AI人工智能学习——AI赋能系统

AI大模型通过低代码或无代码反向优化赋能系统；

ARM定制化硅芯片提高计算效率、降低功耗；

AI数据中心定义一台计算机，算力逻辑区区分，前期计算虚拟化区分（openstack）；

AI模型更偏向于训练，无法做到算力切分，功能化独立，封闭环境业务推理和分析；

异构计算：商业服务计算涉及CPU、Memory、网络等，GPU与CPU协同工作；

异构计算分类：CPU、DPU、GPU分类，按功能不同分类进行并行协同工作；

异构分享：数据处理、控制逻辑、后续处理、串行处理，APU结合CPU和GPU，负载缓存通过共享存储和共享缓存存放，通过AI大模型自动分配计算到GPU或CPU上；AI自动化选择动态函数，稀疏并权重选择合适的计算资源，可以提高计算能效；

例：大模型集合通讯radius和ALLradius在网络上提升效率；

　　AI需求无限大网络带宽，网络单元上运行计算可以提升50%；

　　TCO通过不同的AI性能加速卡，倡导CPU和GPU、CPU和DPU的协作；

龙蜥生态如何通过AI生态更好的支持？

GPU和CPU的选择：AI算法需求；

存储和计算线性复杂度，无关训练长度，存储token和语言token一样，需要共同协同；

开发软硬件生态长期重点关注的；

语言模型：GPU处理计算；

大量异构计算：4卡、8卡左边提升，GPU+CPU作为最小单元相结合，跨机器内存统一编制；

结尾：

龙蜥社区生态建设通过开放性，国际化，社区开源数据局；硬件和软件结合，寄存器高速提升，反向提高软件处理性能；硬件是底座，期待AI实现零码，融合更多的业务需求，实现高效赋能；