转载：【AI系统】CPU 指令集架构
本文介绍了计算机指令集架构（ISA）的基础知识，重点讲解了CISC（复杂指令集计算机）和RISC（精简指令集计算机）两种架构的特点、优劣及应用场景。文章还探讨了ISA的历史发展、生命周期以及在服务器、PC和嵌入式领域的应用情况，为读者提供了全面的ISA知识框架。
转载：【AI系统】模型演进与经典架构
本文探讨了AI计算模式对AI芯片设计的影响，通过分析模型结构、压缩、轻量化及分布式等方面，揭示了AI算法的发展现状。重点讨论了经典网络模型和模型量化压缩，强调了神经网络的基本概念及其在AI计算中的核心作用。文章还介绍了模型量化与压缩技术，旨在减少模型的计算和存储需求，提高模型在资源受限设备上的性能。最后，提出了AI芯片设计应考虑的计算模式，如支持不同bit位数的计算单元、优化稀疏结构计算等，以适应AI技术的发展需求。
转载：【AI系统】CPU 计算本质
本文深入探讨了CPU计算性能，分析了算力敏感度及技术趋势对CPU性能的影响。文章通过具体数据和实例，讲解了CPU算力的计算方法、算力与数据加载之间的平衡，以及如何通过算力敏感度分析优化计算系统性能。同时，文章还考察了服务器、GPU和超级计算机等平台的性能发展，揭示了这些变化如何塑造我们对CPU性能的理解和期待。
转载：【AI系统】AI轻量化与并行策略
本文探讨了AI计算模式对AI芯片设计的重要性，重点分析了轻量化网络模型和大模型分布式并行两大主题。轻量化网络模型通过减少模型参数量和计算量，实现在资源受限设备上的高效部署；大模型分布式并行则通过数据并行和模型并行技术，解决大模型训练中的算力和内存瓶颈，推动AI技术的进一步发展。
转载：【AI系统】关键设计指标
本文介绍了AI芯片的关键设计指标及其与AI计算模式的关系，涵盖计算单位（如OPS、MACs、FLOPs）、关键性能指标（精度、吞吐量、时延、能耗、成本、易用性）及优化策略，通过算术强度和Roofline模型评估AI模型在芯片上的执行性能，旨在帮助理解AI芯片设计的核心考量与性能优化方法。
转载：【AI系统】计算之比特位宽
本文详细介绍了深度学习中模型量化操作及其重要性，重点探讨了比特位宽的概念，包括整数和浮点数的表示方法。文章还分析了不同数据类型（如FP32、FP16、BF16、FP8等）在AI模型中的应用，特别是FP8数据类型在提升计算性能和降低内存占用方面的优势。最后，文章讨论了降低比特位宽对AI芯片性能的影响，强调了在不同应用场景中选择合适数据类型的重要性。
转载：【AI系统】CPU 基础
CPU，即中央处理器，是计算机的核心部件，负责执行指令和控制所有组件。本文从CPU的发展史入手，介绍了从ENIAC到现代CPU的演变，重点讲述了冯·诺依曼架构的形成及其对CPU设计的影响。文章还详细解析了CPU的基本构成，包括算术逻辑单元（ALU）、存储单元（MU）和控制单元（CU），以及它们如何协同工作完成指令的取指、解码、执行和写回过程。此外，文章探讨了CPU的局限性及并行处理架构的引入。
销售成交率低，公司业绩上不去的真相！AI销售系统助你一臂之力！
企业在销售过程中常面临客户成交情况不明的问题，管理层难以了解销售与客户的实际交流内容及痛点，导致无法有效评估销售策略和业绩。《AI 销售系统》的推出，通过全面监控销售过程，记录并分析线上线下的沟通数据，精准识别客户痛点，辅助销售团队制定有效策略，提高成交率。该系统如同企业的“军师”，帮助管理层透明化销售管理，优化流程，提升销售能力，助力企业在市场中稳步发展。
6【AI系统】AI 系统与程序代码关系
本文通过PyTorch实现LeNet5神经网络模型的案例，探讨AI系统背后的每一层发生和执行的细节，以及涉及的系统设计问题。文章首先介绍了神经网络的训练流程，包括前向传播、损失计算、反向传播等步骤，随后分析了算子的概念及其在AI框架中的实现，特别是卷积层的实现原理和执行样例。最后，对比了使用AI框架（如PyTorch）与直接调用底层API（如cuDNN+CUDA）编写神经网络模型的差异，强调了AI框架在提高开发效率、自动化内存管理和实现自动微分等方面的重要作用。