Hvilken pc skal jeg bruge til AI-udvikling?

Uanset om det drejer sig om at udvikle den medicin, vi tager, vælge den næste video, vi skal se, eller bare tjekke vejret, finder AI en måde at påvirke hverdagen på. Og efterhånden som computerhardwaren forbedres, bliver det mere tilgængeligt for små udviklere og entusiaster at udvikle AI derhjemme. I dag vil vi gennemgå nogle af de hardwareovervejelser, du bør gøre dig, før du bygger en pc til AI-udvikling.

Det er ikke nogen hemmelighed, at større er bedre, når man udvikler AI. De største virksomheder i verden bruger millioner af dollars på at købe det bedste udstyr til at udvikle AI. Og selv om det er muligt at udnytte noget af den kraft til dig selv, kan det at bygge dit eget system hjælpe dig med at optimere din arbejdsgang og spare penge i det lange løb.

Husk, at den brede anvendelse af AI og maskinlæring også betyder, at der ikke findes en løsning, der passer til alle, så sørg for at tage hensyn til størrelsen og typerne af data, du forventer at arbejde med. Denne vejledning er kun tænkt som et udgangspunkt, når du skal overveje de forskellige faktorer, der kan påvirke dine behov for AI-udvikling.

For at starte med et stærkt fundament er det vigtigt at bruge en kraftig CPU med et højt antal kerner, hyperthreading og hurtige hastigheder, der hurtigt kan flytte rundt på de store mængder data, du skal indtaste. Derudover skal du overveje de CPU-intensive processer, der er en del af dit udviklingsworkflow. Ting som fysiksimuleringer og forbehandling, der måske bare er en del af din normale arbejdsbyrde, kan tilføje betydelig belastning, når de anvendes i stor skala.

Ud over den typiske CPU-arbejdsbyrde vil du sikre dig, at den kan understøtte resten af dit system. Selv om det ikke er en normal bekymring for den gennemsnitlige gamer, vil du måske gerne gå ud over de normale behov for at drive dit personlige projekt. Højere avancerede CPU'er som Intels Xeon-serie og AMD's Threadripper-serie kan understøtte 8 eller flere sticks RAM og samtidig drive op til 4 grafikkort via deres ekstra PCIe-baner. Faktisk kan nogle bundkort understøtte mere end 4 GPU'er, men nu går vi for hurtigt frem.

NVIDIA er unægtelig på forkant med GPU-acceleration i maskinlæring og AI-applikationer. Deres dominans på markedet betyder, at mange ML-frameworks på softwaresiden er specifikt optimeret til NVIDIA GPU'er. Det skyldes i høj grad de tensorkerner, der har været inkluderet i alle RTX-kort siden 20-serien. Tensorkerner er dedikerede chips, der er specialiserede i funktioner, der bruges til at træne neurale netværk. De har muliggjort mange nye funktioner som f.eks. operationer med blandet præcision, hvilket giver mere kontrol over afvejningen mellem hastighed og dybde.

Med de stigende krav til VRAM er selv typiske gamere på udkig efter lidt ekstra, og det samme gælder for udviklere. Nogle af de mest populære AI- og ML-produkter drejer sig nu om billedgenerering og -manipulation. Træning af den slags netværk kræver et datasæt med billeder, som skrives ind i VRAM under træningen. 12 GB er nok til at starte med, men som altid skal du overveje, hvilken type arbejde du vil udføre, og justere i overensstemmelse hermed.

RAM følger en lignende historie som VRAM. Det giver din computer mulighed for at forberede større datasæt og instruktioner, som vil variere meget afhængigt af den type arbejde, du udfører. Det anbefales generelt at indlæse alle dine testdata i RAM, før du arbejder med dem, så store mængder anbefales altid. Vi anbefaler mindst 32 GB, men med fremkomsten af DDR5 kan du nu få op til 48 GB på en enkelt stick. For eksempel ville vores CORSAIR VENGEANCE 2x48GB-sæt være perfekt til denne anvendelse.

Endelig skal alle disse data lagres på lang sigt. De høje hastigheder på NVMe SSD'er vil være afgørende for at flytte store mængder data til RAM, hvilket er kritisk, hvis du arbejder med flere data, end din RAM kan rumme. High end NVMe-drev som vores MP600 kan rumme op til 4 TB data, men langsommere SATA-drev eller HDD'er kan bruges til langtidslagring af større mængder. Til træningsprocessen anbefales disse ikke, men de kan være den eneste mulighed for ekstremt store datasæt.

Efterhånden som industrien implementerer mere AI-dedikeret hardware, bliver det mere og mere tilgængeligt at bruge og skabe deep learning-software. Vi håber, at denne guide vil hjælpe dig med at tænke over nogle af de overvejelser, du skal gøre dig, når du bygger en pc til AI-udvikling. Tjek CORSAIR.com for at finde vores bedste produkter til køling, RAM, lagring og meget mere til dit næste build.