大家好，欢迎来到“躺着挣点钱”，我是老王。上一个视频中，我给大家讲解了如何在Windows上快速部署AI工具集。安装了一大堆AI工具之后，我们需要的就是有一台高性能的电脑来帮助我们生成内容。我有一个老的台式机和两个笔记本。老的台式机是四核心处理器，已经完全跟不上节奏了。两个笔记本都是DELL的Inspiron，一个是7610，一个是7620。这两个笔记本的处理器分别是I7-11800H和I7-12700H，内存都是16G，显卡都是RTX3060 6G版本。在运行AI程序的时候，显存经常不够，处理速度也相对比较慢。

我还有个苹果的M1笔记本，这个笔记本除了剪辑视频之外，基本上干不了任何其他事，我已经把它丢在抽屉里吃灰好久都没有用了。所以我就从京东上买了个显卡坞，外接了4060TI（16G）显卡。我还从京东上买了几根酷兽的16G内存条，150一根，非常的便宜。把笔记本的内存从16G升级到32G之后，基本上所有流行的AI开源程序都可以跑得非常丝滑。

我们来看一下我录制的视频，展示一下我这个新卡坞外接好之后是什么样的效果。现在这个就是显卡坞接好之后的样子。这个笔记本是我去年买的DELL Inspiron 16 7610，我给他接了一个磐镭的显卡坞，显卡坞上安装的是技嘉的RTX4060TI显卡，搭配的是鑫谷的额定功率750瓦的电源（完全用不到这么大）。然后我还给这个显卡外接了一个4K的显示器，这个显示器是惠科的，1000块钱在京东上买的，显示质量还不错，性价比非常高。这套系统我是放在我卧室的长桌上，看起来复杂，实际上安装是比较简单的。安装好之后，你只要去英伟达的官方以及英特尔的官方把这个显卡驱动以及雷电4的驱动更新到最新版本就可以了。

那么在需要的时候，你把显卡扩展坞通过雷电线跟笔记本连接起来，笔记本只要更新好驱动可以立刻识别。你不需要的时候把它拔下来，插到另外一台笔记本上，转换非常的方便。如果将来你想升级显卡，你只需要买一个更高级一点的显卡然后把它怼上去就可以了。

当前这些AI开源程序，包括AI绘画、图片说话、视频换脸、直播换脸、图片/视频高清修复上色、图片生成动画、AI写作、AI语音等等，这其中最消耗资源的就是AI换脸以及图片开口说话。以Sadtalker为例，如果你的显存低于6G，生成视频时长超过15秒，基本上显存100%会爆。同时由于要缓存大量图片以及文件，还要把模型载入到内存中，所以这些开源程序也非常的吃内存。把这个秋叶整合包跑起来之后，就是什么都不做，如果只是16G的内存的话，那么系统内存已经占用超过一半了。所以要想用得爽，必须升级内存以及显卡。内存很简单，京东上单条16G的内存条，无论是台式记的还是笔记本的，一般不超过200块钱。

那么显卡对于笔记本而言是没有办法升级的，只能通过扩展坞的方式。笔记本外接显卡主要有两种方式，一种是通过Oculink接口，这种接口带宽非常高（非旗舰）显卡性能几乎没有什么损失，无论是做AI运算还是玩游戏。

另外一种就是通过英卡的雷电接口。如果你的接口是雷电3，那么显卡的性能损失还是比较大的，尤其在玩游戏的时候。如果是雷电4的话，性能损失要小一点。如果你不玩游戏，仅仅是用来做AI运算的话，那么基本上是没有损失的。

接下来给大家演示一下我现在的这套系统，处理器I7-11800H，内存16G，显卡4060TI16G版本（4070 12G性价比也很好）。我们看它在执行开源AI程序中的表现。在录屏的时候，我开了这个虚拟人物头像以及OBS录屏软件。我这个虚拟头像是3D的，它还是非常占CPU资源的，但是不影响，因为大部分开源AI程序对CPU的要求是非常低的。

好，我们通过秋叶整合包打开stable diffusion的Web UI，来看看画图的效果如何。我对这个画图完全不懂，这经常画出来一些怪物，我也不知道大神们是怎么弄的，就演示一下。那么我们点击生成，10.1秒，3.5秒，3.6秒，3.6秒，3.5秒，那么它基本上稳定在3.5秒左右。除了第一次会慢一点，我昨天刚装好的时候，他是大概2秒多就可以生成的。但是我昨天没有开这个虚拟头像，也没有开录屏软件，不知道是不是对CPU性能有影响。那么反正就是这个效果，我感觉还是蛮不错的。

下面我们来演示一下让这个图片开口说话，也就是Sadtalker。这里，我们就选择万能君的这个一键整合包。啊，因为这个包的调试信息比较多，然后它运行起来也比较顺手，而且它可以进行高清修复。这个背后还是Sadtalker，在那个秋叶包里面也有。那么我们这里选择图片处理，找到这个特朗普的头像，点击它就开始工作了。因为我们在它的音频驱动目录里面放了它的默认音频，这个在上一个视频中讲解过，有不懂的可以去看一下。以前我的显卡在使用这个功能的时候，如果生成视频的时长超过15秒，它就会提显存不够，然后这个程序就崩溃了。

本次，我尝试直接生成一分钟长的图片开口说话视频，并选择了高清修复功能，以测试能否成功生成。显卡已开始工作，我调出任务管理器查看系统资源占用。CPU占用率超过60%，内存占用一半。由于我开启了虚拟头像和录屏软件，这部分占用了27%的CPU。使用Sadtalker时，CPU占用率提升了大约30%。显卡成功识别了外接的RTX 4060TI，并且已全力运行。

面部渲染耗时14分54秒，视频长度约50多秒，不到一分钟。目前正在进行高清修复，这可能需要较长时间。GPU占用率约80%，硬盘（USB3 机械盘）性能充足，内存竟然达到了28G，这是我意料之外的。昨天我用16G内存跑完了这个程序，感觉上并无太大差异。操作系统似乎会根据可用内存大小进行分配，这可能不是最佳调度方式。CPU占用率现在大约75%，其中30%为虚拟头像和OBS占用。如果不录屏，关闭这两个程序，CPU占用率大约为40%多，不到一半。暂时关闭录屏，等视频生成后再做汇报。

AI应用的浪潮实际上是在ChatGPT火爆之后，即2023年才真正兴起。2023年购买高端显卡如4090价格昂贵，建议购买价格适中的4060ti 16G版本（或4070 12G）来应对AI应用。一两年后，更高端的显卡如4090可能会降价，届时可升级。

对于自媒体工作者，无论是文本编辑还是视频创作，我强烈推荐使用笔记本而非台式机。笔记本便携且硬件整合良好，自带麦克风通常带降噪功能，录音效果好。而且英特尔或AMD的笔记本处理器与台式机性能差距已不大。大厂如戴尔、惠普、联想、小米等在生产笔记本时能获得成本优势。只需在轻薄本中选择性价比高的产品，适时升级内存。如需玩游戏，可以通过显卡坞接外置显卡，便于外出办公时拆卸，兼顾工作、学习和娱乐。将来不再使用时，处理笔记本也比台式机方便。

本期视频就到这里，希望对您有所帮助。我们下期再见！

选择的方案是通过笔记本搭载的雷电4接口，外接显卡扩展坞（京东购买的磐镭显卡扩展坞1300），加上技嘉的4060TI 16G版本（3600），酷兽16G内存条若干（150一根，我多个笔记本），同时我还买了个鑫谷的额定功率750w的电源，300多。买了个4k的显示器，HKC的，32寸，居然只要999元。这套方案的好处是，我不用花钱去买CPU和主板，机箱，我可以利用我现在性能还可以的笔记本，并且一个显卡扩展坞可以在我的多个笔记本中自由切换。缺点是升级内存条浪费了一些钱（内存便宜），显卡坞要1300。

首先就是把电源、显卡接上显卡坞，折腾了大概20分钟才搞明白怎么装。然后把显示器通电，接到显卡上。接着把显卡坞和笔记本用数据线连接起来。更新英伟达驱动到最新版，更新英特尔雷电驱动（都是谷歌搜索，官网下载）。更新好系统之后，重启，稍等一会，外接显卡就被自动识别了。程序会自动调用它负责高负载运算，只是我的内置3060显卡驱动似乎出了点问题，多了个感叹号，不知道是不是这两个显卡不能同时工作，我暂时没管。

整个过程比较简单，唯一需要注意的就是平常心，把该接的线接好，该紧的螺丝怼上，不要遇到点小问题就担心设备不行，或者系统不兼容。只要你确认你的电脑支持雷电4接口，显卡坞本身没质量问题，那就一定可行。NVidia和AMD的驱动都能很好地支持外接显卡，只要驱动对，不需要做任何设置，系统自动就会识别外接显卡。

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：

1. 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。
2. 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。
3. 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。
4. 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。

1. 高性能计算优化：Tesla GPU专为处理复杂的科学和工程计算任务而设计，它们具有大量的CUDA核心和高带宽内存，这使得它们在进行并行处理和大规模计算任务时非常高效。
2. 大规模并行处理能力：这些GPU有成百上千的CUDA核心，可以同时处理大量的数据和复杂的计算任务，这对于需要大量数学运算的应用（如深度学习、模拟、数据分析等）非常重要。
3. 深度学习和AI加速：Tesla GPU配备了专门的硬件加速器，如Tensor核心，这些核心专门为深度学习训练和推理优化。这意味着它们可以非常高效地处理神经网络和其他AI相关的任务。
4. 内存和带宽：Tesla卡通常配备有大量的内存和高带宽，这对于处理大型数据集和复杂的模型至关重要。
5. 可靠性和安全性：Tesla GPU设计用于高度可靠的企业级环境。它们具有错误校正代码（ECC）内存和其他高级功能，以确保数据的准确性和完整性。
6. 软件和生态系统支持：Tesla GPU得到了NVIDIA的全面支持，包括驱动程序更新、CUDA和其他AI和HPC软件库的优化，以及与主流深度学习框架和HPC应用程序的兼容性。

Tesla系列的一些著名产品包括Tesla K80、P100、V100和最新的T4等。随着AI和深度学习的快速发展，Tesla GPU已经成为许多研究机构和企业在这些领域进行工作的首选硬件。

1. 并行处理能力：CUDA通过利用GPU的强大并行处理能力，使得处理大规模计算任务变得更高效。GPU含有成百上千个核心，可以同时处理大量的计算任务，这对于需要大量数学运算的应用（如机器学习、深度学习、科学计算等）尤为有益。
2. 广泛的应用：最初，CUDA主要用于科学计算和研究领域，但随着时间的发展，它已经扩展到多个领域，包括机器学习、深度学习、视频编辑、3D渲染等。
3. 程序语言支持：CUDA支持多种编程语言，包括C、C++和Fortran。此外，还有许多基于CUDA的高级编程语言和框架，如Python的Numba和PyCUDA等，使得开发人员能够在熟悉的编程环境中使用CUDA。
4. 性能优化：CUDA提供了丰富的库和工具来帮助开发者优化他们的应用程序性能。这些工具包括性能分析器和调试工具，它们可以帮助开发者更有效地利用GPU资源。
5. 生态系统和社区：由于CUDA在学术界和工业界的广泛应用，它有着庞大的用户基础和活跃的社区。这为开发者提供了大量的学习资源、共享代码和最佳实践。
6. 兼容性：CUDA工作在NVIDIA的GPU上，这包括了从消费级的GeForce卡到专业级的Tesla和Quadro卡。这种广泛的兼容性使得CUDA成为了一个非常灵活的平行计算平台。

总之，CUDA是一个强大的工具，它使得在NVIDIA GPU上进行高性能计算变得可能，极大地推动了科学计算、数据分析和机器学习等领域的发展。CUDA的推出使得英伟达在老黄的带领下抢占了AI计算的先机，AMD再度错过历史机遇，相比于游戏市场的追赶，在AI领域想追赶CUDA加持的NVdia，AMD还有太多事情要做，然而留给他们的时间，确实不多了。

1. CUDA 和 CuDNN：NVIDIA开发了CUDA（Compute Unified Device Architecture）平台，这是一个专门为GPU加速计算设计的编程接口和工具套件。CUDA极大地简化了在NVIDIA GPU上运行复杂计算任务的过程，特别是对于深度学习和AI应用。此外，CuDNN（CUDA深度神经网络库）是专为深度学习设计的一个库，它进一步优化了在NVIDIA GPU上进行深度学习计算的效率。
2. 广泛的支持和兼容性：由于NVIDIA在深度学习和AI领域的早期入场，许多深度学习框架和库（如TensorFlow、PyTorch等）最初是为NVIDIA的CUDA架构优化的。这意味着使用这些框架的开发者和研究人员往往更倾向于使用NVIDIA GPU，因为它们可以直接利用这些工具的优化和功能。
3. 强大的硬件性能：NVIDIA的一些GPU系列（如Tesla、Quadro和最新的RTX系列）在AI和机器学习任务中表现出色。它们拥有大量的CUDA核心和专门的Tensor核心（用于AI计算），这使得它们在处理并行计算和复杂的神经网络时更为高效。
4. 企业级解决方案和支持：NVIDIA不仅提供硬件，还提供完整的企业级AI解决方案，包括硬件、软件和支持服务。这对于商业公司和研究机构来说是一个重要的优势，因为它们通常需要稳定、可靠的技术支持。

相比之下，AMD的GPU虽然在游戏和一些通用计算任务中表现出色，但它们在AI和深度学习领域的支持相对较少。AMD有自己的GPU加速平台ROCm（Radeon Open Compute platform），但它的生态系统和支持与CUDA相比还不够成熟。

综上所述，虽然AMD在某些方面正在迎头赶上，但截至目前，NVIDIA的GPU在AI计算领域仍然占据主导地位，主要是由于它们的专门硬件设计、成熟的软件生态系统和广泛的行业支持。

这些程序都有一些共同点，大多数支持跨平台，在Windwows有特定的安装环境要求，比如都要求安装Python环境，PIP包管理工具，GIt，FFMpeg多媒体库，CUDA环境等。其中Python是现在最流行，应用最广的AI开发语言；PIP是Python的包管理工具，主要用来安装项目依赖的各种包和库，很多项目还要求安装Conda，这又是另一个工具；Git是代码版本管理工具，负责从Github上下载项目代码；FFMPeg是老牌的开源多媒体工具；CUDA则是Nvidia的AI运算架构，也是一组API。英伟达的GPU和TPU等AI芯片以及CUDA接口已经成为现在AI行业的基础设施。安装好这些往往要经历复杂而繁琐的步骤，而且经常因为一两个错误导致前功尽弃，白折腾。

如果你是打算长期在AI领域折腾，研究技术，那么这些折腾就是成长的历程。一般而言，推荐你有一台空闲的，并且配置较高的电脑，搭配RTX3060 12G显存以上的显卡再来折腾。如果在自己的工作电脑上者仍，把系统环境搞崩掉，日常工作都会受到影响。

现在有一些方法来帮助我们少走弯路，快速安装好这些开源项目。本文就介绍其中两种。

1，通过Pinokio工具安装这些开源项目Pinokio是专门帮助我们在windows上安装开源AI程序而设计的一个工具，这个工具可以帮助我们搭建运行AI程序所必须的依赖软件以及环境，它可以一键处理很多麻烦的步骤，常见的开源工具比如Stable difussion，在上面就有专门的安装脚本，一键安装即可。

Pinokio会自动把我们所有的项目放在虚拟环境之中，互不影响，即便除了问题，也不会影响到其他项目，搞坏系统。根据实测，Pinokio可以帮助我们规避大量麻烦，但它也不是万能的，也会在某些步骤卡死，还需要我们手动解决。但有了这样一个工具，我们可以避免70%-80%的麻烦，还是值得一试。

Pinokio适合需要搭建开发调试环境的人使用。如果你只是想使用软件，不太愿意折腾环境，那么你可以使用第二个推荐方法：整合包。

2，整合包：安装一些大牛的整合包，比较知名的有B站的万能君的软件库（大部分工具免费，目前有的工具收费50元，也还算超值），秋叶整合包等。这些整合包把软件运行环境打包好，下载之后直接解压即可使用。唯一麻烦的是压缩包巨大，解压耗时耗力。好用的解压工具有7zip，bandzip，winrar等。经过老王实测，winrar在解压超大包的时候效率高很多，大家可以参考实际效果自行选择。

部署本地AI工具环境固然要付出一些代价，比如一个不错的主机，一张好显卡，还要折腾这样那样的环境，得花不少时间琢磨。但是工欲善其事，必先利其器，磨刀不误砍柴工。只要你部署好了环境，掌握这些工具，你就不用再网络上到处寻找一些鸡肋AI云平台，使用AI资源也能随心所欲。相比于本地AI工具能够在内容创作上带来的巨大红利，那一点点麻烦显然是不值一提的。

目前来看，根据技术大牛们的推荐比较一致，那就是4060TI 16G。RTX 4060ti 16GB是目前最香的AI显卡，没有之一。预计价格在4000元以内。16G的显存在跑SD的时候基本上可以说是丝滑无碍，看不到爆显存。而4070在核心方面略快一些，但4060ti的16GB显存非常实用，例如有些AI需要分配3-4GB的线程，4060ti就可以跑4个，而4070只能跑3个，因此4060ti在某些方面可能会更快。价格上这两个卡也差不多，只相差几百元，这使得4060ti 16GB版本具有更高的性价比。

如果你手头吃紧，退而求其次，在12G的范围内，RTX3060 12G的性价比也很高，但是40系列相比于30系列，AI计算的进步幅度还是比较大的，如果预算不太紧张，当然还是选择4060TI的16G版本。

对话内容如下：

美国政府限制英伟达
向中国出售高端显卡
你怎么看？
美国政府限制英伟达
向中国出售高端显卡的决策
体现了几个关键点
一 国家安全和地缘政治
这可能基于对高端技术
可能被用于军事
或其他敏感领域的担忧
二 技术霸权竞争
反映了全球范围内在关键技术
如人工智能和高性能计算领域的竞争
三 对全球市场的影响
这一决策可能会影响全球技术
市场和供应链
特别是在
高性能计算领域
四 刺激中国的技术独立
长期来看
这可能促使中国加快自主研发
高性能技术
从而减少对外部技术的依赖
每个角度
都显示了这一决策的复杂性
和多重影响