一、什么是 RDMA

远程直接内存访问 (RDMA) 是一种允许联网计算机直接访问彼此主内存的技术，无需涉及处理器、缓存或操作系统，是一个由多个公司和组织合作开发的技术标准。这种旁路方法减少了 CPU 负载并降低了延迟，从而实现更快的数据传输速度，非常适合需要高速数据传输的应用，例如高性能计算 (HPC) 集群、数据中心网络和大数据分析。

可以这样形象化理解：

• 以前：快速是需要送到大楼的收发室里，再由收发室送到收件人手里，收到收发室大爷的处理能力影响，同时处理的快递数量有限，且有延迟

• 现在：快递从发件人直接送到收件人手里

二、RDMA 与 TCP/IP 的区别

特性	RDMA (远程直接内存访问)	TCP/IP (传输控制协议/互联网协议)
定义	一种网络技术，允许应用程序直接访问远程主机的内存	一种网络协议，用于在网络中传输数据
传输方式	直接内存访问，无需操作系统内核介入	通过操作系统内核进行数据传输
延迟	低延迟，适合高性能计算	延迟较高，不适合高性能计算
带宽	高带宽，适合大量数据传输。	带宽受限于操作系统内核处理能力
CPU占用	低CPU占用，减少对主机CPU的依赖	高CPU占用，增加对主机CPU的需求
数据传输	直接在内存中传输数据，无需复制到内核空间	数据需要在用户空间和内核空间之间复制
可靠性	通常不提供可靠性保证，需要应用程序处理	提供可靠性保证，如TCP的三次握手和数据确认
适用场景	适合高性能计算、存储和数据中心应用	适合广泛的网络应用，如Web浏览、文件传输等
配置复杂度	配置复杂，需要特定的硬件和软件支持	配置相对简单，广泛支持各种操作系统和设备
成本	硬件和软件成本较高	硬件和软件成本较低
安全性	需要额外的安全措施来保护数据传输	通过TCP/IP协议提供基本的安全保障

三、领导者 NVIDIA 的 RMDA 实现方式

1、单机多卡

简单理解：一块主板上多个 GPU，有三种不同场景下的应用

特性	GPUDirect	NVLink	NVSwitch
定义	一组技术，增强 GPU 的数据移动和访问能力	用于连接多个 GPU，常用于 < 8 个 GPU 卡	用于连接多个 GPU 和 CPU，常用于 > 8 个 GPU 卡
目的	加速与网络和存储设备的通信，支持 GPU 之间的 P2P 传输和内存访问	提供 GPU 之间的高速、低延迟连接，主要限于 GPU 之间的连接	提供 GPU 和 CPU 之间的高速、低延迟连接，支持复杂的多 GPU 拓扑结构，扩展性较好
工作方式	通过 PCI Express 直接访问 GPU 内存，支持 RDMA 和 P2P 传输	通过专用的物理连接和协议，实现 GPU 之间的直接通信	通过专用的物理连接和协议，实现 GPU 和 CPU 之间的直接通信，并支持多 GPU 之间的通信
适用场景	适用于需要频繁在 GPU 和 CPU 之间传输数据的应用程序，如科学计算和数据分析	适用于需要多个 GPU 协同工作的高性能计算和深度学习应用	适用于需要多个 GPU 和 CPU 协同工作的大规模并行计算和深度学习应用

2、以 RMDA 为核心的多机多卡

|
| InfiniBand | RoCE | iWARP |
| — | — | — | — |
| 网络基础 | 专门为高性能计算设计的专用网络技术，它从硬件级别保证可靠传输，提供更高的带宽和更低的时延，但成本较高 | 基于以太网的RDMA技术，可以在现有的以太网基础设施上实现，使用普通的以太网交换机但需要支持RoCE的网卡 | 基于TCP/IP网络的RDMA实现，利用现有的TCP/IP网络和协议，但性能可能受到TCP协议特性的影响 |
| 性能 | 提供最好的性能，包括最高的带宽和最低的延迟 | 性能与InfiniBand相当，但可能在大规模部署时性能略逊一筹 | 性能稍差，因为它依赖于TCP协议，可能会有更多的开销 |
| 成本 | 成本最高，需要专用的硬件和网络组件 | 成本较低，因为它可以复用现有的以太网基础设施 | 成本介于两者之间，但可能需要特殊的网卡支持 |
| 部署和兼容性 | 需要专门的InfiniBand交换机和网卡，部署可能更复杂 | 使用标准的以太网交换机，但需要支持RoCE的网卡，部署相对简单 | 利用现有的以太网交换机和支持iWARP的网卡，但可能需要对TCP/IP堆栈进行优化 |
| 适用场景 | 常用于存储前端网络或高性能计算集群中 | 常用于存储后端网络，尤其是在数据中心环境中 | 适用于需要跨广域网进行RDMA操作的场景，尽管它可能不如RoCE或InfiniBand那样适合数据中心内部的高速通信 |

四、值得关注的 CXL

CXL（Compute Express Link）是一种先进的互连技术，由英特尔在2019年提出，旨在实现计算、内存、存储和网络的解耦，并在CXL总线上提供持久内存。其中较新的版本 CXL 3.0，是基于PCIe 6.0，支持更高的带宽和更低的延迟，并增加了设备热插拔、电源管理和错误处理等新功能

成员包括：英特尔、AMD、谷歌、微软、华为、三星、SK海力士、美光、Marvell、澜起科技等

CXL 和 RMDA 的综合对比

• 延迟：CXL 的延迟通常低于 RDMA。CXL 的访问延迟约为 170 至 250 ns，而 RDMA 的延迟约为 2 μs

• 带宽：虽然两者都提供高带宽，但 CXL 通过 PCIe 物理层实现更高的传输速率

• 内存扩展：CXL 更适合内存扩展，因为它允许 CPU 直接访问远程内存，而 RDMA 主要用于网络传输

• 应用场景：CXL 更适合内存密集型应用和需要低延迟访问的场景，而 RDMA 更适合需要高带宽和大规模互联的场景

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】