfra 知识库 —— AI 基础设施系统化知识库（集群 / 存储网络 / 云原生 / 训练 / 推理）
• 技术博客系列 —— PyTorch 内部架构、Autograd、Triton/GPU 编程、NCCL 通信、编译器框架等深度文章

联系方式

• 邮箱：openaihpc@gmail.com
• GitHub：github.com/openaihpc