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 为核心人生就是博官方网站★✿，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★✿。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 集群不行国内看NETFLIX的VPS孩★✿，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★✿，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★✿。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★✿。

　　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★✿，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)★✿。

　　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国内看NETFLIX的VPS孩人生就是博官方网站★✿。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★✿。

　　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★✿。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控制流人生就是博官方网站★✿、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★✿。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国内看NETFLIX的VPS孩★✿，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★✿，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人生就是博官方网站★✿。有不同的“拆分模型”策略★✿，例如按模型模块划分★✿，按张量（Tensor）划分的★✿，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★✿。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 模型训练成本很高人生就是博官方网站★✿，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★✿，会直接造成用户体验受损国内看NETFLIX的VPS孩★✿，用户流失与转化率下降★✿。

　　传统后台服务我们使用链接复用国内看NETFLIX的VPS孩★✿、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★✿，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 执行人生就是博官方网站★✿，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★✿。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★✿。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★✿、存储国内看NETFLIX的VPS孩★✿、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★✿。人生就是博★✿！光电产业尊龙凯时★✿！AG尊时凯龙人生就博登录★✿，尊时凯龙·(中国区)人生就是搏!★✿，AG尊发凯龙人生就博是正规品牌吗★✿，凯时★✿，AI系统★✿。