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

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

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

　　而 AI Infra 以 GPU 为核心✿◈✿◈，其设计目标从逻辑事务处理转向高吞吐浮点计算✿◈✿◈。此时CPU 多线程被 GPU 并行计算替代✿◈✿◈，内存被显存替代✿◈✿◈。如下图所示✿◈✿◈，H20单卡96GB显存✿◈✿◈，可以提供44TFlops的单精度浮点运算✿◈✿◈，算力和访存带宽是主流CPU数十倍甚至数百倍西部世界第三集下载✿◈✿◈。每台机器安装8卡=768GB显存✿◈✿◈，另外还有 CPU 192核384线TB 内存✿◈✿◈。

　　为什么 GPU 会成为核心？是因为 LLM 大模型每次生成一个 token✿◈✿◈，都需要读取全量的模型参数✿◈✿◈。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✿◈✿◈，计算和通信都必须转移（offload）到 GPU 内完成✿◈✿◈。CPU 成为数据搬运工和“辅助处理器”✿◈✿◈。

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

　　显而易见✿◈✿◈，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✿◈✿◈，各种专用硬件✿◈✿◈、专用网络层出不穷✿◈✿◈。DeepSeek-R1 和 QWen3-235B 千亿级参数训练需千卡 GPU 集群协同✿◈✿◈，通过专用网络互联构建“AI超算”✿◈✿◈，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✿◈✿◈。

　　传统 Infra 的分布式理念貌似在 AI 时代失效了✿◈✿◈。传统 Infra 追求横向扩展✿◈✿◈，而 AI Infra 呈现 “AI 大型机”特性✿◈✿◈，是因为传统后台服务的可以容忍毫秒级延迟✿◈✿◈，但 AI 集群不行✿◈✿◈，GPU 的算力是 CPU 的数百倍✿◈✿◈，微秒级的延时等待也会造成很大的算力损耗✿◈✿◈，需要硬件的高度集成✿◈✿◈。在可预见的1-3年的未来✿◈✿◈，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✿◈✿◈。

　　回顾历史✿◈✿◈，我们总是在寻求科技平权✿◈✿◈。前人推动“去IOE”（IBM小型机✿◈✿◈、Oracle数据库✿◈✿◈、EMC存储）✿◈✿◈，用分布式廉价x86 pc机替代集中式高端硬件✿◈✿◈，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✿◈✿◈。AI大型机是技术发展必由之路✿◈✿◈，但不是终极形态✿◈✿◈。长期（5年）来看✿◈✿◈，必然会出现 AI 去 NVIDIA 化✿◈✿◈，重演“去 IOE”的历史✿◈✿◈。

　　相比传统后台应用的增删查改✿◈✿◈，AI 应用的新范式是模型训练和推理✿◈✿◈。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✿◈✿◈，推理就是利用训练好的神经网络模型进行运算✿◈✿◈，输入的新数据来获得新的结论✿◈✿◈。

　　举个例子✿◈✿◈，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✿◈✿◈，推理就是利用这个模型 y = ax + b✿◈✿◈，输入一个新的年龄✿◈✿◈，预测身高✿◈✿◈。

　　工欲善其事✿◈✿◈，必先利其器✿◈✿◈。传统后台应用依赖 tRPC 或 Spring 等微服务框架AG尊龍凱時✿◈✿◈，帮助我们屏蔽负载均衡✿◈✿◈、网络通信等底层细节✿◈✿◈，我们可以把精力放在业务实现上✿◈✿◈。

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

　　大家可能听说过不同的深度学习框架——Tensorflow✿◈✿◈，PyTorch尊龙凯时中国官网入口✿◈✿◈。✿◈✿◈。现在是2025年✿◈✿◈，不用纠结选哪个✿◈✿◈，因为 PyTorch 就是 AI 模型训练✿◈✿◈、推理的深度学习框架的事实标准✿◈✿◈。开源模型和代码都是 PyTorch 一边倒西部世界第三集下载✿◈✿◈。

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

　　绝大部分的 AI 应用✿◈✿◈，的确不需要我们手写数学计算的 GPU 代码✿◈✿◈。但为了满足模型创新的需求✿◈✿◈，有必要学习 GPU 编程✿◈✿◈。例如 Meta 发布的 HSTU 生成式推荐模型✿◈✿◈，核心的 hstu_attn 计算✿◈✿◈，如果直接用 PyTorch 框架算子组合实现人生就是博·(中国区)官方网站✿◈✿◈，✿◈✿◈，则时间复杂度为 O(M * N²) ✿◈✿◈，其中 M 和 N 是一个数量级✿◈✿◈，相当于O(N³) ✿◈✿◈。但是通过自定义内核✿◈✿◈，可以优化到 O(N²)西部世界第三集下载✿◈✿◈。

　　在 GPU 核心上运行的代码片段称为内核（kernel）✿◈✿◈。编写高性能的 CUDA 内核需要丰富的经验✿◈✿◈，并且学习曲线陡峭✿◈✿◈。因为我们习惯于传统 CPU 编程处理串行的计算任务✿◈✿◈，通过多线程提高并发度✿◈✿◈。而 GPU 采用 SIMT 架构✿◈✿◈，有大量计算单元（CUDA Cores）和数万个线程✿◈✿◈，但是被分组后的线程同一时刻只能执行相同的指令✿◈✿◈。这与传统CPU的串行思维✿◈✿◈、不同线程处理不同任务✿◈✿◈，存在根本性冲突✿◈✿◈，导致 GPU 编程学习难度大西部世界第三集下载✿◈✿◈。

　　现在推荐使用 Triton 编程语言完成 GPU kernel 的开发✿◈✿◈，它提供类似 Python 的语法✿◈✿◈，无需深入理解 GPU 硬件细节（如线程调度✿◈✿◈、共享内存管理）✿◈✿◈，而且和 PyTorch 深度学习框架的生态结合更好尊龙人生就是博d88官方网站✿◈✿◈。推荐这个 Triton-Puzzles-Lite 项目用作 Triton 的入门学习✿◈✿◈。

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

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

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

　　如下图所示的模型✿◈✿◈，x1/x2/x3/x4 这些中间变量就是中间激活✿◈✿◈。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✿◈✿◈，确保反向传播（Backward）可回溯梯度✿◈✿◈，根据预测误差调整模型权重✿◈✿◈，最小化损失函数✿◈✿◈。

　　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✿◈✿◈，特别的✿◈✿◈，对于 LLM 来说是O（N²）正比于输入数据长度的平方✿◈✿◈，这是一个指数爆炸式增长的数字尊龙人生就是博d88官方网站✿◈✿◈。类似函数递归不断增长的“堆栈帧”导致的内存溢出✿◈✿◈，我们遇到了AI Infra 的 OOM（Out of Memory）挑战✿◈✿◈。

　　借助 PyTorch 的 profiler 工具✿◈✿◈，我们可以直观地看到这个OOM✿◈✿◈。下图是训练过程中不同阶段的显存分配✿◈✿◈，包括模型参数（Parameter）✿◈✿◈、优化器状态（Optimizer state）✿◈✿◈、中间激活（Activation）✿◈✿◈、梯度（Gradient）✿◈✿◈。在前向传播结束后出现一个显存占用（中间激活）的尖峰尊龙人生就是博d88官方网站✿◈✿◈，远大于模型参数本身✿◈✿◈。

　　传统后台服务使用分片（Sharding）策略解决单机存不下的问题✿◈✿◈。与之相似✿◈✿◈，AI Infra 提出“模型并行”✿◈✿◈，就是将单个大模型拆分为多个子模块✿◈✿◈，并分布到不同 GPU 上协同工作✿◈✿◈，通过通信来共享数据✿◈✿◈。有不同的“拆分模型”策略✿◈✿◈，例如按模型模块划分西部世界第三集下载✿◈✿◈，按张量（Tensor）划分的尊龙人生就是博d88官方网站✿◈✿◈，也可以将多种拆分方法结合起来一起使用✿◈✿◈。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✿◈✿◈。

　　建设分布式 GPU 集群的原因✿◈✿◈，一个是因为“单机存不下”✿◈✿◈，另外一个是提升训练速度✿◈✿◈。但简单的机器堆叠✿◈✿◈，算力不一定有线性的增长✿◈✿◈。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✿◈✿◈。需要协调多个 GPU 机器计算任务分配✿◈✿◈，GPU 机器之间的数据传输会引入网络IO和通信开销✿◈✿◈，降低训练速度✿◈✿◈。

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

　　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✿◈✿◈，与之相似✿◈✿◈，AI Infra 提出通信计算重叠的方法论西部世界第三集下载✿◈✿◈。GPU 编程模型中有流（stream）的概念✿◈✿◈，一个流表示一个 GPU 操作队列✿◈✿◈，该队列中的操作将以添加到流中的先后顺序而依次执行✿◈✿◈。不同流之间可以并行执行✿◈✿◈。那么通过令计算和通信操作加入不同的流中✿◈✿◈，可以做到二者的执行在时间上重叠✿◈✿◈。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✿◈✿◈。

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

　　现在的 AI 模型越来越多地直面终端用户✿◈✿◈，需要和用户进行实时的交互✿◈✿◈，例如文本对话和语音合成✿◈✿◈。模型推理耗时过高尊龙人生就是博d88官方网站✿◈✿◈，会直接造成用户体验受损✿◈✿◈，用户流失与转化率下降✿◈✿◈。

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

　　在 GPU 编程模型中人生就是博·(中国)z6mg✿◈✿◈！✿◈✿◈，CPU 和 GPU 是异构的✿◈✿◈，CPU 通过 API（例如 CUDA API） 向 GPU 提交任务✿◈✿◈，然后异步等待 GPU 的计算结果返回✿◈✿◈。GPU 收到任务后✿◈✿◈，会执行内核启动✿◈✿◈、内存拷贝✿◈✿◈、计算等操作✿◈✿◈。这个过程中✿◈✿◈，涉及到 CPU 与 GPU 之间的通信✿◈✿◈、驱动程序的处理以及 GPU 任务的调度等环节✿◈✿◈，会产生一定的延迟✿◈✿◈。模型推理需要执行大量重复的 GPU 操作✿◈✿◈，每个的 GPU 操作都要重复执行上诉环节✿◈✿◈，这些非核心的 GPU 开销会成倍数地放大✿◈✿◈，影响最终响应时间✿◈✿◈。

　　在传统后台服务✿◈✿◈，我们使用 Redis 的 Lua 脚本封装多个 Redis 操作和计算逻辑✿◈✿◈，一次提交✿◈✿◈，减少网络开销✿◈✿◈。与之相似✿◈✿◈，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）✿◈✿◈，然后一次性提交整个 DAG 提交到 GPU 执行✿◈✿◈，由GPU自身来管理这些操作的依赖关系和执行顺序✿◈✿◈，从而减少 CPU 与 GPU 之间的交互开销✿◈✿◈。

　　LLM 大模型推理存在大量矩阵乘法运算✿◈✿◈，且高度依赖上下文信息✿◈✿◈。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✿◈✿◈。这种计算方式使得复杂度达到了 O（N²）✿◈✿◈，其中必然存在大量的重复计算✿◈✿◈。

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

　　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✿◈✿◈，立马展示或者播放给用户✿◈✿◈，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✿◈✿◈。工程上从关注模型推理的整体耗时✿◈✿◈，改为关注首token或首个音频帧的耗时✿◈✿◈。几乎所有的 LLM 推理框架都支持了流式响应✿◈✿◈。

　　提高吞吐量是程序员在传统 Infra 领域孜孜不倦的追求✿◈✿◈，因为更高的吞吐量意味着更低的机器成本尊龙人生就是博d88官方网站✿◈✿◈。实现 AI 应用的高吞吐本质上就是提高昂贵的 GPU 的利用率✿◈✿◈，让 GPU 单位时间能完成更多的任务✿◈✿◈。

　　尽管模型推理需要执行万亿次浮点运算✿◈✿◈，但 GPU 有大量的计算单元（CUDA Cores）✿◈✿◈，单个请求的模型推理很难令 GPU 利用率达到饱和尊龙人生就是博d88官方网站✿◈✿◈。提高 GPU 利用率有2个方法✿◈✿◈：传统批处理和连续批处理✿◈✿◈。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✿◈✿◈。

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

　　传统批处理类似 “固定班次的公交车”✿◈✿◈：乘客（请求）必须等待发车时间（组建一个batch）✿◈✿◈，发车后所有乘客同步前进✿◈✿◈。即使有乘客提前下车（短请求完成）✿◈✿◈，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✿◈✿◈。传统批处理存在着资源浪费✿◈✿◈：GPU 要等待长请求处理完✿◈✿◈，不能处理新的请求而空闲✿◈✿◈。

　　这个问题在 LLM 应用领域显得特别突出✿◈✿◈，因为不同用户请求 Prompt✿◈✿◈，模型的回答结果长度差异巨大✿◈✿◈，如果使用传统批处理✿◈✿◈，GPU 空闲率很高✿◈✿◈。这个本质上是个任务调度问题✿◈✿◈，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✿◈✿◈，与之相似✿◈✿◈，AI Infra 提出“连续批处理”解决这个问题✿◈✿◈。

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

　　AI Infra 面对的工程挑战✿◈✿◈，例如计算西部世界第三集下载✿◈✿◈、存储✿◈✿◈、通信✿◈✿◈，大部分是新时代的老问题✿◈✿◈，我们在传统 Infra 领域都能找到对应的场景和解决思路✿◈✿◈。差异只在于战场从 CPU 转移到 GPU✿◈✿◈，传统后台工程师积累的方法论✿◈✿◈，依然可以无缝衔接到 AI Infra✿◈✿◈。