AI 投资热潮从来都不只是资本市场的故事。过去两年AI 赛道的融资规模、算力采购订单和大模型公司估值一路走高但真正让 AI 浪潮区别于上一轮移动互联网热潮的是底层技术基础设施的实质性变化算力集群从千卡走向万卡甚至十万卡模型训练从单机实验走向分布式系统工程推理部署从离线批处理走向高并发在线服务。如果只盯着财富数字很容易误判这轮浪潮的性质。更值得技术人关注的是这些投资判断背后隐含的工程挑战以及普通开发者如何在这场变革中找到自己的位置。这篇文章想从三个层面展开首先拆解 AI 投资热潮背后的技术驱动因素帮大家理解为什么算力、数据和算法三要素会被资本如此看重其次梳理 AI 工程师需要掌握的技术栈和完整流程从环境准备、模型训练到部署上线最后给出一套可落地的实践路径包括具体的代码示例、运行验证方法和常见问题排查。文章的核心判断是AI 浪潮的确定性不在概念的炒作而在基础设施和工程能力的真实迭代对开发者来说与其追逐风口不如先把训练、部署、监控这条链路跑通。1. 从 1 亿美元到 450 亿美元AI 押注背后到底是什么在支撑Leopold Aschenbrenner 的 AI 投资故事近期在海外科技圈讨论度很高。据公开报道他从 1 亿美元起步通过重仓 AI 相关资产做到约 450 亿美元账面规模过程中还经历过接近爆仓的极端回撤。这个故事最有价值的部分不是财富数字本身而是它把 AI 从“技术话题”拉升到了“基础设施级投资标的”的位置。为什么 AI 值得被这样重注从技术视角拆解支撑这个判断的核心逻辑有三条第一算力需求的确定性增长。大模型训练的算力消耗遵循 Scaling Law模型参数量和数据量增长时算力需求近似呈指数级上升。从 GPT-2 到 GPT-4 再到更大规模的模型每一次代际跃迁训练集群的规模都上了一个数量级。这种需求的确定性来自研究路径的收敛主流大模型都采用 Transformer 架构预训练、微调、强化学习对齐的流程已经成为事实标准因此算力采购不再是“实验性投入”而是“基础设施支出”。第二AI 能力正在从“演示”走向“生产”。早期大模型被质疑只会聊天、写诗、生成图片但工具调用、Agent 工作流、多模态理解等能力的成熟让 AI 开始进入客服、编程、数据分析、内容生产等真实业务场景。一旦进入生产环境对推理延迟、吞吐量、稳定性、安全性的要求会全面拉高这会带来新的技术投入周期。第三工程化能力成为真正的壁垒。单纯训练一个大模型已经不再稀奇难的是让模型在真实业务中可靠运行数据管道是否稳定、训练框架是否能扩展到万卡、推理成本能否压到业务可接受的范围、模型迭代是否有一套完整的评测和灰度机制。这些工程问题才是 AI 投资价值的真正标尺。对普通开发者来说这个故事的启示不是“我也要跟风投 AI”而是要理解AI 浪潮真正缺的不是概念而是能把模型用起来的工程人才。这也是为什么越来越多团队在招聘时强调“AI 工程实践”而不是只看论文。2. 算力、数据与算法AI 技术变革的三层底层逻辑理解 AI 投资热潮先要理解 AI 技术的底层驱动因素。用一句话概括算力是肌肉数据是养料算法是大脑。三者缺一不可而且相互制约。2.1 算力深度学习的基础资源深度学习本质上是在高维空间中寻找函数映射这个过程依赖海量的矩阵运算。GPU 之所以成为 AI 训练的核心硬件是因为它拥有数千个计算核心可以并行执行矩阵乘法速度和能效远超 CPU。算力层面的关键趋势有两个一是单卡性能持续提升但更关键的是集群规模的扩展。训练一个千亿参数大模型单卡需要数年时间而万卡集群可以把训练时间压缩到数周。这带来了分布式训练、通信优化、故障恢复等一系列工程挑战。二是推理算力需求快速上升。模型训练是一次性投入但推理是持续支出当应用流量上来后推理成本往往成为最大的成本项。2.2 数据AI 能力的边界来源模型的能力上限在很大程度上由训练数据决定。数据的质量、覆盖度、清洁度直接影响了模型的知识广度和回答准确性。这也是为什么各大 AI 团队都在投入大量资源做数据清洗、去重、安全过滤和指令数据构建。对中小团队来说直接用公开的开源数据集和 API 是一个务实的选择。但在企业场景中私有数据往往更有价值如何在不泄露数据的前提下做模型微调是 AI 工程化的一个重要方向。2.3 算法架构演进与训练方法当前大模型的主流架构是 Transformer它的核心是自注意力机制能有效建模长距离依赖关系。但这不等于算法已经定型围绕高效注意力、稀疏化、量化、知识蒸馏等方向的研究仍在持续推进。对工程师来说算法的意义在于理解模型的输入输出行为和训练调优的方法。即使不研究算法细节也需要知道学习率、批次大小、训练轮数如何影响模型效果以及什么时候该用全量微调什么时候该用 LoRA。这三层逻辑共同决定了AI 不是“选择一个模型 API 调用一下”那么简单。要在这个领域有真正的竞争力必须同时理解模型的训练逻辑、数据的处理方式和部署运行的资源约束。3. AI 工程化技术栈全景从训练到上线的完整链路很多开发者开始接触 AI 时习惯把注意力放在模型选择和参数调整上但真实项目里模型训练只是链路中的一环。一个完整的 AI 应用从想法到上线至少包括以下环节数据准备、模型训练、模型评估、模型打包、服务部署、线上监控、版本迭代。3.1 基础设施层基础设施层解决的是“在哪里跑”的问题。开发阶段一台配置了 NVIDIA GPU 的 Linux 工作站就够用生产阶段通常需要多机多卡集群配合容器化技术实现环境隔离和资源调度。常用的基础设施工具包括Docker将训练和推理所依赖的 CUDA、Python 包、系统库打包成镜像解决环境一致性问题。Kubernetes管理多节点 GPU 资源支持模型服务的水平扩缩容。云厂商 GPU 实例按需购买算力适合中小团队和弹性场景。3.2 数据处理层数据处理层解决的是“用什么训练”的问题。典型流程是数据采集、数据清洗、数据标注、特征工程或 tokenization。对大模型来说数据需要转换成 token 序列并按照固定长度进行切分和打包。常用的工具包括 pandas、NumPy、Datasets 库、Spark处理超大规模数据等。这个环节的细节往往决定了模型效果的上限但也是最容易被忽略的环节。3.3 模型训练层模型训练层是核心技术环节。主流框架是 PyTorch配合 Hugging Face Transformers 可以快速使用预训练模型进行微调。训练过程中需要关注 loss 收敛情况、GPU 利用率、显存占用等指标。针对大模型的参数高效微调LoRA、QLoRA 是目前最常用的方法它们通过冻结原模型参数、只训练少量低秩矩阵的方式大幅降低显存需求和训练成本。3.4 模型服务层训练好的模型需要对外提供推理服务才能被业务系统使用。常用的部署框架包括FastAPI PyTorch自己封装 HTTP 接口灵活度高。Triton Inference Server支持多模型管理、动态批处理和 GPU 并发优化适合生产环境。vLLM专门针对 LLM 推理优化的框架支持 PagedAttention、连续批处理等特性吞吐量远高于原生实现。3.5 监控运维层模型上线不等于工作结束。需要监控推理服务的延迟、吞吐、错误率、GPU 利用率还需要跟踪模型的输入分布和回答质量防止模型效果在真实环境中退化。常用的监控工具包括 Prometheus、Grafana 以及自定义的日志系统。从学习路径来看建议的顺序是先跑通一个最小训练流程再理解数据处理的细节然后掌握模型部署和 API 封装最后补充监控和运维能力。不要一开始就陷入分布式训练或底层 CUDA 优化那些是进阶方向。4. 环境准备与前置条件在开始动手之前需要把运行环境准备好。本节以 Ubuntu 22.04 系统为例演示如何从零搭建一个可用的 AI 工程环境。版本号以实际安装时为准本文重点演示通用流程。4.1 硬件与系统要求CPU8 核以上推荐 16 核。内存16GB 起步推荐 32GB 或更高。GPUNVIDIA 显卡显存 8GB 以上推荐 24GB 或更高用于大模型微调。硬盘建议 100GB 以上可用空间SSD 更佳。操作系统Ubuntu 20.04 或 22.04 LTS 是当前 AI 生态兼容性最好的选择。如果没有本地 GPU可以考虑云厂商的 GPU 实例或者先用 CPU 运行小规模示例理解流程后再切换到 GPU。4.2 安装 NVIDIA 驱动与 CUDAAI 框架依赖 CUDA 来调用 GPU 计算能力。安装驱动的步骤如下# 查看当前 GPU 型号 lspci | grep -i nvidia # 更新系统软件源 sudo apt update sudo apt upgrade -y # 安装 NVIDIA 驱动推荐使用 ubuntu-drivers 工具自动安装 sudo apt install -y ubuntu-drivers-common sudo ubuntu-drivers autoinstall # 重启系统使驱动生效 sudo reboot重启后执行nvidia-smi如果能看到 GPU 列表和驱动版本说明驱动安装成功。CUDA 的安装可以通过 NVIDIA 官方 runfile 或包管理器完成。更简单的做法是直接安装 PyTorchPyTorch 会自带与其版本匹配的 CUDA runtime不需要单独安装完整的 CUDA 工具链。只有当需要编译自定义 CUDA 算子时才需要手动安装 CUDA Toolkit。4.3 安装 Python 与虚拟环境AI 生态对 Python 版本有一定要求建议使用 Python 3.10 及以上版本。推荐使用 Miniconda 创建独立环境避免依赖冲突。# 下载并安装 Miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 创建 Python 3.10 环境 conda create -n ai_env python3.10 -y conda activate ai_env # 安装 PyTorch以 CUDA 12.1 版本为例具体命令参考 PyTorch 官网 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121安装完成后通过以下命令检查 PyTorch 是否能正常调用 GPUpython -c import torch; print(CUDA available:, torch.cuda.is_available()); print(Device count:, torch.cuda.device_count())如果输出CUDA available: True说明环境就绪。这里有一个常见误区需要提醒如果 PyTorch 安装的是 CPU 版本即使系统驱动正常torch.cuda.is_available()也会返回False。5. AI 模型训练与部署完整示例下面用一个完整示例演示从模型训练到部署上线的全流程。这个示例选用经典的 MNIST 手写数字识别任务使用 PyTorch 实现。它虽然不是大模型但涵盖了 AI 工程的完整链路数据加载、模型定义、训练循环、模型保存、服务封装、容器部署。5.1 最小训练示例先创建一个项目目录然后编写训练脚本。mkdir ~/ai_mnist_demo cd ~/ai_mnist_demo创建train.py内容如下# 文件路径~/ai_mnist_demo/train.py import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 1. 定义模型结构一个简单的 CNN class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 nn.Conv2d(1, 32, kernel_size3, padding1) self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) self.pool nn.MaxPool2d(2, 2) self.fc1 nn.Linear(64 * 7 * 7, 128) self.fc2 nn.Linear(128, 10) self.relu nn.ReLU() self.dropout nn.Dropout(0.25) def forward(self, x): x self.pool(self.relu(self.conv1(x))) x self.pool(self.relu(self.conv2(x))) x x.view(-1, 64 * 7 * 7) x self.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) return x # 2. 数据加载与预处理 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) test_dataset datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size256, shuffleFalse) # 3. 初始化模型、损失函数、优化器 device torch.device(cuda if torch.cuda.is_available() else cpu) model SimpleCNN().to(device) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 4. 训练循环 def train(epoch): model.train() total_loss 0 for batch_idx, (data, target) in enumerate(train_loader): data, target data.to(device), target.to(device) optimizer.zero_grad() output model(data) loss criterion(output, target) loss.backward() optimizer.step() total_loss loss.item() if batch_idx % 200 0: print(fEpoch {epoch} | Batch {batch_idx} | Loss: {loss.item():.6f}) avg_loss total_loss / len(train_loader) print(fEpoch {epoch} finished | Average Loss: {avg_loss:.6f}) # 5. 测试函数 def test(): model.eval() correct 0 total 0 with torch.no_grad(): for data, target in test_loader: data, target data.to(device), target.to(device) output model(data) pred output.argmax(dim1, keepdimTrue) correct pred.eq(target.view_as(pred)).sum().item() total target.size(0) accuracy 100.0 * correct / total print(fTest Accuracy: {accuracy:.2f}%) return accuracy if __name__ __main__: for epoch in range(1, 4): train(epoch) test() # 保存模型 torch.save(model.state_dict(), mnist_cnn.pt) print(Model saved to mnist_cnn.pt)这段代码的关键逻辑说明模型使用了两个卷积层加两个全连接层是 MNIST 任务上的经典结构训练速度快适合用来跑通流程。数据预处理将像素值归一化到均值为 0.1307、标准差为 0.3081 的分布这是 MNIST 数据集的标准做法。训练循环中每个 batch 执行一次前向传播、反向传播和参数更新。测试阶段使用torch.no_grad()关闭梯度计算节省内存并加速推理。最终模型参数保存到mnist_cnn.pt后续部署时直接加载这个文件即可。5.2 使用 FastAPI 封装推理服务模型训练完成后需要把它封装成一个 HTTP 服务方便业务系统调用。这里使用 FastAPI 构建接口。创建app.py# 文件路径~/ai_mnist_demo/app.py import io import torch import torch.nn as nn from fastapi import FastAPI, UploadFile, File from PIL import Image import torchvision.transforms as transforms # 复用训练时的模型结构 class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 nn.Conv2d(1, 32, kernel_size3, padding1) self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) self.pool nn.MaxPool2d(2, 2) self.fc1 nn.Linear(64 * 7 * 7, 128) self.fc2 nn.Linear(128, 10) self.relu nn.ReLU() self.dropout nn.Dropout(0.25) def forward(self, x): x self.pool(self.relu(self.conv1(x))) x self.pool(self.relu(self.conv2(x))) x x.view(-1, 64 * 7 * 7) x self.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) return x # 加载模型 device torch.device(cuda if torch.cuda.is_available() else cpu) model SimpleCNN().to(device) model.load_state_dict(torch.load(mnist_cnn.pt, map_locationdevice)) model.eval() # 数据预处理 transform transforms.Compose([ transforms.Resize((28, 28)), transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) app FastAPI(titleMNIST Inference Service) app.get(/health) def health_check(): return {status: ok} app.post(/predict) async def predict(file: UploadFile File(...)): # 读取上传的图片 image_bytes await file.read() image Image.open(io.BytesIO(image_bytes)).convert(L) # 预处理 input_tensor transform(image).unsqueeze(0).to(device) # 推理 with torch.no_grad(): output model(input_tensor) pred output.argmax(dim1, keepdimTrue).item() return {digit: int(pred)}启动方式pip install fastapi uvicorn pillow uvicorn app:app --host 0.0.0.0 --port 8000这个服务的逻辑不复杂但有几个关键点load_state_dict加载的是训练阶段保存的权重文件必须保证模型结构与训练时一致否则会报错。map_locationdevice的作用是让模型权重可以加载到当前可用设备上这样在 CPU 环境下也能运行。model.eval()会关闭 Dropout 和 BatchNorm 的训练行为确保推理结果稳定。/predict接口接收图片文件返回模型预测的数字。5.3 使用 Docker 打包推理服务模型服务需要部署到服务器上手动安装依赖容易出问题更可靠的做法是使用 Docker 打包。创建Dockerfile# 文件路径~/ai_mnist_demo/Dockerfile FROM pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime WORKDIR /app # 安装依赖 RUN pip install fastapi uvicorn pillow # 复制项目文件 COPY app.py . COPY mnist_cnn.pt . # 暴露服务端口 EXPOSE 8000 # 启动服务 CMD [uvicorn, app:app, --host, 0.0.0.0, --port, 8000]构建并运行docker build -t mnist-inference . docker run -d --name mnist-service --gpus all -p 8000:8000 mnist-inferenceDocker 化的好处是环境完全隔离模型服务运行在包含 CUDA、PyTorch、FastAPI 的独立容器中不依赖宿主机的 Python 环境。需要特别提醒--gpus all参数只有在宿主机安装了 NVIDIA Container Toolkit 之后才能生效。如果运行时报错could not select device driver with capabilities: [[gpu]]说明缺少这个组件需要先安装。6. 运行结果与效果验证跑完训练和部署后如何判断整个流程是正确的下面按顺序说明验证方法。6.1 训练阶段验证运行训练脚本python train.py预期输出类似Epoch 1 | Batch 0 | Loss: 2.302585 Epoch 1 | Batch 200 | Loss: 0.312456 Epoch 1 | Batch 400 | Loss: 0.198765 Epoch 1 finished | Average Loss: 0.123456 Test Accuracy: 96.52% Epoch 2 finished | Average Loss: 0.051234 Test Accuracy: 97.89% Epoch 3 finished | Average Loss: 0.032198 Test Accuracy: 98.35% Model saved to mnist_cnn.pt判断标准Loss 随着训练轮数逐步下降说明模型在学习。测试准确率逐步提升正常应该达到 97% 以上。训练结束后生成mnist_cnn.pt文件。如果训练过程中 loss 不下降或直接变成nan优先检查学习率是否过大、数据预处理是否正确、模型是否存在数值溢出。6.2 推理服务验证启动服务后先检查健康状态curl http://localhost:8000/health预期返回{status:ok}然后准备一张测试图片调用预测接口验证curl -X POST http://localhost:8000/predict -F filetest_digit.png预期返回类似{digit: 7}6.3 容器部署验证Docker 部署后通过docker ps查看容器状态然后同样使用 curl 命令验证。如果容器启动失败使用docker logs 容器ID查看日志最常见的错误是端口被占用、模型文件未复制到镜像中、依赖安装失败。6.4 GPU 资源验证训练和推理过程中可以用以下命令实时观察 GPU 使用情况nvidia-smi关注两个指标GPU-Util训练时应该达到较高数值通常 60% 以上如果长期为 0%说明数据加载或 CPU 预处理成为瓶颈。Memory显存占用不应超过 GPU 总显存否则会触发 OOM。7. 常见问题与排查思路AI 工程实践中很多问题的表现相似但根源完全不同。下面整理了几个高频问题以及具体的排查路径。问题现象可能原因排查方式解决方案torch.cuda.is_available() 为 FalsePyTorch 安装的是 CPU 版本运行 pip list 查看 torch 版本号是否带 cu 后缀重新安装对应 CUDA 版本的 PyTorchCUDA error: no kernel image is availablePyTorch 的 CUDA 版本与显卡驱动不匹配执行 nvidia-smi 查看驱动支持的 CUDA 版本对比 PyTorch 官方要求升级驱动或换用匹配的 PyTorch CUDA 版本训练时报显存不足 CUDA out of memorybatch_size 过大或输入分辨率过高逐步减小 batch_size观察显存变化降低 batch_size、使用梯度累积或换用更小的模型Docker 运行时报 could not select device driver未安装 NVIDIA Container Toolkit执行 docker run --gpus all 测试安装 NVIDIA Container Toolkit 后重启 Docker训练 Loss 一直不下降学习率设置不当或数据有问题打印每个 batch 的数据分布检查标签是否错位先用小学习率跑几个 epoch 观察再逐步调整CPU 训练速度极慢未使用 GPU查看环境变量和 torch.device 设置确保 PyTorch 检测到 GPU 且代码调用 device.to()端口被占用服务端口被其他进程占用执行 lsof -i:8000 查看占用进程换用其他端口或停止占用进程很多新手在遇到问题时第一反应是“重新安装所有依赖”这其实是效率最低的排查方式。更合理的顺序是先看错误日志再看环境版本是否匹配最后才考虑重装。8. 最佳实践与工程建议跑通一个示例并不难难的是让它稳定地在生产环境运行。以下建议来自实际项目中的经验总结。8.1 环境与依赖管理Python 的依赖冲突是 AI 项目中最常见的问题之一。强烈建议使用虚拟环境并且在项目根目录维护一份完整的requirements.txt或environment.yml。对于需要 GPU 的项目要把 CUDA 版本、PyTorch 版本、显卡驱动版本记录下来这些信息对团队协作和问题复现非常重要。一个可用的requirements.txt示例torch2.1.0 torchvision0.16.0 fastapi0.104.1 uvicorn0.24.0 pillow10.1.08.2 安全与权限控制模型服务上线后需要考虑安全和权限边界。首先推理接口应该做身份验证不能暴露公网裸奔。其次如果模型接受用户上传的文件需要对文件类型、大小进行限制防止恶意文件导致服务异常。最后涉及隐私数据的场景要确保数据不落地或脱敏后再处理。8.3 监控与告警模型服务的监控分两个层面基础设施层要关注 GPU 利用率、显存、CPU、内存、网络 IO 等资源指标业务层要关注请求延迟、吞吐量、错误率、模型输出是否符合预期。推荐方案是 Prometheus 负责指标采集Grafana 负责可视化配合日志系统实现全链路追踪。模型特有的监控点是输入数据漂移当线上输入分布与训练数据差异过大时模型效果会明显下降需要及时感知。8.4 模型版本管理同一个推理服务大概率会经历多次模型迭代不要直接覆盖旧模型文件。推荐的方案是按版本存放模型同时维护一份版本记录包含训练数据、训练参数、评测指标、上线时间等信息。这样可以快速回滚到上一版本也能准确判断模型效果变化的原因。8.5 性能优化方向当模型上线后性能不达标时按照优先级考虑以下优化方向最大化 GPU 利用率检查数据加载是否成为瓶颈必要时增加 DataLoader 的num_workers。合理使用混合精度训练使用torch.cuda.amp可以在几乎不损失精度的情况下大幅减少显存占用和加速训练。推理阶段考虑量化模型量化可以把参数从 FP16 压缩到 INT8显著降低推理显存和延迟但需要评估精度损失。使用批处理优化推理服务支持动态批处理可以显著提升吞吐量。8.6 成本控制AI 项目的成本大头是 GPU 资源。云端部署时按需实例和无 spot 实例搭配可以在非高峰时段大幅降低成本。训练任务应该支持断点续训避免集群故障导致多天训练成果丢失。同时训练前先在小规模数据上验证代码正确性再启动大规模训练这是避免浪费算力最有效的方式。9. 后续学习方向AI 投资的故事还会继续但对工程师来说更重要的是把技术链路跑熟。本文示例是一个很好的起点但它只是接触到了 AI 工程化的表层。下一步可以从这几个方向深入。第一大语言模型微调。把 MNIST 上的 CNN 换成大语言模型使用 Hugging Face Transformers 加载一个开源模型配合 LoRA 做指令微调理解大模型的训练方式和显存占用特点。这是当前应用最广、岗位需求最大的方向。第二服务化与推理优化。学习 vLLM 和 Triton Inference Server 的使用方式理解 PagedAttention、连续批处理、张量并行等概念这对上线大模型服务至关重要。第三Agent 应用开发。大模型本身只是能力底座真正产生业务价值的是基于模型的 Agent 应用包括工具调用、任务拆解、记忆管理、多 Agent 协作等这些方向对工程能力和产品思维的要求都很高。第四全链路观测。研究如何构建一套完整的模型监控系统包括指标采集、日志聚合、告警策略、模型回滚机制这决定了一个 AI 系统能否长期稳定运行。AI 技术迭代很快但底层的工程原则变化并不快环境可控、训练可复现、部署可回滚、运行可观测。无论市场怎么起伏把这几件事做扎实的团队都更容易在下一轮技术周期中活下来。建议收藏这篇文章下次搭建自己的 AI 项目时可以直接照着环境准备和部署部分操作。