“不去想困难，干就完了，一步一步往前走”——任正非
学习AI从花钱开始买电脑开始
《荀子》有云，“耳闻之不如目见之，目见之不如足践之”。作为身经百战，参加过无数培训和认证考试的大叔，深知学习一门新的知识，比起理论学习，动手实践更加重要。买一台适合AI学习的电脑很重要。
对于AI大模型学习，朋友建议我买一台台式机PC，因为从屏幕，扩展性，CPU和内存，硬盘，显卡，散热，性价比等因素考量，台式机都优于笔记本。但是从兼顾携带和家用方便的角度出发，我还是决定买一台笔记本。（人做决策通常不一定完全理性，个人的执念有时候才是最重要那个因素）
对电脑硬件不通的我，买什么样的笔记本着实有些犯愁，还好有AI深度玩家的朋友给了些信息和建议，结合豆包和元宝等辅助才开始略微有些头绪开始摸着石头过河。
学习AI的电脑最重要的选择因素就是显卡（GPU）。而显卡的衡量则显存容量优先，因为在AI模型部署中，显存容量是关键指标，直接影响模型运行能力，决定电脑能够支持的大模型。
显卡选择的相关知识
如何选显卡? 通过和豆包和元宝交互获取一些基础信息。
1 关键公式：
模型参数量 × 量化位数 ÷ 8（GB），用于估算显存需求。
公式核心来自“存储容量计算”的基本原理：
1.每个参数的存储大小 = 量化位数（bit），例如4bit量化下每个参数占4bit（0.5字节）；
2.总存储需求 = 参数量 × 单参数存储大小，再通过 ÷(8×1024³) 换算为GB（1GB=8×1024³ bit）。
2 显存容量与模型规模的对应关系
基于主流量化方案（如4bit/8bit量化）和实际部署案例的经验总结：
8GB显存：以Llama 2-7B为例，70亿参数在4bit量化下理论显存需求约7B×4bit÷8≈3.5GB，加上模型运行时的中间变量、缓存等开销，8GB是流畅推理的基本保障；
12GB显存：130亿参数模型（如Llama 3-13B）微调时，除模型参数外，还需存储梯度、优化器状态等，4bit量化下总需求约13B×4bit÷8 + 额外开销≈7GB，12GB可满足轻量微调；
16GB+显存：200亿参数以上模型（如GPT-J-6B衍生模型）或更复杂的量化方案（如混合精度）对显存要求更高，16GB以上可支持推理及基础微调。
关于RTX 5070，RTX 5070 Ti 和RTX 5080 笔记本显卡的总结：
