ai显卡推荐？

晓查 发自 凹非寺

量子位 报道 | 公众号QbitAI

千呼万唤始出来，在游戏显卡一卡难求（原价）的今天，英特尔给玩家们带来了一个好消息：

正式发布高性能游戏显卡品牌Arc（中文名：锐炫）。

这次，英特尔不再只是“画饼”，而是放出了多款游戏的实机演示画面，包括《极限竞速：地平线4》、《地铁：离去》等3A大作。

△ 极限竞速：地平线4

△ 地铁：离去

英特尔表示，第一代显卡代号为Alchemist（炼金术士），以后每一代显卡将分别以B、C、D开头单词命名：Battlemage（战斗法师）、Celestial（天空）和Druid（德鲁伊）。

从命名就能看出浓浓的游戏显卡味儿。

Alchemist显卡将于2022年第一季度正式发售，支持台式机和笔记本两种平台。

性能如何？

看过了游戏实机演示画面，那么英特尔Alchemist显卡的性能究竟如何呢？

不好意思，英特尔官方并没有给出具体参数，我们只知道它应该比英特尔去年发布的DG1强上不少。

因为Arc GPU将基于英特尔的Xe-HPG高性能微架构，而DG1是基于Xe-LP低功耗微架构。

至于光线追踪、AI超分辨率、可变刷新率这几项游戏显卡的重要功能，Alchemist显卡都具备。（英伟达的超分辨率技术叫做DLSS，AMD的叫做FSR。）

△ 光线追踪

△ AI超分辨率

据知情人士透露，Alchemist显卡主要是与400~600美元之间的游戏显卡进行竞争，也就是与RTX 3060Ti/3070或RX 6700 XT（原价）争夺市场，因此Alchemist显卡应该与这些显卡性能相近。

20年后重回独显市场

其实，早在1998年，英特尔曾经发布过一款极为短命的独立显卡i740，由于这款产品的失败，英特很快退出了独显市场。

由于GPU在计算中地位越来越重要，英特尔决定重回显卡市场。

到目前为止，英特尔已经推出过一款使用Xe LP架构的Iris Xe显卡，代号为“DG1”，于今年下半年出货。

DG1为低功耗卡，主要是为工作站设计的，而非游戏设备。DG1游戏性能一般，据外媒报道，其性能甚至不如英伟达的GTX 1050或AMD的RX 560。

而且DG1也非一般用户可以使用，因为它只支持一些特殊BIOS的主板，若BIOS不支持，那么显卡就无法点亮。

从第11代酷睿笔记本CPU开始，英特尔开始在集成显卡中使用Iris Xe架构，游戏性能相比之前的集显有不小的提升，能以1080p流畅运行不少低负载游戏。

会不会是空气卡

现在，游戏玩家最关心的问题是，英特尔显卡是否也会像N卡一样成为空气卡。

不幸的消息是，有可能。

今年年初，路透社曾报道，DG2——也就是Alchemist显卡——会由台积电代工，并使用7nm工艺，果真如此的话，那我们可能要空欢喜一场了。

虽然显卡你可能买不到，但是你可以在英特尔官网上买到印有显卡品牌LOGO的T恤衫。

不过好消息是，相比RTX 30系列使用的三星8nm工艺，台积电7nm工艺显然更优。而且到了2022年，芯片紧缺的情况应该有所缓解。

无论如何，台积电7nm对三星8nm，这波优势在英特尔。英特尔的游戏显卡值得期待。

参考链接：

https://www.intel.com/content/www/us/en/architecture-and-technology/visual-technology/arc-discrete-graphics.html

https://www.youtube.com/watch?v=3RHYgNQD8-c&ab_channel=IntelGaming

https://www.theverge.com/2021/8/16/22626912/intel-arc-gpu-brand-alchemist-codename-release-date

https://www.reuters.com/article/technologyNews/idUSKBN29H0EZ

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理等多个领域都取得了卓越的成果，可见其重要性

熟悉深度学习的人都知道，深度学习是需要训练的，所谓的训练就是在成千上万个变量中寻找最佳值的计算。这需要通过不断的尝试识别，而最终获得的数值并非是人工确定的数字，而是一种常态的公式。通过这种像素级的学习，不断总结规律，计算机就可以实现像人一样思考。因而，更擅长并行计算和高带宽的GPU，则成了大家关注的重点。

很多人认为深度学习GPU服务器配置跟普通服务器有些不一样，就像很多人认为做设计的机器一定很贵一样。其实只要显卡或者CPU满足深度学习的应用程序就可以进行深度学习。由于现在CPU的核心数量和架构相对于深度学习来说效率会比GPU低很多，所以大部分深度学习的服务器都是通过高端显卡来运算的。

这里谈谈关于深度学习GPU服务器如何选择，深度学习服务器的一些选购原则和建议：

1、电源：品质有保障，功率要足够，有30~40%冗余

稳定、稳定、还是稳定。一个好的电源能够保证主机再长时间运行不宕机和重启。可以想象一下，计算过程中突然重启，那么又要重来，除了降低效率，还影响心情。有些电源低负载使用的时候可能不出问题，一旦高负载运行的时候就容易出问题。选择电源的时候一定要选择功率有冗余品质过硬，不要功率刚刚好超出一点。

2、显卡：目前主流RTX3090,最新RTX4090也将上市

显卡在深度学习中起到很重要的作用，也是预算的一大头。预算有限，可以选择RTX3080 /RTX3090/RTX4090(上月刚发布，本月12日上市)。预算充足，可以选择专业深度学习卡Titan RTX/Tesla V100 /A6000/A100/H100（处于断供中）等等。

3、CPU：两家独大，在这要讲的是PC级和服务器级别处理器的定位

Intel的处理器至强Xeon、酷睿Core、赛扬Celeron、奔腾Pentium和凌动Atom5个系列，而至强是用于服务器端，目前市场上最常见的是酷睿。当下是第三代Xeon Scalable系列处理器，分为Platinum白金、Gold金牌、 Silver 银牌。

AMD处理器分为锐龙Ryzen、锐龙Ryzen Pro、锐龙线程撕裂者Ryzen Threadripper、霄龙EPYC，其中霄龙是服务器端的CPU，最常见的是锐龙。当下是第三代 EPYC（霄龙）处理器 ，AMD 第三代 EPYC 7003 系列最高 64核。

选择单路还是双路也是看软件，纯粹的使用GPU运算，其实CPU没有多大负载。考虑到更多的用途，当然CPU不能太差。主流的高性能多核多线程CPU即可。

4、内存：单根16G/32G/64G 可选，服务器级别内存有ECC功能，PC级内存没有，非常重要

内存32G起步，内存都是可以扩展的，所以够用就好，不够以后可以再加，买多了是浪费。

5、硬盘：固态硬盘和机械硬盘，通常系统盘追求速度用固态硬盘，数据盘强调存储量用机械盘

固态选择大品牌企业级，Nvme或者SATA协议区别不大，杂牌固态就不要考虑了，用着用着突然掉盘就不好了。

6、机箱平台：服务器级别建议选择超微主板平台，稳定性、可靠性是第一要求

预留足够的空间方便升级，比如现在使用单显卡，未来可能要加显卡等等；结构要合理，合理的空间更利于空气流动。最好是加几个散热效果好的机箱风扇辅助散热。温度也是导致不稳定的一个因素。

7、软硬件支持/解决方案：要有

应用方向：深度学习、量化计算、分子动力学、生物信息学、雷达信号处理、地震数据处理、光学自适应、转码解码、医学成像、图像处理、密码破解、数值分析、计算流体力学、计算机辅助设计等多个科研领域。

软件： Caffe, TensorFlow, Abinit, Amber, Gromacs, Lammps, NAMD, VMD, Materials Studio, Wien2K, Gaussian, Vasp, CFX, OpenFOAM, Abaqus, Ansys, LS-DYNA, Maple, Matlab, Blast, FFTW, Nastran等软件的安装、调试、优化、培训、维护等技术支持和服务。

————————————————

版权声明：本文为CSDN博主「Ai17316391579」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/Ai17316391579/article/details/127533617

GeForce、Quadro、Tesla、GeForce系列等。

GeForce，中文名称精视，这个类型的显卡，是面对大众家庭用户，主要娱乐用途，主要是3D游戏，这也是销量最高的类型，到现在为止到了第16代，GTX10xx相对于专业卡，GeForce相当的便宜，由于支持CUDA，现在机器学习一般都是用GTX108OTi。QuadroQ系列的是专业图形设计卡，比如制图方面价格比GeForce贵不少。Tesla服务器专用卡，用于大规模并行计算，非常适合用于机器学习，但是由于价格太贵，一般的企业都是选择用GeForce，比如GTX1080。

性能需求如果是打英雄联盟这类网络游戏，挑便宜的就可以了，或者二手的卡都行，要求实在太低，实话说核显都足够。

---