著實(shí)有點(diǎn)Amazing啊。新顯

這兩天GPU圈子發(fā)生了個(gè)事兒，賣(mài)爆被網(wǎng)友們討論地津津樂(lè)道——有一款顯卡賣(mài)爆了。大顯都搶

火到什么程度呢？存也就是一進(jìn)貨就被搶光。

GPU供不應(yīng)求其實(shí)已經(jīng)司空見(jiàn)慣了，新顯但之所以這次能被熱議起來(lái)，賣(mài)爆是大顯都搶因?yàn)檫@款產(chǎn)品背后的廠家。

不是存也你以為的NVIDIA、AMD，新顯而是賣(mài)爆……Intel。

為什么會(huì)如此？大顯都搶

從玩家們的討論中不難得出答案——性價(jià)比夠高，2000元價(jià)位就能在2K畫(huà)質(zhì)下暢玩3A游戲。存也

The 新顯Verge也非常“直給”地給予了一句評(píng)價(jià)：

Intel終于在GPU上拿下了一次勝利。

而這款顯卡，賣(mài)爆正是大顯都搶Intel不久前發(fā)布的第二代銳炫B580，售價(jià)僅2049元起。

要知道，NVIDIA 299美元的RTX 4060和AMD 269美元的RX 7600，僅配備了8GB的VRAM。

但I(xiàn)ntel的銳炫B580不僅價(jià)格比它們低，還配備了12GB的VRAM和192bit的顯存位寬。

即使是價(jià)格更低的銳炫B570（219美元，下個(gè)月上市）也配備了10GB的VRAM。

除此之外，還有一個(gè)更有意思的事情。

雖然銳炫是游戲顯卡，但畢竟是GPU啊，于是……也有一部分人買(mǎi)來(lái)開(kāi)始搞AI了。而這，可能會(huì)讓它未來(lái)的銷(xiāo)售再增三分熱度。

這不，有人在Reddit上就分享了怎么在銳炫B580上搞AI畫(huà)圖Comfy UI了：

不僅是個(gè)人用戶的嘗鮮，我們還打聽(tīng)到有些企業(yè)已經(jīng)著手把Intel的顯卡塞進(jìn)包括工作站和服務(wù)器在內(nèi)的商用計(jì)算設(shè)備中了，具體搭配的“食譜”就是：Intel至強(qiáng)系列CPU+銳炫顯卡。

不過(guò)暫時(shí)用的還是Intel上一代的A770，作為上一代的旗艦型號(hào)，A770有著16G大顯存，用在AI推理上，也算游刃有余。

據(jù)可靠的消息，如此組合最為搶眼的優(yōu)勢(shì)，同樣是“性價(jià)比”三字。

而由此引發(fā)的，更值得討論的一個(gè)話題應(yīng)當(dāng)是：

消費(fèi)級(jí)顯卡搞AI，到底行不行？

首先可以看出來(lái)，無(wú)論個(gè)人還是企業(yè)，買(mǎi)Intel消費(fèi)級(jí)顯卡來(lái)搞AI，基本都是來(lái)做AI推理的。

實(shí)際上，推理算力需求正在飛速增長(zhǎng)，大有超過(guò)訓(xùn)練算力需求之勢(shì)。

一方面，隨著行業(yè)熱議的“預(yù)訓(xùn)練Scaling Law撞墻”了，像OpenAI o1/o3系列模型也開(kāi)始依靠增加推理算力提高模型能力。

另一方面，AI應(yīng)用落地的爆發(fā)也使得推理需求大幅增長(zhǎng)，這些需求往往不強(qiáng)求算力的溢出甚至極致，即所謂硬需求不高，而是更加注重實(shí)現(xiàn)夠用的性能（包括并發(fā)度和時(shí)延），以及與之同步的易獲取、易部署、易使用和成本上是否夠?qū)嵒荨?/p>

那么做AI推理為什么選擇Intel游戲顯卡？

正如前面分析，性價(jià)比肯定是一大考慮因素。

從硬件方面講，即使是頂級(jí)的算力卡，單卡做AI推理在面對(duì)高并發(fā)等場(chǎng)景時(shí)，顯存也會(huì)成為瓶頸，但升級(jí)到四卡、八卡成本又會(huì)飆升。此時(shí)，Intel A770這種2000元價(jià)位就有16G大顯存的型號(hào)，就成了兼顧性能與成本之選。

從應(yīng)用方面講，很多場(chǎng)景其實(shí)對(duì)每秒token生成速度要求并不高，特別是有流式傳輸?shù)葍?yōu)化手段，只要first token latency到位了，后面生成速度滿足一定要求，體驗(yàn)就很好。

這是我們拿到的4張Intel銳炫A770顯卡跑Qwen2.5 32B模型的演示Demo，來(lái)感受一下這個(gè)速度，是不是足夠了？

看到這里可能有人要問(wèn)了，用Intel顯卡跑AI，CUDA的問(wèn)題怎么解決？

拿最流行的大模型推理框架之一vLLM來(lái)說(shuō)，得益于開(kāi)源軟件的發(fā)展，其早已實(shí)現(xiàn)了高級(jí)別的抽象和封裝，其實(shí)換用哪種硬件，用起來(lái)都沒(méi)差太多。

再加上Intel自己提供的開(kāi)源oneAPI，就能做到很低的遷移成本。

可能還有人要問(wèn)了，那為什么不選專用AI推理加速器，比如風(fēng)頭正盛的Groq、Sambanova這些？

這就要說(shuō)到，多模態(tài)交互是現(xiàn)在AI應(yīng)用的一大趨勢(shì)，無(wú)論是與AI視頻對(duì)話、數(shù)字人，還是直播、短視頻場(chǎng)景的一些應(yīng)用，都同時(shí)會(huì)用到視頻解碼或圖形渲染能力，這就非得是通用GPU不可。

專用加速器雖然在特定任務(wù)上有優(yōu)勢(shì)，但在處理多樣化需求時(shí)，通用GPU更具靈活性。

所以總結(jié)來(lái)看，用Intel顯卡搞AI推理，算力夠用，大顯存還有，可行性就有了，性價(jià)比也有了，對(duì)于現(xiàn)有業(yè)務(wù)來(lái)說(shuō)，遷移成本更是理想。

后面能拿下多大市場(chǎng)，會(huì)不會(huì)成為一個(gè)趨勢(shì)，就拭目以待了。

Intel的曲線突圍

Intel消費(fèi)級(jí)顯卡被企業(yè)拿去搞AI推理了，Intel自己是什么態(tài)度？

那肯定是樂(lè)見(jiàn)其成的，而且相當(dāng)重視。

其實(shí)，Intel在兩年前剛推出銳炫系列時(shí)就采取與友商不同的策略，許可證方面明確不限制數(shù)據(jù)中心使用。

為了方便大家用好AI，Intel的軟件團(tuán)隊(duì)一直沒(méi)閑著，除了更新oneAPI，還在持續(xù)推出和更新一系列開(kāi)源工具，吸粉不斷。

例如加速庫(kù)IPEX-LLM，可用于大模型的推理和微調(diào)，在GitHub上已經(jīng)有6.8k star。

以及低比特量化工具neural-compressor，也獲得2.3k star。

從IPEX-LLM也可以看出Intel對(duì)中國(guó)市場(chǎng)的重視，針對(duì)中國(guó)主流的開(kāi)源大模型ChatGLM、Qwen、MiniCPM等都提供了適配，中文文檔和教程也做的比較完善。

為了方便大家選擇模型，Intel還在HuggingFace上維護(hù)了一個(gè)低比特量化模型的排行榜，設(shè)置好條件，就可以一鍵比較并篩選出自己需要的模型。

其中性能排名靠前的，不乏Intel自己動(dòng)手量化的開(kāi)源社區(qū)優(yōu)秀模型。

這么看下來(lái)，Intel為AI開(kāi)源社區(qū)做的眾多貢獻(xiàn)，給企業(yè)和開(kāi)發(fā)者提供了便利，也是現(xiàn)在大家愿意嘗試Intel顯卡的原因之一。

最后，我們還打聽(tīng)到一個(gè)內(nèi)幕消息：

Intel看到AI推理這個(gè)市場(chǎng)需求逐漸擴(kuò)大后，在后續(xù)產(chǎn)品策略上也有所調(diào)整。

2025年，Intel準(zhǔn)備推出Battlemage系列顯卡的更大顯存版本，其容量將增至24G。

以后就是現(xiàn)有版本繼續(xù)服務(wù)于游戲等消費(fèi)級(jí)市場(chǎng)，24G的更大顯存版本瞄準(zhǔn)“生產(chǎn)力市場(chǎng)”。

“生產(chǎn)力市場(chǎng)”的目標(biāo)用戶涵蓋了數(shù)據(jù)中心、邊緣機(jī)房、教育科研和個(gè)人開(kāi)發(fā)者等。

擁有更大顯存的Intel顯卡，不僅可在AI推理需求上，也能在渲染和視頻編解碼應(yīng)用上做到比專業(yè)圖形卡、工作站顯卡性價(jià)比更高。

還真別說(shuō)，“從游戲人間轉(zhuǎn)向打工賺錢(qián)”+“算力夠用、顯存保大”，很有可能會(huì)成為IntelGPU突圍的一招妙棋。

參考鏈接：

[1]https://www.reddit.com/r/pcgaming/comments/1hh2dvn/intel_finally_notches_a_gpu_win_confirms_銳炫_(tái)b580/

[2]https://www.techspot.com/news/105810-intel-launches-new-銳炫-battlemage-b580-b570-gaming.html

[3]videocardz.com/newz/intel-will-not-prohibit-gaming-銳炫-gpu-use-in-data-centers

[4] https://github.com/intel-analytics/ipex-llm

[5] https://github.com/intel/neural-compressor[6] https://huggingface.co/spaces/Intel/low_bit_open_llm_leaderboard