原贴链接

大家好。这是我第一次组装电脑，我的目标是在保证性能的前提下尽可能降低成本，而RTX 3090 FE似乎性价比最高。我使用了以下部件：GPU：RTX 3090 FE（二手）、CPU：Intel i5 12400F、主板：Asus PRIME B660M - K D4、内存：Corsair Vengeance LPX 32GB（2x16GB）、存储：WD Green SN3000 500GB NVMe、电源：MSI MAG A750GL PCIE5 750W、CPU散热器：ARCTIC Freezer 36、机箱风扇：ARCTIC P12 PWM、机箱：ASUS Prime AP201 MicroATX。整个设备花费不到1300欧元。我在GitHub仓库（https://github.com/yachty66/aicomputer）中有更详细的操作说明和部件链接。我可能会继续这个项目，为学生等人群提供平价的人工智能电脑，所以这个GitHub仓库还在积极开发中。

讨论总结

原帖作者分享了自己构建成本低于1300欧元的深度学习设备的经验，包括使用的各个部件。评论者们从不同角度进行了讨论，包括将深度学习设备类比为游戏设备、硬件性能对游戏帧率的影响、深度学习的具体用途、硬件的来源、硬件配置的合理性、存储容量是否足够以及设备构建成本等方面，整体氛围较为积极，大家积极分享观点和建议。

主要观点

  1. 👍 深度学习设备可类比为去掉灯光的游戏设备
    • 支持理由：简单直接地将深度学习设备和游戏设备联系起来，引发后续关于硬件性能在两种场景下的讨论。
    • 反对声音：无明显反对。
  2. 🔥 不推荐使用F系列CPU
    • 正方观点：带iGPU的CPU有助于分担视频任务，可使GPU能全力用于AI负载。
    • 反方观点：无直接反对观点，但原帖作者采用了F系列CPU构建设备。
  3. 💡 500GB存储对于深度学习任务来说太小
    • 支持理由：深度学习会用到大量相关内容，如检查点、lora和大型语言模型等，很快会耗尽存储。
    • 反对声音：无。
  4. 👍 原帖构建低成本深度学习设备值得称赞
    • 支持理由：构建成本低且整体性能可用于深度学习相关任务。
    • 反对声音：无。
  5. 💡 构建AI机器有更便宜的方式，如选择旧工作站和服务器
    • 支持理由：旧设备有多种优势，如多CPU多线程、多PCIe插槽等。
    • 反对声音：无直接反对，但原帖作者构建新设备也满足自身需求。

金句与有趣评论

  1. “😂 Deep Learning Rig = Gaming Rig Minus Lighting”
    • 亮点：以一种简洁又有趣的方式将深度学习设备和游戏设备联系起来，引发讨论。
  2. “🤔 The 12400F is still a decent CPU for games (especially if you only target 60fps) and the 3090 is as fast as a 4070 super with a lot more VRAM so this PC is a decent 1080p/1440p 60fps gaming machine.”
    • 亮点：详细分析设备中的CPU和GPU在游戏场景下的性能表现。
  3. “👀 I use it for inference. In my work, I need to use AI models (mostly diffusion - based), so I can use the GPU to build pipelines and run it for inference. Not for training.”
    • 亮点：明确阐述了构建深度学习设备用于推理而非训练的用途。

情感分析

总体情感倾向为积极，大多数评论者对原帖构建低成本深度学习设备表示认可和赞赏。主要分歧点在于硬件配置方面，如是否应该使用F系列CPU、DDR4还是DDR5主板以及存储容量是否足够等，这些分歧主要源于不同用户对深度学习设备的性能需求、预算和使用场景的理解不同。

趋势与预测

  • 新兴话题：旧工作站和服务器用于构建AI机器的性价比可能会引发后续讨论，因为有评论者提出这是构建AI机器更便宜的方式且有诸多优势。
  • 潜在影响：如果更多人关注到旧设备构建AI机器的优势，可能会影响相关硬件在二手市场的价格，也可能会改变一些个人或小型研究团队构建AI设备的选择策略。

详细内容：

标题：打造低成本深度学习装备引发的Reddit热议

在Reddit上，有一个题为“Build a low cost (<1300€) deep learning rig”的帖子引起了众多关注。原帖作者首次尝试组装电脑，旨在以尽可能低的成本实现良好性能，选用了RTX 3090 FE等部件，整套组装花费不到1300欧元，并在GitHub repo（https://github.com/yachty66/aicomputer ）提供了更详细的说明和部件链接，还表示可能会继续该项目以让学生等群体能用上实惠的AI电脑。

该帖子引发了热烈讨论，主要观点包括：有人认为此配置像“深度学习装备=减去灯光的游戏装备”；有人质疑游戏时是否会有-30fps的情况；也有人觉得12400F对于游戏仍不错，3090配合更多VRAM在1080p/1440p 60fps游戏表现良好；还有人询问3090的来源，作者称在德国通过[www.kleinanzeigen.de] 以700欧元购得。

对于是否应选带核显的CPU以便将视频从GPU卸载，有人认为这很聪明，从未这样想过。有人称赞这是个很酷的装备，但也提醒500GB存储很快会不够，建议用2TB SSD或8TB HDD存储。有人提出疑问，主板DDR4版本价格差异是否显著，建议选用DDR5。

还有人分享经验，称以很便宜的价格买到旧工作站和服务器用于AI，优势众多，如CPU时钟速度虽低但适合AI，线程多、PCIe x16 插槽多、内存插槽多、PSU强大等。有人称自己类似配置中后悔没选DDR5，选了更多DDR4内存和i7 CPU。有人建议将RAM加倍到2x32gb。

这一讨论的核心问题在于如何以更经济高效的方式打造适合需求的深度学习装备，以及不同配置选择的利弊权衡。不同观点的碰撞为大家提供了更多思考和借鉴的方向。