Искусственный интеллект и машинное обучение предъявляют особые требования к компьютерному железу. Если вы планируете собрать или модернизировать ПК для работы с нейросетями, локальными LLM (большими языковыми моделями) или обучением моделей, важно понимать, какие компоненты действительно имеют значение, а на чем можно сэкономить. В этом руководстве мы подробно разберем, как выбрать видеокарту, процессор, материнскую плату и остальные комплектующие для AI-задач.

Почему AI-компьютер — это особый зверь?

Прежде чем перейти к выбору компонентов, давайте поймем ключевое отличие AI-рабочей станции от обычного игрового ПК. В играх важна частота кадров и скорость рендеринга графики. В задачах AI все крутится вокруг объема видеопамяти (VRAM) и пропускной способности шины. Если вам потребуется ремонт компьютеров, а также модернизация, то лучше обратиться к специалистам.

Представьте видеопамять как рабочий стол, на котором вы раскладываете детали конструктора. Чем больше стол, тем более сложную модель вы можете собрать, не разбирая предыдущую. Если модель не помещается в VRAM, система начинает использовать медленную оперативную память, и производительность падает в десятки раз .

Видеокарта (GPU) — самый важный компонент

Почему GPU критичен для AI?

Видеокарта — это сердце AI-системы. Современные нейросети требуют массовых параллельных вычислений, с которыми GPU справляется на порядок лучше CPU. В контексте AI видеокарта отвечает за:

• 
  

  Хранение модели — веса нейросети (иногда десятки гигабайт) должны целиком помещаться в VRAM .

  
  


• 
  

  Вычисления — тысячи ядер GPU параллельно обрабатывают матричные операции, составляющие основу работы нейросетей.

  
  


• 
  

  Скорость инференса (ответа) — от видеокарты зависит, как быстро модель будет генерировать ответ на ваш запрос.

  
  

NVIDIA vs AMD: кто лидер?

NVIDIA остается безусловным лидером в сегменте AI. Основная причина — экосистема CUDA, которая стала стандартом де-факто для всех фреймворков машинного обучения (PyTorch, TensorFlow и др.). Большинство библиотек и инструментов изначально разрабатываются под CUDA, и поддержка альтернатив часто появляется с задержкой или требует "танцев с бубном".

AMD активно догоняет — с выходом ROCm 7.2 ситуация на Windows значительно улучшилась. Пользователи сообщают об успешном запуске популярных AI-инструментов на картах вроде Radeon RX 7900 XTX . Однако вас могут ждать сюрпризы:

• 
  

  Некоторые модели могут не работать или требовать специальных настроек.

  
  


• 
  

  Скорость работы может быть ниже, чем на сравнимых по цене NVIDIA-картах.

  
  


• 
  

  Придется использовать специфические загрузчики моделей (например, Transformers вместо ExLlamaV2) .

  
  

Вывод: Если AI — ваша работа, и стабильность критична, выбирайте NVIDIA. Если вы энтузиаст с ограниченным бюджетом и готовы экспериментировать, AMD — viable option.

Ключевые характеристики видеокарты для AI

1. Объем видеопамяти (VRAM) — король!

Это самый важный параметр. От него зависит, какие модели вы сможете запускать. Рассмотрим требования для разных моделей :

Модель	Размер параметров	Минимум VRAM (INT4)	Комфортно (FP16)
Llama 2 / Mistral 7B	7 млрд	6-8 GB	16 GB
Llama 3 8B	8 млрд	8 GB	16 GB
CodeLlama 13B	13 млрд	10 GB	24 GB
Mixtral 8x7B / Llama 2 13B	~12-13 млрд	12 GB	24 GB
Llama 2 70B / WizardLM 70B	70 млрд	48 GB (2×24GB)	140 GB (8×24GB)

Важное замечание: Современные модели часто запускают в 4-битной или 8-битной квантизации, что значительно снижает требования к VRAM. Например, 70-миллиардная модель в 4-битном формате требует всего около 45.5 GB VRAM, что позволяет запускать ее на двух RTX 3090 .

2. Пропускная способность памяти (Bandwidth)

Этот параметр определяет, как быстро GPU может читать и записывать данные в свою память. Для AI критично, потому что:

• 
  

  При генерации каждого следующего токена (слова) модели нужно перебирать веса.

  
  


• 
  

  Чем выше bandwidth, тем быстрее "токены в секунду" (скорость ответа модели).

  
  

Современные карты показывают впечатляющие цифры:

• 
  

  RTX 4090: 1,008 GB/s

  
  


• 
  

  RTX 5090: 1,792 GB/s (+78%) 

  
  

3. Tensor Cores и производительность AI (TOPS/TFLOPS)

Специализированные ядра для матричных операций. Производительность в операциях FP8/FP4 — ключевой показатель для современных моделей:

• 
  

  RTX 4090: 1,321 TOPS

  
  


• 
  

  RTX 5090: 3,352 TOPS (+154%) 

  
  

Текущие модели NVIDIA: что выбрать?

RTX 3060 12GB — бюджетный вход

• 
  

  VRAM: 12 GB

  
  


• 
  

  Плюсы: Доступная цена, возможность запускать 13B модели в 4-bit.

  
  


• 
  

  Минусы: Относительно медленная.

  
  


• 
  

  Для кого: Новички, эксперименты с небольшими моделями (7B-13B), блогеры для локального запуска.

  
  

RTX 4070 Ti Super 16GB — золотая середина

• 
  

  VRAM: 16 GB

  
  


• 
  

  Плюсы: Хороший баланс цены и производительности, 16 GB VRAM открывают доступ к большинству 13B моделей в полной точности и 34B моделям в 4-bit.

  
  


• 
  

  Для кого: Энтузиасты, разработчики, которым нужна стабильная работа с моделями среднего размера.

  
  

RTX 4090 24GB — топ предыдущего поколения

• 
  

  VRAM: 24 GB

  
  


• 
  

  Плюсы: Огромная производительность, 24 GB VRAM позволяют запускать 34B модели в хорошем качестве и даже 70B модели в 4-bit (медленно, но запустится). До сих пор отличный выбор.

  
  


• 
  

  Минусы: Высокая цена, большое энергопотребление.

  
  


• 
  

  Для кого: Профессионалы, которым нужна максимальная производительность на одной карте.

  
  

RTX 5070 Ti 16GB — новое поколение, оптимизированное под AI

• 
  

  VRAM: 16 GB

  
  


• 
  

  Плюсы: Архитектура с улучшенной поддержкой тензорных вычислений, выше производительность на ватт, поддержка новых форматов сжатия .

  
  


• 
  

  Для кого: Те, кто строит систему "с нуля" и хочет получить максимум производительности за разумные деньги.

  
  

RTX 5090 32GB — абсолютный флагман

• 
  

  VRAM: 32 GB!

  
  


• 
  

  Плюсы: Огромный объем памяти (можно запускать 70B модели на одной карте!), колоссальная вычислительная мощность (+154% AI TOPS по сравнению с 4090), невероятная пропускная способность .

  
  


• 
  

  Минусы: Цена ($1999+), огромное энергопотребление, требует мощнейшего блока питания.

  
  


• 
  

  Для кого: Профессионалы, работающие с самыми большими моделями, исследователи, коммерческое использование.

  
  

Многокарточные конфигурации (2-4 GPU)

Для самых больших моделей (70B+ параметров) или для обучения с нуля одной карты недостаточно. Многие материнские платы поддерживают установку 2-4 видеокарт. В этом случае:

• 
  

  Общий доступный VRAM суммируется (2×24GB = 48GB).

  
  


• 
  

  Модель распределяется между картами (model parallelism).

  
  


• 
  

  Требуется материнская плата с поддержкой PCIe x8/x8 или x4/x4/x4/x4 разбивкой линий .

  
  


• 
  

  Критически важно охлаждение — карты будут стоять вплотную друг к другу.

  
  

Процессор (CPU) — не главный, но важный

Какие задачи ложатся на CPU?

Многие ошибочно полагают, что CPU в AI-системе не важен. Это не совсем так. Процессор отвечает за:

• 
  

  Загрузку данных и预处理 (preprocessing) — тексты нужно токенизировать, изображения — нормализовать, аудио — преобразовать. Это делается на CPU.

  
  


• 
  

  Управление пайплайном — CPU координирует передачу данных между диском, оперативной памятью и видеокартами.

  
  


• 
  

  Выполнение операций, которые нельзя распараллелить на GPU — некоторые алгоритмы лучше работают на CPU.

  
  

Почему для AI подходят современные многоядерные процессоры?

В AI-задачах процессор должен быстро "пережевывать" большие объемы данных и передавать их на GPU. Поэтому важна не только тактовая частота, но и количество ядер (для параллельной обработки данных) и поддержка быстрой оперативной памяти.

Intel vs AMD: есть ли разница для AI?

Практической разницы для чистых AI-задач нет — после того как модель загружена в видеокарту, процессор в основном простаивает в ожидании результатов вычислений.

Тем не менее, стоит обратить внимание на AMD Ryzen 9 9950X — он показывает отличную многопоточную производительность, полезную при обработке больших датасетов . Intel Core Ultra 9 285K также является достойным выбором, особенно если вы планируете использовать встроенный NPU (нейронный процессор) для легких AI-задач .

Совет: Если вы собираете систему с 1-2 видеокартами, вам подойдет современный 8-12 ядерный процессор (Ryzen 7 7800X3D, Core i7-14700K). Для систем с 4+ GPU или для обучения больших моделей с нуля стоит присмотреться к 16-24 ядерным монстрам (Ryzen 9 9950X, Threadripper).

Материнская плата — фундамент системы

Ключевые параметры для AI-системы

Материнская плата — это не просто "плата, в которую все вставляется". Для AI-системы критически важны следующие моменты:

1. Количество и конфигурация слотов PCIe

Если вы планируете использовать одну видеокарту, подойдет любая современная плата с PCIe 4.0 x16 или PCIe 5.0 x16. Просто убедитесь, что слот физически x16 и получает все 16 линий от процессора.

Если вы планируете две или более видеокарт, ситуация меняется. Вам нужна плата, которая может разбивать линии PCIe, например:

• 
  

  x8/x8 — две карты получают по 8 линий PCIe (идеально для двух GPU).

  
  


• 
  

  x8/x4/x4 — три карты (одна на 8 линий, две на 4 линии).

  
  


• 
  

  x4/x4/x4/x4 — четыре карты (каждая на 4 линии).

  
  

Важно: Дешевые материнские платы могут иметь два слота x16 физически, но второй слот может работать в режиме x4 (и даже эти 4 линии могут идти через чипсет, а не напрямую к процессору). Это создаст узкое место при передаче данных между видеокартами.

2. Примеры хороших материнских плат для AI

ASUS ProArt B850-Creator WiFi Neo — отличный выбор для сборки с 2 GPU:

• 
  

  Два слота PCIe 5.0 x16, работающие в режиме x8/x8.

  
  


• 
  

  Поддержка последних процессоров AMD Ryzen 9000-й серии.

  
  


• 
  

  До 256 GB DDR5 памяти (4 слота).

  
  


• 
  

  Два порта 5 Gigabit Ethernet для быстрой передачи данных по сети .

  
  

GIGABYTE Z690 AORUS (или аналоги Z790) — хороший выбор для платформы Intel:

• 
  

  Поддержка PCIe 5.0.

  
  


• 
  

  Достаточное количество слотов для 1-2 видеокарт.

  
  


• 
  

  Стабильная работа с большими объемами оперативной памяти .

  
  

Платы на чипсетах X670E/X870E — топовый выбор для AMD:

• 
  

  Максимальное количество линий PCIe 5.0.

  
  


• 
  

  Поддержка самых быстрых процессоров.

  
  


• 
  

  Часто имеют специальные функции для разгона и стабильности.

  
  

Для энтузиастов с 4 GPU — стоит смотреть в сторону:

• 
  

  Плат ASUS ProArt, Gigabyte Aorus, MSI Creation с поддержкой x4/x4/x4/x4.

  
  


• 
  

  Или даже HEDT-платформ (Threadripper), которые изначально проектировались для множества видеокарт.

  
  

Оперативная память (RAM) — часто недооцениваемый компонент

Сколько оперативной памяти нужно?

Существует миф, что оперативной памяти должно быть столько же, сколько и видеопамяти. Это неправда! 

Современные движки загружают модель не целиком в оперативную память, а частями (streaming):

• 
  

  Для 24GB модели (например, Qwen-72B в 4-bit): достаточно 32GB оперативной памяти. Потребление в пике составит ~20-25GB, а в стабильном режиме — всего 3-8GB .

  
  


• 
  

  Для систем с 1-2 видеокартами (24-48GB VRAM): оптимально 64GB RAM (2×32GB).

  
  


• 
  

  Для систем с 4 видеокартами (96GB+ VRAM): стоит задуматься о 128GB RAM.

  
  

DDR4 или DDR5?

DDR5 — однозначный выбор для новой системы. Причины:

• 
  

  Более высокая пропускная способность (ускоряет загрузку моделей).

  
  


• 
  

  Лучше справляется с большими объемами памяти.

  
  


• 
  

  Современные процессоры и платы уже ориентированы на DDR5.

  
  

Важный нюанс: При установке 4 планок DDR5 частота памяти может снижаться. Поэтому для 64GB лучше использовать 2 планки по 32GB, а не 4 по 16GB . Для 128GB уже неизбежны 4 планки, и нужно быть готовым к тому, что работать они будут на меньшей частоте (например, 4200-4800 MHz вместо заявленных 6000+).

Частота и тайминги

Для AI важнее количество памяти, а не ее частота. Однако более быстрая память ускорит загрузку датасетов и预处理 данных. Оптимальный выбор для DDR5: 6000-6400 MHz с приемлемыми таймингами (CL30-CL36).

Система охлаждения и блок питания

Охлаждение — критически важно для многокарточных систем

• 
  

  CPU охлаждение: Для мощных процессоров (Ryzen 9, Core i9) используйте качественную жидкостную систему охлаждения (СЖО) на 240-360 мм или топовый воздушный кулер (Noctua NH-D15, Deepcool AK620).

  
  


• 
  

  GPU охлаждение: Самая большая проблема — многокарточные конфигурации. Видеокарты, стоящие вплотную друг к другу, будут перегреваться. Решения:

  
  
  
  
  
  • 
    

    Корпус с отличной продуваемостью (Fractal Design Meshify, Lian Li Lancool, Corsair 5000D/7000D).

    
    
  
  
  • 
    

    Использование бловерных (турбинных) видеокарт, которые выдувают горячий воздух наружу.

    
    
  
  
  • 
    

    Водяное охлаждение для видеокарт (пользовательские контуры или готовые решения с радиаторами, которые можно расположить отдельно).

    
    
  
  
  • 
    

    Открытый стенд (test bench) вместо закрытого корпуса.

    
    
  
  
  
  

Блок питания (PSU) — не экономьте!

Расчет мощности: CPU TDP + (GPU TDP × количество GPU) × 1.5 (запас на пики и прочие компоненты).

Примеры:

• 
  

  1×RTX 4090 (450W) + Ryzen 9 (170W): Рекомендуется 1000-1200W.

  
  


• 
  

  2×RTX 4090 (900W) + Ryzen 9 (170W): Рекомендуется 1500-1600W (потребуется специальный БП или два БП).

  
  


• 
  

  1×RTX 5090 (575W) + Ryzen 9: Рекомендуется 1200W.

  
  


• 
  

  2×RTX 5090 (1150W): Уже потребуется 1600W+ или два блока питания .

  
  

Выбирайте блоки питания известных брендов (Corsair, Seasonic, be quiet!, EVGA) с рейтингом 80+ Gold или Platinum.

Примеры сборок для разных бюджетов и задач:

Бюджетная стартовая (~$1500-2000)

• 
  

  Цель: Запуск 7B-13B моделей, изучение AI, эксперименты.

  
  


• 
  

  CPU: AMD Ryzen 5 7600X / Intel Core i5-14600K.

  
  


• 
  

  GPU: NVIDIA RTX 4060 Ti 16GB или RTX 4070 (12GB).

  
  


• 
  

  RAM: 32GB DDR5 (2×16GB).

  
  


• 
  

  Материнская плата: B650 / B760 с PCIe 4.0/5.0 x16.

  
  


• 
  

  PSU: 750W 80+ Gold.

  
  

Оптимальная для разработчика (~$3000-4000)

• 
  

  Цель: Уверенная работа с 13B-34B моделями, быстрый инференс, LoRA-дообучение.

  
  


• 
  

  CPU: AMD Ryzen 7 7800X3D или Intel Core i7-14700K.

  
  


• 
  

  GPU: NVIDIA RTX 4070 Ti Super 16GB или RTX 4080 Super 16GB (или RTX 5070 Ti 16GB).

  
  


• 
  

  RAM: 64GB DDR5 (2×32GB).

  
  


• 
  

  Материнская плата: B650E / X670 или Z790 с хорошим питанием.

  
  


• 
  

  PSU: 1000W 80+ Gold.

  
  

Профессиональная рабочая станция (~$5000-8000+)

• 
  

  Цель: Запуск 70B+ моделей, серьезное дообучение, многозадачность.

  
  


• 
  

  CPU: AMD Ryzen 9 7950X / 9950X (16 ядер) или Threadripper.

  
  


• 
  

  GPU: Две NVIDIA RTX 4090 (2×24GB) или две RTX 5090 (2×32GB).

  
  


• 
  

  RAM: 128GB DDR5 (4×32GB).

  
  


• 
  

  Материнская плата: X670E / X870E с поддержкой PCIe x8/x8.

  
  


• 
  

  PSU: 1500-1600W 80+ Platinum или два блока питания.

  
  


• 
  

  Охлаждение: Серьезная СЖО для CPU, продуваемый корпус с дополнительными вентиляторами.

  
  

Частые ошибки и как их избежать

❌ Ошибка 1: Экономия на блоке питания

Дешевый БП может не выдать заявленную мощность, иметь пульсации, которые убьют компоненты, или просто выключиться под нагрузкой. Никогда не экономьте на блоке питания!

❌ Ошибка 2: Установка 4 планок DDR5 в надежде на высокую частоту

Память может работать на значительно более низкой частоте, чем заявлено. Если вам нужно 64GB — берите 2×32GB. Если 128GB — готовьтесь к снижению частоты .

❌ Ошибка 3: Покупка "игровой" материнской платы для 2-3 видеокарт

На многих игровых платах второй слот PCIe x16 физически, но работает в режиме x4 (и эти линии идут через чипсет). Изучайте спецификации перед покупкой!

❌ Ошибка 4: Игнорирование охлаждения в многокарточной системе

Две видеокарты вплотную друг к другу в закрытом корпусе без дополнительного обдува — рецепт перегрева, троттлинга и выхода из строя.

❌ Ошибка 5: Покупка AMD GPU без изучения совместимости с вашим ПО

Проверьте, работает ли ваш фреймворк и библиотеки на ROCm. Будьте готовы к экспериментам и возможным ограничениям .

Заключение

Модернизация компьютера для задач искусственного интеллекта — это инвестиция в вашу производительность как специалиста. Главное правило: начинайте с видеокарты и ее памяти. Именно VRAM определит, с какими моделями вы сможете работать.

• 
  

  Новичкам и энтузиастам: RTX 3060 12GB или RTX 4060 Ti 16GB — отличная точка входа.

  
  


• 
  

  Серьезным разработчикам: RTX 4070 Ti Super / 4080 Super / 5070 Ti с 16GB — золотая середина.

  
  


• 
  

  Профессионалам: RTX 4090 24GB или две такие карты (или RTX 5090 32GB для тех, кому нужно максимум).

  
  

Процессор и материнская плата важны, но они играют второстепенную роль. Основной бюджет (60-80% от стоимости системы) должен уходить на видеокарты. Не экономьте на блоке питания и охлаждении — стабильность системы важнее нескольких лишних гигагерц.

И помните: технологии развиваются быстро. То, что сегодня кажется вершиной (RTX 4090), через 2 года может стать средним сегментом. Поэтому вкладывайтесь в то, что нужно вам прямо сейчас, но оставляйте возможность для апгрейда — свободные слоты PCIe, запас по мощности БП, место для дополнительных вентиляторов.