[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ai-pc-build-budget-config-guide-zh":3,"article-related-ai-pc-build-budget-config-guide-zh":28,"series-tools-30999747-1af5-4320-8273-b2d561c176f7":85},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":25,"created_at":26,"published_at":27,"topic_cluster_id":11},"30999747-1af5-4320-8273-b2d561c176f7","ai-pc-build-budget-config-guide-zh","萬元檔 AI 電腦怎麼配","\u003Cp>如果你想在本地跑 LLM，第一個卡點通常不是 \u003Ca href=\"\u002Fnews\u002Falibaba-risc-v-ai-cpu-server-chips-zh\">CPU\u003C\u002Fa>。是顯存。以 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fgeforce\u002Fgraphics-cards\u002F50-series\u002Frtx-5070-ti\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA GeForce RTX 5070 Ti\u003C\u002Fa> 為例，16GB VRAM 直接把「能跑」和「跑得順」切開。講白了，顯存不夠，很多模型就是裝不下。\u003C\u002Fp>\u003Cp>這篇配置的重點，不是炫規格。是用萬元檔預算，做一台能玩本地 AI、能生圖、能做對話，也能順便打遊戲的主機。這種機器很台灣。預算有限，但需求很雜。\u003C\u002Fp>\u003Cp>我看完的感覺很直接。這不是傳統遊戲電腦。這是一台偏 AI 推理的工作機。選件順序整個變了。先看 GPU，再看硬碟，最後才輪到 CPU。\u003C\u002Fp>\u003Ch2>先看顯卡：AI 機的核心\u003C\u002Fh2>\u003Cp>如果只挑一個零件，顯卡幾乎決定這台機器能做多少事。對本地大模型來說，VRAM 不是加分項，是門檻。你可以接受慢一點，但很難接受模型直接爆顯存。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775197682098-2dyy.png\" alt=\"萬元檔 AI 電腦怎麼配\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這次的選擇是 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA\u003C\u002Fa> 陣營。原因很現實。開源 LLM、推理框架、量化工具，很多都先照顧 N 卡。少碰兼容性問題，就少花時間修驅動。這點對新手很重要。\u003C\u002Fp>\u003Cp>RTX 5070 Ti 的 16GB 很尷尬，也很實用。12GB 的卡像 RTX 5070，常常卡在門口。16GB 則比較像正式入場券。RTX 5080 也是 16GB，但價格更高。RTX 5090 雖然有 24GB，可是預算直接飛走。\u003C\u002Fp>\u003Cul>\u003Cli>RTX 5070 Ti：16GB，約 7000 元級\u003C\u002Fli>\u003Cli>RTX 5080：16GB，價格更高\u003C\u002Fli>\u003Cli>RTX 5090：24GB，兩萬元級\u003C\u002Fli>\u003Cli>RTX PRO 5000 Blackwell：48GB，偏工作站\u003C\u002Fli>\u003C\u002Ful>\u003Cp>講白了，AI 電腦不是比誰最猛。是比誰最不浪費。對生圖、角色控制、對話這類用途，16GB 常常就是甜蜜點。再往上，錢會燒得很快。\u003C\u002Fp>\u003Cp>如果你也在看顯卡取捨，可以順手看 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA 官方規格頁\u003C\u002Fa>。先把 VRAM 看懂，再談效能。這順序比較不會翻車。\u003C\u002Fp>\u003Ch2>為什麼 N 卡比較穩\u003C\u002Fh2>\u003Cp>很多人會問，AMD 不行嗎？Intel 不行嗎？不是不行，是你要付出更多試錯成本。現在本地 AI 的教學、工具、範例，還是明顯偏向 N 卡。這不是信仰，是生態。\u003C\u002Fp>\u003Cp>作者提到一個很實際的點。很多開源模型和工具鏈，先把 N 卡當基準。你如果用別的陣營，常常得\u003Ca href=\"\u002Fnews\u002Fopenclaw-build-train-personal-ai-agent-zh\">自己\u003C\u002Fa>補洞。新手最怕的不是慢，是卡在安裝和相容性。\u003C\u002Fp>\u003Cp>原文作者 \u003Ca href=\"https:\u002F\u002Fwww.facebook.com\u002F\" target=\"_blank\" rel=\"noopener\">龍騰道\u003C\u002Fa> 的話很直白。他說，既然上手期本來就要折騰，就別再加未知數。這句很有道理。買 AI 機，不是只買硬體，是買時間。\u003C\u002Fp>\u003Cblockquote>「開源大模型目前主要圍繞 n 卡設計，為避免上手期本來就要折騰很多東西再添不必要的麻煩和未知數，選擇了 n 卡。」——龍騰道\u003C\u002Fblockquote>\u003Cp>這句話我認同。因為本地 AI 的麻煩，常常不是算力不夠，而是你花兩小時在裝環境。對一般使用者來說，這很煩。真的很煩。\u003C\u002Fp>\u003Cp>如果你想看更多實戰比較，可以參考 \u003Ca href=\"\u002Fnews\u002Fnvidia-vs-amd-ai\" target=\"_blank\" rel=\"noopener\">NVIDIA 和 AMD 跑 AI 的差別\u003C\u002Fa>。這篇會比單看規格表更有感。\u003C\u002Fp>\u003Ch2>硬碟別省：模型檔案真的很肥\u003C\u002Fh2>\u003Cp>很多人配 AI 主機時，只盯著顯卡。硬碟就隨便抓一顆能開機的。問題是，模型檔通常很大。幾 GB 算小，十幾 GB 很常見。你一直換模型，載入速度就會變成日常體感。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775197678100-mxve.png\" alt=\"萬元檔 AI 電腦怎麼配\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這次選的是 2TB 的 \u003Ca href=\"https:\u002F\u002Fwww.crucial.com\u002Fproducts\u002Fssd\u002Fcrucial-t710-ssd\" target=\"_blank\" rel=\"noopener\">Crucial T710\u003C\u002Fa>。它是 PCIe 4.0 M.2 SSD，還有 DRAM 快取。這種配置不算最便宜，但很適合常拉模型、常下載資料、常做測試的人。\u003C\u002Fp>\u003Cp>作者整理的速度對比很有意思。SATA 機械硬碟大約 4 秒\u002FGB。SATA SSD 約 2 秒\u002FGB。PCIe 3.0 SSD 可到 3GB\u002Fs。PCIe 4.0 SSD 約 7GB\u002Fs。PCIe 5.0 SSD 甚至能更高。差距很大，不是小數字。\u003C\u002Fp>\u003Cul>\u003Cli>機械硬碟：便宜，但慢\u003C\u002Fli>\u003Cli>SATA SSD：夠用，但不夠爽\u003C\u002Fli>\u003Cli>PCIe 4.0 SSD：AI 工作流比較順\u003C\u002Fli>\u003Cli>2TB 容量：比較不怕模型塞爆\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我覺得這裡最重要的，不是追 PCIe 5.0。是別買太小。1TB 很快就滿。尤其你還要放遊戲、素材、快取、測試資料。2TB 才比較像正常起跑線。\u003C\u002Fp>\u003Cp>如果你常做模型切換，SSD 體驗會很明顯。這不是紙上談兵。你每天多等 30 秒，一個月下來就很煩。\u003C\u002Fp>\u003Ch2>平台怎麼省，才不會省錯\u003C\u002Fh2>\u003Cp>CPU 在 AI 推理裡不是主角。這句很重要。很多人會先盯最新一代處理器，但其實本地 AI 更吃 GPU。CPU 夠用就好，不必把錢全丟進去。\u003C\u002Fp>\u003Cp>這次搭的是 \u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002Fen\u002Fproducts\u002Fprocessors\u002Fdesktops\u002Fryzen\u002F5000-series\u002Famd-ryzen-7-5700x.html\" target=\"_blank\" rel=\"noopener\">AMD Ryzen 7 5700X\u003C\u002Fa>。它不是最新平台，但性價比很高。搭配 \u003Ca href=\"https:\u002F\u002Fwww.asus.com\u002Fmotherboards-components\u002Fmotherboards\u002Ftuf-gaming\u002Ftuf-gaming-b550m-plus-wifi-ii\u002F\" target=\"_blank\" rel=\"noopener\">ASUS TUF Gaming B550M-Plus WiFi II\u003C\u002Fa> 這類主機板，也能把預算留給顯卡和 SSD。\u003C\u002Fp>\u003Cp>這種思路很務實。AM4 平台便宜，記憶體也成熟。你不用為了追新平台，多花一大筆錢。對萬元檔來說，這筆錢拿去升顯卡，通常更有感。\u003C\u002Fp>\u003Cul>\u003Cli>5700X：夠用，不追新\u003C\u002Fli>\u003Cli>B550：成熟、便宜、選擇多\u003C\u002Fli>\u003Cli>DDR4：成本低，容量好拉高\u003C\u002Fli>\u003Cli>把預算留給 GPU，比升 CPU 更實在\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你是純遊戲玩家，可能會想衝新平台。可是在 AI 場景裡，這樣不一定划算。講白了，5700X 不會拖後腿。GPU 才是那個會決定體感的人。\u003C\u002Fp>\u003Cp>這也是很多 AI 主機的共同特徵。平台老一點沒關係。只要穩、便宜、好裝，就夠了。\u003C\u002Fp>\u003Ch2>電源和散熱也不能亂配\u003C\u002Fh2>\u003Cp>很多人配到最後，最容易省掉的就是電源。這很危險。AI 主機的 GPU 一跑起來，功耗不是開玩笑。電源太弱，系統就會不穩。重開機、黑畫面、掉驅動，都是常見後果。\u003C\u002Fp>\u003Cp>這台機器的思路是，電源要留餘裕。不要剛好壓線。因為你不只要顧單次滿載，還要顧長時間運作。AI 訓練、推理、批次生圖，都可能連跑好幾小時。\u003C\u002Fp>\u003Cp>散熱也一樣。GPU 佔空間，熱量也大。機殼風道如果亂，溫度就會上去。溫度一高，風扇就吵。風扇一吵，整台機器就很像在跟你抗議。\u003C\u002Fp>\u003Cp>所以這類機器的配法很簡單。電源別買太鳥，機殼別買太悶，風扇別省到只剩裝飾。這些東西不會讓你跑更快，但會讓你少出事。\u003C\u002Fp>\u003Ch2>這類 AI 主機，跟遊戲電腦差在哪\u003C\u002Fh2>\u003Cp>最大差別是優先順序。遊戲機常常先看 CPU，再看 GPU。AI 機剛好反過來。先看 VRAM，再看 SSD，再看平台。順序一變，整個預算分配也變了。\u003C\u002Fp>\u003Cp>第二個差別是容量思維。遊戲大多是裝幾個大作。AI 則是模型、權重、快取、資料集一起堆。你很快就會發現，1TB 不太夠。2TB 才像是正常使用。\u003C\u002Fp>\u003Cp>第三個差別是相容性。遊戲電腦只要能跑遊戲，很多事情都能接受。AI 主機不行。驅動、框架、量化工具、\u003Ca href=\"\u002Fnews\u002Fcuda-architecture-sms-cores-memory-zh\">CUDA\u003C\u002Fa> 版本，任何一個環節出問題，都可能讓你卡住。\u003C\u002Fp>\u003Cul>\u003Cli>遊戲機：看 FPS\u003C\u002Fli>\u003Cli>AI 機：看 VRAM 與生態\u003C\u002Fli>\u003Cli>遊戲機：1TB 常見\u003C\u002Fli>\u003Cli>AI 機：2TB 更合理\u003C\u002Fli>\u003Cli>遊戲機：CPU 比較重要\u003C\u002Fli>\u003Cli>AI 機：GPU 優先\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這也是為什麼很多人第一次配 AI 主機會踩雷。你照遊戲機思路買，錢花得很平均，但 AI 體驗反而不漂亮。講白了，錢要砸在對的位置。\u003C\u002Fp>\u003Cp>如果你只想試水溫，先用雲端 API 也行。可是一旦你想本地跑，硬體選擇就會變得很現實。\u003C\u002Fp>\u003Ch2>結尾：萬元檔怎麼選，我的答案\u003C\u002Fh2>\u003Cp>如果目標是本地 AI 入門，我會把預算先給 GPU。16GB VRAM 是比較安全的起點。再來是 2TB SSD。最後才是 CPU 和主機板。這個順序很土，但很有用。\u003C\u002Fp>\u003Cp>我自己的預測很簡單。接下來一年，16GB 顯存會變成很多人配 AI 機的底線。不是因為它最強，而是因為它剛好夠用，又不會把預算炸掉。你如果現在要配，我會直接問：你是要玩 AI，還是要收藏規格表？\u003C\u002Fp>","萬元檔 AI 電腦怎麼配？從 RTX 5070 Ti、5700X 到 2TB SSD，這篇直接講顯存、硬碟、電源和平台怎麼取捨。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2004280186208798709",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775197682098-2dyy.png","tools","zh","c8de299d-c732-44cd-b73b-9752edcf86a9",[17,18,19,20,21,22,23,24],"AI電腦","RTX 5070 Ti","顯存","本地大模型","萬元檔配置","5700X","SSD","NVIDIA",9,"2026-04-03T06:27:44.237192+00:00","2026-04-03T06:27:44.058+00:00",{"tags":29,"relatedLang":44,"relatedPosts":48},[30,31,34,36,38,39,41,42],{"name":20,"slug":20},{"name":32,"slug":33},"Nvidia","nvidia",{"name":22,"slug":35},"5700x",{"name":23,"slug":37},"ssd",{"name":19,"slug":19},{"name":17,"slug":40},"ai電腦",{"name":21,"slug":21},{"name":18,"slug":43},"rtx-5070-ti",{"id":15,"slug":45,"title":46,"language":47},"ai-pc-build-budget-config-guide-en","AI上手配机：万元档怎么选配置","en",[49,55,61,67,73,79],{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"1a92ac0a-75ea-4877-874d-4a309cd0085b","nvidia-research-gpu-template-zh","NVIDIA 研究頁把 GPU 資源變模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780567412863-e8oq.png","2026-06-04T10:02:58.043845+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"3ead09ec-5656-4165-9bb0-f602add3c409","qdrant-filter-first-rag-design-decoded-zh","Qdrant 讓 RAG 先過濾再找相似","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780566519640-bdds.png","2026-06-04T09:47:59.450347+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"7b5e6965-307e-4492-bf65-d922cd7818ad","anthropic-code-review-tool-ai-generated-code-zh","Anthropic 讓 AI 程式變可審","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780563813320-5wc7.png","2026-06-04T09:02:56.999212+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"bef47dbc-b0b4-439e-bae9-abe9473a321c","wei-shen-me-tether-ba-ben-di-ai-ji-yi-tui-jin-ri-chang-zhuan-zh","為什麼 Tether 把本地 AI 記憶推進日常裝置是對的","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780542170805-opi6.png","2026-06-04T03:02:19.599329+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"d3ec03a8-a805-4a21-9826-72a74a72b625","databricks-model-serving-llm-deploy-guide-zh","Databricks Model Serving 讓 LLM 部署變簡單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525998117-7ur8.png","2026-06-03T22:32:51.005996+00:00",{"id":80,"slug":81,"title":82,"cover_image":83,"image_url":83,"created_at":84,"category":13},"4dd225a8-bf6c-4768-a486-a27956c7033d","opencode-digitalocean-model-freedom-zh","OpenCode+DigitalOcean 讓你切換模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525116428-1q7g.png","2026-06-03T22:18:06.969758+00:00",[86,91,96,101,106,111,116,121,126,131],{"id":87,"slug":88,"title":89,"created_at":90},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":127,"slug":128,"title":129,"created_at":130},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":132,"slug":133,"title":134,"created_at":135},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]