夜雨聆风这两年，大家聊 AI 的时候，常常一开口就是大模型、Agent、RAG、推理加速、GPU 集群。
听起来很酷，但如果再往下问一句：
“这些模型到底跑在哪？GPU 集群怎么搭？网络、存储、驱动、监控谁来管？”
很多人就会陷入沉思。
没错，AI 的背后不只有模型，还有一整套 AI Infrastructure and Operations。也就是我们常说的 AI 基础设施与运维。
今天要介绍的，就是 NVIDIA 面向这个方向的入门级认证：
NCA-AIIO：NVIDIA-Certified Associate: AI Infrastructure and Operations
1. NCA-AIIO 是什么？
NCA-AIIO 是 NVIDIA 官方推出的 Associate 级认证，面向想进入 AI 基础设施、GPU 运维、AI 数据中心、推理平台方向的学习者和工程师。
它不是让你去手搓一个大模型，也不是让你背 Transformer 公式背到怀疑人生。
它更关注：
AI 数据中心里有哪些核心组件 GPU、CPU、DPU 分别负责什么 NVIDIA 的硬件和软件技术栈是什么 AI 工作负载对网络、存储、电力、冷却有什么要求 如何理解 GPU 监控、管理和运维工具 企业如何采用 NVIDIA 方案建设 AI 基础设施
简单说：
如果说大模型是发动机，那 NCA-AIIO 讲的是机房、油路、冷却系统、仪表盘和维修手册。
听起来没有“写 Prompt”那么性感，但没有这些，模型可能连启动都启动不了。
2. 课程主要讲什么？
这门课程可以理解为 NVIDIA AI Infrastructure 的入门地图。
它大致围绕六层展开：
如果你之前只知道 nvidia-smi，学完之后你会发现：
原来 NVIDIA 不只是显卡厂，它还顺手造了一整套 AI 数据中心宇宙。
3. 讲师介绍
课程风格比较偏基础入门，会大量使用类比来解释技术概念。
比如讲 CPU 和 GPU：
CPU 像少量高级专家，擅长复杂决策。 GPU 像大量并行工人，适合重复、可并行的大规模任务。
讲 DPU 的时候，也会用比较生活化的方式解释：CPU、GPU、DPU 各司其职，避免所有事情都挤在 CPU 身上。
这种讲法比较适合刚进入 AI Infra 的同学，不会一上来就把你扔进 CUDA、NCCL、RDMA 的深水区。
毕竟刚学 AI 基础设施，最怕的不是难，而是每个缩写都像一个新 boss。
4. AI 对职业发展的影响
过去几年，AI 改变的不只是算法岗位。
它也正在改变基础设施、运维、云平台、网络、存储、DevOps、SRE 这些岗位。
以前我们可能更关注：
Linux Kubernetes Docker CI/CD 监控告警 云原生平台
现在 AI 时代来了，新的关键词开始频繁出现：
GPU 集群 CUDA NCCL InfiniBand RoCE MIG vGPU DCGM Triton TensorRT-LLM vLLM KServe Volcano
这意味着一个趋势：
未来懂基础设施的人，如果再懂 AI workload，会越来越吃香。
以前你会部署 Web 服务，已经不错。
现在如果你还能回答：
为什么 GPU 利用率上不去？ 为什么 NCCL 通信失败？ 为什么模型加载很慢？ 为什么推理延迟突然升高？ 为什么 Pod 申请了 GPU 但调度不上？ 为什么显存够但吞吐上不去？
那你就开始从普通运维，往 AI Infra 工程师方向进阶了。
这也是 NCA-AIIO 的价值：它帮你建立第一张地图。
5. NVIDIA 认证体系概览
NVIDIA 的认证大致可以按方向理解：
其中 NCA-AIIO 是比较适合入门的一张证书。
它不像 NCP-AII、NCP-AIO 那样偏专业实操，也不像生成式 AI 认证那样偏模型应用。
它更像是：
“欢迎来到 NVIDIA AI Infra 世界，这是地图，这是方向，这是你接下来会遇到的怪。”
6. NCA-AIIO 考试覆盖主题
根据课程内容和认证方向，NCA-AIIO 主要覆盖以下主题：
1. AI 基础知识
包括：
AI、ML、DL、GenAI 的关系 Transformer 模型基础 AI 在不同行业中的应用 AI 工作流基本概念
2. 加速计算基础
包括：
CPU 与 GPU 的区别 GPU 为什么适合 AI CUDA Core、Tensor Core、RT Core 的区别 NVIDIA GPU 创新历史
3. AI 数据中心
包括：
AI 中心数据中心的组成 计算、网络、存储、电力、冷却 PUE 能效指标 云上部署与本地部署对比
4. NVIDIA 硬件平台
包括：
DGX 平台 DGX SuperPOD ConnectX BlueField DPU DGX A100 与 DGX H100
5. 网络与数据移动
包括：
Ethernet 与 InfiniBand Converged Ethernet / RoCE NVLink、NVSwitch、PCIe DMA、RDMA GPUDirect RDMA GPUDirect Storage
6. 驱动、虚拟化与核心库
包括：
NVIDIA GPU Driver CUDA CUDA 安装基础 NCCL vGPU MIG
7. 监控和管理
包括：
NVIDIA-SMI DCGM Base Command Manager 不同工具的适用场景
7. 谁适合学 NCA-AIIO？
我觉得以下几类人比较适合：
想从传统运维转向 AI Infra 的同学 做 Kubernetes / DevOps / SRE，想补 GPU 和 AI 集群知识的人 做私有化交付，需要理解 GPU 服务器、驱动、网络和监控的人 做 AI 平台，但对底层硬件和 NVIDIA 技术栈还不熟的人 准备后续学习 NCP-AII、NCP-AIO 的人 想系统了解 NVIDIA AI 基础设施地图的人
如果你现在只会一句：
nvidia-smi没关系，很多 AI Infra 工程师的第一步也都是从这句开始的。
只不过后面你会发现，nvidia-smi 只是新手村门口那块木牌。
8. 学完之后能获得什么？
学完 NCA-AIIO 相关课程后，你大概率能建立以下认知：
知道 NVIDIA AI 技术栈有哪些层次 能区分 CPU、GPU、DPU 的角色 能理解 DGX、SuperPOD 的定位 能区分 Ethernet、InfiniBand、RDMA、NVLink、NCCL 能理解 vGPU 和 MIG 的区别 能知道 NVIDIA-SMI、DCGM、BCM 分别用在什么场景 能从整体上理解一个 AI 数据中心如何支撑模型训练和推理
它不会让你立刻成为 GPU 集群专家，但会让你不再面对一堆缩写时两眼发黑。
9. 推荐学习方式
建议按这个顺序学：
先看 AI Infrastructure and Operations Fundamentals对照 NCA-AIIO 考试大纲整理知识点 重点记忆各种对比关系 找一台 GPU 机器练习 nvidia-smi了解 CUDA、NCCL、DCGM 的基本用途 再继续学习 Kubernetes GPU Operator、vLLM、Triton 等实操内容
尤其要注意对比类知识点，比如：
这些内容非常适合做考试速记。
10. 最后说两句
AI 时代，模型当然重要。
但模型背后的基础设施也同样重要。
一个大模型能不能稳定服务，不只取决于参数量，也取决于 GPU、网络、存储、驱动、调度、监控和运维体系。
所以，如果你正在从传统运维、云原生、DevOps、SRE 转向 AI Infra，NCA-AIIO 是一个不错的起点。
它不会一口气把你变成专家，但它会帮你把地图展开。
至于后面是走 NCP-AII、NCP-AIO，还是深入 vLLM、Triton、KServe、Volcano，那就是下一段旅程了。
毕竟 AI Infra 这条路，越往下走，越会发现：
原来大模型背后，不只是“算力”，还有一整套工程世界。
如果你需要 NCA-AIIO 课程字幕整理版、章节笔记、考试速记表、学习路线图，可以关注后留言或私信。
我会继续整理 AI Infra、GPU 运维、NVIDIA 认证、推理平台相关内容。
下次我们可以聊聊：
CPU、GPU、DPU 到底各管什么？为什么 AI 数据中心越来越像一座“算力工厂”？
