教学大纲
基本信息
- 课程名称：走近智算系统
- 课程对象：学森挑战计划高中生，主要面向高一学生
- 授课方式：线下授课 + 腾讯会议（详见课程微信群、Canvas 公告）
- 授课地点：上海交通大学徐汇校区
- 课程时间：2026 年春季学期，星期六第七至第九节
- 详细安排：见“内容安排”页面
- 教学平台：SJTU Canvas
具体课程入口详见课程微信群或 Canvas 公告 - 参考教材：陈云霁主编《智能计算系统》
为什么开这门课
今天的 AI 应用看起来像一个对话框、一个拍照识题按钮或一次推荐刷新，但它们背后并不是一个孤立的模型。一次请求可能牵涉数据表示、程序执行、操作系统调度、网络传输、GPU 计算、云服务、数据中心、能源消耗和安全可靠性。 这门课希望帮助同学把“AI 很聪明”进一步拆开，看见支撑智能应用的计算系统。一个 AI 应用能不能跑得快、用得起、足够稳定、足够安全，往往不只取决于模型算法，也取决于系统设计。 课程会以《智能计算系统》的章节为基础组织内容，但不会把高中生提前带入大学专业课的细节。我们更关心的是：数据在哪里？计算在哪里？瓶颈在哪里？成本从哪里来？风险又在哪里？
课程怎么学
这是一门面向高中生的导论课。课堂以讲授、案例拆解和讨论为主，会从 AI 问答、拍照识题、短视频推荐、网课平台、智能客服和图像生成工具等熟悉场景进入，再逐步连接到教材中的智能计算系统概念。 课后思考以短文本为主，每次围绕一个具体问题写一段回答。重点不是写得长，而是能把“看到的现象”和“背后的系统原因”连起来。
课程模块
课程分为五个模块。模块顺序大体对应《智能计算系统》的章节结构，同时保留高中生更容易理解的系统主线。
模块一：AI 应用背后的系统图景
从整体上认识智能计算系统：数据、模型、程序、芯片、存储、网络、云、数据中心和能源如何共同支撑 AI 应用。
对应主题：
- 智能计算系统全景：AI 时代为什么还要理解计算系统
模块二：数据、模型与 AI 应用
从数据和训练出发，理解模型如何从数据中学习；再通过图像、文本、语音和多模态应用，观察不同 AI 应用对数据形态和计算资源的不同需求。
对应主题：
- 数据如何进入模型：从表示到训练
- AI 应用如何落地：图像、文本、语音与大模型
模块三：框架如何把模型变成可执行的计算
理解张量、计算图、自动求导、图执行和系统抽象。重点不是学习某个框架的使用技巧，而是理解框架为什么能把复杂模型组织成可运行、可复用、可优化的计算过程。
对应主题：
- 框架如何组织模型：张量、计算图与 PyTorch 直觉
- 框架背后的系统：自动求导、图执行与资源管理
模块四：AI 算力从哪里来
理解 CPU、GPU、深度学习处理器、计算单元、存储系统和通信结构。重点是看清楚 AI 计算为什么适合并行执行，为什么速度瓶颈常常来自计算、存储和通信的配合。
对应主题：
- 处理器如何执行 AI 计算：CPU、内存、并行与深度学习处理器
- AI 芯片里的系统设计：计算、存储与通信
- 异构系统如何协同：CPU、GPU、AI 芯片与编程语言
模块五：大模型系统与未来取舍
从大模型训练和推理出发，理解数据、算力、通信、延迟、吞吐、成本、能耗、安全和可靠性。最后回到一个核心问题：怎样判断一个智算系统真的好？
对应主题：
- 大模型训练系统：数据、算力、通信与集群
- 大模型推理与未来：延迟、成本、能耗、安全与可靠性
- 课程大作业交流与开放讨论
你会学到什么
完成课程后，同学们应能做到：
- 用自己的话解释 AI 应用背后的基本系统组成，包括数据、模型、程序、CPU、GPU、内存、网络、云和数据中心。
- 看到一个数字服务时，能大致判断数据从哪里来、请求到哪里去、计算可能发生在哪里。
- 理解速度、延迟、吞吐、成本、能耗、可靠性和安全之间常常需要权衡。
- 解释为什么大模型训练和推理需要大量算力、内存、通信和工程团队协作。
- 能拆解一个熟悉的 AI 应用，指出它可能在哪里变慢、出错、变贵，或者带来安全和隐私风险。
- 对大学阶段的计算系统、机器学习系统和大模型系统课程形成初步印象，为以后进一步学习留下入口。
作业与考核
课程考核保持简单，主要看同学是否认真完成课后思考，能否把课堂中的系统直觉用自己的例子说清楚。
- 课后思考：45%
- 共 9 次，每次 5%。
- 每次围绕一个开放问题，建议 100-200 字。
- 在 Canvas 直接用文本提交即可。
- 课程大作业：55%
- 3 人一组，选择一个熟悉的 AI 应用或数字服务，拆解它背后的智算系统。
- 提交一页提纲、一张图或一页 PPT 均可。
- 课堂会选取若干有代表性的作业进行讨论，也可能安排开放问答或 Panel。