这门课将带你跳出“只会调模型”的视角，从大模型全栈系统出发，建立从AI芯片、集群网络、存储，到数据、算法、训练、微调、推理与智能体的完整技术地图。课程不堆公式，而是围绕真实问题展开：大模型为什么需要AI集群？集群为何不是卡越多越快？训练显存和推理KV Cache如何估算？分布式并行、RDMA/IB、参数服务器到底解决什么？GPU与NPU精度差异又从何而来？适合希望进入大模型基础设施、算法工程、AI集群与推理优化的学习者，也适合已有深度学习基础、想补齐系统全栈认知的开发者。学完后，你能理解大模型训练与推理的核心瓶颈，掌握TTA、加速比、参数量、显存、训练时间等关键估算方法，看懂分布式训练、微调、评价、推理加速和智能体的技术脉络，为后续深入实践打下全局框架。