AI Infra 和传统 Infra 有什么区别？程序员积累的技术栈和方法论✿◈ღ✿，如何复用到 AI 系统架构设计上？

　　随着大模型技术的爆发✿◈ღ✿，AI Infra 已成为基础设施领域的核心战场✿◈ღ✿。过去1年多的时间✿◈ღ✿，我们QQ基础架构算法工程团队落地了多个大模型应用✿◈ღ✿，包括语音合成大模型✿◈ღ✿、内容理解多模态大模型✿◈ღ✿、生成式推荐大模型✿◈ღ✿，跑通大模型训练到推理的全链路✿◈ღ✿。踩了很多坑✿◈ღ✿，也积累了不少经验✿◈ღ✿。本文将分享传统后台工程师积累的技术栈和方法论✿◈ღ✿，如何延续并迁移到 AI 系统d88尊龙人生就是博✿◈ღ✿，并系统性拆解 AI Infra 的硬件✿◈ღ✿、软件✿◈ღ✿、训练和推理挑战✿◈ღ✿。

　　经济基础决定上层建筑✿◈ღ✿。软件层面的架构设计✿◈ღ✿，无法脱离硬件约束d88尊龙人生就是博✿◈ღ✿。了解现代 AI 硬件特性非常有必要✿◈ღ✿。

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

　　而 AI Infra 以 GPU 为核心✿◈ღ✿，其设计目标从逻辑事务处理转向高吞吐浮点计算✿◈ღ✿。此时CPU 多线程被 GPU 并行计算替代✿◈ღ✿，内存被显存替代✿◈ღ✿。如下图所示✿◈ღ✿，H20单卡96GB显存✿◈ღ✿，可以提供44TFlops的单精度浮点运算d88尊龙人生就是博✿◈ღ✿，算力和访存带宽是主流CPU数十倍甚至数百倍✿◈ღ✿。每台机器安装8卡=768GB显存✿◈ღ✿，另外还有 CPU 192核384线TB 内存✿◈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✿，都需要读取全量的模型参数✿◈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✿，计算和通信都必须转移（offload）到 GPU 内完成✿◈ღ✿。CPU 成为数据搬运工和“辅助处理器”✿◈ღ✿。

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

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

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

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

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

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

　　工欲善其事✿◈ღ✿，必先利其器✿◈ღ✿。传统后台应用依赖 tRPC 或 Spring 等微服务框架d88尊龙人生就是博✿◈ღ✿，帮助我们屏蔽负载均衡✿◈ღ✿、网络通信等底层细节✿◈ღ✿，我们可以把精力放在业务实现上✿◈ღ✿。

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

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

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

　　绝大部分的 AI 应用✿◈ღ✿，的确不需要我们手写数学计算的 GPU 代码✿◈ღ✿。但为了满足模型创新的需求✿◈ღ✿，有必要学习 GPU 编程✿◈ღ✿。例如 Meta 发布的 HSTU 生成式推荐模型✿◈ღ✿，核心的 hstu_attn 计算✿◈ღ✿，如果直接用 PyTorch 框架算子组合实现✿◈ღ✿，则时间复杂度为 O(M * N²) ✿◈ღ✿，其中 M 和 N 是一个数量级d88尊龙人生就是博✿◈ღ✿，相当于O(N³) ✿◈ღ✿。但是通过自定义内核✿◈ღ✿，可以优化到 O(N²)✿◈ღ✿。

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

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

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

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

　　DeepSeek-R1 模型大小=670GB✿◈ღ✿，而一台 GPU 服务器有8张H20卡✿◈ღ✿，提供768GB显存✿◈ღ✿，足够存下一个完整的 DeepSeek 模型✿◈ღ✿。那整个行业为什么还投入大量的人力物力✿◈ღ✿，顶着通信延时造成的算力损耗✿◈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✿。

　　如下图所示的模型✿◈ღ✿，x1/x2/x3/x4 这些中间变量就是中间激活✿◈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✿，确保反向传播（Backward）可回溯梯度✿◈ღ✿，根据预测误差调整模型权重✿◈ღ✿，最小化损失函数✿◈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✿，特别的✿◈ღ✿，对于 LLM 来说是O（N²）正比于输入数据长度的平方大同烟草商务平台✿◈ღ✿，这是一个指数爆炸式增长的数字✿◈ღ✿。类似函数递归不断增长的“堆栈帧”导致的内存溢出✿◈ღ✿，我们遇到了AI Infra 的 OOM（Out of Memory）挑战✿◈ღ✿。

　　借助 PyTorch 的 profiler 工具✿◈ღ✿，我们可以直观地看到这个OOM✿◈ღ✿。下图是训练过程中不同阶段的显存分配✿◈ღ✿，包括模型参数（Parameter）✿◈ღ✿、优化器状态（Optimizer state）d88尊龙人生就是博✿◈ღ✿、中间激活（Activation）✿◈ღ✿、梯度（Gradient）✿◈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✿，远大于模型参数本身✿◈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✿。与之相似✿◈ღ✿，AI Infra 提出“模型并行”✿◈ღ✿，就是将单个大模型拆分为多个子模块✿◈ღ✿，并分布到不同 GPU 上协同工作✿◈ღ✿，通过通信来共享数据✿◈ღ✿。有不同的“拆分模型”策略✿◈ღ✿，例如按模型模块划分✿◈ღ✿，按张量（Tensor）划分的✿◈ღ✿，也可以将多种拆分方法结合起来一起使用✿◈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✿。

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

　　如下图所示的常规训练时序是串联式的✿◈ღ✿，存在许多网络 IO✿◈ღ✿，GPU 利用率低✿◈ღ✿，训练速度慢✿◈ღ✿。我们希望 GPU 大部分时间都在计算✿◈ღ✿，而不是花在数据传输或等待其他 GPU 的工作上✿◈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✿，与之相似✿◈ღ✿，AI Infra 提出通信计算重叠的方法论✿◈ღ✿。GPU 编程模型中有流（stream）的概念✿◈ღ✿，一个流表示一个 GPU 操作队列✿◈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✿。不同流之间可以并行执行✿◈ღ✿。那么通过令计算和通信操作加入不同的流中✿◈ღ✿，可以做到二者的执行在时间上重叠✿◈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✿。

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

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

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

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

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

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

　　观察到✿◈ღ✿，经过多次预测后✿◈ღ✿，X @ W_K和X @ W_V的结果上半部分都是相同的✿◈ღ✿。这是由于 LLM 模型结构的特殊设计导致的✿◈ღ✿。这些重复计算的结果可以缓存（即 KV Cache）下来✿◈ღ✿，空间换时间✿◈ღ✿，减少计算量✿◈ღ✿。几乎所有的 LLM 推理框架都支持了 KV Cache✿◈ღ✿，例如vLLM ✿◈ღ✿。

　　有时候模型推理延时实在避免不了✿◈ღ✿，可以从工程交互上想办法✿◈ღ✿。传统后台服务的 RPC 通信是一问一答方式✿◈ღ✿，这种方式不太适合语音合成或者文本对话的场景✿◈ღ✿。因为大模型推理需要几秒-几十秒✿◈ღ✿，如果等待模型推理结束才展示结果✿◈ღ✿，用户会等待较长的时间✿◈ღ✿，体验很差✿◈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✿，立马展示或者播放给用户✿◈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✿。工程上从关注模型推理的整体耗时✿◈ღ✿，改为关注首token或首个音频帧的耗时✿◈ღ✿。几乎所有的 LLM 推理框架都支持了流式响应✿◈ღ✿。

　　提高吞吐量是程序员在传统 Infra 领域孜孜不倦的追求✿◈ღ✿，因为更高的吞吐量意味着更低的机器成本✿◈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✿，让 GPU 单位时间能完成更多的任务✿◈ღ✿。

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

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

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

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

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

　　AI Infra 面对的工程挑战✿◈ღ✿，例如计算✿◈ღ✿、存储✿◈ღ✿、通信✿◈ღ✿，大部分是新时代的老问题✿◈ღ✿，我们在传统 Infra 领域都能找到对应的场景和解决思路✿◈ღ✿。差异只在于战场从 CPU 转移到 GPU✿◈ღ✿，传统后台工程师积累的方法论d88尊龙人生就是博✿◈ღ✿，依然可以无缝衔接到 AI Infra✿◈ღ✿。AG尊发凯龙人生就博是正规品牌吗✿◈ღ✿，尊龙网站首页✿◈ღ✿。尊龙凯时官网尊龙凯时(China)人生就是博!✿◈ღ✿，人生就是博(中国区)集团官方网站✿◈ღ✿，尊龙✿◈ღ✿。尊龙凯时首页人生就是博中国区官方网站