AG尊发凯龙人生就博★ღ✿ღ，AG尊时凯龙人生就博登录AG尊时凯龙人生就博★ღ✿ღ！人生就是博官网★ღ✿ღ。尊龙尊龙凯时登录随着大模型技术的爆发★ღ✿ღ，AI Infra 已成为基础设施领域的核心战场★ღ✿ღ。过去1年多的时间★ღ✿ღ，我们团队落地了多个大模型应用★ღ✿ღ，包括语音合成大模型★ღ✿ღ、内容理解★ღ✿ღ、生成式推荐大模型★ღ✿ღ，跑通大模型训练到推理的全链路★ღ✿ღ。踩了很多坑★ღ✿ღ，也积累了不少经验★ღ✿ღ。本文将分享传统后台工程师积累的技术栈和方法论★ღ✿ღ，如何延续并迁移到 AI 系统★ღ✿ღ，并系统性拆解 AI Infra 的硬件★ღ✿ღ、软件★ღ✿ღ、训练和推理挑战★ღ✿ღ。

　　经济基础决定上层建筑★ღ✿ღ。软件层面的架构设计★ღ✿ღ，无法脱离硬件约束★ღ✿ღ。了解现代 AI 硬件特性非常有必要★ღ✿ღ。

　　传统基础设施以 CPU 为核心★ღ✿ღ，通过多线程和微服务构建分布式系统★ღ✿ღ，处理高并发请求（如 Web 服务）★ღ✿ღ。这些都有成熟的方法论了（如“海量服务之道）★ღ✿ღ。主要工作是逻辑事务的处理★ღ✿ღ，瓶颈在网络 I/O 和 CPU 核心数量★ღ✿ღ。发展到今天★ღ✿ღ，硬件已经很少是制约 CPU 系统设计的瓶颈★ღ✿ღ。

　　而 AI Infra 以 GPU 为核心★ღ✿ღ，其设计目标从逻辑事务处理转向高吞吐浮点计算★ღ✿ღ。此时CPU 多线程被 GPU 并行计算替代★ღ✿ღ，内存被显存替代★ღ✿ღ。如下图所示★ღ✿ღ，H20单卡96GB显存★ღ✿ღ，可以提供44TFlops的单精度浮点运算★ღ✿ღ，算力和访存带宽是主流CPU数十倍甚至数百倍★ღ✿ღ。每台机器安装8卡=768GB显存★ღ✿ღ，另外还有 CPU 192核384线TB 内存★ღ✿ღ。

　　为什么 GPU 会成为核心？是因为 LLM 大模型每次生成一个 token★ღ✿ღ，都需要读取全量的模型参数★ღ✿ღ。传统的 CPU + 内存的算力和带宽无法满足如此恐怖的计算密度★ღ✿ღ，计算和通信都必须转移（offload）到 GPU 内完成★ღ✿ღ。CPU 成为数据搬运工和“辅助处理器”尊龙官方★ღ✿ღ。

　　为了更直观地理解这个计算密度★ღ✿ღ，我们做一个简单的计算★ღ✿ღ。不考虑计算的延时★ღ✿ღ，LLM 大模型生成一个 token 的耗时公式计算为★ღ✿ღ。

　　显而易见★ღ✿ღ，我们的现在身处新的一轮烈火烹油的硬件革命的历史进程中★ღ✿ღ，各种专用硬件★ღ✿ღ、专用网络层出不穷★ღ✿ღ。DeepSeek-R1 和 QWen3-235B 千亿级参数训练需千卡 GPU 集群协同★ღ✿ღ，通过专用网络互联构建“AI超算”★ღ✿ღ，其设计逻辑与以前的 IBM 大型机惊人相似——以硬件集中化换取极致性能与可靠性★ღ✿ღ。

　　传统 Infra 的分布式理念貌似在 AI 时代失效了★ღ✿ღ。传统 Infra 追求横向扩展★ღ✿ღ，而 AI Infra 呈现 “AI 大型机”特性★ღ✿ღ，是因为传统后台服务的可以容忍毫秒级延迟★ღ✿ღ，但 AI 集群不行★ღ✿ღ，GPU 的算力是 CPU 的数百倍★ღ✿ღ，微秒级的延时等待也会造成很大的算力损耗★ღ✿ღ，需要硬件的高度集成★ღ✿ღ。在可预见的1-3年的未来★ღ✿ღ，这样的专用硬件+网络的集中式架构很难发生比较大的改变★ღ✿ღ。

　　回顾历史★ღ✿ღ，我们总是在寻求科技平权★ღ✿ღ。前人推动“去IOE”（IBM小型机★ღ✿ღ、Oracle数据库★ღ✿ღ、EMC存储）★ღ✿ღ，用分布式廉价x86 pc机替代集中式高端硬件★ღ✿ღ，本质上是利用软件创新重构一个高可用+低成本的互联网基础设施★ღ✿ღ。AI大型机是技术发展必由之路★ღ✿ღ，但不是终极形态★ღ✿ღ。长期（5年）来看★ღ✿ღ，必然会出现 AI 去 NVIDIA 化★ღ✿ღ，重演“去 IOE”的历史★ღ✿ღ。

　　相比传统后台应用的增删查改★ღ✿ღ，AI 应用的新范式是模型训练和推理★ღ✿ღ。模型训练是指通过海量数据拟合出一个复杂的神经网络模型★ღ✿ღ，推理就是利用训练好的神经网络模型进行运算★ღ✿ღ，输入的新数据来获得新的结论★ღ✿ღ。

　　举个例子★ღ✿ღ，训练就是根据 年龄, 身高 的分布使用最小二乘法拟合模型 y = ax + b★ღ✿ღ，推理就是利用这个模型 y = ax + b★ღ✿ღ，输入一个新的年龄★ღ✿ღ，预测身高★ღ✿ღ。

　　工欲善其事★ღ✿ღ，必先利其器最近中文字幕手机大全★ღ✿ღ。传统后台应用依赖 tRPC 或 Spring 等微服务框架★ღ✿ღ，帮助我们屏蔽负载均衡最近中文字幕手机大全★ღ✿ღ、网络通信等底层细节最近中文字幕手机大全★ღ✿ღ，我们可以把精力放在业务实现上★ღ✿ღ。

　　与之相似★ღ✿ღ，AI 应用则依赖深度学习框架★ღ✿ღ。如果没有深度学习框架★ღ✿ღ，我们就可能陷入在茫茫的数学深渊中★ღ✿ღ，挣扎于痛苦的 GPU 编程泥潭里★ღ✿ღ。有了深度学习框架★ღ✿ღ，我们才可以把所有精力花在设计模型和创新本身上★ღ✿ღ，而不用关注底层的实现细节★ღ✿ღ，极大降低了 AI 应用的门槛★ღ✿ღ。

　　大家可能听说过不同的深度学习框架——Tensorflow★ღ✿ღ，PyTorch★ღ✿ღ。现在是2025年★ღ✿ღ，不用纠结选哪个★ღ✿ღ，因为 PyTorch 就是 AI 模型训练★ღ✿ღ、推理的深度学习框架的事实标准★ღ✿ღ。开源模型和代码都是 PyTorch 一边倒★ღ✿ღ。

　　得益于动态计算图★ღ✿ღ、自动微分和丰富的 Tensor操作算子★ღ✿ღ，PyTorch 能帮助我们快速实现模型设计★ღ✿ღ。如下图所示★ღ✿ღ，只需要描述模型结构+待学习的网络参数★ღ✿ღ，不需要关心数学计算和 GPU 编程的细节★ღ✿ღ。

　　绝大部分的 AI 应用★ღ✿ღ，的确不需要我们手写数学计算的 GPU 代码★ღ✿ღ。但为了满足模型创新的需求★ღ✿ღ，有必要学习 GPU 编程★ღ✿ღ。例如 Meta 发布的 HSTU 生成式推荐模型★ღ✿ღ，核心的 hstu_attn 计算★ღ✿ღ，如果直接用 PyTorch 框架算子组合实现★ღ✿ღ，则时间复杂度为 O(M * N²) ★ღ✿ღ，其中 M 和 N 是一个数量级★ღ✿ღ，相当于O(N³) ★ღ✿ღ。但是通过自定义内核★ღ✿ღ，可以优化到 O(N²)★ღ✿ღ。

　　在 GPU 核心上运行的代码片段称为内核（kernel）★ღ✿ღ。编写高性能的 CUDA 内核需要丰富的经验★ღ✿ღ，并且学习曲线陡峭★ღ✿ღ。因为我们习惯于传统 CPU 编程处理串行的计算任务★ღ✿ღ，通过多线程提高并发度★ღ✿ღ。而 GPU 采用 SIMT 架构★ღ✿ღ，有大量计算单元（CUDA Cores）和数万个线程★ღ✿ღ，但是被分组后的线程同一时刻只能执行相同的指令尊龙官方★ღ✿ღ。这与传统CPU的串行思维★ღ✿ღ、不同线程处理不同任务★ღ✿ღ，存在根本性冲突★ღ✿ღ，导致 GPU 编程学习难度大★ღ✿ღ。

　　现在推荐使用 Triton 编程语言完成 GPU kernel 的开发★ღ✿ღ，它提供类似 Python 的语法★ღ✿ღ，无需深入理解 GPU 硬件细节（如线程调度★ღ✿ღ、共享内存管理）★ღ✿ღ，而且和 PyTorch 深度学习框架的生态结合更好★ღ✿ღ。推荐这个 Triton-Puzzles-Lite 项目用作 Triton 的入门学习★ღ✿ღ。

　　以前大部分模型还可以轻松导出 ONNX★ღ✿ღ、TorchScript 等用 C++ 部署★ღ✿ღ，现在随着对模型的细粒度优化和控制越来越多★ღ✿ღ，比如 KV Cache★ღ✿ღ、MoE/模型并行★ღ✿ღ、复杂的if/for控制流★ღ✿ღ、自定义 Triton 算子等★ღ✿ღ，模型越来越难以脱离 Python 的控制部署★ღ✿ღ。笔者也从“C++ Boy”变成“Python Boy”★ღ✿ღ。

　　我们一直追求更大的模型★ღ✿ღ，DeepSeek-R1 有数千亿参数★ღ✿ღ，使用了数十万亿 token 的训练数据★ღ✿ღ，涉及算力★ღ✿ღ、存储★ღ✿ღ、通信等多维度的工程挑战★ღ✿ღ。有了 PyTorch 深度学习框架★ღ✿ღ，只是 AI 应用落地的万里长征第一步★ღ✿ღ。接下来我们将讨论深度学习框架之上的模型训练的挑战★ღ✿ღ。

　　DeepSeek-R1 模型大小=670GB★ღ✿ღ，而一台 GPU 服务器有8张H20卡★ღ✿ღ，提供768GB显存★ღ✿ღ，足够存下一个完整的 DeepSeek 模型★ღ✿ღ。那整个行业为什么还投入大量的人力物力★ღ✿ღ，顶着通信延时造成的算力损耗★ღ✿ღ，也要建设分布式 GPU 集群？核心原因是单台 GPU 服务器“存不下”★ღ✿ღ。

　　如下图所示的模型★ღ✿ღ，x1/x2/x3/x4 这些中间变量就是中间激活★ღ✿ღ。它们是神经网络前向传播（Forward）的“堆栈帧（Stack Frame）”——记录每一层处理后的数据快照★ღ✿ღ，确保反向传播（Backward）可回溯梯度★ღ✿ღ，根据预测误差调整模型权重最近中文字幕手机大全★ღ✿ღ，最小化损失函数★ღ✿ღ。

　　这些中间激活为什么会成为显存刺客？是因为中间激活的空间复杂度是和输入数据长度正相关的★ღ✿ღ，特别的★ღ✿ღ，对于 LLM 来说是O（N²）正比于输入数据长度的平方★ღ✿ღ，这是一个指数爆炸式增长的数字★ღ✿ღ。类似函数递归不断增长的“堆栈帧”导致的内存溢出★ღ✿ღ，我们遇到了AI Infra 的 OOM（Out of Memory）挑战★ღ✿ღ。

　　借助 PyTorch 的 profiler 工具★ღ✿ღ，我们可以直观地看到这个OOM★ღ✿ღ。下图是训练过程中不同阶段的显存分配★ღ✿ღ，包括模型参数（Parameter）尊龙官方★ღ✿ღ、优化器状态（Optimizer state）最近中文字幕手机大全★ღ✿ღ、中间激活（Activation）★ღ✿ღ、梯度（Gradient）尊龙官方★ღ✿ღ。在前向传播结束后出现一个显存占用（中间激活）的尖峰★ღ✿ღ，远大于模型参数本身★ღ✿ღ。

　　传统后台服务使用分片（Sharding）策略解决单机存不下的问题★ღ✿ღ。与之相似★ღ✿ღ，AI Infra 提出“模型并行”★ღ✿ღ，就是将单个大模型拆分为多个子模块★ღ✿ღ，并分布到不同 GPU 上协同工作★ღ✿ღ，通过通信来共享数据★ღ✿ღ。有不同的“拆分模型”策略★ღ✿ღ，例如按模型模块划分★ღ✿ღ，按张量（Tensor）划分的★ღ✿ღ，也可以将多种拆分方法结合起来一起使用★ღ✿ღ。PyTorch 深度学习框架和开源方案 Megatron 都能帮助我们高效地实现模型并行★ღ✿ღ。

　　建设分布式 GPU 集群的原因★ღ✿ღ，一个是因为“单机存不下”★ღ✿ღ，另外一个是提升训练速度★ღ✿ღ。但简单的机器堆叠★ღ✿ღ，算力不一定有线性的增长★ღ✿ღ。因为分布式训练并不是简单地把原来一个 GPU 做的事情分给多个 GPU 各自做★ღ✿ღ。需要协调多个 GPU 机器计算任务分配★ღ✿ღ，GPU 机器之间的数据传输会引入网络IO和通信开销★ღ✿ღ，降低训练速度★ღ✿ღ。

　　如下图所示的常规训练时序是串联式的尊龙官方★ღ✿ღ，存在许多网络 IO★ღ✿ღ，GPU 利用率低★ღ✿ღ，训练速度慢★ღ✿ღ。我们希望 GPU 大部分时间都在计算★ღ✿ღ，而不是花在数据传输或等待其他 GPU 的工作上★ღ✿ღ。

　　传统后台服务我们通过多线程或异步 IO 避免阻塞 CPU 主线程★ღ✿ღ，与之相似尊龙官方★ღ✿ღ，AI Infra 提出通信计算重叠的方法论★ღ✿ღ。GPU 编程模型中有流（stream）的概念★ღ✿ღ，一个流表示一个 GPU 操作队列★ღ✿ღ，该队列中的操作将以添加到流中的先后顺序而依次执行★ღ✿ღ。不同流之间可以并行执行★ღ✿ღ。那么通过令计算和通信操作加入不同的流中★ღ✿ღ，可以做到二者的执行在时间上重叠最近中文字幕手机大全★ღ✿ღ。例如 TorchRec 的 训练流水线 能帮助我们实现高效的通信计算重叠★ღ✿ღ。

　　AI 模型训练成本很高★ღ✿ღ，优秀如 DeepSeek 也要烧掉500万美金★ღ✿ღ，但再贵也只是一次性的★ღ✿ღ。而模型推理的成本更高★ღ✿ღ，因为用户越多★ღ✿ღ，AI 模型推理次数越多★ღ✿ღ，总成本越高★ღ✿ღ。模型推理面对的挑战和传统 Infra 非常相似★ღ✿ღ，主要是2个挑战★ღ✿ღ：高吞吐（降本）★ღ✿ღ，低延时（增效）★ღ✿ღ。

　　现在的 AI 模型越来越多地直面终端用户★ღ✿ღ，需要和用户进行实时的交互★ღ✿ღ，例如文本对话和语音合成★ღ✿ღ。模型推理耗时过高★ღ✿ღ，会直接造成用户体验受损★ღ✿ღ，用户流失与转化率下降★ღ✿ღ。

　　传统后台服务我们使用链接复用★ღ✿ღ、缓存★ღ✿ღ、柔性等技术降低系统响应时间★ღ✿ღ。AI Infra 也有相似的做法★ღ✿ღ。

　　在 GPU 编程模型中★ღ✿ღ，CPU 和 GPU 是异构的★ღ✿ღ，CPU 通过 API（例如 CUDA API） 向 GPU 提交任务★ღ✿ღ，然后异步等待 GPU 的计算结果返回★ღ✿ღ。GPU 收到任务后★ღ✿ღ，会执行内核启动★ღ✿ღ、内存拷贝★ღ✿ღ、计算等操作★ღ✿ღ。这个过程中★ღ✿ღ，涉及到 CPU 与 GPU 之间的通信★ღ✿ღ、驱动程序的处理以及 GPU 任务的调度等环节★ღ✿ღ，会产生一定的延迟★ღ✿ღ。模型推理需要执行大量重复的 GPU 操作★ღ✿ღ，每个的 GPU 操作都要重复执行上诉环节★ღ✿ღ，这些非核心的 GPU 开销会成倍数地放大★ღ✿ღ，影响最终响应时间★ღ✿ღ。

　　在传统后台服务★ღ✿ღ，我们使用 Redis 的 Lua 脚本封装多个 Redis 操作和计算逻辑★ღ✿ღ，一次提交★ღ✿ღ，减少网络开销★ღ✿ღ。与之相似★ღ✿ღ，AI Infra 利用 CUDA Graph 技术将多个 GPU 操作转化为一个有向无环图（DAG）★ღ✿ღ，然后一次性提交整个 DAG 提交到 GPU 执行★ღ✿ღ，由GPU自身来管理这些操作的依赖关系和执行顺序★ღ✿ღ，从而减少 CPU 与 GPU 之间的交互开销★ღ✿ღ。

　　LLM 大模型推理存在大量矩阵乘法运算★ღ✿ღ，且高度依赖上下文信息★ღ✿ღ。每次推理都需要将之前生成过的词重新输入模型进行计算★ღ✿ღ。这种计算方式使得复杂度达到了 O（N²）★ღ✿ღ，其中必然存在大量的重复计算★ღ✿ღ。

　　有时候模型推理延时实在避免不了★ღ✿ღ，可以从工程交互上想办法★ღ✿ღ。传统后台服务的 RPC 通信是一问一答方式★ღ✿ღ，这种方式不太适合语音合成或者文本对话的场景★ღ✿ღ。因为大模型推理需要几秒-几十秒★ღ✿ღ，如果等待模型推理结束才展示结果★ღ✿ღ，用户会等待较长的时间★ღ✿ღ，体验很差★ღ✿ღ。

　　流式响应就是当模型推理计算得到第一个token或者第一个音频帧的时候★ღ✿ღ，立马展示或者播放给用户★ღ✿ღ，同时后续的模型推理结果在已经建立的 TCP 流上继续顺序传输★ღ✿ღ。工程上从关注模型推理的整体耗时★ღ✿ღ，改为关注首token或首个音频帧的耗时★ღ✿ღ。几乎所有的 LLM 推理框架都支持了流式响应★ღ✿ღ。

　　提高吞吐量是程序员在传统 Infra 领域孜孜不倦的追求★ღ✿ღ，因为更高的吞吐量意味着更低的机器成本★ღ✿ღ。实现 AI 应用的高吞吐本质上就是提高昂贵的 GPU 的利用率★ღ✿ღ，让 GPU 单位时间能完成更多的任务★ღ✿ღ。

　　尽管模型推理需要执行万亿次浮点运算★ღ✿ღ，但 GPU 有大量的计算单元（CUDA Cores）★ღ✿ღ，单个请求的模型推理很难令 GPU 利用率达到饱和★ღ✿ღ。提高 GPU 利用率有2个方法★ღ✿ღ：传统批处理和连续批处理★ღ✿ღ。这里的“传统批处理”是相对于“连续批处理”这样的新型批处理方式而言的★ღ✿ღ。

　　其实传统后台服务也大量使用了批处理★ღ✿ღ，例如 Redis 的 MGet 命令★ღ✿ღ，单次请求就完成所有 key 的获取★ღ✿ღ，将 N 次网络往返（RTT）压缩为1次★ღ✿ღ。与之相似★ღ✿ღ，模型推理的批处理就是将多个输入样本打包（batch）★ღ✿ღ，将原本串行的 N 次轻量的推理计算★ღ✿ღ，合并为 1 次重量的计算★ღ✿ღ，实现单位时间内处理更多的请求★ღ✿ღ，提高了 GPU 利用率★ღ✿ღ。

　　传统批处理类似 “固定班次的公交车”★ღ✿ღ：乘客（请求）必须等待发车时间（组建一个batch）尊龙官方★ღ✿ღ，发车后所有乘客同步前进★ღ✿ღ。即使有乘客提前下车（短请求完成）★ღ✿ღ，车辆仍需等待所有乘客到达终点（长请求完成）才能返程接新乘客★ღ✿ღ。传统批处理存在着资源浪费★ღ✿ღ：GPU 要等待长请求处理完★ღ✿ღ，不能处理新的请求而空闲★ღ✿ღ。

　　这个问题在 LLM 应用领域显得特别突出★ღ✿ღ，因为不同用户请求 Prompt最近中文字幕手机大全★ღ✿ღ，模型的回答结果长度差异巨大★ღ✿ღ，如果使用传统批处理★ღ✿ღ，GPU 空闲率很高★ღ✿ღ。这个本质上是个任务调度问题★ღ✿ღ，传统后台服务我们使用工作窃取算法（work stealing）解决线程空闲问题★ღ✿ღ，与之相似★ღ✿ღ，AI Infra 提出“连续批处理”解决这个问题★ღ✿ღ。

　　连续批处理类似“随时随地拼车的顺风车”★ღ✿ღ，每辆车（GPU）在行程中可随时上/下客★ღ✿ღ。新乘客（请求）直接加入当前车辆的空位（空闲计算单元）★ღ✿ღ，已完成的乘客立即下车（释放资源）★ღ✿ღ。几乎所有的 LLM推理框架都支持了连续批处理能力★ღ✿ღ，例如 vLLM 的 Continuous Batching★ღ✿ღ。

　　AI Infra 面对的工程挑战★ღ✿ღ，例如计算★ღ✿ღ、存储★ღ✿ღ、通信★ღ✿ღ，大部分是新时代的老问题★ღ✿ღ，我们在传统 Infra 领域都能找到对应的场景和解决思路★ღ✿ღ。差异只在于战场从 CPU 转移到 GPU★ღ✿ღ，传统后台工程师积累的方法论★ღ✿ღ，依然可以无缝衔接到 AI Infra★ღ✿ღ。