# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
如果说「摩尔定律」认为计算能力每18个月翻倍，如今大模型推理成本的下降速度，已远超「摩尔定律」关于计算能力迭代速度的预测。
这并非只是芯片性能提升之功，更重要的是来自推理系统的自身进化。而加速这一进化的，源自一个在DistServe系统中首次提出并实践的「解耦推理」理念。
该系统由加州大学圣地亚哥分校的「Hao AI Lab」于2024年3月推出，并提出了一个简单而大胆的设想：
将大模型的推理过程拆分为「预填充」和「解码」两个阶段，并让它们分别在独立的计算资源池中进行伸缩与调度。
如今，这种解耦推理架构已被NVIDIA、llm-d、vLLM、MoonCake等主流大模型推理框架采用，并开始在大规模、真实推理场景中发挥强大力量。
推出DistServe系统的「Hao AI Lab」，由加州大学圣地亚哥分校助理教授Hao Zhang领导，他也是2025年谷歌机器学习与系统青年教师奖的获得者。
加州大学圣地亚哥分校助理教授Hao Zhang
「Hao AI Lab」团队，2025年还获得了NVIDIA赠送的DGX B200系统，用于强化AI研究基础设施。
「Hao AI Lab」团队获得NVIDIA赠送的DGX B200系统
Hao Zhang团队以「解耦推理」的最初设计者身份，详细回顾了「预填充-解码」解耦架构（prefill-decode disaggregation）如何从研究概念走向生产系统，以及在大模型推理持续扩展的背景下，解耦推理又将如何演进。
从同址部署到解耦推理
在DistServe出现之前，大多数推理框架都采用「同址部署」方式：
即在同一块GPU上同时执行「预填充」（prefill）和「解码」（decode）阶段。
在每一次推理迭代中，调度器会尽可能将多个用户请求打包成一个批次，运行一轮计算，然后为这些请求各生成一个输出token。
这种称为「连续批处理」技术最早由Orca提出，后由vLLM推广。
这种方法曾因其先进性而成为业界标准做法，但它同时也有两个根本性的限制。
一是干扰。
「prefill」和「decode」共享同一块GPU，它们的延迟（latency）会不可避免地相互干扰。
即使采用了「分块预填充」等缓解措施，一个大型预填充请求仍可能让TPOT（time-per-output-token）膨胀2到3倍，尤其在负载突发时更为明显。
如上图（上），当prefill（橙色）与decode（蓝色）同址部署时，两者互相干扰，导致decode阶段停滞；上图（下），当将prefill与decode分离到不同机器时，两者即可无干扰地顺畅运行。
二是耦合伸缩。
在实际生产环境中，企业级应用通常将TTFT（time-to-first-token）和TPOT视为关键的用户体验延迟指标。
当prefill和decode被部署在同一组GPU上时，资源分配器必须同时满足两种最坏情况的延迟需求。
这意味着系统需要过度预留资源，导致计算资源利用率低下，整体效率不佳。
随着部署规模不断扩大、延迟要求日益严格，以上两个问题产生的成本也随之剧增。
正是这些现实痛点推动了DistServe的出现。
DistServe通过将prefill与decode拆分为独立的计算池，彻底打破二者的干扰，并首次实现了独立伸缩，使其可以各自独立地满足TTFT和TPOT的延迟要求，同时保持高整体效率。
最初推出DistServe时，Hao Zhang团队便认为这将是一个具有颠覆性的想法。
但出乎意料的是，它最初并未获得广泛采用。
在2024年的大部分时间里，开源社区都对这一思路持保留态度，因为对原有推理系统进行深度的架构重构，需要大量工程投入。
然而到了2025年，局面突然发生逆转：几乎所有主流的大模型推理栈都将「解耦」视为默认方案。
首先，主要是由于越来越多企业将大模型作为其核心业务组件，「延迟控制」成为决定业务增长乃至生死存亡的关键因素。
而DistServe正好击中了这一痛点：它让prefill和decode的延迟易于观测和控制，且在真实生产环境中可持续优化。
其次，随着模型体量急剧扩大、访问流量激增，推理系统必须扩展到数百乃至上千张GPU才能支撑这些庞大且变化剧烈的负载。
在这种规模下，「解耦架构」的优势完全显现：它可以为不同阶段独立分配资源，并灵活配合多种并行策略，实现极高的资源利用率。
第三，「解耦」意味着系统架构的可组合性大大增强。
当下的解耦推理
如今，曾被视为激进的架构理念，已经成为大模型推理的主要设计原则之一。
几乎所有与大模型推理相关的生产级框架——从编排层、推理引擎、存储系统，甚至到新兴的硬件架构，都以某种形式采用了这一解耦推理的思想。
在编排层，最有代表性的是NVIDIA Dynamo。
NVIDIA Dynamo架构示意图
NVIDIA Dynamo是目前最先进、最成熟的开源数据中心级分布式推理框架之一，专为P/D解耦而设计。
此外，还有llm-d、Ray Serve等都是基于解耦推理架构。
在存储层，由芝加哥大学团队开发的LMCache通过加速从prefill实例到decode实例的KV缓存移动来优化P/D解耦过程。
LMCache架构示意图
Kimi AI团队开发的MoonCake，以「KVCache中心化」为核心思想，构建了一个面向P/D解耦的LLM推理平台。
它将系统中未充分利用的存储介质统一抽象为一个集中式KV缓存池，从而使prefill实例可以无缝将缓存传输给集群中decode实例。
MoonCake架构示意图
如今，LMCache与MoonCake已成为大规模LLM推理系统的标准存储后端。
在核心引擎层，几乎所有开源的LLM推理引擎，如SGLang与vLLM，都已原生支持「解耦推理」。
解耦推理的未来
「预填充-解码解耦」的推理理念，在2025年已逐渐成熟。
然而，这仅仅是一个起点。
从更长远的角度看，解耦不仅是一种「架构技巧」，更是一种更深层次的系统哲学：
打破神经网络推理中的「计算单体」结构，让系统能够在计算、存储与通信之间实现自由重组。
而学术界和工业界也正在探索多种新方向，推动解耦架构迈向「通用分解式推理（Generalized Disaggregated Inference）」阶段。
计算层面的解耦
1. Attention-FFN解耦（Attention-FFN Disaggregation）
以往的P/D解耦主要解决了「上下文输入与自回归输出」的阶段性分离问题，但模型内部结构仍然被视为不可拆解的整体。
如今，研究者开始尝试在模型层级上细化解耦粒度。
2025年，MIT CSAIL与DeepSeek Research提出了「Attention–FFN Disaggregation」框架，将Transformer的注意力模块（Attention）与前馈层（Feed Forward Network,FFN）分别放置于不同计算节点。
这种架构可以使不同节点利用异构硬件优势。
这意味着未来的推理系统可能不再是「每个节点运行完整模型副本」，而是每个节点运行模型的一个功能子模块。
2. 流水线解耦（Pipeline Disaggregation）
解耦架构的另一种自然延伸，是跨层级的流水线分解。目前已有多个研究团队提出框架，如：
这些系统都尝试让推理过程在不同节点之间以「阶段流」的方式流动，从而实现全局流水线化推理。
这种方式能让不同阶段的计算使用不同类型的加速器，更适合未来多芯片异构系统。
跨模态与多模型的解耦
1. 模态分解
随着多模态大模型的出现，推理系统正面临更复杂的资源编排问题，将它们全部塞入同一推理流程会导致资源利用率显著下降。
因此，未来的趋势是将多模态推理解耦为多个模态子推理流，再在编排层通过调度器进行异步融合。
2. 多模型协同
在推理系统中同时运行多个LLM或专用子模型也变得常见，这些架构天然适合解耦化设计。
内存与缓存体系的解耦
当前的解耦体系仍依赖于「集中式KV缓存池」或「共享SSD集群」，未来的研究方向在于让缓存体系本身也实现多层解耦与自治调度。
1. 层级化缓存架构
MIT与ETH Zürich的研究者提出HiKV（Hierarchical KV Cache）框架，将KV缓存划分为三个层次：
系统根据上下文热度自动迁移KV片段，从而使解耦推理的内存管理更具弹性。
2.存算协同
一些硬件厂商已开始探索原生支持解耦架构的芯片，这意味着未来的「解耦推理」不仅是软件架构问题，而将演化为软硬件一体化体系。
迈向模块化智能
如Google Brain Zürich与FAIR等一些研究团队，提出更加大胆的设想：
既然推理可以解耦，那么训练与持续学习是否也能被解耦？
他们将模型的学习过程被分为多个相互独立的子任务，每个子任务在不同硬件上运行，并通过共享梯度缓存与语义路由器实现跨任务通信。
这种理念被称作「解耦学习」，被视为解决大模型「灾难性遗忘」与「持续适应」问题的潜在关键路径：
目前，Google Zürich团队的内部项目「Hope」模型就是在该思想指导下诞生的。
过去十年，深度学习系统的趋势是「从分散到集中」，所有计算汇聚在单体模型中。
而如今的趋势正在反转：从集中到解耦。
这种演进并非倒退，而是一种成熟的标志，AI系统也正在走向模块化智能，不同功能模块可独立演化、独立扩展、独立优化。
而「解耦推理」正是这一趋势的起点。
未来，或许将看到「解耦学习」「解耦推理」「解耦认知」三者融合的智能架构体系。
参考资料：
https://hao-ai-lab.github.io/blogs/distserve-retro/
文章来自于微信公众号 “新智元”，作者 “新智元”
