资源介绍
视频数量：32个
总时长：1小时40分
课程介绍：
AI驱动的电信基础设施与运维
想象一下这样的场景：凌晨三点，某运营商的核心网络突然出现故障告警，几百万用户的通话和数据服务面临中断风险。过去，工程师们可能要在海量日志和设备告警中逐一排查，往往需要数小时才能定位问题。但现在，有了AI的加持，系统能够自动分析网络状态、预测潜在故障、自动生成处理建议，整个过程可能只需要几分钟。这就是AI正在深刻改变电信运维的方式。
如果你对AI在电信领域的实际应用感兴趣，想搞清楚那些看似高大上的技术名词背后到底是怎么回事，这门课程值得你花时间看看。整个课程只有32个视频，总时长一小时四十分钟，内容却从最底层的硬件原理讲到了云端部署，覆盖了一条完整的技术链路。
先说说课程的前半部分，教的是基础概念。很多人可能对生成式AI、大语言模型这些词已经听了很多遍，但到底什么是生成式AI、它和大语言模型有什么区别、基础模型又是怎么回事，这些问题未必能说清楚。课程会用通俗的方式解释这些概念之间的关系，让你搞清楚为什么现在大家都在谈这些技术，而不是空对空地聊概念。
接下来是GPU的内容，这部分很有意思。课程会告诉你，为什么AI训练必须用GPU而不是普通的CPU处理器。这里用了一个很形象的比喻：让CPU来跑大模型，就像用一节电池给整座城市供电，根本不是那回事。GPU有成千上万个小型核心，专门适合处理AI模型里大量重复的矩阵运算，这种并行计算能力是CPU做不到的。课程还会讲到为什么GPU的可扩展性对AI发展至关重要，数据和模型规模爆炸式增长的情况下，只有GPU系统能跟得上这个速度。
然后进入了虚拟化和软件栈的部分。这部分讲的是怎么把GPU的计算能力合理地分配给不同的AI任务。虚拟GPU技术就像一个智能的资源调度员，让多个人物共享同一块GPU，既不能浪费也不能冲突。课程还会介绍机器学习和深度学习的主流框架，以及支撑AI运行的软件到底是怎么一层层搭建起来的。这些内容对于想深入理解AI系统架构的人来说，是必须要掌握的知识点。
课程的核心部分讲的是数据中心。这可能是整门课信息量最大的地方。从AI数据中心的整体架构讲起，包括怎么管理、监控这些复杂的系统，现代数据中心平台长什么样，多GPU系统怎么协同工作。更有意思的是课程会详细讲解数据中心里的网络架构，提出了一个“四层网络”的概念，解释了高速网络对AI为什么如此关键。特别是InfiniBand技术，课程用了“AI超音速铁路系统”这样的比喻来说明它的作用，听起来很炫但实际上就是在讲怎么让数据跑得更快。
存储这部分也很有意思。AI训练需要读写海量的数据，存储系统的性能直接决定了AI训练的效率。课程把存储系统比作赛车维修站，强调了高速存储对于AI的重要性。同时还讲了AI数据中心面临的能源挑战，以及GPU冷却系统为什么必须认真对待，这些看似是硬件问题，但直接影响到AI系统的稳定性和成本。
最后几章讲的是云端和实际应用。课程会分析什么时候应该自建基础设施、什么时候应该上云，怎么在云端部署AI系统。同时也会介绍电信行业的具体用例，让你看到前面学的那些技术名词在真实场景里是怎么落地的。
学完这门课，你能获得一个相对完整的AI基础设施知识体系。不管你是电信行业的从业者想了解AI怎么改变这个领域，还是IT从业者想进入AI基础设施这个方向，又或者是AI开发者想搞清楚自己写的模型到底跑在什么样的系统上，这门课都能帮你补上认知链条上缺失的那几环。课程不讲太深的技术细节，但把整个技术栈串联了起来，这对于建立全局观很有帮助。