<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xjxijd的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xjxijd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xjxijd]]></copyright><item><title><![CDATA[7000 亿美元砸下去，为什么还有人抢不到卡]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/170146022</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/170146022</guid><author>xjxijd</author><pubDate>Thu, 05 Nov 2026 17:50:31 +0800</pubDate><description><![CDATA[AWS 2026 年的产能已经卖完，2027 年基本卖完，2028 年也有一大块被提前锁定。同一时间，二手市场上 A100 的残值掉到原价的 16% 左右，一批 2022 年前后建起来的集群在按小时低价甩卖。这两件事都是真的。所以 “算力过剩还是结构性紧缺” 这个问法，本身就漏掉了最关键的一层：你说的是哪一种算力。]]></description><category></category></item><item><title><![CDATA[算力租赁内卷潮下，为什么算电一体化成了 IDC 高 ROI 的核心密码？]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/168770744</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/168770744</guid><author>xjxijd</author><pubDate>Thu, 22 Oct 2026 17:51:18 +0800</pubDate><description><![CDATA[近两年生成式 AI 大模型的爆发式增长，一度把算力租赁推上了行业风口，海量资金与玩家快速涌入，算力集群建设规模连续翻倍。但行业热度褪去后，市场很快进入了存量竞争的内卷阶段：租金价格持续探底，硬件折旧压力居高不下，再加上电力成本不断吞噬利润空间，大量算力 IDC 项目陷入了 “上架率越高、亏得越多” 的尴尬境地。如今再看算力 IDC 的投资逻辑，资方的评判标准已经彻底重构。过去拼算力规模、拼客户资源、拼上架速度，现在所有项目尽调的第一步，先看有没有稳定的电价方案、有没有明确的能耗指标。]]></description><category></category></item><item><title><![CDATA[AI 安全进入爆发周期：智能体安全成下一阶段核心竞争高地]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/168027151</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/168027151</guid><author>xjxijd</author><pubDate>Thu, 15 Oct 2026 17:34:10 +0800</pubDate><description><![CDATA[生成式 AI 技术的规模化落地，正在重构数字世界的生产范式，也同步催生了全新的安全攻击面。随着大模型应用从通用场景向行业核心系统渗透，智能体开始具备自主决策、工具调用与跨系统执行能力，传统安全边界被彻底打破，AI 安全正在从附属配套能力升级为数字基础设施的核心支柱。]]></description><category></category></item><item><title><![CDATA[大模型分布式训练算力瓶颈排查与性能优化完整指南]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/167393529</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/167393529</guid><author>xjxijd</author><pubDate>Fri, 09 Oct 2026 17:57:27 +0800</pubDate><description><![CDATA[在千亿参数大模型训练工程中，算力利用率始终是衡量训练系统效率的核心指标。多数团队在搭建分布式训练集群后，实际 GPU 算力利用率往往徘徊在 30%~50% 区间，部分长序列、大 batch 场景下甚至低于 20%。表面上是算力不足，本质上是计算、通信、存储、调度多层瓶颈交织的结果。瓶颈排查不能依赖单点调优，必须建立系统化的分层排查体系，从硬件到框架逐层定位，再结合业务场景匹配最优优化路径。]]></description><category></category></item><item><title><![CDATA[算力网的 “建“ 与 “连“：硬件框架成型后，全域调度成下一阶段核心命题]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/165751403</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/165751403</guid><author>xjxijd</author><pubDate>Thu, 17 Sep 2026 16:51:15 +0800</pubDate><description><![CDATA[这个调度引擎需要像电网的调度中心一样，实时感知全网算力的供需状态，根据业务需求的时延要求、成本预算、算力类型，自动匹配最优的算力节点，实现算力的随需获取、动态调度、削峰填谷。如果说过去三年行业的核心命题是 "建"—— 通过大规模数据中心建设快速补齐算力供给缺口，那么下一阶段的主线正在转向 "连"—— 通过全域调度体系让分散的算力资源真正形成一张协同运转的网络。当物理层的 "点" 与 "线" 基本到位后，如何通过调度层的 "网" 与 "面" 实现资源的高效配置，正在成为整个产业必须回答的核心问题。]]></description><category></category></item><item><title><![CDATA[细分领域合规标准密集落地：金融智能体与拟人化服务的技术合规重构]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/165003087</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/165003087</guid><author>xjxijd</author><pubDate>Fri, 11 Sep 2026 17:10:01 +0800</pubDate><description><![CDATA[进入下半年，国内人工智能监管呈现明显的垂直化落地趋势，细分领域专项标准接连出台，一改此前原则性框架为主的监管格局，直接指向具体技术场景的行为边界与责任划分。从金融领域智能体操作权限的明确界定，到拟人化互动服务的全流程规范，监管颗粒度正在快速下沉至技术实现层面，倒逼产业从技术优先转向合规优先的发展路径。]]></description><category></category></item><item><title><![CDATA[长上下文场景 Token 成本优化：分层摘要与分段检索方案]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/164371948</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/164371948</guid><author>xjxijd</author><pubDate>Fri, 04 Sep 2026 16:47:15 +0800</pubDate><description><![CDATA[这套方案的核心逻辑是 “语义分层、按需下沉”，把长文本拆解为不同粒度的语义层级，用高语义密度的摘要层替代原始文本做初步检索，只有判定相关的层级才继续向下定位原始片段，最终只将最相关的少量原始文本送入大模型生成答案。整个体系分为三层结构：顶层是全文主题摘要，中间层是章节或模块级摘要，底层是原始文本分段。每一层都对应独立的向量索引，检索时从顶层开始逐层向下匹配，相关性不达阈值就终止检索，最大程度减少无效 Token 的加载。]]></description><category></category></item><item><title><![CDATA[基于 Kubernetes 的 GPU 算力资源池化调度实战，实现算力利用率翻倍]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/163948868</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/163948868</guid><author>xjxijd</author><pubDate>Fri, 21 Aug 2026 16:10:36 +0800</pubDate><description><![CDATA[在大模型与 AI 应用全面落地的当下，GPU 已成为企业算力基建中最昂贵的核心资产。然而绝大多数企业在生产环境中都面临着同一个尴尬的现实：采购成本居高不下，但实际 GPU 平均利用率长期徘徊在 30% 以下，大量算力在闲置中被浪费。尤其是在广州、深圳等珠三角科创企业密集的区域，随着 AI 创业公司与传统制造业数字化转型的加速，算力供需矛盾与成本压力愈发凸显。]]></description><category></category></item><item><title><![CDATA[大模型的 Token 计费底层逻辑到底是什么？为什么长文本调用成本会陡增？]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/163731341</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/163731341</guid><author>xjxijd</author><pubDate>Thu, 13 Aug 2026 17:49:54 +0800</pubDate><description><![CDATA[几乎所有商用大模型 API，统一采用 Token 作为计费最小单位，多数开发者只停留在 “输入一段文字扣对应费用” 的表层认知，在 RAG 知识库问答、超长文档解析、多轮长对话场景中，经常出现单次调用费用远超预期的情况。很多人疑惑，只是多粘贴了几千字参考文档，账单成本却出现断崖式上涨，核心根源不在文本字数本身，而是 Token 背后绑定的 GPU 算力、显存、带宽与推理架构成本。]]></description><category></category></item><item><title><![CDATA[面向生成式 AI 的算力分层架构，低成本满足多场景推理需求]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/163373327</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/163373327</guid><author>xjxijd</author><pubDate>Fri, 31 Jul 2026 18:03:07 +0800</pubDate><description><![CDATA[随着生成式 AI 落地走向规模化，很多团队都会面临同一个现实矛盾：业务场景需求高度分化，既有需要超大模型深度推理、长上下文生成的复杂任务，也有高频简单问答、本地实时交互、批量文档处理等轻量化需求。如果统一采用高端 GPU 集群承载全部推理流量，硬件投入与长期运维成本会急剧攀升；若全部使用轻量化算力，又无法支撑高难度生成任务。传统集中式算力部署模式，很难兼顾延迟、并发、成本与业务多样性。算力分层架构，正是产业落地中验证有效的解决方案。]]></description><category></category></item><item><title><![CDATA[大模型爆发带动算力需求暴涨，配套合规成刚需]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/163245189</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/163245189</guid><author>xjxijd</author><pubDate>Mon, 27 Jul 2026 15:46:19 +0800</pubDate><description><![CDATA[过去三年，生成式人工智能技术的迭代速度远超行业预期。从大模型参数规模的竞赛到行业场景的规模化落地，整个产业正在经历一场从技术验证向商业投产的深刻转型。而支撑这场转型的底层基石，正是算力基础设施的快速扩张。与此同时，随着监管体系的逐步完善，算力配套合规已经不再是企业发展的可选项，而是进入市场的刚性门槛。]]></description><category></category></item><item><title><![CDATA[大模型分布式算力调度方案设计，解决多节点算力资源争抢问题]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/162701108</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/162701108</guid><author>xjxijd</author><pubDate>Wed, 08 Jul 2026 16:33:33 +0800</pubDate><description><![CDATA[大模型训练任务普遍存在计算与显存需求耦合、通信开销占比高的特点，传统调度仅以 GPU 卡数为分配单位，忽略了显存、带宽、CPU 等多维资源的约束，容易出现 “卡数够但显存不足” 的假性争抢。大模型分布式算力调度的核心并非追求绝对的资源最大化利用，而是在业务优先级、资源效率、系统稳定性三者间找到平衡，通过精细化的资源管控与动态调度机制，从根本上缓解多节点资源争抢问题。调度器不再以单卡为调度单位，而是以资源配额为单位进行分配，确保任务申请的各项资源指标均能被节点满足，从源头减少因资源维度不匹配引发的争抢。]]></description><category></category></item><item><title><![CDATA[行为感知算法赋能运维，提前预判硬件故障与异常访问]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/161932312</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/161932312</guid><author>xjxijd</author><pubDate>Fri, 12 Jun 2026 17:16:41 +0800</pubDate><description><![CDATA[在传统运维体系中，故障处置长期处于被动模式。无论是服务器硬件宕机、磁盘坏道、设备性能衰减等硬件问题，还是运维越权操作、非法入侵、异常接口访问等安全风险，大多是问题爆发、业务出现波动后，才能通过阈值告警、人工排查发现问题。这种事后处置的模式，不仅频繁造成业务抖动、服务中断，还会让运维团队陷入告警轰炸、重复排障的低效循环，静态阈值的固化判定逻辑，也始终无法规避误报、漏报、滞后性三大行业痛点。]]></description><category></category></item><item><title><![CDATA[高并发场景优化：批量Token调用节流降费实操技巧]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/161693421</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/161693421</guid><author>xjxijd</author><pubDate>Thu, 04 Jun 2026 17:26:12 +0800</pubDate><description><![CDATA[很多团队落地节流降费方案后，出现体验降级、报错增多、优化效果不达预期等问题，核心均为细节把控不到位，整理生产五大高频坑点：第一，盲目扩大攒批时间窗口。部分团队为追求极致降本，将聚合窗口设置超过100ms，高并发下请求大量堆积，业务TP99延迟大幅恶化，严重影响用户体验。优化必须坚持动态窗口策略，以业务延迟阈值为上限，动态调整聚合规模。第二，忽略单批Token上限限制。只控制请求批量数，未校验单批总Token量，极易触发模型接口TPM限额报错，进而引发大规模重试，反而造成成本翻倍、稳定性下降。]]></description><category></category></item><item><title><![CDATA[零实习应届生别慌！IT简历这样写，照样收割面试邀约（实操干货）]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/161491725</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/161491725</guid><author>xjxijd</author><pubDate>Thu, 28 May 2026 18:41:32 +0800</pubDate><description><![CDATA[IT校招从来不是“实习内卷大赛”，尤其是对于普通本科、无大厂资源的应届生，扎实的基础+完整的项目落地+清晰的技术思维，完全可以打败一半以上有水实习的竞争者。实习只是锦上添花，真正让你拿到面试、稳住offer的，永远是你的技术实力和简历呈现出来的潜力。不要因为没有实习自我否定，把课设做精、把技术学透、把简历写专业，你照样可以在秋招春招中脱颖而出。如果需要零实习通用IT简历模板、各岗位专属项目话术，可以评论区留言，统一整理分享给大家！]]></description><category></category></item><item><title><![CDATA[从万卡集群到液冷革命：AI时代IDC基础设施的五大核心技术演进]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/161489997</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/161489997</guid><author>xjxijd</author><pubDate>Thu, 28 May 2026 17:10:05 +0800</pubDate><description><![CDATA[2025年全球AI服务器市场规模约1251亿美元，单芯片功耗突破700W，液冷渗透率从14%飙升至33%——AI正在重写数据中心的每一行技术规范。]]></description><category></category></item><item><title><![CDATA[微型智算机房，中小企业算力新选择]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/160987351</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/160987351</guid><author>xjxijd</author><pubDate>Mon, 11 May 2026 15:48:56 +0800</pubDate><description><![CDATA[微型智算机房（Mini AI Computing Room）是一种高度集成化的算力基础设施解决方案，将服务器、存储、网络、供配电、制冷、监控和安全等系统整合在标准化机柜或封闭舱体内，具备即插即用、快速部署、智能管理、灵活扩展的特点，专为中小企业和边缘计算场景设计。其核心价值在于以传统数据中心 10%-30% 的投入成本，实现 70% 以上的算力服务能力，同时大幅降低技术门槛和运维压力，让中小企业能够聚焦核心业务创新，而非基础设施管理。]]></description><category></category></item><item><title><![CDATA[无风扇 AI 服务器成主流：英伟达 NVL72 系统引领静音算力革命]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/160598354</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/160598354</guid><author>xjxijd</author><pubDate>Tue, 28 Apr 2026 17:35:26 +0800</pubDate><description><![CDATA[当AI大模型训练与推理需求呈指数级增长，传统风冷散热体系正遭遇不可逾越的物理极限。从H100的700W到Vera Rubin架构的3700W，四年间AI芯片功耗飙升5倍，风扇转速已无法匹配算力密度的提升，噪音污染与散热效率瓶颈成为数据中心发展的双重枷锁。在此背景下，英伟达NVL72系统以全液冷无风扇架构横空出世，不仅重塑了AI算力基础设施的散热范式，更开启了静音算力革命的新纪元，推动无风扇AI服务器从可选方案成为行业主流。]]></description><category></category></item><item><title><![CDATA[量子加密赋能 IDC：跨省传输，抗攻击拦截率 100%]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/160022482</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/160022482</guid><author>xjxijd</author><pubDate>Fri, 10 Apr 2026 15:13:43 +0800</pubDate><description><![CDATA[在数字经济高速发展的今天，数据中心（IDC）作为数字世界的核心基础设施，承载着海量敏感数据的存储与传输需求。随着数据跨境流动、跨省灾备、多云互联等场景的普及，传统加密技术在面对量子计算威胁和高级持续性威胁（APT）时，暴露出越来越多的安全短板。量子加密技术基于量子力学原理，以和，为 IDC 跨省数据传输构建起理论上无法被破解的安全屏障，实现 ** 抗攻击拦截率 100%** 的终极防护效果。]]></description><category></category></item><item><title><![CDATA[训推一体 AI 服务器爆款：算力利用率提升50%，成本降 30%]]></title><link>https://blog.youkuaiyun.com/xjxijd/article/details/159729137</link><guid>https://blog.youkuaiyun.com/xjxijd/article/details/159729137</guid><author>xjxijd</author><pubDate>Wed, 01 Apr 2026 15:04:39 +0800</pubDate><description><![CDATA[某头部互联网企业数据显示，其 AI 基础设施整体算力利用率不足 40%，其中训练集群空闲期平均负载仅 18%，而推理集群在业务峰值时却有 35% 的请求因算力不足被拒绝。，搭载新一代 AI 加速芯片，单卡算力达 FP16 400TFLOPS，通过 NVLink 5.0 实现 GPU 间双向带宽 2TB/s，配合 PCIe 5.0 扩展通道，构建无阻塞数据传输网络。训推一体 AI 服务器的核心突破在于打破训练与推理的资源壁垒，通过硬件协同设计与软件智能调度，实现 "，数据传输成本降低 90%。]]></description><category></category></item></channel></rss>