Saatnya untuk melepaskan kekuatan superkomputer AI langsung dari PC Anda. Kami telah melihat lebih dari 5000 desktop [1] dan memilih apa yang kami anggap sebagai workstation terbaik untuk pembelajaran mendalam, pembelajaran mesin (ML), dan ilmu data untuk setiap anggaran.
Salah satu keuntungan paling signifikan dari membangun atau membeli AI PC adalah Anda dapat meningkatkan sendiri sebagian besar komponen sesuai keinginan Anda. Jadi, misalnya, jika Anda membutuhkan lebih banyak RAM, Anda dapat beralih dari 16 GB ke 32 GB, 64 GB, 128 GB, dll. — tergantung pada batasan motherboard Anda. Hal yang sama berlaku untuk meningkatkan GPU Anda. Misalnya, jika rig Anda memiliki RTX 3060, dan NVIDIA hadir dengan GPU yang lebih baru dalam beberapa tahun, Anda dapat dengan mudah menukarnya dan membuktikan lebih banyak lagi rig Anda di masa depan.
Keuntungan lain yang cukup besar dari menggunakan AI PC daripada laptop AI adalah Anda akan dapat melakukan lebih banyak tugas yang memakan daya dengan sangat baik tanpa perlu terlalu khawatir tentang kemampuan pendinginan rig AI. NVIDIA juga memiliki lebih banyak kemungkinan untuk CUDA-Enabled GPUs untuk desktop, seperti seri RTX AXXXX dan opsi Quadro RTX. Anda dapat melihat daftar lengkap GPU bertenaga AI dalam daftar ini oleh Pengembang NVIDIA.
Pustaka yang Dipercepat GPU untuk AI dan HPC | Sumber: NVIDIA [15]
Tetapi membeli rig AI PC juga memiliki kelemahan, misalnya, jika Anda sering bepergian, Anda mungkin menemukan bahwa membeli laptop pembelajaran mendalam akan lebih nyaman bagi Anda, karena banyaknya perjalanan yang akan Anda lakukan, dan itu untuk sebagian besar, jika Anda membeli rig yang sesuai, Anda akan dapat melakukan sebagian besar tugas terkait AI dengan baik di salah satu dari keduanya.
Untuk pemimpin data yang memiliki anggaran dan kebutuhan yang lebih besar, memiliki workstation AI dan laptop AI akan lebih masuk akal karena fleksibilitas yang ditawarkan untuk memiliki keduanya. Dan untuk setiap tugas AI yang dapat Anda pikirkan, termasuk menjalankan model canggih di TensorFlow, PyTorch, Jupyter, CUDA, cuDNN, dan sebagainya.