学习路线

🧭 5年 Foundation Model Algorithm-System Co-design 研究路线 🎯 终极目标 成为 Foundation Model Algorithm–System Co-design Researcher 。 不是单纯的： - CUDA 工程师

🧠 从 LLM Inference 到 Foundation Model 全栈算法 Infra 专家成长路线 0. 起点：为什么从 Inference 开始？ LLM 时代，Inference 是理解大模型系统最好的入口。 原因： - 能快速看到模型结构、计算图、GPU/NPU

来源：北京时间 2026-09-15 19:52 的可见提问摘录；于 2026-09-16 补整理。未取得该会话的完整回答，下述解释为依据一手资料补写的学习笔记，不是原回答复原。 昨天的问题 你从 MindStudio-ModelSlim 出发，问深入学习量化应读哪些论文和项目、

整理日期：2026-09-14（晚间增量）。依据当天新增问题、可见对话摘录与一手资料整理，不是完整逐字稿。教学推导与用户反馈分别注明，未执行服务器操作。 今天的困惑 你感到推理 Infra 已经很复杂，叠加昇腾后需要同时处理模型、量化、缓存、并行、网络和版本；因此考虑先在 CUD

问题起点 为什么 LLM inference infra 的变化速度异常快，甚至产生“一年像传统软件多年”的体感？未来 1–3 年会趋于稳定，还是继续无法收敛？这个领域究竟是工程主导还是理论主导？从数据库、云计算、CUDA 等历史阶段回看，进入这种早期系统领域意味着什么？ 为什么

HPC 未名超算队 seminars 研讨会 大模型和ai infra 学习从算子到 框架 到强化学习 到通讯 大模型训的更快 推更省 跑的更好 内容 kernel和ml compiler - cuda gpu编程 - dsl - layout - oipeline - orde

问题起点 AI Infra 项目很多，但不是每个项目都值得长期投入。真正高价值的项目，通常处于性能关键路径、系统 abstraction 边界或跨硬件通用层，能够训练出可迁移的系统能力，而不是只让人熟悉某个工具。 判断“黄金项目”的标准 一个项目是否值得深挖，可以用五个维度判断：