綜合 VRAM、運算效能、功耗、AI 推論能力與每元效益，提供完整的 GPU 購買建議。 支援超過 55 款 NVIDIA、AMD、Intel GPU 型號， A/B 比較、電費估算與場景化推薦，助您做出最佳決策。
請先選擇 GPU 並輸入價格
RTX 3060 12GB
入門首選·12GB VRAM
RTX 3090
24GB VRAM·高 CP 值
RTX 5090
32GB VRAM·旗艦效能
A100 80GB
80GB·資料中心級
RTX 5070
次世代·DLSS 4
RTX 4070 Super
12GB·效能與價格平衡
挑選顯示卡（GPU）是組裝電腦或升級工作站最重要的決策之一。以下是幾個關鍵評估維度：
① 根據用途決定預算 — 遊戲為主的用戶應關注 FP32 效能與 VRAM，AI 使用者則以 VRAM 和 Tensor Core 為核心指標。影片剪輯與 3D 渲染介於兩者之間，重視編碼器支援與 CUDA 核心數量。
② VRAM 容量是關鍵 — 8GB 足以應付 1080p 遊戲，但 AI 推論（尤其是 LLM）至少需要 12GB，建議 24GB 以上。Stable Diffusion 在 12GB 以上可流暢生成 1024×1024 圖像。
③ 注意世代差異 — 新世代 GPU 不僅效能更高，往往還支援更新的技術（如 DLSS 4、AV1 編碼、FP8/FP4 精確度），這些對 AI 和工作負載都有顯著影響。
VRAM（Video Random Access Memory，顯示記憶體）是 GPU 專用的記憶體，用於存放渲染所需的紋理、緩衝區、AI 模型權重與中間計算結果。VRAM 大小直接決定了 GPU 能夠處理的工作負載規模。
在 AI 應用中，VRAM 尤為關鍵：大型語言模型（LLM）的權重參數必須完整載入 VRAM 才能運行。例如，70B 參數的模型在 FP16 下需要約 140GB VRAM，即便是 Q4 量化也需要約 35GB。VRAM 不足時，模型被迫使用系統 RAM（通過 offloading），導致推論速度大幅下降。
一般建議：遊戲 1080p → 8GB，1440p → 12GB，4K → 16GB+；AI 入門 → 12GB，專業 AI → 24GB+，LLM 部署 → 48GB+（或使用多 GPU）。
CUDA（Compute Unified Device Architecture）是 NVIDIA 推出的平行運算平台與程式設計模型，讓開發者能夠利用 GPU 的大量核心進行通用計算（GPGPU）。CUDA 核心是 NVIDIA GPU 中的基本運算單元，類似 CPU 的核心但數量龐大（RTX 4090 擁有 16384 個 CUDA 核心）。
在 AI 領域，CUDA 生態系（搭配 cuDNN、TensorRT 等函式庫）幾乎成為業界標準：PyTorch、TensorFlow、JAX 等框架底層都依賴 CUDA 加速。這意味著 NVIDIA GPU 在 AI 工作負載中具有天然的生態系優勢。
AMD 使用 Stream Processors 實現類似功能，搭配 ROCm 平台。雖然近年 AMD 在 AI 框架支援上有顯著進步，但整體生態系的成熟度與 NVIDIA 仍有差距，特別是在 LLM 推論與 Stable Diffusion 等應用中。
Tensor Core 是 NVIDIA GPU 中的專用硬體單元，專門設計用於執行矩陣乘法與累加運算（GEMM），這是深度學習中最重要的運算類型。自 Volta 架構（2017）引入以來，Tensor Core 已發展多個世代，每代支援更多精確度格式。
Tensor Core 支援的精度包含：FP16（16位浮點）、BF16（bfloat16）、TF32（Tensor Float 32）、INT8（8位整數）、INT4 與 FP4（最新的 Blackwell 架構）。使用 Tensor Core 進行 FP16 矩陣運算可比傳統 FP32 快達 8 倍（搭配稀疏化可達 16 倍）。
除了 AI 訓練與推論，Tensor Core 也用於 NVIDIA DLSS（深度學習超級採樣）技術，通過 AI 將低解析度畫面即時重建為高解析度，在不犧牲效能的同時提升畫質。對於 AI 使用者來說，Tensor Core 的數量與世代是評估 GPU 的重要指標。
建置 AI 工作站時，GPU 選擇直接影響工作效率與可使用模型規模。以下是專業建議：
VRAM 優先 — 對 AI 而言，VRAM 是唯一的硬限制。參數規模 7B 的模型（如 Llama 3 8B）在 FP16 下需要 16GB VRAM，70B 模型需要約 140GB。建議至少 24GB（RTX 3090/4090），專業用戶直上 48GB 以上（RTX 5090 或雙 4090）。
Tensor Core 世代 — 越新的 Tensor Core 支援越多的精度格式（如 FP8、FP4），可以直接提升訓練速度與記憶體效率。RTX 40 系列（Ada Lovelace）比 RTX 30 系列（Ampere）在 AI 訓練中快約 30-50%。
生態系相容性 — 目前 AI 框架對 NVIDIA CUDA 的支援最完善，AMD ROCm 正在追趕但相容性仍需確認。對於生產環境，NVIDIA 仍是安全性最高的選擇。消費級 GPU（RTX）相比資料中心級（A100/H100）具有極佳的性價比，適合個人與小型團隊。
二手 GPU 市場提供了絕佳的性價比，但也伴隨風險。以下是綜合分析：
優點： 價格通常為原價的 50-70%（兩代前的 GPU 甚至更低）。RTX 3090 24GB 二手價格約 NT$20,000-25,000，性價比極高。對於 AI 使用者來說，老一代旗艦的 VRAM 優勢常讓它比新一代中階卡更適合。
缺點與風險： ① 礦卡風險 — 長期挖礦的 GPU 因持續滿載運作，散熱模組老化、風扇磨損較嚴重；② 保固問題 — 二手卡通常無原廠保固或保固期短；③ 世代技術差異 — 老 GPU 缺乏新功能（如 AV1 編碼、DLSS 4、FP8 支援）。
購買建議： 優先選擇有原始購買證明的賣家，避免購買明顯用於挖礦的 GPU（多卡無擋板、無原盒）。RTX 3090、RTX 3080 Ti、RTX 2080 Ti 是目前二手市場中 AI 應用性價比最高的選擇。交易前要求賣家提供 GPU-Z 截圖與壓力測試結果。
本工具採用多維度權重分析法：根據您選擇的使用情境（AI 推論、遊戲、影片剪輯等），系統會對 VRAM、FP16/Fp32 效能、記憶體頻寬、功耗效率等指標加權計算，並結合您輸入的價格與市場建議售價（MSRP），最終得出 0-100 分的性價比分數與購買建議。
取決於價格與用途。一般來說，前一代旗艦卡（如 RTX 3090）若價格低於原價 60-70%，且不是礦卡，對於 AI 應用具有極佳的性價比。但需注意老 GPU 缺乏新技術支援（如 AV1 編碼、FP8 精度），對遊戲和最新 AI 模型可能造成限制。
AI 推論（Inference）主要依賴 VRAM 來載入模型權重，以及 Tensor Core 來加速矩陣運算，對記憶體頻寬同樣敏感。AI 訓練（Training）除了同樣需要大量 VRAM，更看重 FP16/BF16 的運算吞吐量，因為訓練過程中需要反覆進行前向與反向傳播。總體而言，訓練對 GPU 的要求更高，建議使用具備最新 Tensor Core 的高階 GPU。
1080p 遊戲建議 8GB，1440p 建議 12GB，4K 建議 16GB 以上。AI 入門建議 12GB（可運行 7B 量化模型），專業 AI 建議 24GB 以上（可運行 13B-70B 量化模型），LLM 部署建議 48GB 以上。Stable Diffusion 生成 1024×1024 圖像建議 12GB+。
主要原因有三：① CUDA 生態系 — PyTorch、TensorFlow 等主流框架對 CUDA 的支援最成熟完善；② Tensor Core — NVIDIA GPU 的專用 AI 加速硬體，大幅提升矩陣運算效率；③ 軟體支援 — NVIDIA 提供 cuDNN、TensorRT、CUDA Toolkit 等完整的 AI 開發工具鏈。AMD 的 ROCm 平台正在追趕，但在 LLM 與 Stable Diffusion 等應用中仍有相容性差距。
以台灣電價 NT$3.5/kWh 估算：一張 RTX 4090（450W）每日使用 8 小時，年電費約 NT$4,600。若使用 RTX 5090（575W），年電費約 NT$5,876。雖然單一 GPU 的電費差異不大，但若長期運行（24/7 訓練）、多卡配置（4-8 GPU）或在電價較高的地區（歐洲約 NT$9/kWh），電費將成為顯著成本。本工具已將電費估算納入性價比分析。
可以，消費級 NVIDIA RTX 系列完全支援 CUDA 與 Tensor Core，是個人 AI 專案的最佳選擇。RTX 4090 在許多 AI 工作負載中的表現甚至超越專業級 Tesla V100。唯一的限制是 VRAM — 消費級 GPU 最大僅 24GB（RTX 4090），而資料中心 GPU（如 A100 80GB）可處理更大的模型。對個人來說，RTX 3090/4090 的性價比遠高於專業卡。