岗位职责：
1.负责大规模GPU算力集群（NVIDIA 5090/ A100/H200/B300等）机房基础设施的全生命周期管理，包括供配电、制冷、动环监控等系统的深度运维与优化，保障GPU集群高负载运行下的稳定与安全。
2.主导GPU服务器及相关硬件的部署、调试、升级与故障排查，涵盖GPU卡、主板、CPU、内存、IB网卡等核心硬件，能独立解决GPU硬件兼容性、金手指氧化、供电异常、散热故障等复杂问题。
3.针对GPU高功耗、高密度特性，优化机房制冷气流组织与供配电负载均衡，参与液冷散热系统（浸没式/冷板式）的部署与运维，推进PUE优化项目，实现机房能效提升。
4.搭建并优化GPU集群硬件监控体系，基于DCIM系统定制GPU运行指标（功耗、温度、负载）监控策略，配置智能告警机制，实现故障的提前预警与快速定位。
5.推进GPU集群机房运维自动化建设，使用Python/Shell编写脚本，结合Ansible等工具实现硬件信息批量采集、批量部署、故障自动巡检等功能，提升运维效率。
6.配合网络、系统团队完成GPU集群IB/RoCE高速网络部署、软件环境（GPU Driver、CUDA）适配等工作，参与算力集群性能压测与优化，输出硬件层面的性能提升方案。
7.制定GPU集群机房运维SOP、硬件故障处理指南、应急预案，组织应急演练，负责初级工程师的技术培训与指导，推动团队运维能力标准化、专业化。
8.参与新算力中心GPU集群机房的规划、建设与验收工作，负责硬件选型、机柜布局、供电/制冷容量核算等关键环节的技术把关。
任职要求：
1.本科及以上学历，计算机科学与技术、电子信息工程、机电一体化、暖通空调等相关专业；具备超算中心、大型智算中心从业背景者优先。
2.5年以上算力中心/数据中心机房运维经验，其中至少3年大规模GPU集群机房管理经验，有千节点级GPU集群（NVIDIA A100/H100）运维实战经验者优先。
3.精通GPU服务器架构及硬件原理，熟练掌握GPU卡上架、更换、固件升级、兼容性测试等操作，能独立排查各类GPU硬件故障。
4.精通高密度机房供配电系统（UPS、配电柜、蓄电池组）和制冷系统（精密空调、冷通道封闭、液冷技术）的原理与运维，能解决GPU高负载下的供电波动、散热不均等问题。
5.熟练使用BMC/IPMI远程管理工具、nvidia-smi、DCGM、光纤测试仪、万用表等专业工具，具备Linux系统操作能力，能通过命令行完成硬件状态监控与故障分析。
6.具备较强的自动化运维能力，熟练使用Python/Shell编写脚本，掌握Ansible等自动化工具，能实现GPU集群硬件运维的规模化、自动化管理。
7.持有低压电工特种作业操作证（必备）；具备高压电工证、NVIDIA DCEO认证、CDCP/CDCS认证、华为HCIE-Datacom等相关认证者优先。
具备良好的故障应急响应能力，能快速处理GPU集群突发故障，可接受7×24小时应急值班，可接受出差；具备优秀的文档编写、团队管理与跨部门协作能力。