AI 训练 vs 推理 —— 硬件视角的根本差异
训练和推理虽然都用 GPU，但对硬件的需求差异巨大——训练吃带宽和算力，推理吃显存和延迟。本文从硬件视角讲清两者差异。
服务器基础知识全解
Intel Gaudi、Google TPU 与其他 AI 加速器
NVIDIA 之外，Google TPU 自用十多年，Intel Gaudi 主打性价比，AWS Trainium 自研降本，Cerebras/Groq 走另一条架构路线。本文盘点这些"非主流"AI 加速器。
AMD Instinct —— NVIDIA 之外的"另一颗 AI GPU"
AMD MI300X 是过去十年第一次有非 NVIDIA GPU 能在 AI 大模型上"上规模"，OpenAI、Meta、微软都买。本文讲清 AMD CDNA 架构、MI200/300/325/400 路线，以及 ROCm 软件栈的现状。
NVLink、NVSwitch 与 NVL72 —— 多卡变成"一颗大 GPU"
单卡再强一颗也跑不了 GPT-4。把几十、几百颗 GPU"连成一颗"是 AI 集群的核心问题。本文从 NVLink 1.0 讲到 NVL72 整机柜，看互联怎么从 PCIe 走到 NVSwitch Fabric。
NVIDIA 数据中心 GPU 路线 —— V100 到 Rubin
V100 让 Tensor Core 进入数据中心，A100 把它做成主流，H100 用 FP8 引爆大模型，B200 把整机柜变成"一颗大 GPU"。本文按代次梳理 NVIDIA 数据中心 GPU 路线。
GPU 历史 —— 从图形到通用计算
1999 年 NVIDIA 注册了 "GPU" 这个词条，那时它只画三角形。25 年后 GPU 把数据中心彻底改写。本文回看 GPU 怎么从图形卡演变成 AI 算力主力。