AI Systems · HPC · CPU/GPU Performance Optimization · AI Framework · Open Source · Developer Ecosystem · Technical Program

我长期工作在 AI 基础设施、系统性能与开发者生态的交叉领域。
从并行计算、CPU/GPU 性能优化，到 AI 推理引擎、AI Framework、CI/CD、开源治理与开发者生态，我的经历覆盖了从底层系统到开发者生态的完整技术链路。

Open to opportunities across AI Infrastructure, Developer Technology, and Developer Ecosystem.

拥有计算机博士背景和 10+ 年 AI Systems / Infrastructure 研发经验，长期专注于：

Parallel Computing、CPU/GPU Performance Optimization、AI Inference Engine、AI Framework、Developer Ecosystem 与 Technical Program。

职业经历横跨从底层系统到开发者生态的完整技术链路：

HPC / Parallel Computing → AI Performance → Inference Infrastructure → AI Framework → Open Source → Developer Ecosystem → Technical Program

早期长期负责 CPU/GPU 算子、推理引擎和异构计算性能优化，主导或参与多个核心基础设施项目；后期逐步从纯技术 IC 延伸至跨团队技术项目、开源治理、开发者增长、模型迁移、数据集与工具链建设。

擅长在没有直接汇报关系的情况下推动跨组织技术协作，将复杂的底层技术问题转化为可落地的工程方案、开发者能力和生态价值。

希望探索 AI Infrastructure、Developer Technology、Developer Ecosystem 与 AI-native Products 的交叉领域，连接底层系统能力、开发者体验与技术生态，推动技术能力形成可规模化的产品与生态价值。

AI Infrastructure & Systems
CPU/GPU Performance Optimization · AI Operator / Kernel · AI Inference Engine · Graph Optimization · Heterogeneous Computing · Model Migration · Runtime / Toolchain · CI/CD & Engineering Infrastructure

Developer Technology & Ecosystem
AI Framework Developer Experience · Open Source Governance · Developer Community · Developer Growth · Developer Tools & Benchmark · Open Dataset / Model Ecosystem · Cross-functional Technical Program · Influence Without Authority

Languages & Technologies
C++ · Python · CUDA · CPU/GPU Architecture · AI Framework · CI/CD

百度资深研发工程师 / 技术项目负责人 · 2015–2026

长期负责 AI Framework、Inference Engine 与底层计算性能优化，覆盖 CPU/GPU、Operator、Runtime、Graph 与多硬件适配。

• ERNIE 核心 GEMM 优化：60ms → 34ms，性能提升 42.5%
• Graph Conversion 优化：15 min → 13 sec，约 70×
• 深度参与 MKL / MKL-DNN 集成及指令级性能优化
• 建设 Runtime Cache、CPU/GPU Heterogeneous Computing 优化与核心 Operator 调优

负责 Intel × Paddle 跨组织技术合作，在无直接汇报关系的情况下推动中美多个技术团队协同。

• 推动 50+ Core Operators 的开发与优化
• 完成 900+ 次 Code Review / Technical Collaboration
• 协作团队规模从 2 → 20+
• 协同 4 个全球技术团队、6 个 Paddle 版本的资源、技术、版本与质量管理
• 建立跨团队 Technical Collaboration 机制，推动项目从技术方案走向实际落地

理解不同团队的目标 → 找到技术共同点 → 建立协作机制 → 推动项目真正落地。

负责 AI Framework Engineering Infrastructure、CI/CD、Benchmark 与质量体系建设，通过工程化手段提升研发效率与资源利用率。

• 建设 20+ CI/CD Pipelines
• CI Queue 等待时间：24h → 2.5h
• Hardware Cost 降低至原来的约 20%
• Compile Time 降低 50%
• Unit Test Time 降低 40%
• GPU CI 利用率：~1% → 30%+
• 建设 Benchmark、Quality Monitoring、Performance Gate 与 Automated Release 体系

关注的不只是“把代码跑起来”，而是通过 Engineering Infrastructure 持续衡量和优化研发效率、质量与性能。

负责 Paddle Developer Ecosystem 建设，覆盖 Framework、Distributed Training、Inference、OCR、LLM Application、AI for Science 等方向。

• External PR 占比：~1% → 44%
• 累计 674 位 Contributors
• 培养约 290 位 Core Developers
• 建立 5 级 Developer Growth Path
• 组织 Hackathon、Developer Activities 及高校 / Open Source Community 合作
• 推动 50+ 开发者进入推荐及 Core Contributor 培养体系
• 创造年度 1300+ 万元研发成本节省价值

将 Framework 能力进一步转化为开发者能够理解、使用、贡献和参与的生态能力。

围绕 Operator 开发与维护建立系统化治理机制，从规范设计 → 标准化 → 规模化推广推动工程质量提升。

• 制定 Paddle Operator 开发与维护规范，建立 10+ 项开发及错误信息规范
• 建设 Contributor Collaboration 机制，降低社区参与门槛
• 推动社区开发者完成 Paddle 2.5 → 3.0 大规模 Operator 开发及多硬件适配
• 推动社区开发者完成 Speculative Decoding、KV Cache 等 LLM Inference 能力建设
• 降低 Operator Adaptation 与长期 Maintenance Cost

建设面向 AI Coding、模型迁移与多语言场景的 Data、Benchmark 与 Toolchain。

• GraphNet：构建 82K+ 真实模型 Graph，用于 Coding Agent AI-assisted Kernel Generation；支持 Agent 自动提取，性能提升 2–3×，Token 消耗降低约 90%
• Multilingual OCR Benchmark：覆盖 7 种少数民族语言、2.5K+ 图片、4K+ 标注
• X2Paddle：支持 TensorFlow / ONNX / PyTorch / Caffe 等模型迁移，125 个模型一键迁移，精度损失 ≤0.1%

PaddlePaddle/Paddle
核心 AI Framework。参与 Inference Performance Optimization、Operator Development & Standardization、CPU/GPU 及多硬件适配、CI/CD、Developer Experience 与 Open Source Collaboration。

PaddlePaddle/X2Paddle
Model Migration 与 Developer Toolchain，支持 TensorFlow / ONNX / PyTorch / Caffe 等模型向 Paddle 迁移。

PaddlePaddle/GraphNet
面向 AI Coding 与 Kernel Generation 的真实模型 Graph 数据集与工具链，支持大规模模型结构分析与 AI-assisted Kernel Development。

PaddlePaddle/community
Paddle Open Source Governance、Contributor Collaboration、Developer Growth 与 Ecosystem 建设相关项目。

中国科学技术大学｜计算机科学与技术｜博士
2010–2015 · 并行计算模型与性能优化 · 导师：陈国良院士

中国科学技术大学｜计算机科学与技术｜工学学士
2006–2010

• 百度杰出 Committer · 2025 — 第一届，全公司仅 16 人
• 百度 C++ Code Master · 2019 — 第一届，全公司不超过 20 人
• 开放原子基金会活力开源贡献者奖 · 2023
• 第一作者专利 4 项，累计专利 36 项
• 博士学位论文：CNKI 引用 50+，下载 7500+