笔记本电脑之间的协同计算 | AI生成和翻译
问题：两台笔记本电脑或计算机如何协同完成任务？
回答：协作可以分为多个层级，从简单的文件共享到分布式计算。
1. 远程控制（一台计算机控制另一台）
最简单的模型：
笔记本电脑 A ---> 笔记本电脑 B
SSH / 远程桌面
示例：
SSH（Linux/macOS/Windows）
笔记本电脑 A：
ssh user@laptop-b-ip
然后在 B 上运行命令：
python train.py
计算发生在 B 上。
对于 AI 开发，这很常见：
你的笔记本电脑
|
| ssh
v
GPU 工作站
|
v
训练 / 推理
2. 共享文件和代码
使用 Git：
计算机 A
|
| git push
v
GitHub/GitLab
|
| git pull
v
计算机 B
示例：
计算机 A：
git add .
git commit -m "experiment"
git push
计算机 B：
git pull
两台机器拥有相同的代码。
3. 拆分工作负载（分布式计算）
对于 AI 训练：
PyTorch 分布式
+----------------+
| 主节点 |
| 笔记本电脑 A |
+----------------+
|
网络 (NCCL/Gloo)
|
+----------------+
| 工作节点 |
| 笔记本电脑 B |
+----------------+
示例：
两个 GPU：
GPU0 -> 计算机 A
GPU1 -> 计算机 B
PyTorch：
torch.distributed.init_process_group(
backend="nccl"
)
运行：
计算机 A：
torchrun \
--nproc_per_node=1 \
--nnodes=2 \
--node_rank=0 \
train.py
计算机 B：
torchrun \
--nproc_per_node=1 \
--nnodes=2 \
--node_rank=1 \
train.py
模型训练是同步的。
4. 将一台用作服务器
对于工程师来说非常常见：
笔记本电脑
|
| API 请求
|
v
带有 GPU 的台式机
RTX 4070 / MI50 / H100
示例：
计算机 B：
vllm serve qwen-model
计算机 A：
requests.post(
"http://computer-b:8000/v1/chat/completions"
)
你的笔记本电脑变成“终端”；GPU 机器负责繁重的工作。
5. Kubernetes / 集群风格
更高级的方式：
Kubernetes 集群
+----------------+
| 控制平面 |
| 计算机 A |
+----------------+
|
----------------
| |
计算机 B 计算机 C
GPU 工作节点 GPU 工作节点
任务会被自动调度。
6. 共享文件夹
简单的家庭实验室：
计算机 A
\
\
NAS / 共享存储
/
/
计算机 B
使用：
- NFS
- SMB
- Syncthing
- MinIO
示例：
mount server:/data /mnt/data
两台计算机看到相同的文件。
对于你的 AI 工作站情况（RTX 4070 + 可能的 AMD MI50），一个实用的设置是：
网络
MacBook/笔记本电脑
|
| SSH
|
v
AI 台式机
|
|
RTX 4070
MI50
笔记本电脑：
- 编写代码
- 监控训练
- 查看日志
台式机：
- GPU 训练
- 模型推理
- 数据集处理
然后稍后：
机器 A RTX 4070
+
机器 B MI50
+
机器 C 云端 GPU
|
v
分布式 PyTorch 训练
这基本上就是小型 AI 实验室的成长方式：从 2 台机器开始，然后变成一个微型集群。
AI生成和翻译，但整理分享仍需精力。如果觉得有帮助，欢迎
捐助支持。
微信：@lzwjava
·
X: @lzwjava ·
打个招呼 👋