README

深入理解 AI Infra：量化分析与系统设计





简体中文 · English · 繁體中文 · Русский — community edition

 [!TIP]
 下载与阅读 · 格式与版本说明

 - 简体中文（原版，作者 @bojieli）：PDF · EPUB · 在线阅读
 - English（社区翻译，@tg1482）: PDF · EPUB · Read online
 - 繁體中文（社区翻译，@edward821220）：PDF · EPUB · 線上閱讀
 - Русский — community edition, @ilkruglov: PDF · EPUB · Онлайн-чтение · О переводе

《深入理解 AI Infra》是 GitHub 上获得 50k+ Star 的《深入理解 AI Agent：设计原理与工程实践》的姊妹篇。

写完《深入理解 AI Agent》后，在与读者交流的过程中，我越来越感到：要开发好基于模型的应用，还需要理解它赖以运行的基础设施。大多数软件工程师不必亲自开发操作系统、编译器和芯片，却仍要学习操作系统、编译原理和计算机体系结构，因为申请内存、读取文件、调用函数，背后都有资源与时间代价。基于模型开发应用也是如此。延迟相差几倍，产品体验就可能完全不同；成本相差一个数量级，能够支撑的商业模式也随之改变。

更深层的变化是编程抽象的上移：从操作系统到模型上下文。传统的操作系统、编译器和硬件要为事先未知的各种程序提供通用能力，系统优化总要在可编程性与性能之间取舍。如今 LLM 成了最重要的应用，从算子执行到分布式调度，都可以针对特定的模型和加速器架构优化；模型设计也开始反过来适应硬件，DeepSeek V4/V4.1 重新设计长上下文的表示方式，就是一例。从某种意义上说，模型成了 LLM 时代的操作系统，AI Infra 成了 LLM 时代的计算机体系结构。《计算机体系结构：量化研究方法》是我在体系结构领域的入门书，而 AI Infra 领域还缺少一本从硬件约束和模型架构出发、量化推导系统设计的书，这是我写作本书的动机。

贯穿全书的方法是从约束推导设计：先明确任务与质量要求，列出计算、存储、通信和依赖关系，对照硬件的容量、带宽和算力做数量级估算。这类估算人容易出错，AI 也一样：只算权重读取而忘了 KV 缓存，按峰值算力推算速度而不查带宽能否供给，把工作平分给多张卡却遗漏卡间通信，漏掉任何一项，结论都可能偏离几倍甚至几个数量级。估算还有另一层用意：读博时导师张霖涛博士反复叮嘱，优化一定要做到物理所允许的极限。本书贯彻这一习惯，先按第一性原理算出硬件允许的上限，再看实测离上限还有多远；差距不是模型漏了项，就是系统有可以去掉的开销。从 FPGA 加速 Bing 搜索排序、昇腾 AKG 算子生成到 UB 万卡互联，我反复遇到的是同一条线索：数据搬移。本书因此反复追问五个问题：搬什么、搬多少、搬几次、经过哪里、谁必须等它。 更多写作背景见前言。

目前书稿仍是初稿，正在持续修订。

 内容目录

| 章 | 主题 | 主要问题 |
| :--: | --- | --- |
| 1 | 初识 AI Infra | 一次生成需要多少显存、计算和数据读写？ |
| 2 | 模型架构 | 注意力、历史状态与专家结构如何改变系统需求？ |
| 3 | 推理与训练负载 | 任务阶段、到达模式和状态寿命如何影响资源需求？ |
| 4 | 加速器架构 | 如何在计算、存储、带宽、功耗与成本之间取舍？ |
| 5 | 算子与运行时 | 融合、复用、并发和调度如何减少执行开销？ |
| 6 | 超节点 | 多设备协作如何平衡容量、吞吐和同步代价？ |
| 7 | 数据中心网络 | 网络带宽、通信方式和拥塞如何影响计算效率？ |
| 8 | 推理优化 | 批处理、KV 管理、卸载与推测解码何时有效？ |
| 9 | 分布式推理 | 如何放置计算和状态，并处理扩缩容与恢复？ |
| 10 | 训练系统 | 如何安排显存、通信和重算，让训练更高效？ |
| 11 | 资源调度与运行环境 | 模型服务和工具环境如何共享资源，减少等待？ |
| 12 | 端边云协同 | 任务放在本地、边缘还是云端，如何兼顾效果、延迟和成本？ |

 适合谁读

如果你已经调用过模型 API，或在自己的机器上运行过模型，想进一步弄清模型为什么慢、如何降低成本，这本书可以作为起点。从事系统、网络和芯片工作的工程师，以及相关方向的研究人员和学生，也能从书中看到各层设计与实际模型任务的联系。

阅读时需要一些 Python、线性代数和计算机系统基础，具体要求见前言。建议先读第 1—3 章，了解模型与负载，再根据自己的兴趣选择重点：

- 做模型应用和推理服务，可以重点读第 8、9 章，再看第 11、12 章的任务环境与部署；遇到容量、算子或通信问题时，回到第 4—7 章追踪原因。
- 做系统或网络，可以重点读第 5—7 章，再看第 9、10 章，检查这些机制如何影响分布式推理与训练。
- 做芯片与体系结构，可以重点读第 4—7 章，并结合后续章节的任务算例，检查硬件指标如何转化为实际的服务能力。
- 希望系统学习，可以按目录顺序阅读，配合计算工具和实验，逐步核对自己的理解。

遇到书中的算例，不妨先自己估一下，再看推导和实验结果。也可以换成你正在使用的模型和硬件，看看结论是否改变。

 配套计算与实验

配套计算工具可以用来复算书中的数字，也可以换一组模型和输入，估算资源需求。工具附有模型配置和结果索引，静态计算只需 Python 3.10+ 标准库，无需 GPU 或模型权重。

bash
git clone https://github.com/bojieli/ai-infra-book.git
cd ai-infra-book

 查看模型支持情况
python3 calculations/calc.py models

 估算 Qwen3-8B 在 8192-token prefill 下的逐算子资源需求
python3 calculations/calc.py forward --model qwen3-8b --tokens 8192 --format md


仓库使用 Git LFS 保存论文和较大的输入与测量记录，合计约 20 GB。为避免克隆时全部下载，.lfsconfig 默认跳过所有 LFS 文件，工作区中只留下指针；正文、配图和静态计算都不需要它们。复现某个实验时，只下载对应目录：

bash
git lfs install
git lfs pull --include="experiments/ch05/05-01/" --exclude=""


配套实验按章节存放在 experiments/chXX/XX-YY/ 中，每个实验都附有运行方法、输入条件和结果说明。需要 GPU 的实验会注明硬件与依赖要求；没有相应设备，也可以先阅读已有记录。复现或引用结果时，请留意所用的书稿版本、模型、硬件和输入参数。

 本地构建

阅读网站（Pytho