在计算机科学的浩瀚领域中，计算机系统研究始终占据着核心位置，涵盖计算机原理、体系结构、操作系统、程序设计语言及编译器、分布式系统等关键方向。随着人工智能大模型的崛起，这一传统领域正经历着前所未有的变革，对教育体系提出了新的挑战与要求。
AI软件栈的复杂性远超传统软件栈，其层次更为丰富。从底层的AI处理芯片及其指令集（ISA），到通用异构编程模型（例如CUDA），再到基础算子库、通信库、编译器与变异优化、编程框架，直至分布式框架，每一层都蕴含着技术创新与优化需求。这一复杂的软件栈不仅推动了AI技术的飞速发展，也对计算机系统的教学与研究产生了深远影响。
AI大模型所涉及的软件层次与优化方法，为传统计算机系统带来了新的视角。传统的编译优化侧重于等价变换，旨在消除冗余计算以提升效率。然而，在AI领域，不等价变换成为优化的重要手段，如模型量化与稀疏化。量化技术通过降低权重位数来减小模型体积，同时需确保精度损失最小化。稀疏化则通过减少神经网络中的非零参数，提升计算效率。这些优化手段要求教育者深入理解算法模型与编译优化的互动关系。
AI大模型对计算基础设施的投资、时间及成本均产生了显著影响。为了应对AI大模型的训练与推理需求，计算机系统必须进行相应的调整。这一变化不仅体现在硬件层面，如英伟达等厂商推出的支持结构化稀疏的张量运算单元，也体现在软件层面，如如何最优地将模型参数转换为结构化稀疏形式，以实现软硬件协同优化。传统的体系结构课程往往侧重于理解应用的计算与访存模式，而对于AI模型中的精度与统计类问题则缺乏深入了解。
面对这一变革，计算机系统教育者亟需调整教学内容以适应新需求。以清华大学的“编译优化”课程为例，传统教学内容主要基于经典教材，涵盖数据流分析、过程间分析、循环分析及自动并行化等传统编译优化技术。然而，随着AI模型的兴起，量化、稀疏化等近似等价变化成为新的优化维度，这些内容亟需纳入课程体系。同样，体系结构课程也应增加对AI模型优化及硬件支持特性的讲解，如低位宽数据运算格式在模型训练与推理中的应用。
因此，从教学角度来看，教育者需深入了解统计与AI模型，在传统数据结构与确定性算法的基础上，引入统计的、非确定性的、有误差的算法与系统组件。这一变革要求全面修订现有的系统能力相关课程内容，以适应AI大模型时代的发展需求。
陈文光教授，清华大学计算机系王建筑讲席教授，指出这一变革对计算机系统教育者而言既是挑战也是机遇。他强调，教育者需不断提升自身对统计与AI模型的理解，将新知识融入课程体系，以培养适应未来技术发展的复合型人才。
