在了解了大型语言模型、它们的参数 (parameter)规模以及GPU和显存 (VRAM)等相关硬件组成后，我们现在来看看这些模型是如何实际应用的。它们有两种基本的运行方式：使用一个已有的模型来生成结果（推理 (inference)），以及构建或调整模型的过程（训练）。

这些不同的活动对前面提到的硬件资源有着显著不同的需求。弄明白推理与训练的区别，有助于理解为何某些硬件配置仅适合运行LLM，而另一些则对开发或微调 (fine-tuning)是必需的。

本章将涵盖以下几点：

• 定义模型推理：使用已训练模型进行预测或生成。
• 简述推理通常需要的硬件资源。
• 定义模型训练：从数据构建或调整模型参数的过程。
• 对比训练所需的显著更高的硬件要求。
• 阐明为何推理需求是大多数最终用户与LLM交互时的主要考量。

通过比较这两种过程的资源需求，我们能更好地理解稍后讨论的硬件估算方法。