模型能不能训得动、跑得快、成本压得下来？
AI 的物理地基，负责提供训练和推理所需的计算资源、带宽、显存和能源边界。
AT-E-001 · high
L1 / Compute Layer
算力与硬件层
AI 的物理地基，负责提供训练和推理所需的计算资源、带宽、显存和能源边界。
- 训练算力
- 推理吞吐
- 显存容量
- 高速互联
- 数据中心供给
- GPU
- NPU
- TPU
- CUDA
- Tensor Core
- 分布式集群
- 芯片制造
- GPU kernel engineer
- CUDA engineer
- performance engineer
- distributed systems engineer
- 显存不足
- 通信瓶颈
- 成本过高
- 推理延迟过高
- 硬件供应受限
- 容量规划
- 成本监控
- 硬件冗余
- 性能基准
- 常规资源申请
- 基础监控脚本
- 标准部署模板
- 底层性能优化
- 硬件约束判断
- 成本-性能权衡
- 集群故障定位
AI 基础设施工程师infrastructure-critical
负责算力、推理运行时、服务化、性能和成本边界。
T4 · 旧理解 c
用户用 Python 写神经网络训练代码。
认知操作 r@Ddecompose@kernel_runtime_layer
新理解 C' · high
Python 主要承担上层接口、实验编排和生态调用；真正高密度数值计算通常由底层 C++ / CUDA runtime 执行。