工作站显卡

深度学习训练场景优先看显存容量而非双精度性能，模型参数量决定显存需求：7B模型全精度训练需约24GB，13B需48GB以上，训练大模型选RTX 6000 Ada(48GB)或A100/H100系列

科学计算/CFD/有限元仿真等需要FP64双精度的场景才需关注双精度性能，此时消费级显卡(RTX 4090等)双精度被阉割到1/64，必须选Tesla/A100这类计算卡，Ada架构专业卡(RTX 6000 Ada)双精度同样很弱不适合

3D CAD设计(SolidWorks/CATIA/Creo)和影视渲染更依赖ISV专业软件认证驱动，而非算力，NVIDIA专业驱动(Quadro/RTX A系列)针对这些软件做了线框显示、视口稳定性优化，同价位消费卡实际生产力体验反而差

多卡显存池化(如把两张卡当48GB用)需要NVLink硬件桥接，而非普通PCIe互联；注意RTX 40系消费卡已取消NVLink，仅RTX 6000 Ada前的Ampere专业卡(A6000/A100)支持，选卡前确认NVLink支持情况

显存越大功耗与散热压力越高，48GB专业卡多为300-450W涡轮单风扇设计(便于多卡密集堆叠)，但单卡散热和噪音差；工作站塔式机箱可选双风扇/三风扇公版散热更安静，服务器/多卡场景才选涡轮盲插版

专业认证驱动稳定性与性能激进程度矛盾：专业卡驱动更新慢、追求长期稳定但不追新特性，消费卡驱动更新快、新游戏/新框架支持及时，追求最新CUDA特性或前沿AI框架时消费卡反而更灵活

纯AI推理/训练且预算敏感时不建议为ISV认证多花钱，深度学习框架(PyTorch/TensorFlow)不依赖专业驱动认证，RTX 4090(24GB)的AI性价比远高于同显存专业卡

只做游戏或普通视频剪辑不该买工作站显卡，专业卡在游戏中性能反而不如同价位游戏卡，且不针对游戏做优化，属于花高价买错方向

小机箱或电源余量不足时不建议直接上双卡工作站显卡，多卡需要PCIe插槽间距、机箱风道和≥1000W电源，散热不良会导致降频甚至宕机，需先确认整机供电与散热方案

搭建工作站显卡方案的标准路径：1)明确核心用途(AI训练/推理/CAD/渲染/科学计算) → 2)按用途确定关键指标(显存/双精度/ISV认证/ECC) → 3)估算显存需求(留20%余量) → 4)决定单卡还是多卡(定NVLink需求) → 5)匹配散热方案(塔式选风扇版/服务器选涡轮版) → 6)核对整机电源与PCIe供电