AI 技术链条可以分为三大层：算力层（基础设施） → 模型层（核心引擎） → 应用层（用户触点）。 本文逐层拆解，梳理各环节的关键技术、代表产品、国内外格局。

┌─────────────────────────────────────────────────────────┐
│                   GPU 集群互联架构                       │
├─────────────────────────────────────────────────────────┤
│                                                         │
│   [GPU0]──NVLink──[GPU1]──NVLink──[GPU2]──NVLink──[GPU3]│
│     │       │       │       │       │       │       │   │
│   NVSwitch  NVSwitch  NVSwitch  NVSwitch  NVSwitch     │
│     │       │       │       │       │       │       │   │
│   [GPU4]──NVLink──[GPU5]──NVLink──[GPU6]──NVLink──[GPU7]│
│                                                         │
│   ┌────────────── InfiniBand / RoCE 网络 ──────────┐   │
│   │  8卡节点1 ──── 8卡节点2 ──── 8卡节点3 ──── ...  │   │
│   └────────────────────────────────────────────────┘   │
│                                                         │
│   互联技术：                                              │
│   • NVLink 4.0：900GB/s（单卡间，NVIDIA）               │
│   • InfiniBand NDR 400：400Gb/s（节点间，Mellanox）    │
│   • ROCE v2：100/200GbE（以太网方案，成本低）           │
└─────────────────────────────────────────────────────────┘

AI 模型
├── 大语言模型（LLM）          ← 文本生成、对话、推理
│   ├── 通用：GPT-4o / Claude / Gemini / DeepSeek
│   ├── 开源：LLaMA-3 / Qwen2.5 / Mistral / Yi
│   └── 代码专精：DeepSeek-Coder / CodeGemma
│
├── 多模态模型（Multimodal）     ← 图文理解 + 生成
│   ├── 视觉语言：GPT-4V / Gemini Vision / Qwen-VL
│   ├── 图像生成：DALL·E 3 / Midjourney / Stable Diffusion
│   ├── 视频生成：Sora / Runway Gen-3 / 可灵（快手）
│   ├── 语音：Whisper / CosyVoice / Fish Speech
│   └── 音乐：Suno / Udio
│
├── 专用模型                   ← 垂直领域
│   ├── 科学：AlphaFold（蛋白质）
│   ├── 数学：QWQ / GPT-4 Code Interpreter
│   └── 法律/医疗：各垂直微调模型

核心思想：不微调模型，而是让模型在回答时实时检索外部知识。

用户提问
    ↓
  检索知识库（向量数据库）  ← 文档 → 切块 → Embedding → 存入向量库
    ↓
  找到最相关的 N 个片段
    ↓
  将片段 + 原始问题 拼成 Prompt
    ↓
  大模型回答（参考了检索到的知识）

基础大模型（Base Model）
    │
    ├── 微调（Fine-tuning）       → 让模型学会特定格式/风格
    │     • 全参微调（Full）：模型大变身
    │     • LoRA/QLoRA：轻量级适配（推荐！）
    │
    ├── RAG 知识库                   → 让模型"查资料"
    │     • 不用改模型参数
    │     • 适合：企业知识问答、客服系统
    │
    ├── 蒸馏（Distillation）        → 大模型变小模型
    │     • 降低推理成本
    │     • 适合：端侧部署、低成本场景
    │
    └── Prompt Engineering         → 不花钱的"优化"
          • 零样本、少样本、CoT（思维链）
          • 适合：快速实验、效果验证

💡 我该用哪个？
• 想让模型听你的话 → 微调
• 想让模型知道你的数据 → RAG
• 想让模型跑得更快更便宜 → 蒸馏
• 还没想清楚先试试 → Prompt 工程

Agent 的典型工作流：
┌─────────────┐
│  用户下达任务  │  "帮我订一张下周二去北京的机票"
└──────┬──────┘
       ↓
┌─────────────┐
│  LLM 理解意图 │  → 拆解为子任务
└──────┬──────┘
       ↓
┌─────────────┐
│  调用工具     │  → 搜索航班、查询日历、选择座位
└──────┬──────┘
       ↓
┌─────────────┐
│  整合结果    │  → 生成最终回复
└──────┬──────┘
       ↓
┌─────────────┐
│  反馈给用户  │  "已为您预订：5月8日 10:00 北京，航班 CA1234"
└─────────────┘

代表项目：
• Manus — 通用 AI Agent，自动完成复杂任务
• Claude Computer Use — 直接操作电脑屏幕
• AutoGPT — 自主 Agent 先驱
• OpenAI Operator — 浏览器操作 Agent
• Dify / Coze — 低代码搭建 Agent 工作流

算力层                              模型层                              应用层
┌──────────┐                    ┌──────────────┐                    ┌──────────────┐
│  GPU/NPU │                    │  基础大模型   │                    │  AI 对话助手  │
│  CPU+DDR │ ─── 训练 ──────→   │  (GPT/LLaMA) │ ─── API/SDK ──→  │  AI 编程工具  │
│  高速互联 │                    │      ↓       │                    │  AI 搜索      │
│  分布式存储│                   │  微调/LoRA   │                    │  AI 图像/视频 │
│  散热供 电│                    │  知识库/RAG  │                    │  AI Agent     │
└──────────┘                    │  模型蒸馏    │                    │  企业 AI 平台 │
                                └──────────────┘                    └──────────────┘

关键技术工具链：
• 训练框架：PyTorch / JAX / DeepSpeed / Megatron
• 推理框架：vLLM / TensorRT-LLM / Ollama
• 模型部署：HuggingFace / ModelScope / Docker
• 应用开发：LangChain / Dify / FastAPI
• 监控运维：Prometheus / Grafana / 日志系统

📌 一句话总结

算力是 AI 的肌肉（GPU 越强，练得越快）
模型是 AI 的大脑（算法越好，越聪明）
应用是 AI 的手脚（场景越准，越有用）

三者缺一不可，但当下最大的瓶颈在算力（尤其是国产替代）和应用的 PMF（产品市场匹配）。