2025 年 4 月伊始，正值中国清明假期，太平洋彼岸的 Meta 公司便发布了 Llama 4 模型。该模型参考了 DeepSeek 的技术，采用 FP8 精度训练的 MoE 架构，并且是训练原生的多模态模型。此次发布包含两种尺寸的模型，尽管如此，其实际测试效果却不尽如人意，这在 AI 圈内引发了轩然大波。紧接着，Google 推出了 A2A 协议（Agent2Agent），旨在解决未来多智能体之间如何沟通协作的问题。一时间，关于 MCP 与 A2A 是否可替代、能否互竞的讨论再度升温。4 月 16 日，OpenAI 再接再厉，正式发布了两款全新的人工智能推理模型，o3 与 o4-mini，开启 AI“看图思考”能力。

将时间线稍微拉长，回溯到 2025 年春节以来的短短数月，足以让我们深切感受到 AI 领域变化之迅猛。曾经的“各领风骚三五月”，如今已缩短为“只领风骚两三周”的节奏，并且这种加速的趋势仍在持续。

1. 模型方面:

   • LLM 与多模态领域： 阿里的 Qwen 系列、Google 的 Gemini 系列、OpenAI 的 GPT 系列，以及 DeepSeek 的多篇前沿论文（如 NSA、GRM）和 KIMI 与 DeepSeek“撞车”的 MoBA 模型，纷纷“你方唱罢我登场”，各展风采。

   • AI4S、具身智能等方向： 虽然探索从未停歇，但与大语言模型领域不同，尚未收敛到一个统一的架构上持续深化、优化，仍在时序模型、图神经网络（GNN）、图注意力网络（GAT）、扩散模型、时空变换网络（STTN）等多个方向持续探索。

   • 类 Sora 文生视频模型： 包括快手的可灵、字节的即梦、阿里的万象等，基本都围绕扩散模型范式展开，发展节奏介于 LLM 和 AI4S 之间。国内传媒院校以及奥美等 4A 级广告公司也开始涉足应用，抖音、快手等平台上已有大量 AI 生成的短视频，其观看流量迅速增长。看似“百花齐放春满园”，实际满园一种花。

2. 智能体方面：

   • 继 Open AI 发布 DeepResearch，Google 和 xAI 也发布了各自对标的 DeepSearch 后，真正将 Agent 热潮点燃的是 Monica 与 3 月 6 日凌晨发布的 Manus。紧接着，开源复刻的 OpenManus、OWL 相继问世，并进一步带动了 MCP（Model Context Protocol）及智能体间通信协议（如 ANP、如 IEEE SA-P3394 标准等）的科普。

3. AI 原生应用方面：

   • 腾讯公司低调发布了 IMA 应用（手机应用商店可下载），并迅速在年轻知识工作者中形成了良好的口碑效应。

本文将基于以上快速变化的背景，聚焦于推动 AI 技术飞跃发展背后的关键引擎——大模型训练过程。无论是备受瞩目的 Llama 4 发布、智能体领域协议之争，还是迅速迭代的大模型架构背后，都离不开强大的算力基础设施作为支撑。事实上，当前的人工智能竞赛早已进入到算力驱动时代，算力的规模、效率与稳定性直接决定了大模型迭代速度与效果。

接下来，我们将深入介绍大模型训练的一般流程，探讨其面临的具体挑战、技术细节以及未来发展的关键趋势。

算力基础设施与生态系统的构建已成为推动大模型发展的关键。6 月 27—28 日，在 2025 AICon 全球人工智能开发与应用大会（北京站），我们特别策划了【AI 基础设施与生态构建】专题，由华为昇腾生态技术首席 ZOMI 酱出品，邀请了来自阿里、蚂蚁以及 SGLang 等组织 / 企业的资深技术专家和实践者，分享他们在实际项目中的一线经验。欢迎业界同仁关注并参与交流，欲了解更多内容，可访问大会官网：https://aicon.infoq.cn/2025/beijing/schedule

大模型训练的一般流程

所有的大模型和智能，都离不开算力。而我们离理想中的完美大模型训练系统还很遥远。实际上训练算法团队、模型团队、AIInfra 团队需要深度地融合，逐步实现从百卡、千卡、万卡、十万卡的突破。大模型训练是一个复杂且资源密集的过程，涉及多个阶段：

模型研究和初启动阶段

在这个阶段，模型研究团队通过单点研究完成模型设计，并将大模型部署到集群上进行初步训练。初期可能会遇到数据吞吐、数据对齐等问题，但这些问题通常在模型启动初期就能被发现并解决。例如，数据对齐问题可能导致模型在不同节点上的梯度计算不一致，从而影响训练效果。但是这些问题很快就被发现了，因为在模型启动初期。便开始继续训练。

边开车边修车——应对灾难性问题

在研发过程中，大模型团队可能会遇到“灾难性问题”，如隐藏的小 bug 导致集群频繁报错。这些问题需要在不停止训练的情况下“边修边训”来解决。例如，一个隐藏的小 bug 可能导致集群在训练到 40% 时频繁崩溃，这需要团队快速定位问题并进行修复，同时保持训练的连续性。

模型能力加速阶段

经过灾难性地边开车边修车的过程，大模型团队会积累丰富的全栈技术，使得复刻下一个版本的大模型变得更加高效。例如，DeepSeek 从 V1、V2、V3、R1 的过程，模型能力的加速会越来越快；OpenAI 的模型从 GPT-4 至 GPT-4.5 的模型能力提升约为 10 倍，获得了“难以量化但全方位增强的智能”。在这个阶段，团队通常会优化模型架构和训练算法，以提高训练效率和模型性能。

聚焦提升性能和效率

在经历了模型能力的加速期后，会发现 Scaling Law（规模定律）依然发挥着重要作用。要实现下一个 10 倍乃至百倍的性能提升，关键在于数据效率，即能够利用更多算力，从同样数量的数据中学到更多知识的方法。

Transformer 架构的挑战与机遇

Transformer 架构之所以广泛应用，是因为它在利用数据方面非常高效，能够吸收和压缩信息，并实现泛化。它最大的特点就是能用计算资源高效地吸收信息。 然而，其潜在瓶颈也逐渐凸显出来：

• Transformer 从数据中获得有用信息的深度是有限的，当计算能力快速增长，而数据增长相对缓慢时，数据就会成为这种标准模式的瓶颈。这就需要算法创新，开发出能够利用更多算力从同样数量的数据中学到更多知识的方法。

• Transformer 架构的一个主要优势是其在数据效率方面的表现。它能够通过 Self Attention 自注意力机制有效地捕捉长距离依赖关系，从而在处理大规模数据集时表现出色。然而，随着模型规模的增加，数据效率的提升变得越来越困难。例如，一个拥有 1000 亿参数的模型可能需要数百万个训练样本才能达到最佳性能，而数据的增长速度往往无法跟上模型规模的增长。

• 在训练过程中，损失曲线的监控是确保模型正常运行的关键。通过实时监控 Loss 损失曲线，可以及时发现训练过程中的异常趋势，并采取相应的优化措施。例如，如果损失曲线在训练过程中出现波动，可能是因为权重数据在多卡之间分布不均匀导致计算聚合的时候溢出，这种问题其实在 infra 层面排查是挺困难的，算法上看上去没什么问题。

除了上述内容，我们还需要持续优化整个大模型的训练系统，弥补训练启动前算法团队和 Infra 团队未能完成的协同设计（co-design）。例如密切监控训练过程中的各类统计指标，确保不会出现预期外的异常情况。

此外，除了数据和算力的增长，Transformer 架构中的算法改进对性能的影响也是叠加式的。每次算法性能提高 10% 或 20%，叠加在数据效率上就会带来显著的提升效果。目前能看到的是 OpenAI 和 DeepSeek 正在进入 AI 研究的新阶段，将开始积累数据效率方面的成果。

大模型训练新纪元与硬件需求的演变

事实上，在大规模并行集群，也就是到万卡和十万卡的 AI 集群上会遇到的许多问题，并非规模扩大后才出现，而是从一开始就存在的。这些问题大多在小规模阶段就能被观察到，只是随着规模扩大，它们会演变成灾难性问题。

• 预训练与强化学习的数据矛盾。 预训练数据集通常追求广度和多样性。但当涉及模型强化学习，也就是 LLM+RL 时，若要让模型获得清晰的奖励信号 Reward 和良好的训练环境，就很难同时保持数据集的广度。预训练本质上是一个数据压缩的过程，旨在发现不同事物之间的联系。它更侧重于类比和抽象层面的学习。而推理 Reasoning 则是一种需要谨慎思考的特定能力，能够帮助解决多种类型的问题。通过跨领域的数据压缩，预训练模型能够掌握更高层次的抽象知识。

• Scaling Law 尚未触及理论极限。从机器学习和算法发展的角度来看，我们尚未触及明确 Scaling Law 和 Transformer 架构的理论上限。不同代的模型架构（或者说不同参数规模的模型）本质上是模型规格演进的必然结果。例如，我们无法简单地用 30B 模型的架构和数据量直接训练一个 160B 的模型。当计算需求超出单集群的承载能力时，就不得不转向多集群训练架构，所以现在出现了很多 AIInfra 研究异构场景的技术点。

构建万卡甚至十万卡规模的集群系统并非最终目标，真正的核心在于其实际产出价值——即能否训练出一个优秀的大模型。OpenAI 已经跨过了大模型训练的四个阶段，进入了一个新的算力纪元。对于 OpenAI 和 DeepSeek 这样的团队来说，计算资源已不再是主要瓶颈。这一转变对行业和公司自身的影响是深远的，毕竟从 2022 年开始，进入了百模型大战，到 DeepSeek 出来大杀四方这段时间期间，大部分算法和模型厂商来说都是长期处于计算资源受限的环境中。

那么在万卡集群的整体层面，什么会限制进行模型大规模训练？是芯片、处理器、内存、网络还是电源？既然国内很多团队处于转型阶段，那么对芯片、处理器等的需求是什么？

在大模型训练过程中，系统层面的瓶颈并非单一因素所致，而是计算、存储、通信、能源等多维度的综合挑战。也就是对于大模型来说，AIInfra 扮演着重要的角色。

计算与存储：芯片、内存与带宽的平衡

计算芯片（如 GPU/TPU）的性能直接影响训练效率，包括算力密度（TFLOPS）、显存容量（如 HBM 带宽）和高速互联能力（NVLink/RDMA）。例如，千亿参数模型的训练需要 TB 级显存存储参数和中间状态，而显存带宽不足会导致计算单元闲置，形成"内存墙"。此外，随着模型规模扩大，单集群的计算能力可能无法满足需求，迫使团队转向多集群架构，此时状态同步和通信开销成为新瓶颈。

内存系统的优化同样关键。除了显存，主机内存（DRAM）和存储（SSD/HDD）的层级协同也影响数据吞吐。例如，训练过程中的检查点（checkpoint）保存和加载需要高效的内存管理，而存储 I/O 延迟可能拖慢整体流程。因此，现代训练系统需要显存、内存和存储之间的带宽匹配，避免某一环节成为短板。

通信与网络：跨节点协作的效率

在大规模分布式训练中，网络通信往往是主要瓶颈之一。AllReduce 等集合操作需要高效的跨节点数据传输，而低带宽或高延迟的网络（如传统以太网）会导致同步时间大幅增加。当前，800Gbps RDMA 网络正在成为超算集群的标配，但拓扑设计（如 Dragonfly、Fat-Tree）和通信调度算法（如拓扑感知的 AllReduce）仍需优化，以避免网络拥塞。

此外，多集群训练引入了更复杂的通信问题。例如，跨数据中心的训练可能受限于广域网（WAN）带宽，而一致性协议（如参数服务器的同步策略）的选择会影响训练稳定性和速度。因此，国内团队在构建万卡级集群时，不仅需要高速互联硬件，还需软件层面的通信优化，如梯度压缩、异步训练等。

能源与散热：高密度计算的可持续性

随着计算密度提升，电源和散热成为不可忽视的限制因素。单机柜功率已从传统的 10kW 提升至 30kW 以上，而风冷散热效率接近极限，液冷技术（如冷板、浸没式）逐渐普及。这不仅涉及硬件改造（如供电冗余、冷却管路设计），还需软件层面的功耗管理，如动态电压频率调整（DVFS）和任务调度优化，以降低整体能耗。

在算力受限情况下，通过低精度训练（FP8/BF16）、动态稀疏化等技术提升硬件利用率。万卡级集群的稳定性要求硬件级容错（如自动恢复）、全局内存一致性（CXL 技术）等特性。目前，行业正在探索 3D 封装、存算一体、光互联等新技术，以突破传统架构限制。

总的来说，大模型训练的瓶颈本质是系统级的挑战，需从芯片、网络、能源到软件栈的全栈优化。当前的算力基础设施对大模型训练起到关键性作用，而我们离理想中的完美大模型训练系统还很遥远。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】