# 3.1 盖房子的艺术
> 从显卡地基到应用装修
## 3.1.1 那个著名的“倒金字塔”
如果我们把 AI 行业画成一张图，它是一个巨大的倒金字塔：
* 最底层最窄，也是最硬的，是 **芯片（Hardware）**，比如 NVIDIA GPU、TPU 等。
* 往上一层是 **基础设施（Infrastructure）**，比如云平台、智算中心等。
* 再往上是 **框架（Frameworks）**，比如 PyTorch、TensorFlow、JAX 等。
* 最上面最宽的，是 **应用（Applications）**，比如 ChatGPT、Sora、Midjourney、Copilot 等。
{% @mermaid/diagram content="block-beta
columns 1
%% 自顶向下分布的四层结构
A\["应用（Applications）
ChatGPT, Sora, Midjourney, Copilot..."]
F\["框架（Frameworks）
PyTorch, TensorFlow, JAX..."]
I\["基础设施（Infrastructure）
云平台、智算中心..."]
C\["芯片（Hardware）
NVIDIA GPU, TPU..."]
```
%% 节点样式美化
classDef app fill:#e3f2fd,stroke:#2196f3,stroke-width:2px,color:#000;
classDef fw fill:#e8f5e9,stroke:#4caf50,stroke-width:2px,color:#000;
classDef infra fill:#fff3e0,stroke:#ff9800,stroke-width:2px,color:#000;
classDef chip fill:#ffebee,stroke:#f44336,stroke-width:2px,color:#000;
class A app;
class F fw;
class I infra;
class C chip;" %}
```
图 3-1：AI 行业倒金字塔结构
越到底层，门槛越高，玩家越少（显卡基本就是 NVIDIA 一家独大）。
越到上层，机会越多，也是我们普通人最应该关注的地方。
## 3.1.2 芯片：昂贵的地基
想象一下，你要盖一栋摩天大楼。**GPU（显卡）** 就是这栋楼的 **地基**。
没有地基，再好的图纸也变不成房子。
现在 AI 最大的瓶颈就是“缺地基”。谁手里有显卡，谁就有盖楼的资格。
## 3.1.3 框架：建筑师的 CAD
有了地基，我们怎么画图纸？
这就需要 **PyTorch** 或 **TensorFlow** 这样的 **深度学习框架**。
它们就像是建筑师用的 CAD 软件。
以前的程序员要手写数学公式（相当于用手画图），现在用框架，一行代码就能调用复杂的神经网络（相当于 CAD 里拖拽一个模块）。
## 3.1.4 模型：预制板
现在盖房子很少一砖一瓦砌了，都是用 **预制板**（Pre-trained Models）。
OpenAI 训练好的大语言模型（LLM，以 GPT 系列为例），就是一块超级巨大的、功能万能的预制板。
开发者不需要从头训练，直接把这块板子拿来，稍微装修一下（微调），就能变成客服系统、写作助手、翻译软件。
## 3.1.5 思考题
现在的 AI 创业，有两条路：
1. **造轮子**：去研发新的芯片、新的框架（风险极大，回报极高）。
2. **造车**：利用现有的芯片和框架，去做一个好用的 App（风险较小，竞争激烈）。
如果你有 1000 万创业资金，你会选哪条路？为什么？
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://yeasy.gitbook.io/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/03_ai_ecosystem/3.1_tech_stack.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.