一、人工智能算力基础设施演进态势有着人工智能专用算力芯片还有, 加速芯片等, 这些组成异构计算架构, 人工智能算力基础设施是, 以智能计算设施作为核心设施的, 以智能算力集群作为核心载体的, 面向人工智能应用场景, 提供所需算力服务的, 提供数据服务的, 提供算法服务的公共算力基础设施。大模型加快了技术迭代的速度, 推动了工程创新的进展, 这也拉高了, 对人工智能算力基础设施技术创新的要求, 提升了对其布局优化的标准, 还增添了对其产业升级的期望。(一)技术创新: 三位一体智算设施升级这时, 我国用于人工智能的算力基础设施处在系统性升级以及架构演进的紧要阶段, 正迅猛朝着集约高效、低碳共生、高速泛在的融合形态深入发展, 全面迈进以超大规模集群化、绿色低碳化和高速互联化为核心特点的新发展时期, , 并且开始加速发展。于顶层设计跟政策引导协同驱动的状况下, 我国智算中心规模持续在扩大, 技术体系日益走向自主, 能效水平不断有提升, 互联能力显著得以增强, 一步步构建起支撑数字经济高质量发展以及现代化产业体系建设的算力底座。超大规模集群化实现突破。超大规模集群是这样一种集群, 它由万或超十万颗高性能的 GPU、NPU、DPU、CPU 等异构算力卡构成, 还由 SSD 等异构存储单元构成, 属于异构计算与存储集群。它能通过高速互联网络实现近乎线性的算力扩展, 以此支撑千亿乃至万亿参数大模型的训练与复杂推理任务。超节点作为智算集群化发展的关键技术之一, 正逐渐成为行业焦点。以华为昇腾 384 超节点为例, 它通过高速总线实现 384 卡高速总线互联, 跨节点通信带宽提升了 15 倍。并且通过全局内存统一编址技术, 将分散在各节点的内存池虚拟为统一地址空间, 支持跨节点直接内存访问。配置 8 节点存储超节点集群, 具备超大带宽、超低时延、超强性能这三大优势。中兴通讯提出了一种架构, 名为AI加速器高速互联开放架构, 构建了一系列超节点, 称作国产化 GPU 卡大规模高速互联的星云智算超节点, 它支持两种扩展模式, 分别是Scale-Up与Scale-Out双重扩展模式, 其高带宽域能够扩展到2048卡, 能为AI训练及推理场景提供一个算力底座, 这个底座具备软硬协同、开放解耦、高效高稳的特点。绿色向着低碳化方向的发展, 所取得的成效是显著的。当下的AI呈现出爆发式的增长态势, 这带来的是巨大的算力能耗方面的挑战, 人工智能算力基础设施朝着绿色低碳化方向发展的趋势, 正在驱动着商业模式的创新。绿色低碳, 它是用户在选购智算中心之时以及算力服务方面的重要考量因素之一, 同时, 它还是企业所提供服务方案的核心竞争力所在。当下, 业界普遍运用的有液冷技术, 还有算电热碳一体化技术, 以及模块化建设技术、智能化运维技术等先进之技术, 不断地将智算中心的能效水平进一步优之化之。利用液冷技术的中国移动长三角苏州云计算中心机房, 散热能耗降至50%至60%, 数据中心PUE值低至1.25以下。当前主流的冷板式液冷借助风冷做辅助散热, 未来会凭借优化冷板设计、推广单相浸没式或全覆盖冷板液冷, 逐步削减对风冷的依赖, 提高单机柜功率密度并简化数据中心架构。并且, 在智能计算中心的平台那一侧, 能够借助算力编排管理系统, 以及碳排放监测与统计平台等, 从而去适应持续变动的应用需求, 还有能效方面的要求。对于高速互联化而言加速进行相应的探索工作, 智算中心其自身的发展情况, 并非仅仅取决于单点算力所具备的性能表现, 并且更加依赖于跨越不同节点、跨越不同地域的那种高效互联状况, 分布式训练以及跨中心协作已然成为当前正在开展探索的技术热点领域。我国正在借助构建“物理网络 虚拟网络”这种双层协同技术体系, 来加快推进算力基础设施在高质量层面的互联化相关发展, 进而提升算力资源那整体的效能。当前, 400G技术体系大体得以完善, 我国的运营商渐渐展开干线场景规模的部署, 针对速率更高的传输技术, 业界加速800G以及1.6T技术标准的研制, OIF与ITU等标准化组织正着手相关项目的研究工作, 产业界也已然开启试点验证工作。除此之外, G.654.E光纤, 还有空芯光纤等新型传输媒介, 其应用步伐加快, 这能够为构建高性能的数据运算并且具备智能状态的网络基础设施供应有力的支撑。(二)布局优化: 全国智算设施协调发展截至2020年, 发改委把智能计算中心归入了新基建范畴, 自那时起, 我国对智算中心建设便予以高度重视, 不仅如此国家相关部门还陆续出台了《新型数据中心发展三年行动计划(2021 - 2023年)》以及《算力基础设施高质量发展行动计划》等诸多文件, 这些文件提出要统筹建设高性能智算中心, 使得智算中心的建设方向从鼓励建设转变为深化布局, 并且指引方向更为清晰明确, 进而推动智算中心实现高质量发展。2025年5月, 国家数据局印发《数字中国建设2025年行动方案》, 该方案提出, 要逐步实现各地区算力需求与国家枢纽节点算力资源在供需上进行高效的匹配。2025年8月, 国务院印发了一份意见, 这份意见是关于深入实施“人工智能 ”行动的, 意见明确提出了强化智能算力统筹这件事, 意见也说到要加快超大规模智算集群技术突破并实现工程落地, 意见中还提到要优化国家智算资源布局, 去完善全国一体化算力网, 要加强智能算力互联互通以及供需匹配, 意见要求创新智能算力基础设施运营模式, 以此推动智能算力供给普惠易用并且做到经济高效绿色安全, 这些都是意见里提出的内容。智算中心建设正加速展开布局, 其总体规模得以进一步实现增长。近些年来, 我国始终在持续不断加大对于计算、存储以及算力网络基础设施的投入力度, 而算力身为能够支撑人工智能发展的属于核心层面的生产力, 展现出处于稳定状态且有所进步的发展情形。由中国信通院《2025 综合算力指数》给出的数据表明, 截止到 2025 年 6 月的最后一天, 我国正在使用的算力中心机架总的规模等于 1085 万标准机架, 智能算力规模达到(FP16), 从而为海量数据的计算提供智能的底座, 与此同时区域的智能算力朝着统筹化以及集约化部署的方向进行布局。一方面, 于全国一体化算力网建设、“东数西算”战略等这般大背景情形之下, 新建的智慧智能算力中心正渐渐一步步融入八大枢纽节点的构建里。截至 2025 年的一季度的时候, 我国“东数西算”的八大枢纽节点的算力总规模达成了 215. , 智慧智能算力规模在枢纽节点算力规模其中所占的比例为 80.8%。枢纽节点之间达成了 20 毫秒时延圈基本上已然实现了。另一方面重点城市区域智能算力供给能力持续提升。(三)产业升级: 智算全产业链协同发展发展智能算力产业, 使得其质量得到提升, 速度得以加快。智算中心归属新型基础设施, 它将算力、存力以及运力整合在一起, 为更多行业进行提供数字化转型注入全新动力, 相关产业规模持续呈现出跃升变化。依照国际数据公司也就是IDC所出的《中国人工智能计算力发展评估报告》来表明, 在2024年的时候, 我国智能算力的市场规模到达了190亿美元这个数值, 与之前相比增长了86.9%, 产业链各个环节都实现了深度融合上游核心硬件在国产化方面突破的速度加快了、硬件产品的性能达成了跃升。据IDC数据表明, 在2024年, 对于我国加速芯片市场规模而言, 其数量超过了270万张, 其中GPU卡所占据的市场份额达到了70%, 我国本土AI芯片的出货量现且已超过了82万张, 在2023年市场渗透率为15%这一情况下提升至现在的30%。于中游之处, 算力设施建设正沿着规模化的路径向前奋进然而, 那已然成熟的大模型其商业化运营, 似是存有希望会给予我国持续性的、智能化特点的算力相关需求。下游算力应用朝着金融、医疗、教育、交通工业、传媒娱乐等众多产业, 加速进行渗透, 从通用场景朝着专业领域的特定场景迈进。依据中商产业研究院数据表明, 就当前应用占比情形而言, 互联网占比为 53%, 服务行业占比为 18%, 政府占比为 9%, 电信、工业制造、教育、金融等行业均占比为 4%。中国三大电信运营商的算力布局, 紧密地环绕着国家“东数西算”以及“人工智能 ”战略而开展, 已然构建起了覆盖全国范围的立体化算力网络。中国移动于智算领域, 其“NX”智算能力布局持续完善, 京津冀区域有首批智算中心节点投产, 长三角区域有首批智算中心节点投产, 粤港澳大湾区区域有首批智算中心节点投产, 成渝等区域也有首批智算中心节点投产, 共计13个, 呼和浩特地区的万卡级超大规模智算中心实现高效运营, 哈尔滨地区的万卡级超大规模智算中心同样实现高效运营, 如此为AI应用的发展给予了强大的算力支撑。其间, 位于黑龙江哈尔滨的智算中心节点, 它属于全球运营商规模最大的那类单集群智算中心, 该智算中心的智算卡算力规模达到了6.93。中国电信适度去进行超前地开展智算建设行动, 重点去规划“237NM”这样的智算布局情况, 着手建设“中心集群边缘DC”一体化的AIDC, 于内蒙古以及贵州打造两个公共的智算中心, 在京津冀、长三角地方、粤港澳大湾区片区、成渝这些地区建设大型智算中心以及超算集群, 重点去承载AI训练、高性能计算等方面的需求。中国联通的智能算力呈现“1NX”的梯次布局之态, 其中包含着 1 个超大规模的单体智算中心的建设, N 个智算训推一体枢纽的构建安排, 以及属地化的 X 个智算推理节点的布局规划, 最终达成以算力作为核心的一体化算网融合生态体系的组建, 塑造出数字经济“第一算力引擎”。入选《中国信通院2025年智算中心典型案例》的中国联通上海临港智算中心, 在技术创新方面颇有所长, 并于绿色低碳领域有着突出表现, 同时能够在产业赋能层面展现独特优势, 至此成为长三角区域智算中心建设当中的重要标杆。各大 AI 大厂, 赶忙加快速度布局智算领域, 将重点着眼于大规模智算中心的建设之上, 十分注重技术创新以及场景之中的融合情况, 以此进而助力 AI 技术能够顺利落地实现应用。01 阿里云组建了一整套完备的AI基础设施, 为了达成训练以及推理的规模化拓展需要, 塑造了灵骏超级智算集群, 具备可扩充至10万张GPU卡规模的能力输出, 其主要涵盖四个关键组件, 分别是灵骏计算集群, HPN高性能网络, 久AI计算服务器, 还有CPFS高性能存储集群。02 火山引擎近些年于智算中心范畴布局极为迅速, 借由“自建加上合作”的模式, 在内蒙古以及安徽等地要点区域投资建设大型绿色智算中心, 并且自行研发底层技术栈, 其目标是打造支撑AI大模型训练以及推理的高效能算力网络。03 百度智能云将关注点放在诸如阳泉、沈阳、盐城等城市, 去搭建普惠性质的AI算力基础设施, 借由“A大底座”发布完整的解决办法, 为地方产业的数字化转变以及智能化提升赋予能量, 尤其在自动驾驶等方面有着颇为深厚的经历。04 商汤科技突出“AI大装置”的基座能力状况, 去追求体现超大规模集群的性能以及效率情形, 并且借助“算力Mall”等模式来降低AI的使用门槛情况, 在对自身前沿研究和多元业务予以支撑的同时, 还向行业输出能力状况。二、人工智能算力基础设施赋能的重要走势目前, 人工智能算力基础设施利用负载的状况, 存在着较大的差异, 特别是在那些由国资平台主导的地方智算中心, 其赋能的价值, 还有待于进一步地去提升。朝着“十五五”人工智能算力基础设施的方向, 推进科学赋能, 围绕着需求场景, 围绕着关键能力, 围绕着落地生态, 存在着三个重要的发展趋势。(一)需求场景逐步明晰促使智算资源优配随着需求场景定位愈发清晰, 智算中心精准赋能得到有力助推, 自“十四五”起始, 各地政府以及相关主体积极展开探索, 有条不紊地推进, 人工智能算力基础设施建设正逐渐从“建得好”朝着“用得好”发生转变。在推进智算中心建设进程里, 地方以及央国企, 正渐渐理清核心服务对象跟投资建设主体的界限, 深入对地方特色经济以及央国企核心业务智能化转型的难点、真实的算力需求类别还有应用优先级的系统性认识, 促使智算建设跟行业应用紧密相连, 达成了从“以建促用”朝着“以用带建”的科学径路转变。各方权责体系, 也就是政府、央国企、技术提供商、应用开发商等人和主体的权责体系正不断明晰, 同时协同机制也在持续完善。这种系统性定位正日益清晰, 它已然有力促进资源优化配置, 还能避防不必要重复情况的建设以及因多种因素导致的服务发生偏离现象, 进而保障智算中心能够高效运行, 而且相当显著地提升投资回报水平, 最终以一种较为强劲的态势为数字经济发展注入动能。(二)关键能力逐步聚焦提升智算服务水准供给持续去强化关键能力, 服务效能去提升智算中心。在“十四五”这个期间, 人工智能算力那基础设施的服务朝着高层次方向, 还有全栈化的支持体系迅速地演进。(三)落地生态逐步聚和加速智算价值释放生态体系在加速趋向整合, 协同机制正持续不断完善健全, 这有力地对促进智算赋能价值实现规模化释放起到作用。“十四五”期间, 人工智能算力基础设施建设, 正逐步从基础算力供给, 朝向“算力加上算法加上数据加上场景加上服务”一体化的解决方案能力方向来演进, 并且同地方特色产业以及央国企核心业务的融合, 还在持续不断地深化。初步构建起可持续、高价值的合作伙伴网络, 一批核心主体加快集聚, 这些核心主体包括具备行业专业知识、能够提供垂直领域解决方案的独立软件开发商ISV, 还有系统集成商SI, 以及关键数据供给方和算法研究机构等, 合作模式由项目制向更稳定、长期的协同关系过渡。初步形成了有效生态协作机制, 逐步健全了利益共享、协同创新与风险共担的规则体系, 这有助于降低协作成本, 还能提升主体互信。迈向更具系统性和稳健性的整体生态建设发展进程, 其走势鲜明, 越来越紧密地贴合实际需求场景, 同关键能力实现供给互动, 这给智算中心带来了极大助力, 为其长期保持健康态势、达成可持续发展目标, 提供了坚实有力的支撑保障。三、人工智能算力基础设施需求场景大模型计算需求场景主要涵盖训练, 微调, 以及推理, 模型参数规模跟对算力的消耗成正比例关系, 参数规模越大, 所需的智能算力就越大, 不同体量的智算中心支撑着不同的大模型计算场景。欲推进基础预训练大模型千亿级以上参数的 train, 需拥有具备 E 级计算之力的高端万卡集群中心做支撑。开展小模型百亿级以及小于此参数的的训练微调工作, 或者进行模型的推理操作, 凭借具备百P级此处括号内内容缺失完整含义计算能力的中小型智算中心便能够予以支撑。(一)大模型预训练场景万卡集群展开推进、进行支撑, 针对基础大模型千亿级以上参数开展预训练。大型训练阶段所消耗的资源, 主要聚焦于预训练阶段, 这一阶段需要数千至上万块 GPU 并行运算, 还要处理千亿级至万亿级 Token 数据, 历经数周至数月时间, 其占总算力消耗比例为 90 - 99%。在基础大模型参数量从千亿朝着万亿迈进之际, 大模型预训练进程对底层智能算力的诉求更进一步升级了, 头部基础大模型的训练算力需求已然抵达十万亿兆量级, 并且还仍以每年4.1倍的速度迅猛增长着。有相关数据表明, 凭借2.5万张英伟达A100 GPU对13万亿个token进行了处理, 历经100天才做完GPT - 4模型的预训练。而Meta的LLaMA - 3却是动用了大约1.6万张英伟达H100 GPU, 耗费54天训练了15万亿Token。由此可见基础大模型预训练迫切需要高质量万卡智算集群支持。在我国之内, 通信运营商, 还有AI领域处于头部位置的厂商, 都在积极地去建设那种拥有万卡规模的智算集群, 并且还在持续不断地进行研发, 而后推出基础通用的大模型呢。(二)大模型微调场景有可有效推进行业模型微调训练作用的小体量智算中心, 大模型微调训练乃是连接预训练模型跟下游应用场景的关键环节所在, 90%的训练场景主要聚焦于工12大模型微调, 也就是进行百亿级以下参数的行业模型训练以及微调, L12大模型微调是基于预训练好的大型语言模型, 借助调整模型参数去适应特定任务或数据集的进程, 以此让模型在特定任务上的性能获得显著提升。L1L2大模型微调对于智算资源需求规模, 相较于基础大模型的训练, 呈现出指数级下降的态势。地方所推出的小体量的、百P级的智算中心, 在针对百亿级以下参数的行业模型微调这一方面, 具备显著优势。地方能够借助迅速整合当地计算资源, 以满足模型微调需求, 一方面如此另一方面, 在确保性能的同时, 计算成本以及时间成本能够被显著降低。总体而言, 地方所推出的、小体量百P级的智算中心, 凭借其具备的高效计算资源, 以及灵活的计算资源, 能够充分满足当下主流行业模型训练微调的需求, 达成对特定区域开展精准服务的目标。当前国内多数智算中心着力支撑行业模型微调训练。有一个中心, 叫南京智能计算中心, 它完成了工作, 是超过150种主流大模型的调优与适配工作, 这个过程贯穿了多方面, 从模型训练构建开始, 到高质量数据应用, 一直到实际场景部署的全过程。它还能做一件事, 可量身实施大模型微调政策, 也能整合有关能力, 包括分布式训练效能提升、模型轻量级实施以及边缘节点计算在内的核心能力。现在呀, 它已经为很多对象提供了服务, 是上百家科研机构、高等院校以及创新型企业, 提供的是高性能算力资源服务。杭州人工智能计算中心, 依托全国产软硬件平台, 在企业用户于行业模型训练时, 帮助显著缩短时间成本, 它提供不同规模蒸馏版本模型, 能让企业按需灵活选择, 所覆盖的多行业场景有金融、医疗、、教育、制造等企业用户不用去从头搭建底层模型, 就能快速开展业务数据的迁移学习或者微调训练。至今, 已面对本地校企单位五百余家展开服务, 培育了三十余个行业大模型, 孵化出二百余个行业应用与解决方案。(三)大模型推理场景在当下的推理需求场景里, 云侧的推理需求处于主导地位。推理智算需求场景涵盖了网页端智能助手、移动端智能助手以及企业侧应用等来。当中, 网页端智能助手要借助大量的实时计算资源去支撑用户的高并发请求以及快速响应, 目前主要依靠云侧推理来达成。鉴于要处理大量并发请求, 所以对网络带宽、智能资源调度以及优化延迟也有着较高的要求。具体的场景包含图像处理、信息检索、智能问答等。移动端的智能助手, 通常来讲, 对实时性以及功耗有着较高的要求, 一般情况下, 大多采用轻量化的模型并且结合云端推理的方式, 移动端主要负责处理前端的数据采集以及初步处理, 而复杂的计算任务则交给云端去处理, 具体所应用的场景涵盖了手机语音助手、语音识别、自然语言处理等等方面的应用。企业侧应用领域, 推理精度, 稳定性以及实时性的需求相对较高, 企业要构建专用智算中心或者采用云服务商给出的智算解决方案, 还有, 低延迟, 高带宽特性的网络连接被需要, 满足场景实时性之诉求, 具体涉及智能客服, 智能制造等场景。不同的推理应用场景, 针对推理模型以及智算中心的需求, 是各不相同的。在文本对话、智能客服等互联网实时性要求高的推理场景当中, 时延要求一般处于50ms, 能够依托GPT3 或者GLM等百亿级大语言模型, 去实现低时延应用推理。对于机器人语音对话之类的推理场景而言, 时延要求通常是在100毫秒, 能够基于像Llama等这样处于亿/十亿级别模样的模型去将推理给达成在文生图、视频这类并非实时性交互的推理场景当中, 时延处于200毫秒, 依靠等类似的模型便能够把推理实现。从整体层面去看, 针对于应对不一样的那些推理场景, 智算中心在加速卡的选型这个方面呈现出过具有专门指向性的一套方案, 以此来达成最优状态的性能以及效率。针对大模型推理应用场景, 智算中心会倾向于选择配置较大内存的训练卡用以支撑推理过程, 或者采用训练与推理一体化的解决方案, 依据推理工作负载的需求动态调整算力资源, 借助“削峰填谷”的方式去实现推理算力资源的高效利用, 以及智算资源的错峰利用。智算中心的小模型推理场景中, 于实时性要求较高的那种, 需选用训练卡来支撑推理工作, 以此满足快速响应以及高效处理的要求。智算中心的小模型推理场景里, 对于实时性要求低的那种, 能够选择专用推理卡来支撑推理任务, 借此优化成本效益并满足基本的处理需求。专用于推理的智算中心持续涌现。2025年7月底, 杭州灵汐类脑智算集群实现了大模型快速推理API的企业服务试运行, 其部署异构融合类脑芯片, 有兼容框架的类CUDA软件栈, 能直接服务多类开源大模型快速推理, 无需转换类脑算法, 借助存算一体、众核并行、稀疏计算、事件驱动等特性, 可把单用户推理延迟控制在毫秒级别, 首token延迟能降至百毫秒乃至十毫秒级, 大幅降低智算中心功耗。如何学习大模型 AI 因为新岗位所具备的生产效率, 比被取代岗位的生产效率更具优势, 故而实际上整个社会的生产效率是呈现上升状况的。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”。放到计算机的开局时期, 是此类道理置于互联网的起始阶段, 是同样情形, 处于移动互联网的开端时候, 也是这般道理。在所经历的一线互联网企业工作的十余年时间当中, 我曾对不少同行后辈予以指导, 使得很多人获得了学习与成长上的明显进步。我察觉到存在诸多经验以及知识是值得向大伙进行分享的, 还能够凭借我们具备的能力以及所拥有的经验去解答大伙于人工智能学习期间的众多困惑, 因而即便处于工作十分繁忙的状况下依旧坚持开展各种各样的整理以及分享, 只是因知识传播渠道受局限。那些很多的从事互联网行业的朋友没有办法据此获取到正确无误的数据资料以此实现学习方面的提升, 所以才把并且要把重要的AI大模型资料诸如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、实战学习等诸多录播视频免费予以分享出来。第一阶段10天初阶应用处于这个阶段之时, 要使得大家对于大模型AI拥有一种最前沿的认知, 对于大模型AI的理解程度超过百分之九十五的人, 在相关讨论期间能够发表高级的、不跟风的同时又接地气的见解, 其他人仅仅会和AI聊天, 然而你却能够调教AI, 并且能够运用代码把大模型与业务衔接起来。第二阶段30天高阶应用在这个阶段, 我们正式踏入大模型AI进一步作战学习的进程, 去学会构建私有的知识库, 以此拓展AI的能力, 从而能够迅速开发出一个齐全的基于agent的对话机器人, 并且能掌握开发框架中功能最为强大的大模型, 把握住最新的技术发展动态, 这对于程序员而言是合适的。第三阶段30天模型训练迎来恭喜倘若学到这儿乎, 你大致能够寻觅得到一份与大模型AI相关联的工作, 自身也能够开展GPT的训练进行微调, 训练自身所拥有的垂直大模型之行径, 能够独立自主地训练开源多模态大模型, 进而掌握更多的技术方案到达这里停止, 大约是两个月的时长。你已然变成了一名“AI小子”。那么你还打算继续朝着下面探寻吗?第四阶段20天商业闭环既要对全球大模型在性能方面, 有一定的认知, 又要在吞吐量方面, 有一定的了解, 还得在成本等方面, 有一定的知晓, 于云端这种环境里, 可以部署大模型, 在本地等诸多不同环境下, 也能够部署大模型, 进而找到契合自身的项目方向, 或者是创业方向, 最终成为一名被 AI 武装起来的产品经理。获取知识属于一种进程, 只要投身于学习便会遭遇挑战, 上天会按照每个人付出的勤奋, 给予相应的酬劳, 你越奋力拼搏, 就会蜕变成为越发出色绝伦的你自己。要是你能够于15天之内达成全部的任务, 那你可算得上是天才了。可是, 要是你能够完成60%至70%的内容, 那你已然开始拥有转为一名大模型AI的恰当特征了。现已将这份具备完整版本的、关于大模型 AI 的学习资料上传至 CSDN了, 朋友们要是有需求的话, 能够通过微信去扫描下方那个由 CSDN官方所进行认证的二维码来去免费领取【确保是100%的免费】。