第二章：AI底层硬件架构：算力的基石
学习目标
掌握AI计算硬件的分类、原理及适用场景，理解不同硬件在AI全流程中的协同作用。
2.1 CPU在AI计算中的角色与局限性
角色定位：
- 系统控制中枢：CPU是AI服务器的“大脑”，负责操作系统指令调度、内存管理、数据流控制及I/O操作。例如，在AI加速服务器中，每8个GPU需搭配2个高端CPU以维持系统稳定运行。
- 通用计算核心：CPU擅长处理序列化任务、复杂逻辑运算及通用应用程序。在AI全流程中，CPU贯穿数据采集、预处理、训练、推理及应用等环节。例如，在蛋白质折叠预测（AlphaFold2）中，英特尔至强可扩展处理器通过优化端到端通量能力，提供比GPU更具性价比的加速方案。
- 异构架构协调者：在CPU+GPU/FPGA/TPU等异构架构中，CPU作为控制节点，管理加速器计算任务，实现资源高效分配。例如，腾讯云VectorDB与英特尔合作，通过第五代至强平台优化，向量检索效率提升约2.3倍。
局限性：
- 并行计算能力不足：CPU核心数较少（通常2-64核），主频虽高（3-5GHz），但并行计算单元有限，难以高效处理深度学习中的大规模矩阵运算。例如，训练ResNet模型时，CPU的GFLOPS吞吐量仅为GPU的几十分之一。
- 功耗与成本限制：高端CPU功耗较高（如至强可扩展处理器TDP可达270W），且在大规模并行计算场景中，成本效益低于GPU或专用芯
