[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-home-live-entry-setting":3,"site-header-contests":8,"site-header-camps":49,"study-material-detail-study-93":104},{"enabled":4,"title":5,"statusText":5,"buttonText":5,"campSlug":5,"stage":6,"classroomId":7,"hasClassroom":4},false,"",0,null,{"total":9,"list":10,"pageNum":44,"pageSize":45,"size":9,"startRow":44,"endRow":9,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":48,"navigateFirstPage":44,"navigateLastPage":44},3,[11,25,35],{"slug":12,"title":13,"logo":7,"liveUrl":14,"prize":15,"sponsor":16,"description":17,"organizer":18,"startTime":19,"endTime":20,"registrationDeadline":21,"status":22,"dashboardVisibility":23,"createdAt":24},"spring2026","2026春季启元人工智能大赛","https:\u002F\u002Fwww.bilibili.com\u002Fblackboard\u002Flive\u002Flive-activity-player.html?cid=1822703816&quality=0","200,000","麒麟软件有限公司","“2026春季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。\n各参赛选手需在规定的比赛周期内，依据赛事规则选定赛题并完成相应挑战，优胜者将共同角逐总额20万元的赛事奖金池，并且还将有机会获得实习和知名企业优质岗位内推资格。","启元实验室","2026-04-19 16:00:00","2026-07-13 16:00:00","2026-06-16 16:00:00","ongoing","private","2026-04-16 08:00:00",{"slug":26,"title":27,"logo":7,"liveUrl":14,"prize":28,"sponsor":7,"description":29,"organizer":18,"startTime":30,"endTime":31,"registrationDeadline":32,"status":33,"dashboardVisibility":23,"createdAt":34},"autumn2025","2025秋季启元人工智能大赛","150,000","“2025秋季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。","2025-11-08 08:00:00","2026-01-13 08:00:00","2025-12-30 08:00:00","ended","2025-11-03 08:00:00",{"slug":36,"title":37,"logo":7,"liveUrl":14,"prize":38,"sponsor":7,"description":39,"organizer":18,"startTime":40,"endTime":41,"registrationDeadline":42,"status":33,"dashboardVisibility":23,"createdAt":43},"summer2025","启元人工智能大赛(系统方向)","80,000","启元人工智能大赛由启元实验室主办，其中系统赛道基于启元实验室九源软件栈的相关开源项目，通过拉动开源社区力量，一方面促进国产智能计算生态的发展，另一方面也为人工智能系统方向的学生及从业者提供一个实践平台。","2025-07-08 08:00:00","2025-08-25 08:00:00","2025-07-22 08:00:00","2025-06-22 08:00:00",1,5,true,8,[44],{"total":45,"list":50,"pageNum":44,"pageSize":45,"size":45,"startRow":44,"endRow":45,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":103,"navigateFirstPage":44,"navigateLastPage":44},[51,62,73,84,94],{"id":52,"slug":53,"title":54,"logo":55,"publicLiveEmbedUrl":14,"description":56,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":16,"startTime":58,"endTime":59,"status":22,"dashboardVisibility":60,"createdAt":58,"updatedAt":61},"019eeeff-6b00-7d55-a629-efafded3e232","summer2026","2026年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2026-06\u002F019eef7f-7816-7828-9309-79c2c61dd568.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=ihPLIAuCbx%2FbInTQLbtnjbL%2FgEc%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。","...","2026-06-22 08:00:00","2026-10-19 08:00:00","public","2026-10-12 08:00:00",{"id":63,"slug":64,"title":65,"logo":66,"publicLiveEmbedUrl":7,"description":67,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":68,"startTime":69,"endTime":70,"status":33,"dashboardVisibility":23,"createdAt":71,"updatedAt":72},"019af3f3-e06a-7245-aa8d-37dc99a69c73","winter2025","2025年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-12\u002F019afc69-b7ca-7805-91fb-605429671c01.png?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=RFJPol03COkEgvG5I%2FXurn1xrVs%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。 \n","新华三技术有限公司","2025-12-25 08:00:00","2026-03-27 08:00:00","2025-12-06 08:00:00","2026-10-22 20:24:30",{"id":74,"slug":36,"title":75,"logo":76,"publicLiveEmbedUrl":7,"description":77,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":78,"startTime":79,"endTime":80,"status":81,"dashboardVisibility":23,"createdAt":82,"updatedAt":83},"01980342-208c-7803-b3f3-19e1d31960ba","2025年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-07\u002F0198045e-28fe-78f0-95fe-23835ce58395.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=3EgCBk5kjXXxH6wOy5O8vDSNjzc%3D","InfiniTensor大模型与人工智能系统训练营由启元实验室及清华大学 AI 系统方向团队发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营联合开源项目开发者、学术界大牛、工业界资深工程师参与授课与项目指导。课程采用「线上直播授课 + 在线答疑 + 项目实践辅导 」的方式进行，确保每位同学都能获得充分成长。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","北京积算科技有限公司","2025-07-14 08:00:00","2025-09-30 08:00:00","upcoming","2025-07-13 08:00:00","2026-10-22 20:24:58",{"id":85,"slug":86,"title":87,"logo":88,"publicLiveEmbedUrl":7,"description":89,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":90,"endTime":91,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":93},"01980cf9-a7d8-7796-ae86-0bbe05334add","winter2024","2024年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-ce23-7624-a287-9f07dd0d85f6.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。报名学员请阅读“导学”课程页的训练营介绍。","2025-01-05 08:00:00","2025-03-22 08:00:00","2025-07-15 08:00:00","2026-10-22 20:24:39",{"id":95,"slug":96,"title":97,"logo":98,"publicLiveEmbedUrl":7,"description":99,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":100,"endTime":101,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":102},"01980c20-363a-7dc3-8f5a-58a68e08dcc4","summer2024","2024年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-fbfa-788a-afcd-17fa9be74ff9.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区和高校，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过课程、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","2024-07-20 08:00:00","2024-09-29 08:00:00","2026-10-22 20:24:49",[44],{"currentItem":105,"processedData":125},{"img":106,"keywords":107,"treeType":44,"description":108,"showStatus":44,"updateTime":109,"type":110,"title":111,"content":112,"nextArticle":113,"createTime":109,"sortOrder":117,"canonicalPath":118,"id":119,"contentType":120,"prevArticle":121},"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_fm.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=X%2FwfvfhcMotsyXMxWhq8w%2F3inX8%3D","AI 芯片,天数智芯,硬件软件协同,GPU 架构,计算范式","天数智芯架构专家分享串行 \u002F 并行 \u002F 加速三次计算范式跃迁，解析 GPU、HBM 等基础设施，剖析芯片三大指标权衡，分信息 \u002F 行动 \u002F 智能三阶段预判 AI 发展路线。","2026-10-22 20:38:11",2,"2026 夏季 InfiniTensor 训练营大咖课 1：天数智芯 AI 与加速计算负责人单天逸——《AI and AI Chip》","![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw01.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=RjU8XluZzxftCzsrTlLOSTsdigA%3D)\r\n\r\n\r\n8 月 5 日晚，2026 夏季 InfiniTensor 大模型与人工智能系统训练营迎来第一期大咖课。\r\n- 为什么 AI 崛起后出现了专用 AI 芯片，而非单纯提升传统 CPU\u002FFPGA 性能？这是偶然还是必然？\r\n- 为什么 HBM、高速互联、AI 软件栈成为标配？\r\n- AI 芯片的设计为何不追求单点峰值，而强调系统性权衡？\r\n\r\nInfiniTensor 训练营特邀天数智芯 AI 与加速计算负责人单天逸老师，带来《AI and AI Chip》主题分享。该分享从计算范式的百年演进切入，拆解 AI 与芯片相互迭代、共同演化的底层逻辑。\r\n\r\n### 讲师介绍\r\n**单天逸，天数智芯 AI 与加速计算负责人**\r\n- 参与天垓系列产品的架构设计，负责天垓 300 及后续通用 GPU 芯片的架构规划与核心方案设计；\r\n- 参与天数智芯软件栈、加速库等关键技术研发，致力于 AI 计算芯片的架构创新与工程落地。\r\n\r\n### 计算范式的三次跃迁\r\n#### 1. 串行计算（Serial Computing）\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw02.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=H4I9K4r55jgk0RxJ1xm3A2d7OPw%3D)\r\n\r\n- **定义**：指令依次执行，前一步完成后才能进行下一步。\r\n- **优势**：擅长复杂控制、分支预测、不规则任务；低延迟响应。\r\n- **历史贡献**：推动了现代操作系统、数据库、通信系统以及科学计算的发展，使复杂物理模型能够通过数值模拟和计算方法进行验证与探索。\r\n\r\n- **瓶颈**：受限于指令依赖（Dependency），无法通过堆砌硬件破除先后顺序。\r\n\r\n#### 2. 并行计算（Parallel Computing）\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw03.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=z6O%2FxrOwIaXQcV8ZydoAWl6sWDM%3D)\r\n\r\n\r\n- **（1）诞生三大驱动力**：\r\n  - **物理墙**：频率与功耗达到瓶颈，Dennard 缩放定律失效。\r\n  - **需求爆炸**：数据量与仿真精度增速远超单核性能增速。\r\n  - **算法特性**：大量算法（如 Sort、Allreduce、矩阵运算）存在独立操作，无强依赖。\r\n- **（2）CPU vs GPU 设计哲学**：\r\n  - **CPU（延迟优先）**：全能专家，复杂控制单元 + 大 Cache+ 高频，适合复杂业务与 OS。\r\n  - **GPU（吞吐优先）**：：大量并行执行单元，通过海量线程隐藏计算与访存延迟；相比 CPU，其控制逻辑占比较低，更强调计算吞吐而非单线程低延迟。\r\n- **（3）编程桥梁**：CUDA 将 GPU 从图形设备转变为通用并行计算平台。\r\n\r\n#### 3. 加速计算（Accelerated Computing）\r\n- **核心理念**：让合适的硬件做合适的事（Hardware-Software Co-design）。\r\n- **典型模块**：Tensor Core（矩阵乘）、Transformer\u002FAttention 算子优化单元、CNN 卷积单元、专用数据流加速单元。\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw04.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=gm9I3%2FF%2BQgOrNB90FoU8pcUh%2FGU%3D)\r\n\r\n- **Trade-off**：以牺牲灵活性和通用性为代价，换取高吞吐、低延迟、低功耗与高性价比。\r\n- **时代意义**：20 世纪是“测量世界”（Measure），21 世纪是“生成与创造”（Generate\u002FCreate）。\r\n\r\n\r\n### AI 基础设施的“存算连”演化史\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw05.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=grV%2BmgObgIYhVvb0vtaI9rZn1%2FE%3D)\r\n\r\n| 核心技术 | 最初目的 | AI 时代的“无心插柳” | 关键价值 |\r\n| :--- | :--- | :--- | :--- |\r\n| **GPU** | 游戏图形渲染（画三角形） | 深度学习矩阵运算的完美载体 | 高吞吐并行架构 |\r\n| **HBM** | 提升内存带宽并降低高带宽存储接口功耗（3D 堆叠） | 大模型参数与 KV Cache 的“兵家必争之地” | 高带宽+大容量+低能耗 |\r\n| **NVLink** | HPC 高性能计算 | 大规模 AI 训练中的 GPU 通信基础设施 | 高速互联+系统级拓扑 |\r\n| **LPU** | 面向低延迟 AI 推理设计的新型处理架构 | 利用静态调度和确定性执行优化 Transformer 推理 | 低延迟+确定性执行 |\r\n\r\n- **芯片设计**：不要将当前模型结构固化为唯一答案，应识别相对稳定的能力（高效数据搬运、可扩展并行、灵活数据类型、可编程性）。\r\n\r\n\r\n### AI 芯片架构设计的核心目标与权衡\r\n#### 1. 三大核心指标（不可兼得的三角）\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw06.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=RAtrdI1%2BuR15UZcbLDC47lRJ9Xg%3D)\r\n\r\n- **Price Performance（性价比）**：完成相同任务的成本。\r\n- **Ease of Programming（可编程性）**：生态壁垒与用户粘性（如CUDA）。\r\n- **Flexibility（延展性）**：支持当前及未来不同模型架构的能力。\r\n\r\n#### 2. 四大经典架构 Trade-off\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw07.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=QcrVB6g%2FaoNOVT4rXWldfOlJDUE%3D)\r\n\r\n- **（1）NUMA vs UMA**：\r\n  - NUMA：本地内存访问快，远端慢，扩展性好（如 Grace CPU Superchip）。\r\n  - UMA：统一内存地址，通用性强。\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw08.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=V3sXtK%2BX6oaMO0hgZFdDauuy3%2Bw%3D)\r\n\r\n- **（2）Load\u002FStore vs Push Pull**：\r\n  - Load\u002FStore：灵活通用，适合不规则访问（CPU\u002FGPU 主流）。\r\n  - Push\u002FPull：数据流架构的一类设计思想，通过减少显式访存控制降低开销，适用于规则计算密集任务（部分 AI 加速器采用）。\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw09.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=2we6LBQHrzYI3mBFXZbQyQ4fqgw%3D)\r\n\r\n\r\n- **（3）Crossbar vs Mesh**：\r\n  - Crossbar：提供高连接自由度和较低通信冲突，适合小规模高带宽互联，但面积和功耗成本随规模快速增加。\r\n  - Mesh：连线少、功耗低，适合 AllReduce，但延迟不均，灵活性差。\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw10.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=c%2BWml3rGlJykJ8ybNo7%2B%2Bbv7fRg%3D)\r\n\r\n\r\n- **（4）Runtime vs Compile Time**：\r\n  - Runtime：动态调度，容错高，但执行时间不确定。\r\n  - Compile-time：静态排程，极致高效可预测，但容错差、灵活性低。\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw11.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=ddkd4ddPSfXZXvK%2BeKvVhUFMAP8%3D)\r\n\r\n### AI 发展的三个阶段展望\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw12.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=D1YRQeijGr6vgX%2BQjWgIR2amQds%3D)\r\n\r\n**1. 信息智能（Information Intelligence）**：理解、生成、转换信息（Token\u002F图片\u002F视频）。\r\n\r\n**2. 行动智能（Agent Intelligence）**：基于信息理解，独立完成复杂任务（Vibe Coding\u002FOpenClaw）。\r\n\r\n**3.探索智能（Exploration Intelligence）**：自主提出假设、设计实验，探索未知规律（新材料\u002F新元素发现），效率提升万倍以上。\r\n\r\n> **飞机隐喻**：AI 的发展不应止于表面模仿人类（像鸟拍翅膀），而应深入理解智能的底层规律（空气动力学），通过计算与记忆构建可理解的智慧。\r\n\r\n\r\n## Q&A 精选答疑\r\n\r\n**Q1：如何看待 CuTe 这类底层开发工具？**\r\nA：CuTe 是介于 CUDA C 与 Library 之间的矩阵编程工具。当原生 CUDA 太难、官方 Library 又无法满足细粒度优化需求时，CuTe 提供了更精细的矩阵编程能力，降低了 H100\u002FB100 等新架构的编程门槛。\r\n\r\n**Q2：蒸馏\u002F量化等算法会减轻芯片压力吗？**\r\nA：不会。硬件公司的目标是“用满芯片”而非“减轻压力”。模型越大效果越好，硬件迭代的动力正是为了让更大的模型跑得动、跑得好，从而释放 AI 更大潜力。\r\n\r\n**Q3：国产 GPU 适配主流框架的最大阻碍是什么？**\r\nA：核心是积累不足。不仅是软件库和开发者生态的差距，硬件设计本身的历史迭代经验也影响了算子泛化性与执行效率。这需要时间沉淀，非一日之功。\r\n\r\n**Q4：如何预判未来新算子？流片后算法变了怎么办？**\r\nA：不预判具体算子，只实现完备的数学原语所有算法都由基础运算组成，只要原语齐全+吞吐\u002F延迟设计合理，就能支持未来算法。流片后无法补救算子，靠的是通用性与迭代能力。\r\n\r\n**Q5：小模型爆发对 GPU 架构有何挑战？**\r\nA：小模型对算力要求不高，传统 GPU 即可满足。当前先进芯片研发重心仍在大模型，小模型更多依赖存量硬件，尚未构成对前沿架构的核心挑战。\r\n\r\n**Q6：优先保证算子兼容还是拉高峰值算力？**\r\nA：优先峰值算力。编程模型是为硬件服务的，先有吞吐优先的架构，再有 CUDA 等编程范式。性能与灵活性是根基，兼容性是在此基础上的软件工程问题。\r\n\r\n\r\n\r\n\r\n\r\n## 加入训练营\r\n📺**完整课程内容，请观看直播或查看课程回放：**\r\n\r\n**InfiniTensor 官网**： https:\u002F\u002Fwww.infinitensor.com\r\n\r\n**B站直播**： InfiniTensor 官方直播间\r\n\r\n**视频号直播**： InfiniTensor 视频号预约\r\n\r\n**答疑交流**： 训练营官方社群⬇️\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002Fqun_1072.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=o%2F8pj7kCRCuymx6eteNQk9R%2FGQQ%3D)\r\n\r\n## 关注与交流\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002Fnews_ewm02.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=T3zAwjNQevtf8RDwKi3412WjCPc%3D)",{"publishTime":7,"createTime":109,"canonicalPath":114,"id":115,"title":116},"\u002Fstudy-material\u002Fstudy-92","study-92","2026 夏季 InfiniTensor 训练营 OpenCL 编程 3：《OpenCL 算子的实现与优化》",17,"\u002Fstudy-material\u002Fstudy-93","study-93","markdown",{"publishTime":7,"createTime":109,"canonicalPath":122,"id":123,"title":124},"\u002Fstudy-material\u002Fstudy-94","study-94","2026 夏季 InfiniTensor 训练营 Triton & 九齿 5：《九齿三重：天通》",{"htmlContent":126,"headings":127},"\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw01.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=RjU8XluZzxftCzsrTlLOSTsdigA%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cp>8 月 5 日晚，2026 夏季 InfiniTensor 大模型与人工智能系统训练营迎来第一期大咖课。\u003C\u002Fp>\n\u003Cul>\n\u003Cli>为什么 AI 崛起后出现了专用 AI 芯片，而非单纯提升传统 CPU\u002FFPGA 性能？这是偶然还是必然？\u003C\u002Fli>\n\u003Cli>为什么 HBM、高速互联、AI 软件栈成为标配？\u003C\u002Fli>\n\u003Cli>AI 芯片的设计为何不追求单点峰值，而强调系统性权衡？\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>InfiniTensor 训练营特邀天数智芯 AI 与加速计算负责人单天逸老师，带来《AI and AI Chip》主题分享。该分享从计算范式的百年演进切入，拆解 AI 与芯片相互迭代、共同演化的底层逻辑。\u003C\u002Fp>\n\u003Ch3 id=\"讲师介绍\">\u003Ca class=\"anchor\" href=\"#讲师介绍\" aria-label=\"跳转到标题：讲师介绍\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>讲师介绍\u003C\u002Fh3>\u003Cp>\u003Cstrong>单天逸，天数智芯 AI 与加速计算负责人\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>参与天垓系列产品的架构设计，负责天垓 300 及后续通用 GPU 芯片的架构规划与核心方案设计；\u003C\u002Fli>\n\u003Cli>参与天数智芯软件栈、加速库等关键技术研发，致力于 AI 计算芯片的架构创新与工程落地。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"计算范式的三次跃迁\">\u003Ca class=\"anchor\" href=\"#计算范式的三次跃迁\" aria-label=\"跳转到标题：计算范式的三次跃迁\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>计算范式的三次跃迁\u003C\u002Fh3>\u003Ch4 id=\"1-串行计算-serial-computing\">\u003Ca class=\"anchor\" href=\"#1-串行计算-serial-computing\" aria-label=\"跳转到标题：1. 串行计算（Serial Computing）\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>1. 串行计算（Serial Computing）\u003C\u002Fh4>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw02.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=H4I9K4r55jgk0RxJ1xm3A2d7OPw%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cp>\u003Cstrong>定义\u003C\u002Fstrong>：指令依次执行，前一步完成后才能进行下一步。\u003C\u002Fp>\n\u003C\u002Fli>\n\u003Cli>\u003Cp>\u003Cstrong>优势\u003C\u002Fstrong>：擅长复杂控制、分支预测、不规则任务；低延迟响应。\u003C\u002Fp>\n\u003C\u002Fli>\n\u003Cli>\u003Cp>\u003Cstrong>历史贡献\u003C\u002Fstrong>：推动了现代操作系统、数据库、通信系统以及科学计算的发展，使复杂物理模型能够通过数值模拟和计算方法进行验证与探索。\u003C\u002Fp>\n\u003C\u002Fli>\n\u003Cli>\u003Cp>\u003Cstrong>瓶颈\u003C\u002Fstrong>：受限于指令依赖（Dependency），无法通过堆砌硬件破除先后顺序。\u003C\u002Fp>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch4 id=\"2-并行计算-parallel-computing\">\u003Ca class=\"anchor\" href=\"#2-并行计算-parallel-computing\" aria-label=\"跳转到标题：2. 并行计算（Parallel Computing）\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>2. 并行计算（Parallel Computing）\u003C\u002Fh4>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw03.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=z6O%2FxrOwIaXQcV8ZydoAWl6sWDM%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>（1）诞生三大驱动力\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>\u003Cstrong>物理墙\u003C\u002Fstrong>：频率与功耗达到瓶颈，Dennard 缩放定律失效。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>需求爆炸\u003C\u002Fstrong>：数据量与仿真精度增速远超单核性能增速。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>算法特性\u003C\u002Fstrong>：大量算法（如 Sort、Allreduce、矩阵运算）存在独立操作，无强依赖。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>（2）CPU vs GPU 设计哲学\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>\u003Cstrong>CPU（延迟优先）\u003C\u002Fstrong>：全能专家，复杂控制单元 + 大 Cache+ 高频，适合复杂业务与 OS。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>GPU（吞吐优先）\u003C\u002Fstrong>：：大量并行执行单元，通过海量线程隐藏计算与访存延迟；相比 CPU，其控制逻辑占比较低，更强调计算吞吐而非单线程低延迟。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>（3）编程桥梁\u003C\u002Fstrong>：CUDA 将 GPU 从图形设备转变为通用并行计算平台。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch4 id=\"3-加速计算-accelerated-computing\">\u003Ca class=\"anchor\" href=\"#3-加速计算-accelerated-computing\" aria-label=\"跳转到标题：3. 加速计算（Accelerated Computing）\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>3. 加速计算（Accelerated Computing）\u003C\u002Fh4>\u003Cul>\n\u003Cli>\u003Cstrong>核心理念\u003C\u002Fstrong>：让合适的硬件做合适的事（Hardware-Software Co-design）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>典型模块\u003C\u002Fstrong>：Tensor Core（矩阵乘）、Transformer\u002FAttention 算子优化单元、CNN 卷积单元、专用数据流加速单元。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw04.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=gm9I3%2FF%2BQgOrNB90FoU8pcUh%2FGU%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Trade-off\u003C\u002Fstrong>：以牺牲灵活性和通用性为代价，换取高吞吐、低延迟、低功耗与高性价比。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>时代意义\u003C\u002Fstrong>：20 世纪是“测量世界”（Measure），21 世纪是“生成与创造”（Generate\u002FCreate）。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"ai-基础设施的-存算连-演化史\">\u003Ca class=\"anchor\" href=\"#ai-基础设施的-存算连-演化史\" aria-label=\"跳转到标题：AI 基础设施的“存算连”演化史\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 基础设施的“存算连”演化史\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw05.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=grV%2BmgObgIYhVvb0vtaI9rZn1%2FE%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth align=\"left\">核心技术\u003C\u002Fth>\n\u003Cth align=\"left\">最初目的\u003C\u002Fth>\n\u003Cth align=\"left\">AI 时代的“无心插柳”\u003C\u002Fth>\n\u003Cth align=\"left\">关键价值\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd align=\"left\">\u003Cstrong>GPU\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd align=\"left\">游戏图形渲染（画三角形）\u003C\u002Ftd>\n\u003Ctd align=\"left\">深度学习矩阵运算的完美载体\u003C\u002Ftd>\n\u003Ctd align=\"left\">高吞吐并行架构\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd align=\"left\">\u003Cstrong>HBM\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd align=\"left\">提升内存带宽并降低高带宽存储接口功耗（3D 堆叠）\u003C\u002Ftd>\n\u003Ctd align=\"left\">大模型参数与 KV Cache 的“兵家必争之地”\u003C\u002Ftd>\n\u003Ctd align=\"left\">高带宽+大容量+低能耗\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd align=\"left\">\u003Cstrong>NVLink\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd align=\"left\">HPC 高性能计算\u003C\u002Ftd>\n\u003Ctd align=\"left\">大规模 AI 训练中的 GPU 通信基础设施\u003C\u002Ftd>\n\u003Ctd align=\"left\">高速互联+系统级拓扑\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd align=\"left\">\u003Cstrong>LPU\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd align=\"left\">面向低延迟 AI 推理设计的新型处理架构\u003C\u002Ftd>\n\u003Ctd align=\"left\">利用静态调度和确定性执行优化 Transformer 推理\u003C\u002Ftd>\n\u003Ctd align=\"left\">低延迟+确定性执行\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cul>\n\u003Cli>\u003Cstrong>芯片设计\u003C\u002Fstrong>：不要将当前模型结构固化为唯一答案，应识别相对稳定的能力（高效数据搬运、可扩展并行、灵活数据类型、可编程性）。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"ai-芯片架构设计的核心目标与权衡\">\u003Ca class=\"anchor\" href=\"#ai-芯片架构设计的核心目标与权衡\" aria-label=\"跳转到标题：AI 芯片架构设计的核心目标与权衡\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 芯片架构设计的核心目标与权衡\u003C\u002Fh3>\u003Ch4 id=\"1-三大核心指标-不可兼得的三角\">\u003Ca class=\"anchor\" href=\"#1-三大核心指标-不可兼得的三角\" aria-label=\"跳转到标题：1. 三大核心指标（不可兼得的三角）\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>1. 三大核心指标（不可兼得的三角）\u003C\u002Fh4>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw06.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=RAtrdI1%2BuR15UZcbLDC47lRJ9Xg%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Price Performance（性价比）\u003C\u002Fstrong>：完成相同任务的成本。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Ease of Programming（可编程性）\u003C\u002Fstrong>：生态壁垒与用户粘性（如CUDA）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Flexibility（延展性）\u003C\u002Fstrong>：支持当前及未来不同模型架构的能力。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch4 id=\"2-四大经典架构-trade-off\">\u003Ca class=\"anchor\" href=\"#2-四大经典架构-trade-off\" aria-label=\"跳转到标题：2. 四大经典架构 Trade-off\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>2. 四大经典架构 Trade-off\u003C\u002Fh4>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw07.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=QcrVB6g%2FaoNOVT4rXWldfOlJDUE%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>（1）NUMA vs UMA\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>NUMA：本地内存访问快，远端慢，扩展性好（如 Grace CPU Superchip）。\u003C\u002Fli>\n\u003Cli>UMA：统一内存地址，通用性强。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw08.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=V3sXtK%2BX6oaMO0hgZFdDauuy3%2Bw%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>（2）Load\u002FStore vs Push Pull\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>Load\u002FStore：灵活通用，适合不规则访问（CPU\u002FGPU 主流）。\u003C\u002Fli>\n\u003Cli>Push\u002FPull：数据流架构的一类设计思想，通过减少显式访存控制降低开销，适用于规则计算密集任务（部分 AI 加速器采用）。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw09.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=2we6LBQHrzYI3mBFXZbQyQ4fqgw%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>（3）Crossbar vs Mesh\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>Crossbar：提供高连接自由度和较低通信冲突，适合小规模高带宽互联，但面积和功耗成本随规模快速增加。\u003C\u002Fli>\n\u003Cli>Mesh：连线少、功耗低，适合 AllReduce，但延迟不均，灵活性差。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw10.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=c%2BWml3rGlJykJ8ybNo7%2B%2Bbv7fRg%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>（4）Runtime vs Compile Time\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>Runtime：动态调度，容错高，但执行时间不确定。\u003C\u002Fli>\n\u003Cli>Compile-time：静态排程，极致高效可预测，但容错差、灵活性低。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw11.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=ddkd4ddPSfXZXvK%2BeKvVhUFMAP8%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch3 id=\"ai-发展的三个阶段展望\">\u003Ca class=\"anchor\" href=\"#ai-发展的三个阶段展望\" aria-label=\"跳转到标题：AI 发展的三个阶段展望\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 发展的三个阶段展望\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_93_zw12.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=D1YRQeijGr6vgX%2BQjWgIR2amQds%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cp>\u003Cstrong>1. 信息智能（Information Intelligence）\u003C\u002Fstrong>：理解、生成、转换信息（Token\u002F图片\u002F视频）。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>2. 行动智能（Agent Intelligence）\u003C\u002Fstrong>：基于信息理解，独立完成复杂任务（Vibe Coding\u002FOpenClaw）。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>3.探索智能（Exploration Intelligence）\u003C\u002Fstrong>：自主提出假设、设计实验，探索未知规律（新材料\u002F新元素发现），效率提升万倍以上。\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>飞机隐喻\u003C\u002Fstrong>：AI 的发展不应止于表面模仿人类（像鸟拍翅膀），而应深入理解智能的底层规律（空气动力学），通过计算与记忆构建可理解的智慧。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch2 id=\"q-amp-a-精选答疑\">\u003Ca class=\"anchor\" href=\"#q-amp-a-精选答疑\" aria-label=\"跳转到标题：Q&A 精选答疑\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>Q&A 精选答疑\u003C\u002Fh2>\u003Cp>\u003Cstrong>Q1：如何看待 CuTe 这类底层开发工具？\u003C\u002Fstrong>\u003Cbr>A：CuTe 是介于 CUDA C 与 Library 之间的矩阵编程工具。当原生 CUDA 太难、官方 Library 又无法满足细粒度优化需求时，CuTe 提供了更精细的矩阵编程能力，降低了 H100\u002FB100 等新架构的编程门槛。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q2：蒸馏\u002F量化等算法会减轻芯片压力吗？\u003C\u002Fstrong>\u003Cbr>A：不会。硬件公司的目标是“用满芯片”而非“减轻压力”。模型越大效果越好，硬件迭代的动力正是为了让更大的模型跑得动、跑得好，从而释放 AI 更大潜力。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q3：国产 GPU 适配主流框架的最大阻碍是什么？\u003C\u002Fstrong>\u003Cbr>A：核心是积累不足。不仅是软件库和开发者生态的差距，硬件设计本身的历史迭代经验也影响了算子泛化性与执行效率。这需要时间沉淀，非一日之功。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q4：如何预判未来新算子？流片后算法变了怎么办？\u003C\u002Fstrong>\u003Cbr>A：不预判具体算子，只实现完备的数学原语所有算法都由基础运算组成，只要原语齐全+吞吐\u002F延迟设计合理，就能支持未来算法。流片后无法补救算子，靠的是通用性与迭代能力。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q5：小模型爆发对 GPU 架构有何挑战？\u003C\u002Fstrong>\u003Cbr>A：小模型对算力要求不高，传统 GPU 即可满足。当前先进芯片研发重心仍在大模型，小模型更多依赖存量硬件，尚未构成对前沿架构的核心挑战。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Q6：优先保证算子兼容还是拉高峰值算力？\u003C\u002Fstrong>\u003Cbr>A：优先峰值算力。编程模型是为硬件服务的，先有吞吐优先的架构，再有 CUDA 等编程范式。性能与灵活性是根基，兼容性是在此基础上的软件工程问题。\u003C\u002Fp>\n\u003Ch2 id=\"加入训练营\">\u003Ca class=\"anchor\" href=\"#加入训练营\" aria-label=\"跳转到标题：加入训练营\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>加入训练营\u003C\u002Fh2>\u003Cp>📺\u003Cstrong>完整课程内容，请观看直播或查看课程回放：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>InfiniTensor 官网\u003C\u002Fstrong>： \u003Ca href=\"https:\u002F\u002Fwww.infinitensor.com\">https:\u002F\u002Fwww.infinitensor.com\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>B站直播\u003C\u002Fstrong>： InfiniTensor 官方直播间\u003C\u002Fp>\n\u003Cp>\u003Cstrong>视频号直播\u003C\u002Fstrong>： InfiniTensor 视频号预约\u003C\u002Fp>\n\u003Cp>\u003Cstrong>答疑交流\u003C\u002Fstrong>： 训练营官方社群⬇️\u003C\u002Fp>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002Fqun_1072.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=o%2F8pj7kCRCuymx6eteNQk9R%2FGQQ%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch2 id=\"关注与交流\">\u003Ca class=\"anchor\" href=\"#关注与交流\" aria-label=\"跳转到标题：关注与交流\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>关注与交流\u003C\u002Fh2>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002Fnews_ewm02.jpg?Expires=1792752556&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=T3zAwjNQevtf8RDwKi3412WjCPc%3D\" alt=\"\">\u003C\u002Fp>\n",[128,130,132,136,139,142,145,148,151,154,157,160,162],{"id":129,"text":129,"level":9},"讲师介绍",{"id":131,"text":131,"level":9},"计算范式的三次跃迁",{"id":133,"text":134,"level":135},"1-串行计算-serial-computing","1. 串行计算（Serial Computing）",4,{"id":137,"text":138,"level":135},"2-并行计算-parallel-computing","2. 并行计算（Parallel Computing）",{"id":140,"text":141,"level":135},"3-加速计算-accelerated-computing","3. 加速计算（Accelerated Computing）",{"id":143,"text":144,"level":9},"ai-基础设施的-存算连-演化史","AI 基础设施的“存算连”演化史",{"id":146,"text":147,"level":9},"ai-芯片架构设计的核心目标与权衡","AI 芯片架构设计的核心目标与权衡",{"id":149,"text":150,"level":135},"1-三大核心指标-不可兼得的三角","1. 三大核心指标（不可兼得的三角）",{"id":152,"text":153,"level":135},"2-四大经典架构-trade-off","2. 四大经典架构 Trade-off",{"id":155,"text":156,"level":9},"ai-发展的三个阶段展望","AI 发展的三个阶段展望",{"id":158,"text":159,"level":110},"q-amp-a-精选答疑","Q&A 精选答疑",{"id":161,"text":161,"level":110},"加入训练营",{"id":163,"text":163,"level":110},"关注与交流"]