封面
前折页
书名页
版权页
前言
目录
理念篇 范式革命的必然
 第1章 算力觉醒：智能时代的新引擎
  1.1 从电力到算力：新质生产力的演进
   1.1.1 电力时代：工业经济的能量底座
   1.1.2 算力时代：信息社会的认知底座
   1.1.3 对比分析：能量链与认知链
  1.2 指数级增长：人工智能的算力饥渴
   1.2.1 AI算力需求的三大引擎
   1.2.2 模型体量：参数指数曲线的背后
   1.2.3 数据洪峰：词元世界里的“热力学”
   1.2.4 应用泛化：推理请求的“长尾爆炸”
   1.2.5 三大引擎的叠加效应：AI算力需求的指数级革命
  1.3 繁荣与困局：异构算力的迷思
   1.3.1 编程模型层面的软硬解耦与语义鸿沟
   1.3.2 虚拟化技术的适用边界
   1.3.3 从集群管理到算力网络的演进挑战
  1.4 算力原生的提出：一场静默的范式革命
   1.4.1 算力需求变化与传统计算范式的瓶颈
   1.4.2 从软件适配硬件到面向算力的能力设计
   1.4.3 算力原生的基本内涵与直观理解
   1.4.4 算力原生范式带来的影响与价值
 第2章 算力技术的发展历程与现状
  2.1 异构计算的探索：从CUDA到OpenCL
   2.1.1 异构计算的发展历程与现状
   2.1.2 CUDA、OpenCL与硬件编程模型
   2.1.3 硬件抽象层与跨平台移植技术
  2.2 云原生的贡献：容器化与调度革命
   2.2.1 虚拟化与容器化技术演进
   2.2.2 Kubernetes与集群调度系统
  2.3 算力即服务与算力网络：新兴服务模式与关键支撑技术
   2.3.1 算力即服务的兴起
   2.3.2 算力网络架构与关键技术
  2.4 竖井生态的形成：碎片化的困局与机制探索
   2.4.1 现有技术的局限性
   2.4.2 传统调度策略的瓶颈
   2.4.3 算力交易与可信共享机制
  2.5 适配模式的穷途与算力原生的突破
   2.5.1 适配模式的挑战
   2.5.2 算力原生的核心突破点
   2.5.3 算力原生调度的新思路
   2.5.4 从算力可用到算力高效
 第3章 算力原生：新范式的核心内涵
  3.1 范式转变：从“应用适配算力”到“算力原生应用”
  3.2 算力原生的内在特性
   3.2.1 异构性的价值重构
   3.2.2 层次性的数据组织
   3.2.3 动态性的智能调控
  3.3 算力原生的内涵
   3.3.1 算子原生化：算力“神经元”的统一
   3.3.2 任务原生化：工作流的智能调度
   3.3.3 智能原生化：算力与AI的深度融合
  3.4 算力原生的核心价值：融通生态、释放潜能
   3.4.1 提升算力资源利用效率，释放异构算力潜能
   3.4.2 支撑复杂智能任务，满足新型计算负载需求
   3.4.3 构建新型算力基础设施，支撑算力服务化发展
   3.4.4 面向未来计算体系的战略意义
技术篇 新范式的三大支柱
 第4章 算子原生化：构建算力的统一“语言”
  4.1 算力抽象：资源统一建模
   4.1.1 统一描述与度量：从物理资源到语义抽象
   4.1.2 资源标识与调度：算力的自我认知
  4.2 无服务器架构：极致弹性的算力载体
   4.2.1 范式重构：从静态配给到按需响应
   4.2.2 资源画像：异构算力的智能匹配基础
   4.2.3 冷启动难题攻克：镜像分发与存储优化
   4.2.4 预测与预热：算力的前瞻性调度能力
  4.3 算子融合：释放硬件潜能
 第5章 任务原生化：智能调度与全局优化
  5.1 跨域资源传输：数据与任务的协同优化
  5.2 多工作流容器调度：镜像与资源的全局统筹
  5.3 弹性伸缩迁移：动态环境的自适应决策
   5.3.1 垂直伸缩：算力的动态聚焦
   5.3.2 水平迁移：任务的跨架构流转
   5.3.3 状态管理：任务的无感迁移
   5.3.4 智能决策闭环：基于全局视图的调度
   5.3.5 小结
 第6章 智能原生化：算力与AI的深度融合
  6.1 超智融合：CPU与XPU的协同机制
  6.2 大模型赋能：工作流的自动生成
   6.2.1 LLM与RAG的融合
   6.2.2 工作流自动生成
  6.3 训推一体服务：学习与行动的闭环
   6.3.1 训推一体技术架构
   6.3.2 训推一体服务实现
   6.3.3 典型应用案例
   6.3.4 小结
应用篇 新范式的工程落地
 第7章 算力原生平台实现方案
  7.1 架构设计：分层解耦与协同联动
   7.1.1 概述：从资源到服务的价值重塑
   7.1.2 分层解耦：“管、调、用”三位一体的技术体系
   7.1.3 协同联动：构建一体化价值闭环
   7.1.4 小结
  7.2 关键组件实现
   7.2.1 概述：从蓝图到基石
   7.2.2 资源弹性管理层：算力池化与细粒度配给
   7.2.3 工作流任务调度层：跨架构任务编排
   7.2.4 训推一体智算服务层：AI全生命周期支持
   7.2.5 组件间的协同联动机制
   7.2.6 小结
  7.3 通用任务调度引擎实现
   7.3.1 关键组件详解
   7.3.2 任务编排与调度流程
 第8章 算力原生的行业实践
  8.1 云计算场景：Kubernetes的算力感知调度
   8.1.1 Kubernetes调度与异构计算
   8.1.2 传统Kubernetes调度的结构性缺陷
   8.1.3 架构设计
   8.1.4 实践价值与未来方向
  8.2 音视频场景：异构集群的视频流渲染
   8.2.1 业务需求与算力调度特征
   8.2.2 架构设计
   8.2.3 核心技术实现
   8.2.4 网络拓扑与部署实现
   8.2.5 实践价值与应用成效
  8.3 科学计算场景：CPU与DSP的协同计算
   8.3.1 背景与问题：科学计算为何走向CPU+DSP协同
   8.3.2 协同计算框架与硬件边界：以MT-3000为例
   8.3.3 协同方法：时序骨架、内核循环与数据流组织
   8.3.4 并行扩展：多重网格平滑器的协同实现
   8.3.5 工程迁移清单与配置化描述
  8.4 AI推理场景：RAG辅助的多模态推理系统
   8.4.1 多模态推理系统框架
   8.4.2 自适应四叉树分割
   8.4.3 基于动态阈值的候选图像过滤
   8.4.4 生成位置感知的文本描述
   8.4.5 基于混合编码的跨模态检索
   8.4.6 实践价值与应用成效
 第9章 算力原生的挑战与未来
  9.1 技术挑战：新范式成熟之路
   9.1.1 标准化：让不同算力说同一种语言
   9.1.2 隔离性：解决算力池中的“嘈杂邻居”
   9.1.3 安全性：守护流动算力的信任边界
   9.1.4 生态建设：从单点突破到产业协同
  9.2 产业路径：分阶段演进与场景突破
   9.2.1 短期：技术验证与生态构建，夯实基础能力
   9.2.2 中期：场景深化与规模应用，实现价值落地
   9.2.3 长期：全面普及与生态成熟，构建算力新基建
  9.3 未来展望：算力普惠与智能社会
   9.3.1 算力普惠：实现路径与核心价值
   9.3.2 智能社会：应用场景与经济范式变革
   9.3.3 保障体系：挑战应对与持续发展
后折页
封底