本章内容聚焦大模型领域，全面深入地探讨了 Scaling Law 在不同场景如标准、推理时间、并行及扩散等方面的解读，详尽阐述了大模型从训练到推理的全流程，涵盖训练业务流与软硬件栈的各个环节，以及推理业务流的优化策略。同时，剖析了 AI 系统与大模型系统在通用性、资源需求和软件栈变化上的显著区别，并展望了大模型系统的未来发展趋势，包括技术演进、应用场景爆发以及算力底座和生态的持续升级等多方面内容。
| 大纲 | 小结 | 链接 | 状态 |
|---|---|---|---|
| 概述 | 01. Scaling Law 整体解读 | Markdown, 文章 | ⭕ |
| 概述 | 02. Standard Scaling Law | Markdown, 文章 | ✅ |
| 概述 | 03. Inference Time Scaling Law | Markdown, 文章 | ⭕ |
| 概述 | 04. 大模型训练与 AI Infra 的关系分析 | Markdown, 文章 | ✅ |
| 概述 | 05. 大模型推理与 AI Infra 的关系分析 | Markdown, 文章 | ✅ |
| 概述 | 06. AI Infra 核心逻辑与行业趋势 | Markdown, 文章 | ✅ |
系列视频托管B 站和油管，PPT 开源在github，欢迎引用！
非常希望您参与到这个开源课程中，B 站给 ZOMI 留言哦！
:maxdepth: 1
01ScalingLaw
02StandardScaling
03TTScaling
04TrainingStack
05InferStack
06Future