算力 × 数据 · 两大引擎
从 GPU 到集群
看懂现代 AI 与大数据的底座
用费曼学习法拆解两个核心专题：NVIDIA 的 GPU / CUDA / 大模型训练，以及 Spark 分布式计算的集群规模推导。
专题数量
2 大专题
互动模块
6 个
算力侧
GPU · CUDA
数据侧
Spark 集群
专题详解图谱
点击卡片进入互动演示NVIDIA：GPU、CUDA 与 LLM 训练原理
解密 NVIDIA 硬件架构、CUDA Tiling 内存优化，并用可调参数的计算器估算大模型训练所需的算力与显存。
- 1. GPU 硬件架构与 SM 拆解：CUDA Core、Tensor Core、显存层级如何协同并行计算。
- 2. CUDA 线程层次与内存 Tiling：Grid / Block / Thread，利用共享内存减少全局访存。
- 3. LLM 训练流水线与算力显存计算器：调节 Batch、序列长度、层数、精度，实时估算单卡显存。
费曼一句话解密:
GPU 就像一座拥有成千上万名工人的工厂，擅长把同一件简单的活同时干上万遍——这正是神经网络训练最需要的能力。
high_tech_details_nvidia
进入详解
Spark：集群规模计算与费曼拆解
用“高速物流转运中心”类比 Spark 架构，直观理解 Driver、Worker、Executor 与 Shuffle，并推导真实集群规模。
- 1. 物流转运中心全景蓝图：Driver 派单、多 Worker 调度、Executor 并行执行的架构映射。
- 2. 动态物流模拟与费曼模型：动态观察任务分发、Shuffle 数据交换与资源占用。
- 3. 日增 1TB 实战容量推导：从数据量、分区与并行度反推 Executor、核数与内存配置。
费曼一句话解密:
Spark 就是把一座巨大的货堆拆成小包裹，交给很多分拣员同时处理，最后再汇总——集群规模就是算清楚需要多少分拣员。
high_tech_details_spark
进入详解