INFRA.REELOS.AI / DECISION ATLAS
AI Infra学习地图
不是背概念，而是完成判断。
从判断场景、工作角色或系统层级进入，沿依赖关系理解 AI Factory、算力容量与资本结构。
- 23篇研究
- 4个系统
- 16个主题
- 3个学习视角
DECISION ROUTES / 判断入口
你现在需要做什么判断？
主题分类树 16 个主题
AI INFRASTRUCTURE 16 TOPICS
模型控制层 2
计算互连与网络 7
主机、内存与推理 3
AI Factory 与算力资本 4
训练吞吐没有达到预期，先查哪里？
5先区分数据供给、Scale-Up、集合通信和 Fabric 运营问题，再决定优化顺序。
CURRENT 当前主题
从上方选择一个真实判断场景，或从左侧选择一个主题。
READING SEQUENCE
推荐路径 · 每一步拿到一个判断
-- RoCE 设备到底是什么？B300 集群不是在买交换机，而是在构建一套端到端 GPU 网络 B300 RoCE 项目真正采购的不是一批 800G 交换机，而是一套由 GPU/NIC 拓扑、Leaf-Spine、光链路、拥塞控制、遥测和 NCCL 验收组成的端到端 GPU Compute Fabric。
阅读
-- Neocloud 的下一阶段：从 GPU 云走向“算力地产”与资产证券化 未来 Neocloud 的核心竞争力，不只是拥有多少 GPU，而是谁能把客户合同、电力和设备，转化为成本更低、期限更长的资本。
阅读
-- AI Infra 的六种生意：从 GPU 云、容量承销到能源与 AI Factory 六家公司都在卖 GPU，但有人经营合同，有人经营项目、电力、定制交付或利用率。看懂谁出钱、谁承担闲置与折旧，才能看懂它们的现金流和估值。
阅读
-- AI Infra 商业模式地图：从 GPU Cloud 到 AI Factory，谁在经营真正的算力资产？ AI Infra 正在从租 GPU 变成经营 AI 产能。真正有价值的不是单张 GPU，而是电力、数据中心、高端 GPU、网络、存储、调度、推理优化、监控、计费和 SLA 组成的可交付 AI Compute Capacity。
阅读
-- AI Infra 学习地图｜RoCE Fabric：AI Factory 的网络优化，为什么不能只调 PFC/ECN？ RoCE Fabric 的核心不是把以太网调成无损网络，而是把拓扑、QoS、负载均衡、NCCL、遥测和训练任务组织成闭环。真正合格的 AI Ethernet，不是网络可用，而是训练任务可预测。
阅读
-- Infra 学习地图｜Spectrum-X 论文解读：RoCE 网络为什么从“调参工程”进入 AI Fabric 架构时代？ GPU 集群真正的瓶颈，正在从有没有高速网络，转向网络能不能像一个计算系统一样，稳定支撑十万卡级同步训练。Spectrum-X 的价值不是给出一组 RoCE 参数，而是把 RoCE 推向 Multi-Plane、硬件负载均衡、高频遥测和 workload-aware 验收的 AI Fabric 架构。
阅读
-- ReelOS AI Fabric 工程团队：如何构建一支面向 GPU 集群的高性能网络小队 AI 基础设施的竞争，正在从谁有更多 GPU，转向谁能让 GPU 稳定、高效、可规模化地协同工作。AI Fabric 工程团队不是传统网络运维组，而是把 RoCE、InfiniBand、NCCL、RDMA、监控、压测和交付组织成可复制工程能力的小队。
阅读
-- Infra 学习地图｜液冷：AI Factory 的热管理基础设施 当 AI 机柜进入 100kW+ 时代，散热从服务器问题变成数据中心系统工程。液冷不是为了取代风冷，而是为了让高密度 AI 算力继续稳定释放。
阅读
-- AI Infra 学习地图｜DPU：AI Factory 的主机侧基础设施处理器 DPU 不训练模型，也不增加 GPU FLOPS。它真正处理的是网络、存储、安全和基础设施管理，让昂贵的 GPU 更少等待、更稳定运行。
阅读
-- Infra 信号学习地图｜Anthropic 开始全球锁定数据中心：AI 公司正在变成算力主权玩家 从买云到锁电、锁地、锁数据中心：Frontier AI 的竞争单位，正在从模型参数扩展为模型、算力、能源和区域合规的系统能力。
阅读
-- AI Infra 产业信号｜NVIDIA 韩国布局：AI Factory 如何从 GPU 集群变成国家级产业系统？ 韩国不是单纯在买 GPU，而是被 NVIDIA 按存储、算力、能源、制造和 Physical AI 重新组织成一套 AI 工业体系。
阅读
-- 一文看懂 OCS：AI 集群为什么开始让网络“按任务重构”？ 从固定 Fabric 到可重构 Fabric，OCS 正在把 AI 集群网络从“静态布线系统”升级为“可调度的物理连接资源”。
阅读
-- 一文看懂 KV Cache：大模型推理为什么进入“内存战争” 从 GPU 算力到上下文状态：KV Cache 正在重塑 AI 推理基础设施。大模型推理的瓶颈，正在从单次算力转向持续状态管理。
阅读
-- 一文看懂 HBM：为什么 AI 算力的瓶颈，正在从计算转向数据供给？ HBM 不是更快的内存条，也不是传统意义上的存储。它是 AI 加速器的近身数据层，决定 GPU 的算力能不能被持续喂饱。
阅读
-- AI Compute Fabric 学习地图：为什么 InfiniBand、RoCE 与 Spectrum-X 正在成为有效算力的一部分？ GPU 决定单点计算能力，网络决定 GPU 能否组成一台真正的 AI 工厂。AI Compute Fabric 的核心，不是端口速率，而是把理论 FLOPS 转化成真实可交付的有效算力。
阅读
-- 一张学习地图看懂 NVIDIA BlueField DPU：为什么 AI Factory 不能只靠 GPU？ GPU 负责算，SuperNIC 负责连，Fabric 负责组织大规模通信，DPU 负责控制基础设施，DOCA 负责把这些能力软件化。BlueField 的真正意义，不是让一台服务器网络更快一点，而是让 NVIDIA 进入 AI 数据中心的控制层。
阅读
-- 一文搞懂 NCCL：为什么 GPU 集群有了高速网络，训练仍然可能跑不快？ GPU 负责计算，网络负责连接，NCCL 负责组织 GPU 之间的数据怎么流动。判断 AI 集群不能只看 GPU 数量和端口带宽，还要看集合通信、拓扑感知、GPUDirect、NCCL tests 和真实有效带宽。
阅读
-- 一文看懂 NVLink / Scale-Up：AI 时代，GPU 为什么要被组织成一台更大的计算机？ 当大模型进入模型并行、MoE、长上下文和大规模推理阶段，GPU 的瓶颈不再只是单卡算力，而是 GPU 之间能否形成一个低延迟、高带宽、可扩展的计算域。
阅读
-- 一文看懂 RoCE：为什么 AI 集群要把以太网改造成 RDMA Fabric？ RoCE 的核心不是“让普通以太网变快”，而是在开放以太网生态里，构建一张高带宽、低延迟、低丢包、可观测、可调优的 AI Compute Fabric。
阅读
-- 一文系统理解 InfiniBand 与 RoCE：GPU 集群为什么需要 AI Compute Fabric？ GPU 本身很强，不代表 GPU 集群就强。大规模训练和分布式推理真正需要的，是能把 GPU、网卡、交换机、RDMA、GPUDirect、NCCL 和拥塞控制组织起来的 AI Compute Fabric。
阅读
-- AI API Trust & Safety Gateway：OpenRouter 类服务的真正壁垒不是模型路由，而是安全治理 OpenRouter 类 AI API 聚合服务真正的长期壁垒，不只是模型路由，而是把模型调用治理成安全、可控、可审计、可运营的 Trust & Safety Gateway。
阅读
-- 超越更大的模型：为什么模型编排是 AI 基础设施的下一层 Fugu 不是新模型革命，而是 Model Operating Layer 产品化的一个信号：AI 基础设施正在从模型 API，走向可路由、可治理、可验证、可恢复的模型操作层。
阅读
-- OpenRouter Provider Selection：模型路由正在成为 AI 基础设施的新控制面 OpenRouter 的核心价值不只是一个 API 调用很多模型，而是把模型、Provider、价格、延迟、吞吐、可用性、参数兼容、数据政策、Fallback 和可观测性封装成了一套可配置的路由系统。
阅读
INFRA SIGNALS