在計算機科學的浩瀚領域中，計算機系統(tǒng)研究始終占據(jù)著核心位置，涵蓋計算機原理、體系結構、操作系統(tǒng)、程序設計語言及編譯器、分布式系統(tǒng)等關鍵方向。隨著人工智能大模型的崛起，這一傳統(tǒng)領域正經(jīng)歷著前所未有的變革，對教育體系提出了新的挑戰(zhàn)與要求。

AI軟件棧的復雜性遠超傳統(tǒng)軟件棧，其層次更為豐富。從底層的AI處理芯片及其指令集（ISA），到通用異構編程模型（例如CUDA），再到基礎算子庫、通信庫、編譯器與變異優(yōu)化、編程框架，直至分布式框架，每一層都蘊含著技術創(chuàng)新與優(yōu)化需求。這一復雜的軟件棧不僅推動了AI技術的飛速發(fā)展，也對計算機系統(tǒng)的教學與研究產(chǎn)生了深遠影響。

AI大模型所涉及的軟件層次與優(yōu)化方法，為傳統(tǒng)計算機系統(tǒng)帶來了新的視角。傳統(tǒng)的編譯優(yōu)化側重于等價變換，旨在消除冗余計算以提升效率。然而，在AI領域，不等價變換成為優(yōu)化的重要手段，如模型量化與稀疏化。量化技術通過降低權重位數(shù)來減小模型體積，同時需確保精度損失最小化。稀疏化則通過減少神經(jīng)網(wǎng)絡中的非零參數(shù)，提升計算效率。這些優(yōu)化手段要求教育者深入理解算法模型與編譯優(yōu)化的互動關系。

AI大模型對計算基礎設施的投資、時間及成本均產(chǎn)生了顯著影響。為了應對AI大模型的訓練與推理需求，計算機系統(tǒng)必須進行相應的調(diào)整。這一變化不僅體現(xiàn)在硬件層面，如英偉達等廠商推出的支持結構化稀疏的張量運算單元，也體現(xiàn)在軟件層面，如如何最優(yōu)地將模型參數(shù)轉換為結構化稀疏形式，以實現(xiàn)軟硬件協(xié)同優(yōu)化。傳統(tǒng)的體系結構課程往往側重于理解應用的計算與訪存模式，而對于AI模型中的精度與統(tǒng)計類問題則缺乏深入了解。

面對這一變革，計算機系統(tǒng)教育者亟需調(diào)整教學內(nèi)容以適應新需求。以清華大學的“編譯優(yōu)化”課程為例，傳統(tǒng)教學內(nèi)容主要基于經(jīng)典教材，涵蓋數(shù)據(jù)流分析、過程間分析、循環(huán)分析及自動并行化等傳統(tǒng)編譯優(yōu)化技術。然而，隨著AI模型的興起，量化、稀疏化等近似等價變化成為新的優(yōu)化維度，這些內(nèi)容亟需納入課程體系。同樣，體系結構課程也應增加對AI模型優(yōu)化及硬件支持特性的講解，如低位寬數(shù)據(jù)運算格式在模型訓練與推理中的應用。

因此，從教學角度來看，教育者需深入了解統(tǒng)計與AI模型，在傳統(tǒng)數(shù)據(jù)結構與確定性算法的基礎上，引入統(tǒng)計的、非確定性的、有誤差的算法與系統(tǒng)組件。這一變革要求全面修訂現(xiàn)有的系統(tǒng)能力相關課程內(nèi)容，以適應AI大模型時代的發(fā)展需求。

陳文光教授，清華大學計算機系王建筑講席教授，指出這一變革對計算機系統(tǒng)教育者而言既是挑戰(zhàn)也是機遇。他強調(diào)，教育者需不斷提升自身對統(tǒng)計與AI模型的理解，將新知識融入課程體系，以培養(yǎng)適應未來技術發(fā)展的復合型人才。