10月19日IBM Research博客发布，与Coursera合作推出六门专项课程《Dataflow Architectures for AI: From Principles to Practice》（AI数据流架构：从原理到实践），由IBM Research首席研究科学家、哥伦比亚大学 adjunct教授Kaoutar El Maghraoui主讲。课程用同一个PyTorch模型，分别在GPU、Google TPU、Cerebras晶圆级引擎WSE、Groq语言处理单元LPU、IBM Spyre加速器上执行并对比，内容覆盖执行模型、编译、存储系统、调试与性能建模，核心实验在Google Colab中用标准PyTorch完成，另设Spyre硬件可选轨道。完成专项可获得AI Systems Performance Engineering专业证书。课程针对的现实问题是：如今多数工程师只在GPU上写PyTorch，框架与硅片之间发生了什么往往不可见，而AI硬件已分散到GPU、TPU、晶圆级、LPU与自研加速器多条路线，单一架构经验不再够用。

为什么把五种加速器放在同一门课里对比？

GPU靠SIMT加张量核，TPU用脉动阵列，Cerebras把整颗晶圆当一台机器映射计算图，Groq用确定性张量流与SRAM追求低延迟，Spyre是IBM自研数据流推理加速器。它们调度、访存与编译方式完全不同，同一个模型在这五种机器上表现差异巨大。课程让学习者看到模型如何映射到具体架构，而不只会调GPU参数。

同一PyTorch模型跨硬件动手实验解决什么痛点？

El Maghraoui指出，难的往往不是模型本身，而是理解模型如何映射到特定架构，为什么在一个系统跑得好、在另一个行为完全不同。Colab标准PyTorch实验让学习者无需购置硬件就能理解差异，Spyre轨道再补充真实硬件体验。六门课按执行模型、编译、存储、调试、性能建模递进，属于系统级训练而非调参技巧。

AI Systems Performance Engineering证书面向什么岗位？

随着推理成本成为竞争焦点，企业需要既懂模型又懂硬件映射、能在多种加速器间做选型与优化的工程师，而非只会在单一云上部署的开发者。证书覆盖性能建模与调试，对应成本核算、集群利用率优化、推理延迟工程等岗位。Coursera页面把课程标为中级、3到6个月周期，面向已有PyTorch基础的工程师。

IBM把自研Spyre放进公开课程有什么战略意图？

课程顺带介绍Spyre，但主体是横向对比而非单一推销，这种开放姿态有助于建立标准话语。当硬件路线分化，能定义如何评估架构的一方掌握行业话语权。对学习者而言，重要的是掌握数据流、访存墙、编译契约等通用概念，未来无论硬件更替都能迁移，而不是绑定某一家厂商的私有栈。

课程另一层价值在于建立跨架构的共同语言。过去团队里GPU工程师、TPU运维与ASIC定制人员各说一套，选型评审时往往拿成本表直接比较峰值算力，忽略内存层级、编译成熟度与生态迁移成本。六门课把执行模型、编译契约与访存墙拆开讲，让决策者能在同一张比较框架下评估不同加速器，而不是被单一厂商的性能数字牵着走。对企业而言，这种系统级判断力正是推理成本优化团队最稀缺的能力，课程证书提供的是一套可复用的评估方法，而非绑定某一种硬件。

信息来源与延伸阅读？

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论