GPU

GPU（Graphics Processing Unit，图形处理器）已经成为现代计算机的核心组件，无论是游戏娱乐、内容创作还是 AI 计算，GPU 的性能都直接影响整体体验。对于 DIY 装机爱好者来说，选择合适的 GPU 需要在性能、价格、功耗和用途之间找到平衡点。

目前 GPU 市场呈现寡头格局，NVIDIA 和 AMD 占据消费级市场主导地位，Intel 作为新入局者正在追赶。国产 GPU 厂商近年来发展迅速，但在消费级市场仍处于起步阶段。

市场格局

• 显卡核心设计者：Nvidia、AMD、Intel，Nvidia 占 90%，AMD 占 9%。
• AIC 厂商：AIC（Add-In Card）厂商，七彩虹、技嘉、华硕、微星等采购芯片，设计并制造完整显卡，包括 PCB、散热器、供电模块和 BIOS 调优。
• 零件供应商
  • 晶圆代工厂：TSMC（台积电）为主，生产 GPU 芯片（3nm/5nm 工艺）。
  • 内存供应商：三星、美光、SK 海力士，提供 GDDR6X/HBM4 等显存。
  • PCB 制造商：如 Foxconn、Pegatron，生产电路板。
  • 散热方案商：如 Delta、Cooler Master，提供风扇/水冷散热。
  • 电源组件供应商：如 TI、Infineon，提供 VRM、MOSFET 等。
• 组装厂：如纬创、和硕，负责显卡组装。
• 分销商/零售商：如京东、Newegg，将显卡销售给消费者。

核心参数

显存是 DIY 玩家最关注的参数之一。显存大小决定了能够处理的运算规模，大型 3A 游戏（4K 分辨率下）和本地运行大型 AI 模型（如 LLaMA 13B）往往需要 12GB 以上的显存。显存带宽则直接影响数据传输速度，带宽越高，高分辨率下游戏掉帧的可能性越小，AI 模型推理速度也越快。

计算性能方面，FLOPS（每秒浮点计算次数）衡量 GPU 的图形渲染和科学计算能力，FP32 性能直接影响游戏帧率；TOPS（每秒万亿次操作）衡量 AI 推理性能，INT8/FP16 算力决定了本地运行 AI 模型的速度。对于游戏玩家来说，FP32 性能和光追性能更重要；对于 AI 开发者，TOPS 和显存大小是关键指标。

功耗同样需要重点关注。TDP（热设计功耗）反映了显卡的功耗和散热需求，高端显卡如 RTX 5090 的 TDP 可达 500W 以上，这意味着需要 850W 甚至更高的电源，以及机箱内良好的风道设计。对于 ITX 小机箱用户，选择低功耗显卡更为实际。

其他值得关注的参数包括 GPU 架构（如 NVIDIA Blackwell、AMD RDNA 4）、核心频率、CUDA 核心数/流处理器数量、显存类型（GDDR6X vs HBM）和位宽、以及制造工艺（4nm/5nm）。这些参数共同决定了显卡的理论性能上限。

应用场景

游戏场景对 GPU 的要求主要集中在光栅化性能和光追性能上。1080p 分辨率下，RTX 4060/4070 级别即可流畅运行大多数游戏；2K 分辨率建议 RTX 4070 Ti 或 RX 7800 XT 以上；4K 分辨率则需要 RTX 4080 或 RX 7900 XTX 这样的旗舰产品。光追性能方面，NVIDIA 的 RTX 系列优势明显，AMD 的光追性能正在追赶但仍有差距。需要注意的是，开启光追会大幅降低帧率，建议配合 DLSS 或 FSR 超分辨率技术使用。

AI 场景对 GPU 的需求与游戏不同。本地运行 AI 模型（如 Stable Diffusion、LLaMA）更看重显存大小和 AI 算力，而非图形渲染能力。RTX 3090/4090 这样的旗舰显卡拥有 24GB 显存，适合运行中等规模的 AI 模型；专业级 RTX 6000 Ada 拥有 48GB 显存，可以运行更大的模型。对于纯 AI 应用，也可以考虑企业级显卡如 Tesla 系列，但需要解决驱动和散热问题。AI 训练通常需要多卡并行，NVIDIA 的 NVLink 技术可以提供更高的卡间通信带宽。

内容创作场景对 GPU 的要求介于游戏和 AI 之间。视频剪辑、3D 渲染需要均衡的图形性能和显存，RTX 4070/4070 Ti 是性价比较高的选择；专业级别的视频制作和 3D 设计建议考虑 RTX 专业显卡，它们提供经过 ISV 认证的驱动和稳定性，但价格要高出许多。

基准测试

评估 GPU 性能需要结合多个测试项目。3DMark Time Spy 是最常用的图形基准测试，可以评估 DX12 性能；Port Royal 测试光追性能；这些测试分数可以直接反映游戏性能。对于 AI 性能，可以使用 Geekbench Compute、MLPerf 等通用计算测试，或者直接运行实际的 AI 模型（如 Stable Diffusion）进行推理速度测试。

需要注意的是，基准测试分数只是参考，实际体验还取决于 CPU、内存、散热等因素。对于 DIY 装机，建议参考实际游戏的帧率测试，而非仅仅看理论分数。同时，不同品牌的显卡（如华硕、微星、七彩虹）在散热、超频能力和噪音控制上存在差异，这些都会影响实际使用体验。

Nvidia 常见型号

Nvidia 目前市场的主力是 Blackwell 系列和 Ada Lovelace 系列，Ampere 系列正在逐步退出。Hopper 系列是专注于企业级市场。

架构	年代	核心突破	消费级 Geforce	专业级 Quadro / RTX PRO	企业级 Tesla / Data Center	Tensor Core
Blackwell	2025-	FP4 + 超大集群	RTX 50 系	RTX PRO 6000/5000 系列	B100/B200/GB200/B300	第五代
Hopper	2022-	Transformer Engine	——	——	H100/H200/H20	第四代
Ada	2022-	光追 + DLSS 3	RTX 40 系	RTX 6000/5000/4000 Ada	L40S/L40/L20/L4	第四代
Ampere	2020-	TF32 + MIG	RTX 30 系	A6000/A5000/A4000	A100/A40/A10/A30	第三代
Turing	2018-	实时光追	RTX 20 系 / GTX 16 系	Quadro RTX	T4	第二代
Volta	2017-	Tensor Core	Titan V	Quadro GV100	V100	第一代
Pascal	2016-	——	GTX 10 系	Quadro P 系列	P100/P40/P4	无
Maxwell	2014-	——	GTX 900 系	Quadro M 系列	M40/M60	无
Kepler	2012-	CUDA 生态成熟的起点	GTX 600/700 系	Quadro K 系列	K80/K40	无

各架构在消费级、专业级、企业级三条产品线的代表产品与数据格式支持如下。数据格式直接影响 AI 推理效率：越新的架构支持越低精度的格式（FP8/FP4），同样显存能装下更大的模型、推理速度也更快；而消费级 Geforce 卡的 FP64 性能被严重阉割（仅 1/64），基本不能用于传统 HPC 科学计算。

各架构支持的数据格式如下（✓ 表示支持且有 Tensor Core 加速；标 DP4A 的为 CUDA 核心指令、无 Tensor Core；FP64 列为相对 FP32 的性能比例，游戏卡通常被严重阉割）：

架构	FP32	FP64	FP16	BF16	TF32	INT8	INT4	FP8	FP6	FP4	备注
Blackwell	✓	1/64	✓	✓	✓	✓	✓	✓	✓	✓	第二代 Transformer Engine
Hopper	✓	1/2	✓	✓	✓	✓	——	✓	——	——	DPX 动态编程指令、Transformer Engine
Ada	✓	1/64	✓	✓	✓	✓	✓	✓	——	——	——
Ampere	✓	1/64	✓	✓	✓	✓	✓	——	——	——	稀疏加速
Turing	✓	1/32	✓	——	——	✓	✓	——	——	——	首次实时光追
Volta	✓	1/2	✓	——	——	——	——	——	——	——	适合 HPC
Pascal	✓	1/2	✓	——	——	✓	——	——	——	——	——
Maxwell	✓	1/32	——	——	——	——	——	——	——	——	——
Kepler	✓	1/3	——	——	——	——	——	——	——	——	——

本地跑 LLM 时数据格式尤其关键：同样是 24GB 显存，4090（Ada）能靠 FP8 把模型显存占用减半，而 3090（Ampere）只能用 FP16；50 系（Blackwell）更进一步支持 FP4，理论上能再减半。这也是同一代显存容量下新架构跑本地大模型更划算的核心原因。

消费级 Geforce

Geforce RTX 型号专注于消费级市场。其中 RTX 50X0 系列属于 Blackwell，RTX 40X0 系列属于 Ada Lovelace 系列，30X0 属于 Ampere 系列。

型号	架构	显存 (GB)	显存带宽 (GB/s)	FP32 TFLOPS	AI 适用
5090	Blackwell	32	1792	105	ok
5080	Blackwell	16	960	56
5070 Ti	Blackwell	16	896	44
5070	Blackwell	12	672	31
5060 Ti	Blackwell	16/8	448	24	ok
5060	Blackwell	8	448	20
5050	Blackwell	8	320	13
4090	Lovelace	24	1008	83	ok
4080 S	Lovelace	16	736	52
4080	Lovelace	16	718	48
4070 TiS	Lovelace	16	672	44	ok
4070 Ti	Lovelace	12	504	40
4070 S	Lovelace	12	504	35
4070	Lovelace	12	504	29
4060 Ti	Lovelace	16/8	288	22	ok
4060	Lovelace	8	272	15
3090 Ti	Ampere	24	1008	40	ok
3090	Ampere	24	936	35.6	ok
3080 Ti	Ampere	12	912	34
3080	Ampere	12/10	760	30
3070 Ti	Ampere	8	608	21.7
3070	Ampere	8	448	20.3
3060 Ti	Ampere	8	448	16.2
3060	Ampere	12/8	360/336	12.7
3050	Ampere	8	240	9.1
2080 Ti	Turing	11	632	13.4
2080 S	Turing	8	496	11.1
2080	Turing	8	448	10.6
2070 S	Turing	8	448	9.1
2070	Turing	8	448	7.5
2060 S	Turing	8	448	7.2
2060	Turing	6	336	6.5

玩本地 AI 部署，3090 是值得关注的一张卡，支持双卡组 nvlink，且二手价格 ok，可以考虑。详细的 AI 部署 GPU 选型见 GPU 硬件。

阉割版

5090D 为中国特供版，显存仍为 32GB，主要阉割算力；5090D v2 改为阉割显存（降至 24GB）与带宽（降至 1344 GB/s），但算力放开到接近 5090 水平

型号	架构	显存 (GB)	显存带宽 (GB/s)	FP32 TFLOPS	实际性能定位
5090D	Blackwell	32	1792	104	接近国际版 5090
5090D v2	Blackwell	24	1344	104	略弱于 v1
4090D	Lovelace	24	907	73	接近国际版 4090

魔改版

型号	架构	显存 (GB)	显存带宽 (GB/s)
4090	Lovelace	48	1008
4090D	Lovelace	48	907
4080 S	Lovelace	32	736
4080	Lovelace	32	718
3080	Ampere	20	760
3070 Ti	Ampere	16	608
3070	Ampere	16	448
2080 Ti	Turing	22	632

2080 Ti 有双卡 nvlink。

专业级 Quadro

RTX 专业级，专注于图形工作站等领域，也可以用来训练 AI。

型号	系列	显存	FP32 TFLOPS
PRO 6000	Blackwell	96	125
PRO 5000	Blackwell	48	65
PRO 4000	Blackwell	24	~37-46
PRO 3000	Blackwell	12	~29
PRO 2000	Blackwell	16	~17
PRO 1000	Blackwell	8	~13-14
PRO 500	Blackwell	6	~9
6000 Ada	Lovelace	48	91
5000 Ada	Lovelace	32	65
4000 Ada	Lovelace	20	26.7
A6000	Ampere	48	38.7
A5500	Ampere	24	~22-34
A5000	Ampere	24	27
A4500	Ampere	20	23
A4000	Ampere	16	19
A2000	Ampere	12	8
A1000	Ampere	8	~6.7
A400	Ampere	4	~2.7

A6000、A5500、A5000、A4500 支持 nvlink。完整的 NVLink 桥接兼容性参考和 PCIe 替代方案见 GPU 硬件。

企业级 Tesla

当前 Hopper 架构是市场中的主力。

型号	系列	显存	FP32 TFLOPS
B300	Blackwell	288	-
B200	Blackwell	192	-
B100	Blackwell	192	-
GB200 NVL	Blackwell	192 GB	-
H200	Hopper	141	-
H100 NVL	Hopper	94	-
H100	Hopper	80	51
H100 PCIe	Hopper	80	-
H20	Hopper	96	-
L40S	Lovelace	48	91
L40	Lovelace	48	45
L20	Lovelace	48	-
L4	Lovelace	24	30
L2	Lovelace	24	-
A100	Ampere	40/80	19
A40	Ampere	48	-
A30	Ampere	24	10
A10	Ampere	24	31
T4	Truing	16	31
V100S	Volta	32	-
GV100	Volta	32	-
V100	Volta	16/32	-
Titan V	Volta	12	-

阉割版本

型号	原版对应	系列	显存	FP32 TFLOPS
B40	B100/B200	Blackwell	192	-
H20	H100	Hopper	96	-
H800	H100	Hopper	80	-
A800	A100	Ampere	40/80	19

AMD 常见型号

AMD 是 NVIDIA 的主要竞争对手，在消费级市场以性价比优势著称，特别是在传统光栅化性能上往往能提供更高的每美元性能。AMD 的劣势在于光追性能和 AI 算力，CUDA 生态的缺失也使得 AMD 显卡在专业领域应用受限。但对于纯游戏玩家，AMD 显卡是值得考虑的选择。

消费级 Radeon

Radeon RX 9000 系列基于 RDNA 4 架构，RX 7000 系列基于 RDNA 3 架构。AMD 的策略是在相似价位下提供比 NVIDIA 更多的显存和更强的传统渲染性能。

型号	架构	显存 (GB)	显存带宽 (GB/s)	FP32 TFLOPS	AI 适用
RX 9070 XTX	RDNA 4	20	960	~63.5	ok
RX 9070 XT	RDNA 4	16	640	48.7
RX 9070	RDNA 4	16	640	36.0
RX 9060 XT	RDNA 4	16/8	320	25.7
RX 9060	RDNA 4	8	288	17.2
RX 9050	RDNA 4	8	288	10.6
RX 7900 XTX	RDNA 3	24	960	61.4	ok
RX 7900 XT	RDNA 3	20	800	52.2	ok
RX 7800 XT	RDNA 3	16	624	37.3	ok
RX 7700 XT	RDNA 3	12	432	35.0
RX 7600 XT	RDNA 3	16	288	22.6
RX 7600	RDNA 3	8	288	18.4
RX 7500 XT	RDNA 3	8	224	13.5

AMD 显卡的优势在于传统游戏性能和价格，但光追性能弱于 NVIDIA，AI 算力也明显不足。对于不追求光追和 AI 应用的纯游戏玩家，AMD 显卡是性价比之选。

玩本地 AI 部署，7900xtx 是值得关注的一张卡，有 24GB 显存，可以考虑组多卡工作站。AMD 显卡在 AI 场景下的 ROCm 生态、框架兼容性和与 NVIDIA 的详细对比见 GPU 硬件。

阉割版

型号	原版对应	架构	显存 (GB)	显存带宽 (GB/s)	FP32 TFLOPS	特点
RX 9070 GRE	RX 9070 XT	RDNA 4	12	432	34.3	性价比旗舰
RX 7900 GRE	RX 7900 XT	RDNA 3	16	432	41.0	性价比高
RX 7650 GRE	RX 7600 XT	RDNA 3	8	288	22.1	7600/7600XT 之间

中国区特供, 减显存，降带宽

专业级 Radeon Pro

Radeon Pro 系列面向专业工作站市场，提供经过 ISV 认证的驱动和稳定性。

型号	架构	显存	应用场景
W7900	RDNA 3	48	8K 视频编辑、3D 渲染
W7800	RDNA 3	32	中高端工作站
W7600/W7500	RDNA 3	8	入门级工作站

企业级 Instinct

Instinct 系列专注于数据中心和高性能计算，主要竞争对手是 NVIDIA Tesla。AMD 的优势在于开放生态（支持 ROCm、OpenCL），价格相对较低，但软件生态不如 CUDA 成熟。

型号	架构	显存	应用场景
MI355X	CDNA 4	288	大模型训练
MI350X	CDNA 4	288	数据中心 AI 训练
MI350P	CDNA 4	144	PCIe 形态
MI325X	CDNA 3	256	HPC 和 AI
MI300X	CDNA 3	192	HPC 和 AI
MI300A	CDNA 3	128	APU 形态
MI250X	CDNA 2	128	HPC 和 AI
MI250	CDNA 2	128	HPC 和 AI
MI210	CDNA 2	64	HPC 和 AI

国产 GPU 厂商

国产 GPU 厂商近年来发展迅速，主要分为三类：专注消费级图形的公司、专注 AI 算力的公司、以及专注军工/政府市场的公司。目前国产 GPU 在消费级市场仍处于追赶阶段，但在特定领域（如 AI 推理、工控显示）已经有所突破。

华为昇腾 Ascend

华为昇腾是华为自研的 AI 芯片系列，专注于云端 AI 训练和推理，是目前国产 AI 芯片中商业化最成功、生态最完善的产品线。昇腾芯片基于华为自研的达芬奇架构，采用 3D Cube 计算引擎，针对矩阵运算进行了深度优化。

产品线：：昇腾 910 系列是旗舰训练芯片，昇腾 310 系列是入门推理芯片。最新的昇腾 910B 采用 7nm 工艺，FP16 算力可达 320 TFLOPS，INT8 算力可达 640 TOPS，性能对标 NVIDIA A100。昇腾 910C 是升级版本，算力进一步提升。昇腾 310P 系列主要用于边缘推理，功耗仅 8W，适合摄像头、工控设备等场景。

生态支持：：华为提供了全栈 AI 软件生态，包括 CANN（Compute Architecture for Neural Networks）计算架构、MindSpore 深度学习框架、ModelArts 开发平台等。华为还推出了"算子开发工具"，方便开发者将 CUDA 算力迁移到昇腾平台。实际迁移过程中仍需要一定工作量，但华为提供了详细的技术支持。

市场应用：：昇腾芯片在国产化替代项目中应用广泛，包括智慧城市、安防监控、金融风控、科研计算等领域。在国产超算中心，昇腾芯片是主要选择之一。华为还推出了"昇腾智算"云服务，开发者可以通过华为云使用昇腾算力，无需购买硬件。

主要优势： 算力强劲、生态完善、华为提供端到端技术支持、国产化替代的首选方案。昇腾 910B 在大模型训练上的表现接近 A100，在 LLaMA、GPT 等大模型微调任务上表现良好。

局限性： 昇腾芯片专注于 AI 计算，图形渲染能力支持较弱，不适合游戏或图形应用；CUDA 生态迁移需要时间；供应链受美国制裁影响，但华为通过国内代工厂解决了生产问题。

摩尔线程 Moore Threads

摩尔线程是目前国产 GPU 中最受关注的厂商之一，成立于 2020 年，团队来自 NVIDIA 等公司。摩尔线程采用"图形 + AI"双轮驱动策略，产品线覆盖消费级显卡和企业级 AI 加速卡。

消费级产品： 壁挂卡系列（如 MTT S70、MTT S80）。MTT S80 拥有 4096 个 MUSA 核心、16 显存，性能大致相当于 GTX 1050 Ti 水平。摩尔线程显卡的优势在于价格低廉（S80 约 ¥1000），支持 DirectX、OpenGL、Vulkan 等主流图形 API。

主要问题： 驱动不够成熟，游戏兼容性较差，性能发挥不稳定。摩尔线程正在积极优化驱动，但与 NVIDIA/AMD 相比仍有较大差距。适合对游戏性能要求不高的办公、显示和多屏输出场景。

企业级产品： 夸娥系列（如 S3000、S4000）专注于 AI 推理和视频处理，在国产化替代项目中有一定应用。

其他厂商

• 砺算科技。 砺算科技成立于 2021 年，主打自研 GPU 架构，目标是国产高性能显卡。砺算曾发布"锋"系列 GPU，声称性能可达 RTX 3060 水平，但实际产品落地较慢，消费级显卡在市场上较为少见。砺算的技术积累主要来自前 AMD 和 Intel 工程师，架构设计具有一定潜力，但商业化进程仍在推进中。
• 寒武纪 Cambricon。 寒武纪专注于 AI 芯片，产品线包括终端处理器（MLU 系列）、边缘推理芯片和云端训练芯片。寒武纪的 MLU370、MLU590 等产品在国产 AI 推理市场有一定应用，支持 INT8/FP16 混合精度计算。寒武纪的优势在于成熟的工具链（支持 TensorFlow、PyTorch），但图形渲染能力有限，不适合游戏或图形应用。
• 南京沐曦 Maxxiri。 沐曦成立于 2020 年，专注于高性能 GPU 芯片设计，产品面向数据中心、AI 加速和图形渲染市场。沐曦采用自研架构，已推出 MXN 系列 GPU，主要面向 AI 推理和训练场景。沐曦的优势在于支持 CUDA 兼容（通过翻译层），可以在一定程度上利用 NVIDIA 的软件生态，但性能和兼容性仍需时间验证。
• 景嘉微。 景嘉微是国产 GPU 领域的先行者，成立于 2006 年，专注于军工和政府市场。景嘉微的 JM 系列显卡（如 JM9 系列）主要用于工控显示、指挥中心等特定场景，通过国产化认证，在这些领域有稳定的采购需求。特点： 可靠性高、通过军工认证、长期供货保证。但性能较弱，JM9 系列大致相当于 GT 630 水平，无法满足现代游戏或 AI 计算需求。景嘉微的价值在于国产化替代，而非性能竞争。
• 壁仞科技。 壁仞科技成立于 2019 年，专注高端 AI 芯片，产品 BR100/BR104 采用自研架构，峰值算力可达 400 TFLOPS（FP16），对标 NVIDIA A100。壁仞的优势在于 AI 训练和推理性能，但受限于美国制裁，先进工艺代工受阻，商业落地面临挑战。壁仞主要面向数据中心和企业级市场，消费级产品暂无明确计划。