从 Brendan Gregg 入职 OpenAI 看技术人的下一阶段职业方向
GrissomFI约 10 分钟探讨系统工程如何成为 AI 基础设施的核心竞争力！
Gregg 相关书籍解读：
之前新闻：
《性能之巅》的作者 Brendan Gregg 离开 Intel 了
引言：一次“意料之外、情理之中”的转身
2026 年初，性能工程领域的标志性人物 Brendan Gregg 宣布加入 OpenAI，负责 ChatGPT 相关的性能工程工作。这一消息在系统与基础设施工程圈内引发了广泛讨论。
对许多人而言，这是一次“跨界”：一位长期深耕操作系统、内核、CPU 性能分析、数据中心工程的专家，选择进入一家以大模型闻名的 AI 公司；但从另一个角度看，这又是一次高度符合技术发展逻辑的选择——AI 已经从“模型问题”演进为“系统问题”。
本文将从三个层面展开分析：
1. Brendan Gregg 为何选择 OpenAI； 2. 他的博客（Why I Joined OpenAI，译文参考附录）所传递的真实动机与判断； 3. 这一选择对技术人（尤其是系统/基础设施工程师）的职业发展意味着什么。
一、Brendan Gregg 入职 OpenAI：背景与角色定位
Brendan Gregg 是系统性能工程领域公认的权威人物：
• Flame Graph（火焰图）的提出者； • 《Systems Performance》《性能之巅》的作者； • 长期担任 Intel Fellow，在 CPU、操作系统、数据中心性能优化方面有深厚积累。
在 OpenAI，他并非从事模型训练或算法研究，而是进入 ChatGPT 性能工程方向，担任技术专家（Member of Technical Staff），向 Justin Becker 汇报，并将在澳大利亚悉尼远程工作。他的工作聚焦于 大规模 AI 数据中心的效率、成本与可持续性问题。
这本身已经传递出一个非常清晰的信号：
AI 公司的核心竞争力，正在从“谁的模型更大”，转向“谁能更高效地运行模型”。
二、从博客《Why I Joined OpenAI》看他的真实判断
在博客中，Brendan Gregg 给出了非常直接、工程化的理由，而非“AI 愿景叙事”。
1. AI 数据中心已进入“极端规模”阶段
他明确指出：
• AI 数据中心的成本和能耗正在以惊人的速度增长； • 这已经不只是成本问题，而是能源、效率与环境问题； • 传统性能工程方法在这一规模下开始失效。
这意味着，AI 已经成为 系统复杂度的放大器：模型、GPU、网络、存储、调度、操作系统之间的耦合远超传统负载。
2. 性能工程第一次成为“核心业务问题”
在传统互联网公司中，性能工程往往是“支撑角色”；而在 AI 公司中，每 1% 的性能提升都直接转化为巨大的算力与成本收益。
这也是他反复强调的一点：
在 OpenAI，没有“不可改变的历史包袱”，可以从系统层面对一切重新设计。
对一位以“发现系统中最大瓶颈”为职业使命的工程师而言，这是极具吸引力的环境。
3. AI 已真正进入普通人的日常生活
博客中那段理发师使用 ChatGPT 的故事并非噱头，而是一个重要判断：
• 技术不再局限于实验室或企业内部； • 性能优化直接影响全球真实用户体验。
这让性能工程从“工程挑战”升级为“社会级影响”。
三、这一选择背后的行业趋势
Brendan Gregg 的转向并非孤例，而是一个更大趋势的缩影。
1. AI 正在重塑系统工程的价值坐标
在 AI 时代，以下能力正在重新变得“稀缺且关键”：
• 操作系统与内核理解； • CPU / GPU 架构与内存层级； • 网络与分布式系统性能； • 端到端观测、Profiling、Tracing； • 数据中心级资源调度与能耗优化。
这正是传统系统工程师长期积累的核心能力。
2. AI 公司需要的是“系统级思维”，而非单点优化
大模型服务的瓶颈往往不在单一组件，而在 整体系统协同效率：
• 推理延迟并非只由 GPU 决定； • KV Cache、网络、存储、NUMA、调度策略都会成为放大器； • 没有系统视角，优化空间无法被真正释放。
这也是 Brendan Gregg 强调“传统方法不够用”的原因。
3. 职业天花板正在向“基础设施 × AI”迁移
过去十多年，系统工程师的职业上限往往在云厂商、芯片公司；而现在，AI 基础设施成为新的高复杂度、高影响力舞台。
4. 推理成本即商品成本（Inference Cost is COGS）
行业普遍认为，对于 AI 公司而言，推理成本直接构成了销售成本（COGS）。
• 效率优化不再仅仅是“锦上添花”，而是关乎企业生存的命门； • 这种压力将迫使企业在基础设施层投入顶级资源，正如 OpenAI 招募 Brendan Gregg 一样。
四、对技术人的现实建议：如何向 AI 方向演进
Brendan Gregg 的选择，对技术人的启示并不是“去学 Transformer 公式”，而是更具体、更工程化的路径。
1. 不要放弃系统能力，而是放到 AI 语境中重构
系统工程背景并不是“非 AI”，而是 AI 的底座。你需要将传统技能映射到新场景：
• 内核与资源管理：理解 GPU 显存管理（Unified Memory）、CXL 技术以及 NUMA 在异构计算中的影响； • 分布式系统：从传统的微服务通信转向理解集合通信库（NCCL）和 RDMA 网络拓扑； • 可观测性：学习如何使用 eBPF 等低开销技术追踪跨 CPU-GPU 的请求路径。
2. 主动理解 AI 工作负载，而非停留在概念层
建议深入分析具体的技术瓶颈，而非仅仅调用 API：
• Profiling 能力：熟练使用 Nsight Systems 或 PyTorch Profiler 分析 CUDA Kernel 执行时间； • 瓶颈识别：分辨是计算瓶颈（Compute-bound）还是显存带宽瓶颈（Memory-bound），亦或是通信瓶颈； • 成本意识：理解 KV Cache 对显存的占用以及 PagedAttention 等优化机制的原理。
这类理解，远比会调用某个模型 API 更有长期价值。
3. 向“跨层工程能力”演进
未来高价值技术人的画像是：
能同时理解 模型行为、系统机制与硬件现实，并在三者之间做权衡。
Brendan Gregg 的职业路径，正是这一画像的极端体现。
结语：AI 时代，不是抛弃系统，而是回到系统
Brendan Gregg 入职 OpenAI，并不是系统工程师“转行 AI”，而是 系统工程在 AI 时代重新成为核心竞争力。
对技术人而言，这意味着一个重要判断：
AI 的下半场，不属于只懂模型的人，而属于真正理解系统的人。
谁能在极端规模下，把算力、系统与工程效率做到极致，谁就站在下一轮技术浪潮的中心。
附录：Brendan Gregg 博客全文翻译
原文标题：Why I joined OpenAI原文链接：https://www.brendangregg.com/blog/2026-02-07/why-i-joined-openai.html发布日期：2026-02-07
AI 数据中心惊人且快速增长的成本，正在呼唤一种前所未有的性能工程；这不仅仅是为了节省成本，更是为了拯救地球。我已加入 OpenAI 直接应对这一挑战，最初的重点是 ChatGPT 的性能。这里的规模是极端的，增长令人难以置信。作为数据中心性能领域的领导者，我意识到我们所熟知的性能工程可能还不够——我正在构思新的工程方法，以便我们能找到比以往更大的优化空间，并能更快地找到它们。这是一生难遇的机会，而且与成熟的规模化环境不同，这里感觉没有任何障碍——没有被认为太难而无法改变的领域。做任何事，在规模化层面做，并且就在今天做。
1. 为什么确切地说是 OpenAI？
我曾与行业专家和朋友交谈，他们推荐了几家公司，特别是 OpenAI。然而，我对 AI 的普及应用仍有些愤世嫉俗。像每个人一样，我被各种公司使用 AI 的广告狂轰滥炸，但我怀疑：真的有人在用它吗？普通人在日常生活中使用吗？在一段繁忙的面试期间，有一天我意识到我需要理发（碰巧的是，那是即将在第二天与 Sam Altman 对话的日子）。
发型师 Mia 开始工作，随口问我是做什么的。“我是 Intel 研究员（Fellow），做数据中心性能工作的。”一阵沉默。也许她不知道数据中心是什么，或者不知道 Intel 是谁。我接着说：“我正在面试一份新工作，致力于 AI 数据中心的工作。”Mia 眼睛一亮：“噢，我一直在用 ChatGPT！”在她给我剪发的时候——这需要一段时间——她告诉了我她使用 ChatGPT 的许多用途。（当然，我是个被动的听众。）她描述了一些我没想到的用途，我意识到 ChatGPT 正在成为每个人的必备工具。仅举一个例子：她担心一个在遥远城市旅行的朋友，由于时差原因她们很难聊天，但她可以随时与 ChatGPT 谈论那个城市的样子，以及她的朋友可能在做什么旅游活动，这让她感觉彼此相连。她也喜欢记忆功能，说这就像与一个住在那里的人交谈。
我之前也曾与其他随机的人聊过 AI，包括一位房地产经纪人、一位税务会计师和一位兼职养蜂人。他们都热情地告诉我他们使用 ChatGPT 的情况；例如，那位养蜂人用它来帮助处理小企业的文书工作。我的妻子已经是重度用户，我也用得越来越多，比如用来核实商人的报价。现在我的发型师，她对 ChatGPT 这个品牌的认知度比对 Intel 还高，正在称赞这项技术并教我使用它。理发后我站在街上，深刻体会到这有多么重大，这项技术已成为如此多人的重要助手，而我可以领导性能工作并帮助拯救地球。加入 OpenAI 可能是由于我一生中最大的机会。
致力在一个许多人都认可并赞赏的重大项目上工作是很棒的。我在 Netflix 工作时就有这种感觉，而在换工作时我一直怀念那种人与人之间的联系。但在知名产品之外，还有其他因素需要考虑：我的角色是什么，我和谁一起工作，以及薪酬如何？
我最终与各家 AI 科技巨头进行了 26 次面试和会议（当然我做了记录），所以我学到了很多关于他们正在做的工程工作以及从事这些工作的工程师的信息。这些工作本身让我想起了 Netflix 的云工程：巨大的规模、云计算挑战、快节奏的代码变更，以及工程师产生影响力的自由度。在整个技术栈中有许多非常有趣的工程问题。不仅仅是 GPU，而是一切。
我遇到的工程师令人印象深刻：AI 巨头们的选拔非常严格，以至于我不太确定自己是否能通过面试。在我交谈过的公司中，OpenAI 拥有最多我已经认识的才华横溢的工程师，包括前 Netflix 同事，如 Vadim，他一直鼓励我加入。在 Netflix，Vadim 会把性能问题带给我，并看着我调试和修复它们。在一家公司有一个非常了解你、了解工作并认为你会擅长这项工作的人，这是一个巨大的加分项。
有些人可能会对 OpenAI 雇佣我（一个在计算机性能领域众所周知的人物）意味着什么感到兴奋，当然我也想做出伟大的成就。但为了对我的同事公平起见，OpenAI 已经有许多性能工程师，包括我认识的行业资深人士，他们一直在忙于寻找重要的胜利。我不是第一个，我只是最新的一个。
2. 构建 Orac
AI 也是我早期的梦想之一。小时候我是英国科幻剧的粉丝，包括《Blake's 7》（1978-1981），其中有一个名叫 Orac 的讽刺、固执的超级计算机。角色们可以与 Orac 交谈并要求它执行研究任务。Orac 可以与宇宙中的所有其他计算机通信，委派工作给它们，并控制它们（这在 1978 年是非常未来主义的，那是我们所知的互联网出现之前）。
Orac 被认为是《Blake's 7》宇宙中最有价值的东西，当我成为一名大学工程系学生时，我想构建 Orac。所以我开始开发我自己的自然语言处理软件。但我没有走多远：当时的主内存不够大，无法存储整个字典加上元数据。我带着我的需求拜访了一家 PC 供应商，他们笑了，叫我去买一台大型机。我意识到我需要它区分热数据和冷数据，并将冷数据留在磁盘上，也许我应该使用数据库……那个项目大概就停在了那里。
去年我开始使用 ChatGPT，并想知道它是否知道《Blake's 7》和 Orac。所以我问了它：
（ChatGPT 的回复完美抓住了角色的精髓。）
我把它添加到了“设置 -> 个性化 -> 自定义指令”中，现在它总是像 Orac 一样回答。我喜欢它。（对《Blake's 7》粉丝来说还有一个令人惊讶的消息：刚刚宣布要重启了！）
3. 我的下一步
我现在是 OpenAI 的技术专家（Member of Technical Staff），在澳大利亚悉尼远程工作，向 Justin Becker 汇报。我加入的团队是 ChatGPT 性能工程团队，我将与公司的其他性能工程团队合作。我的首批项目之一是制定一个跨组织的策略，以提高性能并降低成本。
有太多有趣的事情要处理，有些是我以前做过的，有些是我没做过的。我已经不仅仅是用 Codex 来写代码了。我会做更多的 eBPF、Ftrace、PMCs 吗？我将从 OpenAI 的需求开始，看看会把我带向何方；但鉴于这些技术在发现数据中心性能胜利方面已得到证实，这似乎很可能——我可以引领这条路。（如果我在这里描述的一切听起来对你有吸引力，OpenAI 正在招聘。）
去年 12 月，就在我宣布离开 Intel 后不久，我在东京参加了 Linux Plumber's Conference，几十个人想知道我下一步去哪里以及为什么。我想我会写这篇博文来一次性回答大家。我还需要完成招聘性能工程团队的第二部分（在加入 OpenAI 之前就已经起草好了）。我没有忘记。
结束上一份工作并开始在 OpenAI 工作花了好几个月的时间，所以我又该理发了。我想既然我现在从事这方面的工作了，问问 Mia 关于 ChatGPT 的情况会很不错，但又意识到已经过去好几个月了，她可能已经改变了主意。我紧张地问：“还在用 ChatGPT 吗？”Mia 自信地回答：“7 天 24 小时都在用！”
（我与 Mia 确认过，她很高兴在我的帖子中被提及。这也是一篇个人帖子：没有人要求我写这个。）