各种开源AI软件，包括AI绘画、AI语音、AI视频、AI换脸等层出不穷，在多个领域广泛应用，造就了一波为了AI而升级机器的热潮。这里面有人是刚性需求，生产力发展需要，有人是为了尝鲜。但无论如何，钱花在刀刃上，才是真理。
其实大多数开源AI程序，对GPU，也就是显卡的要求很高，也很吃内存，但是对CPU的要求不高。以老王的两个笔记本，处理器分别是i7 11800H，i712700H，分别是8核心16线程，12核心20线程，二者于台式机相比，跑AI程序时，CPU从来不会拉跨，占用率未出现过拉满的情况，而二者的16G内存，以及6G显存的RTX3060显卡，经常吃紧甚至挂掉。乘着双十二老王更新了下机器，买了几根16G的笔记本内存条，一个4060TI显卡，一个扩展坞，内存还没到，先把扩展坞和显卡接上笔记本，在CPU性能稍弱的11800H笔记本上，顺利跑完了以前会卡死，爆显存的各种AI程序，体验非常丝滑，在GPU拉满的情况下，CPU占用率最高也就在60%多。相信明天内存到了之后，每个笔记本扩展到24G或者32G内存,体验会更好。
ChatGPT和谷歌Bard也对这个现象进行了解释，开源AI程序对显卡和内存的要求通常高于CPU主要是由于以下几个原因：
- 并行处理能力：AI和深度学习算法涉及大量的并行计算，特别是在处理复杂的神经网络时。现代GPU（图形处理单元）被设计用于高效地处理这些并行任务，比起CPU来说，在处理这种类型的任务时更加高效。GPU拥有成百上千的核心，能够同时处理多个运算任务，而CPU核心数量相对较少，更适合执行序列计算。
- 内存需求：深度学习模型，尤其是大型模型，需要处理和存储大量的数据。这包括训练数据、模型参数、中间计算结果等。高性能的显存（GPU内存）能够更快地读写这些数据，提高整体处理速度。与此同时，系统内存（RAM）也需要足够大来支持这些数据的加载和处理。
- 特定的硬件优化：许多深度学习框架和库，如TensorFlow和PyTorch，都针对GPU进行了优化，利用了CUDA（适用于NVIDIA GPU）或其他技术来提高计算效率。这些优化使得使用GPU进行AI计算比使用CPU更有效率。
- 热效应和能耗：在进行大规模计算时，CPU可能因热效应和能耗限制而无法长时间以最高性能运行。而GPU设计时就考虑了高负荷下的持续运行，因此在长时间进行密集型计算时表现更稳定。
因此，尽管CPU对于整体系统性能很重要，但对于大多数深度学习和AI应用来说，GPU的高并行处理能力和大内存容量更为关键。
所以大家升级硬件的时候，记得优先GPU，大显存的GPU是运行很多AI程序的必要条件，4060TI 16G性价比最高，然后是4070（12G显存）。显卡够了，再配上足够的内存，一般24G就够用，执着对称双通道的，上32G。不过现在显存便宜，不是笔记本的，内存插槽够的话，64G也花不了多少钱。如果你还在犹豫如何升级自己的电脑，希望这篇文章对你有所帮助。
