过去一段时间，我经常会看到各种各样的技术名词。
LLM。
Agent。
vLLM。
CUDA。
分布式系统。
数据库。
操作系统。
AI Infra。
每一个方向看起来都很重要。
每一个方向又好像都值得学。
最危险的状态就是：
什么都想学。
我之前也陷入过这种状态。
今天觉得后端不错，于是学 Go、Gin、GORM、Redis、gRPC。
过一段时间又觉得 AI 是未来，于是开始学 Python、PyTorch。
后来接触到系统方向，又发现操作系统、体系结构、虚拟化这些东西非常有意思。
再后来看到 vLLM、推理系统、GPU 编程，我又突然发现：
这些东西似乎全部连起来了。
慢慢地，我发现我真正感兴趣的并不是某一个具体框架。
我感兴趣的是：
系统。
比如一个大模型为什么可以同时服务成千上万个请求？
GPU 显存不够怎么办？
KV Cache 怎么管理？
多个 GPU 怎么通信？
为什么 batching 可以提高吞吐？
操作系统应该怎样为 AI workload 调度资源？
模型部署到底经过了哪些软件层？
如果未来的 Agent 可以执行越来越复杂的任务，那么它运行的基础设施应该是什么样？
这些问题，比”某个 API 应该怎么调用”更让我兴奋。
所以我现在给自己的方向，大概可以画成这样：
AI / LLM / Agent
│
│
AI Infra
/ \
/ \
Distributed OS
System │
\ │
\ │
Database它们看起来是不同方向。
实际上却有大量交叉。
例如 vLLM。
表面上它是一个 LLM inference engine。
但继续往下看：
PagedAttention 本质上涉及内存管理。
Continuous Batching 涉及调度。
Tensor Parallel 涉及分布式通信。
KV Cache 涉及资源管理。
Scheduler 涉及系统设计。
突然之间，大模型推理变成了一道系统问题。
这也是我现在最感兴趣的地方。
我并不打算把自己限制成：
“我是做操作系统的。”
或者：
“我是做 AI 的。”
我更希望自己未来能站在两者的交界处。
去做类似：
Systems for AI。
也就是：
怎样设计更好的系统，让 AI 跑得更快、更便宜、更安全。
当然，现实是：
现在的我距离这些东西还很远。
NEMU 还在写。
操作系统也没有真正实现过。
CUDA 还没有系统学习。
分布式系统很多经典论文也没有读。
PyTorch 的内部机制也了解得很浅。
但我开始觉得：
不知道并不是一件特别可怕的事情。
真正危险的是不知道自己为什么学。
所以现阶段，我给自己的目标反而变得简单了。
把基础补扎实。
计算机组成原理。
操作系统。
计算机网络。
数据库。
分布式系统。
C/C++。
Python。
然后一点点接触 AI Infra。
不急着成为”AI Infra Engineer”。
先成为一个真正理解计算机的人。
剩下的事情，
慢慢来。