确切来讲, 我头一回碰到GPU算力这个概念, 是大学室友为了打游戏攒钱购置显卡。
那段时期, 我没办法明白, 花费数目达到几千块去购置一张卡片, 仅仅是为了能让游戏之中的草呈现出更为逼真的运动状态, 这样做究竟是否具备价值呢?
往后工作了才晓得, 原来GPU这个东西, 早就并非游戏玩家所独有的了。它真正所要做的事情, 乃是进行计算。并且不是普通的计算, 是那种能够同时计算几千几万次的事情。
啥是并行计算? 举个例子来说, CPU宛如一位大学教授, 是能够解答特别困难的题目, 然而一次仅仅能够做一个。那GPU, 就好像是一千个小学生, 每个的水平都是一般般的, 可是一千个一块儿去计算同一道题目, 速度反倒快得令人十分吃惊。
因此, 当下从事AI训练工作的人员, 进行科学计算工作的人员, 开展视频渲染工作的人员, 都在争抢GPU算力。
但问题来了——你一个普通人，真的需要吗？
普通人用GPU算力到底在干嘛？
讲讲近期我留意到的一种状况, 好多人于购置电脑之际, 首个反应便是得有好的显卡, 得有大的显存，仿佛要是没有以RTX 4070为起始标准, 就连word都没法打开了。
但实际上，大多数人买回去之后，GPU的利用率到底有多高？
某平台的数据我去查了一下, 2025年时, 个人消费者的显卡平均利用率, 在日常使用那种场景下, 仅仅只有11%到23%。换句话讲, 一块用于购买且花费了大几千的显卡, 大部分时间处于闲置状态。
那这部分的算力被用来干嘛了？无非就是：
1. 偶尔打个游戏——但一周能玩十小时就算重度玩家了
2. 剪个短视频——其实很多剪辑软件用CPU也能跑
3. 所谓的“挖矿”——早已成为历史
4. 摆在那里看跑分——纯属心理安慰
那为什么大家都在抢？
因为真正需要GPU算力的场景，普通人根本接触不到。
比如大模型训练, 你可知道, 训练一个参数量处于700亿左右的LLM模型, 所要用到的算力大概是在400万到600万·天数, 这是什么概念, 一块顶级的消费级显卡, 持续运行一年多, 恐怕才刚刚够。
再比如说科学计算, 模拟蛋白质折叠, 模拟气候变暖, 模拟宇宙演化, 这些可不是你桌面上那张显卡能够解决的。
果真把GPU算力给消耗掉的, 是数据中心, 是云厂商, 是科研机构, 是那些要运行几千块卡集群的所在之处。
普通人？真的轮不到你。
算力不平等这件事
进而提及一个饶有趣味之事: 算力具备的资源, 是否正逐渐迈向一种崭新的不平等状态呢。
我结识了一位从事独立游戏制作的友人, 他告知我, 他独自一人开展游戏开发时, 对一个场景进行渲染需等待一整晚。然而, 大型厂商拥有云渲染集群，针对同样的场景, 仅需十几分钟便可完成渲染并呈现出来。
这不是努力不努力的问题。这是资源。
2025年时, 全球GPU算力的分布情况是, 在其中, 大约68%会被以及研究机构所占用, 30%会被中小企业所使用, 而剩下的不到2%才会流到普通开发者以及个人用户手中。
你不是不够努力，你是根本拿不到卡。
云端算力是个伪命题吗？
现在, 诸多厂商都在大力推行云GPU, 宣称有着“按需付费”的特点, 还具备“弹性扩容”的优势, 听起来似乎十分美好。
但实际上呢？
曾亲自尝试过某平台的价格, 去租用一块处于中等配置状态的GPU, 一小时的费用大概是在12块至18块这个区间。看起来价钱似乎不算高, 对不对? 然而一旦进行一次稍微复杂那么一点儿的渲染工作, 又或者去训练一个规模处于中等程度的模型, 也许就需要运行几十甚至上百个小时。
算下来，一次任务上千块。
而且存在着数据传输方面的问题, 你在本地的几百GB体量的数据, 要传至云端, 仅是上传所需的时间就长达一天, 待上传完毕, 计算完成之后, 再将其下载回来, 这又需要耗费一天的时间。
如果网络不好呢？如果平台突然涨价呢？如果数据泄露呢？
我不清楚你们是怎样去作思考的, 然而我却是这样认为的, 针对于个人用户来讲, 云GPU当下还并未那般具有吸引力。
是不是只有做AI的才需要？
也不是。
其实有几个普通场景，GPU算力确实有用。
有一个是视频转码, 要是你常常去处理4K甚至于8K视频, GPU加速能够使效率提高六至十倍。还有另一个是图像生成, 就像运用 来画图, 要是没有GPU, 一张图要等上十几分钟, 而有了GPU, 只需十几秒。
当下, 有那近期内较为热门的本地大模型部署情况呢。你能够于自身的电脑之上运行一个小型模型, 用以开展翻译工作, 进行总结操作, 开展对话交流等, 并不需要连接网络, 且数据也不会往外传送出去。
但说实话，这些需求，一张中端卡就足够了。真的不需要追顶级。
关于算力浪费这件事
可能你会说，我多出来的算力，闲着也是闲着，浪费就浪费呗。
然而我所查到的相关数据呈现为: 全球消费级GPU算力的平均闲置率, 在2025年的时候高达74% , 换句话即你所购置回来的卡, 存在四分之三的时间处于什么都未进行运作的状态。
而恰恰在这个时候, 好多高校的研究团队, 就连一块稍微像样些的GPU都没办法申请到手。他们使用着陈旧老化的设备, 跑起来一次实验居然需要等待好多好些个星期。
偶尔我会思索, 倘若能够把那些处于闲置状态的算力, 哪怕仅仅借用其中的一小部分, 将其奉献给科研领域，是不是众多的研究方向能够提速许多呢?
当然, 这属于我个人的想法, 在技术层面实现起来存在很大难度, 涉及安全方面, 关乎隐私问题, 还有激励机制, 存在一系列的问题。
但至少，我们可以在买卡之前想清楚：我真的需要吗？
最后说几句掏心窝子的
正在写这一篇文章之际, 我始终在思索着一个问题, 那便是: 为何乎我们老是喜好购进那些远远超越自身需求范畴之内的东西呢?
可能不光是算力这件事。手机、相机、汽车，都是这样。
我们所购置的并非功能, 而是一种“我同样能够那般样”的安全感, 仿佛拥有了优质显卡, 我便朝着AI大神的境界靠近了一步, 恰似购买了专业相机, 我就俨然成为摄影师那般了。
但现实是，大部分人连相机说明书都没看完。
GPU算力也一样。
你是真的需要，还是被焦虑裹挟了？
我觉着呀, 要是你仅只是打算去体验一番AI, 又或者是偶尔玩玩游戏, 那么中端卡便足够了。要是你实实在在是在用心做研究、搞创作, 那诚然是需要算力的, 然而也千万别盲目地堆砌显卡, 得先把你的瓶颈究竟在何处给想明白才行。
算力不是目的，做出东西来才是。
所以，普通人到底用不用得上GPU算力？
我的答案是：用得上，但没那么夸张。
真正能够将它运用得恰到好处的那些人, 所具备的并非始终是拥有数量最为庞大的算力, 反而是对自身究竟需要多少算力最为明晰的。